Das Fachmagazin für institutionelle Investoren

Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden:
4/2018 | Theorie & Praxis
twitterlinkedInXING

»Nicht einfach mehr vom Gleichen«

Antoine Forterre und Anthony Ledford von Man AHL erläutern im Interview, wie ein quantitativ ausgerichtetes Haus wie Man AHL neue Technologien wie Machine Learning und künstliche Intelligenz für seine Produkte nutzbar macht.

"Always evolving“, was übersetzt so viel bedeutet wie ­„jederzeit weiterentwickeln“, lautet der Claim der in London beheimateten Man Group, die über ihre Einheit namens Man AHL systematisch und quantitativ gemanagte Portfolios für institutionelle Investoren anbietet. Man AHL steht bei den meisten Anlegern nach wie vor für Trendfolgestrategien, hat aber in jüngerer Zeit das hauseigene Angebot durchaus erweitert, wie Antoine Forterre, Co-CEO, und Anthony Ledford, Chief Scientist, im Interview betonen. Die Redaktion sprach mit beiden unter anderem über den Einsatz von relativ jungen Managementwerkzeugen wie Machine Learning und künstlicher Intelligenz bei einem auf alternative Investments spezialisierten Marktteilnehmer und was solche Instrumente im praktischen Einsatz wirklich zu leisten imstande sind.

Herr Forterre, Ihr Unternehmen wird nach wie vor als Trendfolger der CTAs am Markt wahrgenommen. Ist das immer noch die passende Kurzformel für einen Unternehmensbereich wie Man AHL?
Antoine Forterre: In gewisser Weise ist es ­sicher gerechtfertigt, dass wir nach wie vor als Trendfolger bezeichnet werden. Immerhin managen wir mehr als 40 Prozent unserer gesamten Assetbasis von 25 Milliarden US-Dollar in solchen Strategien. Aber auch wir haben unser Geschäft über die ­vergangenen 15 Jahre hinweg diversifiziert. Wir sind mit neuen Produkten in neue ­Geschäftsfelder vorgedrungen, sodass ich uns heute eher als quantitativ orientierten Multi-Strategie-Manager bezeichnen würde. Wir managen heute rund zwölf Prozent unserer Assets in Multi-Strategie-Fonds, der Anteil von Long-only-Mandaten liegt mit 14 Prozent sogar noch etwas höher. Rund die Hälfte unserer Assets liegen in alternativen Strategien, die andere Hälfte in Long-only-Assets. Wir sind dabei inzwischen zu einem großen Teil Singlemanager, aber auch Fund-of-Fund- und Multi-Manager. Wir betrachten unsere Aufgabe zwar nach wie vor in erster Linie darin, durch die Nutzung von Daten aller Art sozusagen ein Flüs­tern in einem Raum voller Lärm auszumachen, um darüber entsprechendes Alpha für unsere Anleger zu generieren. Aber es sind eben interessante Produkte hinzugekommen, die eine simple Reduzierung auf das Trendfolgethema nicht mehr rechtfertigen.

Haben Sie einige Beispiele für uns?
Forterre: Zu nennen wäre zum Beispiel ein Produkt wie der AHL Dimension, der in ­einer Kombination aus fundamentalen und technischen Indikatoren mit einem Momentum-Ansatz versucht, mit einem ausgewogenenen Portfolio eine Sharpe Ratio größer eins bei einer Volatilität von zehn Prozent zu erreichen. Und mit dem AHL Evolution Frontier haben wir ein Produkt, das versucht, das Prinzip unseres Evolution-Programms auf weniger liquiden und schwerer zugänglichen Märkte über OTC-Kontrakte abzubilden. Damit investieren wir in eso­terische Marktsegmente wie extrem enge Währungsmärkte oder auch Bitcoin-Fu­tures, was nach einem durchaus erfolgreichen Jahr 2017 im bisherigen Jahresverlauf alles andere als einfach gewesen ist.

