Das Fachmagazin für institutionelle Investoren

Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden:

Haben Sie jemals ein Einhorn gesehen?

Ad

Mutige Positionen in heute richtungsweisenden Technologieunternehmen sowie fünf Jahrzehnte Immobilieninvestments zeugen von unserer umfassenden Erfahrung im Bereich Private Assets. Wir kennen uns in Bereichen aus, die vielen nicht vertraut sind. Sprechen Sie uns an.

Anzeige
1/2019 | Produkte & Strategien
twitterlinkedInXING

Maschine statt Mensch

Bis vor Kurzem wurde künstliche Intelligenz im Investmentbereich noch als Fantasterei abgetan. ­Inzwischen gibt es aber immer mehr Ansätze, wie Machine Learning im Asset Management eingesetzt werden kann. Dass Shakespeare’sche Sonette hier eine Rolle spielen könnten, verblüfft.

1553855627_ki_navi.jpg

Vielleicht ähnelt die Entwicklung im Asset Management der von Navigationssystemen: Zunächst konnte man sich nicht vorstellen, dass sich Menschen auf die elektronischen Wegansager ­verlassen könnten, und heute fährt man kaum mehr ohne.

© Lisa Dünser, GMF

Noch ist offen, ob sich die aktuelle Begeisterung hinsichtlich der angeblichen Intelligenz aus dem Computer langfristig halten wird. Wer lang genug dabei ist, weiß, dass alle paar Jahre Themen kurzfristig extrem gehypt werden, um im Anschluss fast ebenso rasch wieder in der Versenkung zu verschwinden. Bisher hat die Biotechnologie – trotz aller Fortschritte – noch kein Mittel gegen Grippe hervorgebracht, und auch der „graue Schleim“, den die Gegner der Nanotechnologie seinerzeit als Bedrohung an die Wand malten, hat uns bislang zum Glück noch nicht heimgesucht. Könnte sich künstliche Intelligenz (KI) als ähnliche Enttäuschung erweisen? Natürlich, das Problem beginnt schon damit, dass wir das Phänomen „Intelligenz“ bislang nicht einmal zufriedenstellend definieren können.

Mitte des Vorjahres konnte man lesen, dass der Supercomputer Watson von IBM im medizinischen Bereich für Enttäuschung gesorgt hat, weil er die in ihn gesetzten Erwartungen bei der Diagnose von Krankheiten nicht erfüllt. Jedenfalls noch nicht, denn das Feld, in dem zwar seit Jahrzehnten ­geforscht wird, hängt von der Computer­kapazität ab, und die steigt weiter. Der leistungsfähige Supercomputer schaffte im Jahr 2010 2,57 PetaFLOPS (Floating Point Operations Per Second oder Gleitkomma-Operationen pro Sekunde). Ende 2018 lag dieser Wert schon bei 143,5 Peta­FLOPS, und China arbeitet bereits an einem Gerät, das 1.000 PetaFLOPS schafft – das wäre dann ein Exa-FLOP. Für die Leistung einer heutigen Sony Playstation 4 benötigte man Ende der 1990er-Jahre noch einen Supercomputer. Der Autor und Google-Ingenieur Ray Kurzweil schätzt, dass KI-Systeme schon in einem Jahrzehnt mit menschlicher Intelligenz gleichziehen werden.

Wenn Rechenleistung das Problem ist, dann besteht die Hoffnung, dass dieses Problem gelöst wird. Daher beschäftigt sich auch die Vermögensverwaltung schon längst mit der Frage, ob man nicht Kapital von Maschinen verwalten lassen könnte. Im Idealfall wären sie in der Analyse von Märkten und in der Beurteilung von Marktsituationen wesentlich leistungsfähiger als menschliche Fondsmanager, hätten aber den großen Vorteil, völlig frei zu sein von der Unzahl von psychologischen Schwachstellen, die uns von der Behavioral-Finance-Forschung seit Jahrzehnten vor Augen geführt werden.

