Das Fachmagazin für institutionelle Investoren

Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden:
1/2020 | Theorie & Praxis
twitterlinkedInXING

Nicht ohne meinen Menschen

Geht es um künstliche Intelligenz, landet man in der landläufigen Diskussion schnell bei einem Man-vs.-Machine-Szenario. Gerade im Asset Management legen Praxisbeispiele und jüngste Forschung aber nahe, dass ein hybrider Ansatz aus Mensch UND Maschine die besten Resultate abliefert.

1585567071_ki_.jpg

Mensch und Maschine nicht als Konkurrenten, sondern als Team? Dieses Modell kommt in der öffentlichen Diskussion eher selten vor, könnte aber gerade im Asset Management auf eine erfolgreiche Strategie hinauslaufen. Das legen zumindest einschlägige Studien und eine Case Study anhand des französischen Anbieters Oddo nahe.

© SDECORET | STOCK.ADOBE.COM
Kann künstliche Intelligenz Finanz? Diese Frage treibt die Branche nun schon seit einigen Jahren um – und ­zuletzt war man versucht, sie mit Nein zu beantworten. Denn wie von Institutional Money berichtet, weisen sowohl Indizes, die KI-Strategien abbilden, als auch individuelle Beispiele auf eine Underperformance von KI-getriebenen Investments hin.
Dass die Anwendung von KI vor diesem Hintergrund nur sehr verhalten erfolgt, ist zum Ersten keine Überraschung und zum Zweiten das Ergebnis einer aktuellen CFA-Studie mit dem Titel „AI Pioneers in Investment Management“. Das Institut hat mehr als 500 CFA Charterholder Members weltweit zum Thema künstliche Intelligenz befragt. Die Ergebnisse sind relativ eindeutig. So haben in den vergangenen zwölf Monaten nur zehn Prozent der Befragten KI-Methoden als statistisches Mittel im Investmentprozess verwendet (siehe Chart „Noch nicht angekommen“). Backtests und Regressionsanalysen gehören hier nach wie vor zu den mit Abstand beliebtesten Methoden. Jeder Dritte wendet jedoch gar keine statistische Methode an. Bei der eher generell gefassten Frage, für welche ­Aktivitäten man KI-Algorithmen angewendet hat, sieht es etwas besser aus: Hier haben sich immerhin 31 Prozent mit dem KI-Thema auseinandergesetzt – die Einschränkung: Nur 15 Prozent der Befragten nutzen die künstliche Intelligenz für echte Kauf- und Verkaufsentscheidungen. 
 
Insofern mag es verwundern, dass das deutsche Fonds-Schlachtschiff DWS eine Minderheitsbeteiligung in Höhe von 24,9 Prozent an Arabesque AI erworben hat. Das Unternehmen mit Sitz in Großbritannien fokussiert laut Eigenangaben auf künstliche Intelligenz, maschinelles Lernen und Big Data, um Aktienkursentwicklungen vorherzusagen. Ziel ist es, neue Anlageprodukte und Dienstleistungen zu entwickeln, die die KI-Einheit nutzen. „Die strategische Partnerschaft mit Arabesque AI wird unsere digitalen Fähigkeiten und insbesondere unser Know-how auf dem Gebiet der künstlichen Intelligenz deutlich stärken. Wir werden in der Lage sein, disruptive Technologien in der Asset-Management-Branche zu unserem Vorteil zu nutzen“, sagt Asoka Wöhrmann, CEO der DWS. Yasin Rosowsky, Co-CEO von Arabesque AI, meint wiederum: „Künstliche Intelligenz prägt die globale Vermögensverwaltungsbranche rasant, mit Anlegern, die zunehmend herausfinden, wie sie Vorteile aus den Fähigkeiten der KI-Technologie ziehen ­können, um einen Wettbewerbsvorsprung zu erzielen.“
 
Kooperation statt Abgrenzung
 
Das Schlüsselwort in diesem Zusammenhang ist möglicherweise „Vorteil“. Es impliziert, dass KI allein nicht selig machend, sondern im aktuellen Stadium eher als zusätzliches Investment-Tool tauglich ist, um durch ihren Einsatz einen Vorsprung gegenüber der Konkurrenz zu erhalten.
 