Ist mit der jüngsten Korrektur an den ­Märkten denn Ihrer Ansicht nach eventuell wieder eine Zeit zu erwarten, die für so ­etwas wie eine Renaissance des Trendfolgethemas sorgen könnte?
Forterre: Trendfolger hatten zuletzt tatsächlich eine schwere Zeit. Das Jahr 2014 war auch für eines der besten Jahre unserer ­inzwischen 30-jährigen Unternehmensgeschichte. In der Zeit davor wie auch in den vergangenen Jahren waren die Ergebnisse, die man mit Trendfolgestrategien erzielen konnte, eher unterdurchschnittlich, wie gesagt abgesehen von Spezialsituationen im Evolution Frontier. Wir haben gerade Anfang dieses Jahres noch einmal erlebt, wie schnell die Entwicklung an den Märkten drehen kann. Nach dem Januar als einem der besten Monate für Trendfolger überhaupt, war es im darauffolgenden Monat genau umgekehrt, weil es zu einer scharfen Wende mit gleichzeitiger Korrelation verschiedener Trends an den Märkten gekommen ist. Auch ich kann natürlich nicht vorhersagen, was in Zukunft passieren wird ­beziehungsweise wie sich die Märkte wei­terentwickeln werden. Der Oktober war in der ersten Hälfte aus den gleichen Gründen wie zu Jahresbeginn ein schwieriger Monat für uns. In der zweiten Hälfte sah unsere Performance dann schon wieder sehr viel besser aus. Wenn sich einmal ein Trend für einen Zeitraum von zwei Wochen herausgebildet hat, dann reagieren unsere Modelle eben entsprechend gut. Wir sind derzeit short bei Aktien und Treasuries und long im US-Dollar. Ob das in den nächsten Monaten so bleiben kann, weiß keiner.

Gibt es Märkte, in die Sie ganz neu vor­gedrungen sind?
Forterre: Unser jüngster Vorstoß in einen für uns bis dahin nicht zugänglichen Markt sind die sogenannten Private Markets, vor allem in Real Assets und Infrastruktur. Das sind Märkte, die wir uns erst durch den Einsatz von Machine Learning Tools, mit denen wir schon seit dem Jahr 2012 arbeiten, die wir aber seit 2016 noch einmal verstärkt im Einsatz haben, erschließen konnten. Für uns als quantitativ-systematischen Manager sind Modelle so etwas wie die Funktion von ­Daten, die wir verwenden. Es mag sein, dass wir im Vergleich zu Wettbewerbern relativ spät in den Bereich Machine Learning gestartet sind, weil wir lange vor allem auf Daten aus den klassischen Märkten gesetzt haben. Aber ich glaube, dass wir schon jetzt sagen können, dass wir uns die Möglichkeiten, die uns Machine Learning als Input für unsere Strategien eröffnet hat, recht schnell umgesetzt haben. Während wir aufgrund unseres Erbes aus dem Momentum-Ansatz eigentlich auf etwas langsamere Handelsrhythmen mit Holdingperioden von einem oder zwei Monaten eingestellt waren, haben sich durch die Erweiterung unserer Möglichkeiten sehr rasch Modelle ent­wickeln lassen, die sehr viel schneller handeln. Wir sind zwar nach wie vor nicht als High Frequency Trader unterwegs, aber mit Holdingperioden von wenigen bis zehn Tagen konnten wir interessante Ergebnisse ­sowohl bei Aktien- wie auch bei Futures-Strategien erzielen.

Begriffe wie Machine Learning oder Artificial Intelligence sind ja eher so etwas wie Buzz-Wörter, die für alles Mögliche verwendet werden. Wie unterscheiden Sie zwischen beiden, und was steckt hinter Ihrer offensichtlichen Begeisterung für diese Themen?
Forterre: Buzz-Wörter ist wohl ein wichtiges Stichwort in diesem Zusammenhang. Wir unterscheiden eigentlich nicht zwischen Artificial Intelligence und Machine Learning, bevorzugen aber letzteren Begriff für die Art, wie wir diese Technologien einsetzen. Denn künstliche Intelligenz ist ja am Ende nicht Intelligenz im menschlichen Sinne. Ein Programm kann vielleicht perfekt werden in einem Spiel wie Schach oder Go, aber man kann nicht das von ihm erwarten, was man von menschlicher Intelligenz ­erwarten darf. Ein Programm kann lernen, ein Glas Wasser zu erkennen und zu bestimmen, dass es halb voll ist. Aber es kann nicht lernen, dass mein iPad zerstört wird, wenn man das Wasser draufschüttet.