Der Traum der KI-Anhänger besteht darin, dass schlaue Computerprogramme mit der Komplexität der Wirtschaft und der Finanzmärkte besser umgehen können, als dies selbst großen Teams, bestehend aus Menschen, möglich ist. Möglich wäre das dann, wenn es in den unzähligen Zusammenhängen und Wechselwirkungen zwischen einzelnen Entwicklungen in Branchen, Regionen und Märkten Muster gäbe, die sich wiederholen. Ist das der Fall, müsste man sie mittels künstlicher Intelligenz erkennen und nutzen können. Die Vorreiter des KI-Einsatzes in der Vermögensverwaltung glauben natürlich an diese Vision.

Catana mit neuem KI-Fonds

Ein Fonds, dessen Aktienselektion und Exposure durch KI auf Basis genau solcher Big-Data-Analysen erfolgt, ist der im November 2018 aufge­legte Data Intelligence Fund. Kapitalverwaltungsgesellschaft des Fonds ist Ampega Investment, hinter der maschinenbasierten Portfolioverwaltung steht die Frankfurter Boutique Catana Capital. Das Besondere an diesem Ansatz: Die KI-Modelle steuern hier sowohl die Aktienselektion als auch das Market Exposure, das in einer Bandbreite zwischen minus 50 und plus 100 Prozent ausgesteuert wird.

Als Basis für jede Anlageentscheidung des Fonds werden in sieben Ländern in drei Sprachen Internet­daten zu Wertpapieren und Märkten automatisiert gesammelt, gefiltert, gewichtet und analysiert. Für das Data-Crawling koope­riert Catana mit dem Forschungsunternehmen Stockpulse aus Bonn. Es werden Nachrichten zum Thema Wertpapiere und Märkte gesammelt, die im Internet veröffentlicht wurden. Der Crawler kann dabei via Sprach- und Texterkennung auf Englisch, Deutsch und Chinesisch eine Vielzahl von Informationen abgreifen. Dabei werden klassische Nachrichten, aber auch Social-Media-Nachrichten gelesen. Außerdem werden Schlüsselevents ebenso berücksichtigt wie Aktienresearch, das im Netz veröffentlicht wird. Dabei werden nur solche Informationen ausgewertet, die eindeutig zugeordnet werden können – also etwa einem bestimmten Wertpapier und einer bestimmten Person, von der die Information stammt. Zusätzlich werden die Nachrichtenautoren nach ihrer Relevanz unterschiedlich gewichtet. Beispielsweise werden die Kommentare eines Hedgefondsmanagers stärker gewichtet als die eines No-Name-Marktteilnehmers.

Im nächsten Schritt werden aus der gesamten Datenmenge von Catana Capital über einen Algorithmus auf Basis einer selbstlernenden Datenbank verschiedene ­Indikatoren errechnet. Bastian Lechner, Gründer und Geschäftsführer von Catana Capital, erklärt: „Pro Tag werden so in Echtzeit knapp zwei Millionen kapitalmarktbezogene Nachrichten ausgewertet – viel mehr, als ein Mensch lesen und verarbeiten könnte. Die Schlüsselfrage bei uns lautet: Wer sagt was zu welcher Aktie? ­Dazu werden monatlich über fünf Terabyte an Informationen gesammelt. Das sind mehr als 21 Nachrichten pro Sekunde.“

Big Data können nur Maschinen

Im dritten Schritt werden mithilfe eines Algorithmus Kauf- und Verkaufsempfehlungen generiert. Auch dieser Prozess ist rein datenbasiert. „Das System gibt jedem Titel auf Basis der gesammelten Daten ein vorläufiges positives oder negatives Signal. Bevor daraus eine Handelsentscheidung entsteht, analysiert es im Sinne der KI, wie sich die Aktie in der Vergangenheit nach ­einem positiven oder negativen Signal entwickelt hat“, so Lechner. Stuft die KI die Erfolgswahrscheinlichkeit bei der aktuellen Nachrichtenlage als besonders hoch ein, ­generiert das Modell ein Handelssignal. Die getroffenen Entscheidungen und ihre Ergebnisse fließen in künftige Anlageempfehlungen mit ein – das System lernt also.