Auch die einschlägige Forschung scheint in letzter Zeit eine kooperative Sichtweise zu vertreten. In einer jüngeren Studie wurde nachgewiesen, dass KIs in der Regel nur unter restriktionsfreien Rahmenbedingungen erfolgreich agieren können: Das heißt, es müssen Marktsegment, Hebel und Nischen eingesetzt werden können, die die meisten institutionellen Investoren gar nicht nützen dürfen. Dazu zählen beispielsweise sehr kleine Unternehmen, geografische Nischen oder hochfrequente marktneutrale Strategien. Stehen diese Mittel nicht zur Verfügung, bleibt der Nutzen von künstlicher Intelligenz aber ein rein akademischer.
Das bedeutet nicht, dass künstliche Intelligenz nicht in spezifischen Subkategorien des Asset Managements durchaus erfolgreich eingesetzt werden kann. Ein Bereich, in dem jede Art von Investor vom Einsatz von Machine Learning profitieren könnte, ist etwa die Orderbuchanalyse, die es ermöglicht, in der Masse an Einträgen Ungleichgewichte zu orten und auszunützen. Diese Methode wendet man bei Rothschild schon seit Jahren an.
 
Aktienanalyse
 
Eine weitere streng abgegrenzte Einsatzmöglichkeit könnte die Aktienanalyse an sich sein, wie Kenneth Merkley, Braiden Coleman und Joseph Pacell in ihrer Arbeit „Man versus Ma­chine: A Comparison of Robo-Analysts and Traditional Research Analyst Investment Recommendations“ argumentieren. Die Autoren, die akademisch allesamt an der Indiana University beheimatet sind, wollten herausfinden, inwieweit sich „Robo-Analysten von traditionellen Analys­ten unterscheiden“, wie Merkley erklärt. Als „Robo-Analyst“ bezeichnen sie Programme, die zwar von Menschen unterstützt werden, jedoch automatische Analysen erstellen, sich dabei Technologien wie NLP (Natural Language Processing) – also automatischer Sprachanalyse – bedienen und sich hier über Machine Learning zunehmend verbessern. Drei Dinge wollte man insbesondere untersuchen: erstens ob man es durch Automatisierung schafft, ungerechtfertigten Optimismus bei der Einschätzung von Aktien zu reduzieren, zweitens wie sich die Analyseprozesse unterscheiden, und drittens „wie es mit der Profitabilität von Robo-Empfehlungen aussieht“, wie Merkley erklärt. Bei der dritten Frage handelt es sich wahrscheinlich um den Knackpunkt: Denn was hilft es, wenn eine Robo-Analyst objektiver und effi­zienter arbeitet, seine Analyseergebnisse aber zu schlechteren Investmententscheidungen führen?
 
Um diese drei Grundfragen zu beantworten, haben die Autoren rund 71.000 Berichte ausgewertet, die in den vergangenen 15 Jahren von sieben prominenten Robo-Analysefirmen über 1.500 zufällig ausgewählte Titel aus dem I/B/E/S-Universum erstellt wurden. Die Empfehlungen dieser Berichte wurden dann über einen 15-jährigen Beobachtungszeitraum, der von 2003 bis 2018 reicht, mit den Einschätzungen von traditionellen Analysten zu denselben Aktien verglichen.
 
Voreingenommenheit
 
Die Grundannahme zu Punkt eins lautete: Wenn es so ist, dass menschliche Analysten aus den unterschiedlichsten Gründen zu optimistisch bei der Einschätzung der von ihnen ­beobachteten Werte sind, müssten Robo-Analysten schlicht und ergreifend weniger Kauf- und mehr Verkaufsempfehlungen geben. Tatsächlich trifft diese Annahme ins Schwarze. Vergleicht man die rund 12.500 traditionellen Analysen mit den rund 71.000 Robo-Analysen, so enden nur 32 Prozent der ­maschinellen Analysen mit einer Kaufempfehlung, während der Buy-Stempel bei herkömmlichen Einschätzungen in 47 Prozent der Fälle zum Einsatz kam. 
Dass bei menschlichen Analysten offenbar eine ausgeprägte Beißhemmung vorherrscht, wird bestätigt, wenn man auf die Halte- und Verkaufsempfehlungen blickt. Fallen die Unterschiede bei den „Holds“ noch relativ gering aus, so sprechen Roboter viermal so viele „Sell“-Urteile aus als ­ihre menschlichen Konterparts. Bei menschlichen Analysten dauert es außerdem deutlich länger, bis diese ihre Urteile von „Buy“ auf „Hold“ oder gar auf „Sell“ anpassen.
 