Anthony Ledford: Wir sind anfangs durchaus skeptisch an das Thema herangegangen. Wir hatten schon den Eindruck, dass wir uns damit beschäftigen müssen, kamen aber alle mit einem von traditioneller Statistik geprägten Modellhintergrund. Deshalb waren wir sehr vorsichtig in Bezug auf tolle Geschichten, die über diese Technologien erzählt wurden. Es lassen sich im Grunde drei Stufen des Machine Learnings unterscheiden. Begonnen haben wir mit dem sogenannten Bayesschen Machine Learning, das tatsächlich noch sehr stark von einem Statistikansatz getrieben ist. Modernere Techniken wie das Deep Learning, die erst nach 2012 entstanden sind, basieren eher auf dem Einsatz neuronaler Netze. Und als Drittes existiert eine vollkommen andere Richtung des Machine Learnings, die sich Reinforcement Learning oder bestärkendes Lernen nennt. Der gesamte Komplex ist ein durchaus weites Feld.

Und welche Rolle spielt das Thema nun konkret in Ihrer Arbeit?
Ledford: Letztlich haben wir relativ schnell erkannt, dass ein gewisser Wert in einigen dieser Techniken steckt, den wir für unsere Zwecke zum Einsatz bringen können, um bestimmte Probleme zu lösen. Wir haben zudem Lösungen gefunden, die durchaus komplementär zu bereits vorhandenen und im Einsatz befindlichen Techniken in un­seren Portfolios sind. Wir betreiben das ­Geschäft nun schon seit rund 30 Jahren, aus diesem Grund dürfen wir sicher behaupten, dass wir durchaus schon einiges an relevanten Strukturen herausgearbeitet haben. Aber auch wenn man seinen Kopf über Jahrzehnte hinweg über Daten gebeugt hat, muss man immer aufpassen, dass man eine neue Technik wie das Machine Learning nicht auf die gleichen Daten ansetzt wie die ­eigenen Standardmodelle. Sonst wird man nur Dinge herausfinden, die man schon längst weiß oder kennt. Deshalb muss man solche Techniken ans Arbeiten bringen auf der Suche nach Erkenntnissen, die sich eben von dem unterscheiden, was man schon weiß. Erst daraus entsteht ein echter Mehrwert. Inzwischen haben einige dieser Techniken Eingang in unsere Kundenportfolios gefunden.

Mit welchem Resultat?
Ledford: Mit dem Resultat, dass sie eine zusätzliche Diversifikation liefern zu dem, was wir bereits hatten. Deshalb haben wir ein eigenes Team aufgebaut, das sich mit dem Thema Machine Learning beschäftigt. Wir mussten zudem unsere Hardwarekapazität erweitern, weil diese Technologien ­eine viel höhere Rechenleistung erfordern. Die besten Ergebnisse in Bezug auf die ­Generierung von neuen Tradingsignalen ­haben wir im Bereich der Bayesschen Anwendungen und mit Deep Learning erzielt. Wir haben auch Erfolge in unserem Trade Execution Team gehabt. Dessen Job ist es nicht, zu entscheiden, was zu kaufen oder zu verkaufen ist, das macht das Trading­system. Aber wenn diese Entscheidung ­getroffen ist, dann muss der Trade eben auch ausgeführt werden. Das geschieht über ein Ausführungssystem. Das meiste in der Tradingumsetzung wird nicht mehr von Menschen erledigt, sondern von eigenen ­Algorithmen. Wir haben nur noch eine kleine Gruppe von menschlichen Händlern, die uns in weniger liquiden Märkten unterstützen, in denen keine entwickelte elektronische Orderroute existiert.

Das heißt, jetzt übernimmt ein Machine-­Learning-System die Handelsausführung?
Ledford: Aus gutem Grund. Denn bei allen möglichen dafür zur Verfügung stehenden Algorithmen weiß man im Grunde nie, welcher der richtige für welchen Trade sein wird. Das herauszufinden ist eine Aufgabe, die wir dem Machine Learning übergeben haben. Dazu arbeitet das System mit einem permanenten Nebeneinander von Erkundung und Umsetzung. Wenn man zu einem Komplex wie der Orderausführung keine sinnvollen Daten hat, dann muss man eben immer weiter ausprobieren. Aber um es einzusetzen und aus der Praxis wieder zu lernen, muss man den Trade irgendwann auch ausführen, sonst gibt es keinen Lerneffekt. Und zwar unaufhörlich, denn man weiß nicht, ob die beste Lösung für diese Woche auch die beste für die nächste Woche sein wird. Es gibt kein endgültiges Ergebnis, ­keine Regeln, denn die Bedingungen verändern sich permanent. Damit kann ein ­Machine Learning Tool sehr viel besser umgehen als ein Mensch. Dabei geht es nicht um Geschwindigkeit, es geht um die stetige Beharrlichkeit, eine multiple Aufgabe immer und immer wieder auszuführen statt, wozu Menschen neigen, eine Liste von ­Aufgaben möglichst schnell abzuarbeiten. Durch die Übergabe solcher Aufgaben an die Maschine konnten wir nicht nur die Kos­ten deutlich senken, sondern auch die darauf verwendete menschliche Zeit einsparen. Das ist ein wunderbares Beispiel dafür, wie Mensch und Maschine in diesem Fall hervorragend zusammenarbeiten.