Komplexe Strategien

Das Market Exposure des Fonds wird ­zusätzlich über Indexfutures gesteuert, wobei die Signale ebenfalls aus der Datenauswertung und dem Algorithmus generiert werden. Während der Data Intelligence Fund ein Absolute-Return-Fonds ist, plant Catana, noch innerhalb des ersten Halbjahres 2019 einen weiteren KI-Fonds mit ähnlicher KI-Technik aufzulegen. Hier wird es sich dann aber um einen Long-only-Indexfonds handeln, der immer voll in Aktien ­investiert ist.

Erfahrungen genutzt

Aufmerksame Marktbeobachter wissen, dass Catana bereits im Juli 2016 einen Big- Data-Fonds lanciert hatte, der mittlerweile geschlossen wurde. Lechner erklärt, dass er aus dieser Erfahrung viel gelernt hat: „Unseren ersten Fonds hatten wir als Publikums-AIF konzipiert, was den Vertrieb erheblich erschwert hat. Jetzt ist unsere Strategie als UCITS-Fonds aufgelegt.“ Er hat weitere Konsequenzen gezogen: „Wir arbeiten jetzt mit anderen Partnern zusammen, die eine vollelektronische Verbindung zwischen der Strategie und dem Handel sicherstellen können. Das war vorher nicht möglich. Außerdem haben wir eine andere Kostenstruktur und starten gleich mit einer festen Zusage für Seed Capital in zweistelliger Millionen-höhe.“ Darüber hinaus arbeitet Lechner für die Abbildung von Short Exposure nicht mehr mit Single Stock Futures, die sich in der Praxis als teuer und wenig liquide erwiesen haben, sondern mit Indexfutures.

Die Zukunft des Asset Managements sieht Lechner auf jeden Fall im technologischen Fortschritt: „In Phoenix, Arizona, gibt es ­bereits Robo-Taxis, VW will ab 2026 keine Verbrennungsmotoren mehr entwickeln, aber im Asset Management arbeitet man heute noch unglaublich konventionell und mit viel Handarbeit. Das ist ineffizient und wird sich schneller ändern, als sich viele heute vorstellen können“, meint Lechner.

Tatsächlich arbeiten viele Asset Manager an der Entwicklung von Systemen auf der Basis von KI, testen verschiedene alterna­tive Datensätze und wenden KI-Modelle bereits in bestimmten Teilbereichen an. So hat auch Oddo BHF Asset Management im Dezember 2018 den Fonds ODDO BHF Artificial Intelligence aufgelegt. Dieser ­Themenfonds investiert nicht nur in den ­Bereich KI, sondern wendet KI auch im ­eigenen Investmentprozess an.

Auch Acatis, die in Deutschland als Vorreiter bereits 2018 den ersten UCITS-Fonds auf KI-Basis lanciert hat, forscht an vor­ders­ter Front: Derzeit arbeitet man an sogenannten Retina-Modellen der Firma Cortical. Darin geht es um Wort- und Satzbedeutungen (siehe Chart nächste Seite), was bereits eine Weiterentwicklung zu den zuvor verwendeten Listen mit positiven und negativen Wörtern ist. Um aber die Bedeutung der Worte nutzen zu können, müssen die Jahresberichte der Unternehmen erst gesäubert und aufbereitet werden, was in der Praxis sehr aufwendig ist.