Wirtschaftliche Abhängigkeiten
 
Nun könnte man meinen, menschliche Analysten könnten erzwungenermaßen opti­mistisch sein – Stichwort: wirtschaftliche Abhängigkeiten. Dem widersprechen die Autoren jedoch. Sie haben zur Kontrolle nämlich die Empfehlungen kleinerer, unabhängiger Researchhäuser herangezogen, die in der Regel direkt durch ihre Kunden finanziert werden und anders als bei großen Investmentbanken kein Eigengeschäft oder sonstige wirtschaftliche Verflechtungen ausweisen. Und hier verstärkt sich der Trend sogar: 56 Prozent der traditionellen Einschätzungen sind Kaufempfehlungen, nur sechs Prozent kommen zum Schluss „Sell“.
 
Umfangreiche Daten
 
Was die Vorgehensweise betrifft, so können Robo-Analysten auf umfangreicheres und differenzierteres Datenmaterial zurückgreifen als traditionelle Analysten, „die vor der Anpassung einer Empfehlung vor allem neue Informationen aus Quartalsberichten nützen“, wie Merkley erklärt. KI-Analysten greifen jedoch auch regelmäßig auf andere Quellen wie beispielsweise einschlägige SEC-Filings zurück, die für menschliche Analysten oft zu umfangreich sind, um sinnvoll ausgewertet zu werden. 
 
Die Konsequenz dieser Quellennutzung: Während menschliche Analysten ihre Einschätzungen öfter nach Quartals­­ergebnissen anpassen, findet der Großteil der KI-Revisionen nach ­Änderungen in SEC-Filings und anderen Deep-Data-Quellen statt. Nachdem Maschinen mehr Datenpunkte verarbeiten können, verblüfft es auch nicht weiter, dass sie ihre Einschätzungen im Durchschnitt fast dreimal so oft ändern wie ihre menschlichen Konterparts.
 
Profitabilität geprüft
 
An dieser Stelle kann man natürlich einwenden, dass sich eine höhere Quantität nicht unbedingt auch in ­einer höheren Qualität der Analyse niederschlagen muss – also haben die Autoren die Profitabilität einer KI-Strategie anhand eines eigens erstellten Portfolios getestet. 
Bei der Zusammenstellung dieses Portfolios folgen die Autoren einer früheren Arbeit von Barber et al. aus dem Jahr 2007 mit dem Titel „Comparing the stock recommendation ­performance of investment banks and independent research firms“. Die Portfolios werden dabei täglich gemäß der menschlichen und der maschinellen Empfehlungen neu zusammengestellt. Vereinfacht gesagt werden Buy-Empfehlungen und Sell-Empfehlungen zu Handelsschluss des Folgetages ge- und verkauft. Täglich wird so der Rohertrag und mittels Regression das Alpha im Vergleich zu den Drei- und Fünf-Faktor-Modellen von Fama-French berechnet. Entworfen wurde ein Portfolio, das auf die Kauf-, und eines, das auf die Verkaufsempfehlungen setzt. 
 
Die Ergebnisse sind durchaus erstaunlich (siehe Tabelle „Klarer Sieg für die Maschine“) – und stellen für KI-Fans gute Nachrichten dar: Sieht man sich das Kaufportfolio an, führen die Analys­tenempfehlungen im Vergleich zu beiden Fama-French-Portfolios zu täglichen und statistisch relevanten Alphas, die auf den Tag gerechnet zwar minimal ausfallen, annualisiert aber immerhin auf ­einen Sonderertrag von 1,2 bis 1,7 Prozent hinauslaufen. Nimmt man im Vergleich dazu die Robo-Empfehlungen, so ergibt sich ein durchschnittlicher täglicher Sonderertrag von statistisch relevanten 0,03 Prozent, der auf ein Jahres-Alpha von 6,4 bis 6,9 Prozent hinausläuft. Im Gegensatz dazu warf das Sell-Portfolio keine statistisch relevanten Erträge ab.
 
Einschränkungen 
 
Bezüglich der reinen Datenauswertung weisen Robo-Analysten zwar deutliche ­Vorzüge auf, „es gibt jedoch auch Einschränkungen“, wie Merkley erklärt. So tut sich eine künstliche Intelligenz „bei allen Mustern schwer, die nicht gut ausdefiniert sind“. Damit sind subjektive Informationen gemeint, „die das Wettbewerbsumfeld, die charakterliche Disposition des Managements oder andere softe Daten wie etwa die langfristige Strategie eines Unternehmens betreffen“. Außerdem fehlt der KI „der ­direkte Zugang zum Management, der ­gerade bei den Kunden der Analyseabteilungen besonders geschätzt wird“. Die ideale Waffe scheint also eine Kombination aus Mensch und Maschine zu sein, in der jeder Proponent seine spezifischen Stärken ausspielen kann.
 