Oder wird es irgendwann so sein, dass auch im Fondsmanagement die Maschine den Menschen ablösen wird?
Ledford: Das kann ich mir nicht vorstellen. Auch wenn die Maschine in dem Fall eine sehr viel bessere Art hat, mit diesem Problem umzugehen, bedeutet das nicht, dass Menschen in unserem Geschäft irgendwann keinen Job mehr haben. Deshalb geht es nicht darum, den Menschen zu ersetzen, es geht darum, den Menschen wie auch den Computer an sinnvoller Stelle einzusetzen. Es ist unser Vorteil, dass wir von dieser Komplementarität und von der Diversifikation profitieren können. Im Grunde läuft es darauf im Investment immer hinaus.

Gibt es bestimmte Bereiche, in denen Machine Learning sich als besonders geeignet zeigt?
Ledford: Es ist sozusagen in der Natur von Machine Learning angelegt, von Daten zu lernen. Wenn man möchte, dass solche Tools eine faire Chance auf Erfolg haben, dann muss man ihnen große Datensätze ­geben, von denen sie lernen können. Das führt dazu, dass sie am besten einzusetzen sind in eher liquiden Märkten, die von einer relativ hohen Frequenz im Handel gekennzeichnet sind. Es sollten schon mehrere ­Trades pro Tag sein und nicht die relativ seltenen Veränderungen in einem Trend­folger etwa. Außerdem sollten es eher komplexe Aufgaben sein, die es zu lösen gilt. Daher ist der Einsatz von Machine Learning eher in den schnellen, liquiden und non­linearen Märkten sinnvoll, die man mit ­einem Standardmodell eigentlich nie richtig in den Griff bekommt, es sind weniger die eher langsamen Märkte eines typischen Managed-Futures-Investments.

Sind wir denn beim Thema Big Data angelangt, und steht dieser Begriff eigentlich nur dafür, dass es eigentlich um nichts anderes geht, als möglichst viele Daten zu haben?
Ledford: Unglücklicherweise wird in der ­Regel mit dem Begriff Big Data herum­gearbeitet, ohne dass jemand definieren würde, was eigentlich dahintersteht. Aus meiner Sicht geht es bei Big Data nicht ­darum, einfach nur über eine große Menge Daten zu verfügen, es geht nicht einfach nur um mehr vom Gleichen, sondern darum, Strukturen daraus abzuleiten oder zu erkennen und möglichst viele unterschiedliche Typen von Daten, die zudem in unterschiedlicher Frequenz auftreten, kombinieren und verarbeiten zu können. Manche ­Daten kommen sehr schnell hintereinander, weil es oft sekundenweise Updates gibt. Andere Daten, etwa die aus Quartals- und Jahresberichten von Unternehmen oder aus Analystenreports, kommen nur alle paar Wochen oder Monate. Wir haben langjährige Erfahrung darin, so viele Daten aus den Finanzmärkten zu sammeln, wie wir können. Solange das Ströme von Zahlen sind, können Computer schon lange gut damit ­arbeiten. Aber erst die Möglichkeiten von Machine Learning und Technologien wie dem sogenannten Natural Language Processing haben es uns ermöglicht, auch Daten in anderer Form, etwa in Textform, miteinzubeziehen. Das ist etwas, auf das wir erst seit relativ kurzer Zeit ­Zugriff haben, deshalb wurde das in der Vergangenheit nicht so stark beachtet. Heute ­haben wir die nöti­gen Tools, um Informationen aus solchen unstrukturierten Daten zu extrahieren und sinnvolle, zusammenhängende Aussagen darüber zu treffen, was sie eigentlich bedeuten und wie man ein Trading­signal da­raus ableiten kann. Das ist es, wo wir heute stehen.