Risikomanagement

KI wird jedoch nicht nur als potenziell vollkommener Ersatz für menschliche Fonds­manager eingesetzt: „Wir wenden KI als Unterstützung im Management unserer Fonds an, bisher ausschließlich für das Risi­komanagement“, erklärt Ron Große. Er leitet ein Private Banking Team bei der Braunschweigischen Landessparkasse (NORD/LB) und ist unter anderem Advisor des Bürgerstiftungsfonds. „Durch unser KI-System wollen wir die Drawdowns der Stiftungsfonds reduzieren. Im Ergebnis zeigt uns das KI-System eine Eins oder eine Null an. Bei einer Null tun wir nichts, eine Eins bedeutet Risiko. Dann verkaufen wir zwar nicht den Aktienbestand des Fonds, sichern ihn aber über Volatilitätsfutures ab.“

Das KI-Modell, das die täglichen Risikosignale liefert, hat die NORD/LB gemeinsam mit Hans-Jörg von Mettenheim, Gründungsgesellschafter des französischen Vermögensberaters Keynum Investments, entwickelt. Von Mettenheim, der an der IPAG Business School in Paris den Lehrstuhl für Quantitative Finance and Risk Management leitet, ist der Meinung, dass sich KI-Modelle insbesondere für taktische Signale eignen: „Wir generieren tägliche Signale. Auch ­wöchentliche Signale funktionieren noch gut. Aber was in sechs Monaten an der ­Börse passiert, hängt von so vielen Faktoren ab, dass Sie das mit einem KI-System nicht mehr gut prognostizieren können.“ Für das Modell nutzen von Mettenheim und NORD/LB die ganze Bandbreite an erhältlichen Daten, auch Intraday-Daten. „Die ­Intraday-Volatilität ist viel aussagekräftiger als die Day-to-day-Vola. Unser Modell kam etwa mit dem Flashcrash vom 5. Februar 2018 gut zurecht, als der Dow Jones an ­einem Tag um acht Prozent einbrach und der VIX um 50 Prozent anstieg. Am Vortag hat uns das ­System ein Signal gegeben, und wir haben den Aktienbestand taktisch abgesichert“, so Große.

Als Input für das Modell braucht es eine Datenreihe von mindestens fünf Jahren. Dann beginnt die sogenannte „Feature Extraction“: „Aus den Daten von drei Jahren lernt das System, und ein weiteres Datenjahr dient dann der Validierung. Das letzte Datenjahr dient dazu, verschiedene konkurrierende Modelle gegeneinander zu testen. Das Ganze geschieht iterativ“, erklärt von Mettenheim. Die Modelle folgen einem Weg, über Trial-and-Error geht der Entscheidungsbaum weiter, bis er in eine Sackgasse gerät und den Entscheidungsweg bis zu der Gabelung zurückverfolgt, an der die falsche Entscheidung getroffen wurde – von dort geht es dann neu los.

Zu viel Information

Die Gefahr bei der Entwicklung von KI-Systemen sei, dass man jeden noch so kleinen Zacken der Vergangenheit erklären wolle. „Das führt zu Overfitting“, also einem Zuviel an Daten. „Dadurch verliert man die Generalisierbarkeit, was die Prognosefähigkeit des Modells verschlechtert“, so von Mettenheim, „schließlich verändern sich die Daten und deren Dynamik über die Zeit.“ Große ist zufrieden mit dem, was das System kann: „Mit dem Einsatz von KI vermeidet man den psychologischen Bias, denn KI sorgt für regelbasierte Entscheidungen. Ein weiterer Vorteil ist, dass KI gut mit unstrukturierten, verrauschten Daten umgehen und aus ihnen die wesentlichen Aspekte herausziehen kann.“

