RQI Investors: Zweifel an der Monetarisierung von KI
Die Entwicklung neuer IT-Technologie schreitet voran und schafft Klumpenrisiken in den Portfolios von Investoren. David Walsh vom Quant-Manager RQI bezeichnet sich im Gespräch mit „Institutional Money“ als überzeugt von der Technologie, hält den Begriff KI jedoch für überzogen.
Eckpunkte:
- RQI Investors: KI nicht der richtige Begriff
- Fortgeschrittenes Machine Learning (ML) als wichtiges Werkzeug quantitativer Strategien
- ML als wichtiges Tool für unter anderem für das Research und bei der Optimierung von Code
Insbesondere in den USA haben die rasanten Entwicklungen rund um das Thema KI einen enormen Boom an den Märkten ausgelöst – gleichzeitig haben viele Anleger Zweifel an der Werthaltigkeit der Rekord-Investitionen in den Ausbau der Technologie und ob diese sich für die Tech-Konzerne und die Branche insgesamt langfristig auszahlen.
„KI kein passender Begriff"
Für David Walsh, Head of Investments beim australischen Quant-Manager RQI Investors, einer Tochter der First Sentier Group, ist der Begriff „Künstliche Intelligenz“ kein passender: „Wir bezeichnen es als „fortgeschrittenes Machine Learning“, sagt er. Das gelte auch für die großen Sprachmodelle, worauf sich Machine Learning jedoch nicht beschränke. Walsh sagt aber auch: „Wir sind überzeugte Anhänger der Technologie und setzen sie selbst als Werkzeug oder Tool vielfältig ein, zum Beispiel im Research.“ Man sei nicht skeptisch bezüglich der Technologie selbst, aber: „Skeptisch bin ich dahingehend, wie viele Menschen Geld bezahlen wollen, um die Technologie zu nutzen“, sagt der Investmentleiter von RQI Investors zu den Ertragserwartungen von „Big Tech“.
Skepsis bezüglich Klumpenrisiken
Die Marktpreise, die große Tech-Firmen insbesondere in den USA erzielten, hält Walsh, auch deshalb, für überzogen. Wichtig sei es deshalb für Investoren, diesbezügliche Klumpenrisiken zu vermeiden.
Und sein Kollege, Sascha Beisheim, Head Institutional Sales DACH of First Sentier Group Germany, hat beobachtet, dass Investoren aus Deutschland zunehmend skeptisch auf den US-Markt blickten: „Die Skepsis bezüglich der Konzentrationsrisiken auf einzelne Sektoren wie Tech in den USA ist in Deutschland nach unserer Wahrnehmung weit verbreitet. Wir führen derzeit viele Gespräche und stoßen hier auf offene Ohren.“
Auch sei quantitatives Investieren im „Land der Ingenieure“ beliebt und Investoren brächten hier bereits viel Erfahrung mit. RQI Investors bietet seine aktiven Quantlösungen für Aktieninvestments seit Juni in Form einer UCITS-Variante der RQI Global Value-Strategie sowie weitere Quant-Strategien in Form von Spezialmandaten für institutionelle Investoren auch in Deutschland an.
Übergewichtung von Europa und Schwellenländern
Als quantitativer Manager sei man jedoch agnostisch, was die korrekten Bewertungen der Technologiekonzerne oder auch anderer Sektoren angehe. „Wir wollen untergewichtet bleiben.“ Derzeit liege das Exposure in Nordamerika bei rund 50 Prozent des Portfolios, wo die Benchmark, der MSCI All Countries World ex-Australia Net Index, auf über 67 Prozent komme. Dafür sei man in anderen Märkten, zum Beispiel in Europa, Emerging Markets oder Japan übergewichtet.
„Bei RQI Investors bilden wir keinen Index nach Marktkapitalisierung nach, sondern gewichten unsere Titel nach fundamentalen Kennzahlen. Wir fragen uns: „Welche Titel sind aktuell günstig im Vergleich zu ihrer Peer Group? Das ist unsere Investment-Idee als Value-Investor“, so Walsh. In der Folge setze man dann Machine Learning auch als wertvolles Tool ein, um zum Beispiel Vergleichsgruppen von Aktien zu erstellen. „Wir nutzen Machine Learning zum Beispiel dazu, Aktien in Peer Groups einzuteilen, die weniger offensichtlich sind. Dadurch kreieren wir starke Signale für die Bewertungen der Unternehmen.“
Der Anteil der einzelnen Aktien im Portfolio bemesse sich schließlich unter anderem nach deren Buchwert (Bilanz), den Dividenden und den Cashflows der Unternehmen. Auch sei ein regelmäßiges Rebalancing Usus.
In der Dokumentation, im Reporting und in der Programmierung
Außerdem nutze man ML-Tools auch für Dokumentation, Reporting oder um, große Datenmengen neu zu ordnen und auszuwerten. Der Code für die quantitativen Modelle von RQI werde weiterhin von Menschen geschrieben. „Wir nutzen jedoch Machine Learning auch dafür, unseren Code zu optimieren und erhalten so wesentlich effizientere und übertragbarere Ergebnisse“, sagt David Walsh. (de)