Case Study Oddo KI
 
In der Praxis findet eine derartige Herangehensweise aber eher nicht statt – das französische Fonds-Haus Oddo hat sich mit dem Oddo BHF Artificial Intelligence aber genau an ein solches Experiment heran­gewagt – und bietet sich deshalb als Case Study für die Arbeitsteilung zwischen Mensch und Maschine an. 
 
Der Fonds wird von Veteran Brice Prunas und seinen beiden jüngeren Kollegen ­Maxence Radjabi und Baptiste Lemaire gemanagt. Als Vierter im Team agiert eine künstliche Intelligenz. Der rund 70 Millionen schwere Fonds ist seit Ende 2018 im Markt und wird nicht nur von einer KI ­gemanagt – er investiert auch branchenübergreifend in das Thema künstliche Intelligenz. Genau bei der Auswahl der investierbaren Unternehmen kommt die Oddo-KI ins Spiel. Sie sucht nämlich den MSCI World nach Small- und Mid-Cap-Unternehmen mit einer Mindestkapitalisierung von 500 Millionen Euro ab, die über „ein aussichtsreiches Exposure zur KI-Thematik verfügen“, wie Prunas erklärt. 
 
Ausgewertet werden „täglich vier Millionen Datensätze mittels Text- und Stimmungsanalysen, um letzten Endes auf ein Anlageuniversum von 300 auf die KI-­Thematik fokussierte Aktien zu kommen“, wie Maxence Radjabi erklärt.
 
KI trifft auf Algo …
 
Diese aus Oddos Sicht bereits vielversprechenden Titel werden in einem zweiten Durchgang vom seit zehn Jahren laufenden quantitativen Modell „Algo 4“ weiter ausgesiebt. Die bislang rein auf KI-Kriterien abgeklopften Titel werden jetzt hinsichtlich ­Bewertung, Qualität, Momentum und Marktkapitalisierung überprüft. Relevante Kennzahlen sind in diesem Zusammenhang beispielsweise KGV, EV/Ebitda, Wachstum des freien Cashflows, Eigenkapitalrendite, Umsatz- und Gewinnrevisionen. Aus diesem Prozess, der sich jedes Quartal wiederholt, ergeben sich im Idealfall die 60 besten Aktien, die gleichgewichtet ins Portfolio übernommen werden. 
 
… und Homo sapiens
 
Das letzte Wort haben jedoch weder KI noch Algorithmus, sondern der gute alte Homo sapiens, „die ausgewählten Unternehmen werden einzeln durch die Portfoliomanager überprüft, bevor sie übernommen werden. So können wir vermeiden, dass falsche Wortassoziationen durch semantische Fehler entstehen und Nicht-KI-relevante Unternehmen gekauft werden.“ Außerdem können „unternehmensspezifische Ereignisse wie zum Beispiel Übernahmeangebote die Qualität der technischen Analyse beeinträchtigen“, wie Radjabi erklärt.
 
Tatsächlich gelingt es den Franzosen mit ihrer KI, den von ihnen selbst als Referenz angeführten MSCI World zu schlagen – ein Versuch, bei dem andere KI-Fonds schon gescheitert sind. Kritisch hinterfragen kann man diese Benchmark trotzdem. Denn der Fonds investiert zwar in Unternehmen aller Branchen, die von KI profitieren – also auch in Gesundheitswesen oder Finanzdienstleistungen – das Exposure Richtung ­Informationstechnologie und Kommunika­tionsdienstleistungen kommt jedoch auf ­einen Anteil von rund 56 Prozent. Vergleicht man den KI-Fonds angesichts seiner Tech-Lastigkeit mit der Nasdaq, so hinkt die Performance hinterher.
 
Insgesamt zeigt die Case Study also, dass das traditionelle Branchen- und Sektorendenken in den Hintergrund tritt, stattdessen wird verstärkt auf Themen gesetzt.
Auch das binäre Denken KI oder Nicht-KI wird auf den Kopf gestellt, indem das Management versucht, die Vorteile von KI-, Algo- und traditionellen Herangehens­weisen zu kombinieren. Die akademische Betrachtungsweise aus Indiana geht in diesem Fall also mit dem praktischen Ansatz aus Paris d’accord.
 
Hans Weitmayr 

Anhang:

twitterlinkedInXING
 Schliessen

Mit der Nutzung dieser Website stimmen Sie der Verwendung von Cookies und unserer Datenschutzerklärung zu. Mehr erfahren