Welche Rolle spielt in diesem Zusammenhang das Oxford Man Institute, das die ­Universität Oxford vor mehr als zehn Jahren mit der Man Group gegründet hat?
Ledford: In Oxford betreibt unser Unternehmen ein Labor für kommerzielles Research im gleichen Gebäude, in dem das Oxford Man Institute untergebracht ist. Im Grunde arbeiten wir am gleichen Thema wie unsere akademischen Kollegen, denn es geht immer um die Strukturierung von Daten. Im Jahr 2016 ist auch das Oxford Man Institute in das Thema Machine Learning eingestiegen, weil das inzwischen einfach der sehr viel interessantere Bereich ist. Das Ziel der Institutskollegen aber ist das Entdecken neuer Strukturen und das Verfassen von ­methodologischen Papieren. Das ist es nun einmal, was Akademiker tun. Niemand verleiht einem einen Doktorgrad für die Entwicklung eines Handelssystems, das ist kein akademisches Kriterium. Aber es gibt eine immense Überlappung zwischen kommerziellem und akademischem Bereich. Und diese Überlappung führt oft zu überaus aufschlussreichen Gesprächen. Als Unternehmensbereich der Man Group profitieren wir dabei zum Teil davon, dass wir Einblick in Ergebnisse der akademischen Forschung ­erhalten, bevor diese veröffentlicht sind. ­Eine meiner Aufgaben ist es, Brücken zwischen beiden Bereichen zu bauen.

Ist es angesichts des Interesses, das dem Thema Machine Learning auch von Seiten vieler anderer Marktteilnehmer bis hin zu Datenriesen wie Google, Facebook oder Youtube und selbst der Nasa entgegen­gebracht wird, nicht extrem schwierig, die richtigen Mitarbeiter in ausreichender Zahl zu finden?
Ledford: Für uns war es schon immer schwer, gute Mitarbeiter zu finden. In dieser Beziehung mussten wir stets sehr innovativ und kreativ sein, um attraktiv für gute Leute zu sein. Oft geht es darum, potenziellen Mitarbeitern überhaupt zu verdeutlichen, dass es in unserem Sektor der Kapitalmärkte wirklich interessante und anspruchsvolle Probleme zu lösen gibt. Wenn die Alter­native die Entwicklung des ersten serien­reifen selbstfahrenden Autos ist, dann sehen viele im Fondsmanagement nicht gleich die große Herausforderung. Aber hier haben wir schon sehr viel Überzeugungsarbeit geleis­tet. Wir haben derzeit nur eine Planstelle, die noch nicht besetzt ist.

Forterre: Man wird bei uns ohnehin nicht die typischen Mitarbeiter finden, wie man sie aus Banken oder dem Asset Management kennt. Die Mehrheit unserer rund 160 ­Kollegen sind promovierte Mathematiker, ­Physiker oder auch Astrophysiker und Computerwissenschaftler. Wir bemühen uns deshalb bewusst, uns zu unterscheiden und entsprechende Zusatzangebote zu machen. Da geht es nicht einfach darum, ob jemand mit einem Mac- oder einem Windows-Rechner arbeitet. Wir bieten zum Beispiel über ein spezielles System Sprach- und ­andere Weiterbildungskurse an. In unseren Büroräumen steht zudem ein Piano, und zweimal pro Woche kommt ein Klavierlehrer, um zu unterrichten, weil wir wissen, dass Naturwissenschaftler eine besondere Affinität zur Musik hegen. Und es haben sich bereits 30 Leute angemeldet, die das Klavierspielen erlernen möchten.

Wir danken für das Gespräch.    

Hans Heuser


Meister der Datenströme

Antoine Forterre ist Co-Chief Executive Officer von Man AHL und Mitglied des Man Group ­Exe­cutive Committee. Forterre arbeitet seit sieben ­Jahren für die Man Group und war bei Man AHL zunächst als Chief Operating Officer verantwortlich für Technologie und andere Non-Investment-Bereiche des Unternehmens. Davor war Forterre Head of Corporate Development and Group Treasurer der Man Group mit der Verantwortung für Übernahmen sowie die Kapitalmarktaktivitäten. Bevor
er zur Man Group kam, hat Forterre für Goldman Sachs gearbeitet.

Anthony Ledford ist Chief Scientist von Man AHL und für die Verbindung zur Akademia verantwortlich. Sein Büro steht im Man Research Laboratory in Oxford, und er übernimmt die Gesamtverantwortung für das stra­te­gische Research von Man AHL. Bevor er im Jahr 2001 zur Man Group kam, war er Dozent für Statistik und Mathematik an der University of Surrey und an der Cambridge University.

twitterlinkedInXING
 Schliessen