Arbeit im Hintergrund

Auch andere Asset Manager setzen KI-Modelle in Teilbereichen oder im gesamten Management von Portfolios ein und testen alternative Datensätze. So stellte etwa Laurent Laloux, Chief Product Officer des französischen Hedgefondsmanagers Capital Fund Management (CFM), der eine Partnerschaft mit Rothschild & Cie Gestion hat, auf dem Institutional Money Kongress im Februar 2019 den Ansatz seines Hauses zum Thema KI vor. Unter Anspielung auf Philip K. Dicks Roman „Do Robots Dream of Electric Sheep?“ nannte er seine Präsentation „Do Asset Managers Dream of Electric Sheep?“. Spannenderweise kann Laloux dem Ansatz, durch den Einsatz von KI ­Alpha zu generieren, wenig abgewinnen. Die künstliche Intelligenz würde kein eigenes, spezifisches Alpha generieren, sondern nur solches, wie es von aktiven menschlichen Fondsmanagern auch erzielt werde. Welche Regeln im Markt existieren, sei, wenn man es ehrlich betrachte, nicht wirklich klar. Tatsächlich wisse man auch nicht wirklich, nach welchen Daten man überhaupt suchen solle. Deshalb hat sich das Team von CFM dazu entschlossen, die KI quasi im Back Office der Trading-Aktivitäten einzusetzen, sprich: im Orderbuch. Dieses zu analysieren sei eine spezifischere und somit leichter umsetzbare Aufgabe. Im ­Intraday-Bereich verfüge man über eine ­hohe Datendichte, die Regeln für Kauf- und Verkaufsorders seien klar umrissen. Das Ziel: durch die extrem kurzfristige Vorhersage von Kauf- und Verkaufsordern im Markt die eigenen Orders so perfekt wie möglich zu platzieren. Dadurch macht man zwar keine großen Gewinne, in der Masse wird aber die Handelsaktivität effizienter und trägt in Summe zu einer deutlichen ­Kostenersparnis bei.

Sonett oder Orderbuch

Doch wie werden die Ordermuster erkannt beziehungsweise vorhergesagt? Durch das Spracherkennungsmodell LSTM (Long Short-Term Memory). Mittels LSTM können Texte in gewünschten Stilen, etwa Shakespeare, verfasst werden. In einem ziemlich brillanten Kniff wandeln die Programmierer von CFM das Orderbuch nur in „Sprache“ um. Jede Order erhält einen Buchstaben: So wird einer Best-Bid-Order der Buchstabe A zugewiesen, der Best-Ask-Order der Buchstabe B und so weiter. Die LSTM-KI wertet das Orderbuch nun aus, als handle es sich um ein Shakespeare’sches Sonett, und sagt voraus, welche Buchstabenkombination – also Order – als Nächste eintritt.

Boutiquen und Platzhirsche

Offenbar graben sich insbesondere spezialisierte Boutiquen tief in das Thema hinein, aber auch große Asset Manager wie J.P. Morgan setzen immer häufiger KI-Systeme in Teilbereichen ein und experimentieren damit. Kristian West, Global Head of Equity Trading and Equity Data Science von J.P. Morgan Asset Management, erläutert, dass man bei J.P. Morgan bereits mit alternativen Datenreihen experimentiere. Beispielsweise nutze man Daten über Aufträge der US-­Regierung, die im Internet veröffentlicht werden, um Schlussfolgerungen über die Auftragslage der entsprechenden Unternehmen zu ziehen.

Außerdem screent J.P. Morgan Berichte von Treffen seiner Portfolio Manager und Analysten mit Unternehmensvertretern nach positiven und negativen Wörtern. Je nachdem, ob die Anzahl der positiven oder der negativen Wörter überwiegt, führt dies zu einem positiven oder negativen Signal. Via Spracherkennung kann J.P. Morgan auch Online-Analystenkonferenzen entsprechend auswerten – hier werden also die Machine-Learning-Strategien im Bereich Sprach­erkennung mehr im Sinne der Erfindung eingesetzt, als CFM das tut.

Wohin KI im Asset Management führt, werden die nächsten zwei, drei Jahre zeigen. Die Frage ist, ob die künstliche Intelligenz ihren finalen Siegeszug antritt oder die Forschung in diesem Bereich in einen neuen „AI Winter“ schlittert, wie das nach den periodischen Zwischenerfolgen in den 50er- und 70er-Jahren schon zumindest zweimal der Fall war.    

Anke Dembowski


Anhang:

twitterlinkedInXING
 Schliessen