HQAM setzt im Investmentprozess auf Künstliche Intelligenz (KI). Doch was macht die KI bei der Aktienauswahl genau? Dr. Lars Edler über Einsatzgebiete, Risiken – und notwendige Sachkenntnis.

Den verschiedenen Methodiken der Künstlichen Intelligenz (KI) sind kaum analytische Grenzen gesetzt: Der hohe Grad an Flexibilität der meisten Algorithmen, die in die Schubladen „Künstliche Intelligenz“ oder „Maschinelles Lernen“ fallen, ist einer der großen Vorteile und Unterscheidungsmerkmale dieser Technologie.

Die Anwendungsmöglichkeiten umfassen auf der einen Seite die sogenannten „rechteckigen Daten“, also Datensätze, die in schön strukturierter Form vorliegen, etwa in Zeitreihen oder Panel-Daten. Auf der anderen Seite können viele Methodiken aus dem Bereich der KI aber auch mit unstrukturierten Datensätzen umgehen. Hierzu zählt beispielsweise das Feld der Textanalyse und die oftmals damit einhergehende Auswertung etwa von Social-Media-Aktivitäten.

Bei HQAM übernimmt die KI drei Aufgaben

Im konkreten Anwendungsfall übernimmt die KI bei HQ Asset Management neben der Tatsache, dass es eine hocheffiziente Methode ist, große Mengen von Daten auszuwerten, drei Funktionen, die wir durch herkömmliche Herangehensweisen wie etwa die lineare Regression nicht oder nur unzureichend darstellen könnten:

• Berücksichtigung der Interaktion verschiedener Variablen

  Wird bei der Beurteilung der relativen Attraktivität von Wertpapieren eine Kennziffer singulär betrachtet, können wichtige Elemente des Kontexts fehlen, die die Ausprägung der Kennzahl möglicherweise in einem anderen Licht erscheinen lassen.

• Berücksichtigung von Nicht-Monotonie

  Häufig werden bei der Aktienanalyse simplifizierende Annahmen getroffen, etwa dass ein niedriges Kurs-Gewinn-Verhältnis für eine billige Aktie steht und ein hohes KGV für eine teure. Dass eine Kennziffer monoton ansteigt oder abfällt, trifft bei der Auswertung einiger Variablen sicherlich zu, vernachlässigt aber, dass es Kriterien gibt, deren „Sweet Spot“ eher in der Mitte liegt wie etwa beim Verschuldungsgrad eines Unternehmens. Ist er zu hoch, kann das ein mögliches Zeichen für eine nahende Insolvenz sein. Ist sie zu niedrig, spricht einiges dafür, dass das Unternehmen seine Kapitalstruktur nicht im Griff hat. Diese nicht-monotonen Muster können KI-Methoden erkennen und nutzen.

• Dynamik der erklärenden Variablen

  Es gibt eine Vielzahl von Variablen, die eine Aktie beschreiben. Die Mehrzahl sind Mikrodaten, die aus Bilanzen abgeleitet werden. Doch Unternehmen werden aber durch externe Gegebenheiten beeinflusst – wie etwa dem aktuellen Stand des Konjunkturzyklus. Dies hat zur Folge, dass sich die relative Wichtigkeit bestimmter Variablen im Ablauf der Zeit verändert. KI-Methoden können diesem dynamischen Verhalten gerecht werden, da sie oft sehr robuste Eigenschaften haben, die ihr „Wissen“ nicht aus einem Zeitpunkt in der Vergangenheit ableiten, sondern darauf abzielen, stabile Strukturen in den Zusammenhängen von Daten zu identifizieren, die dann für eine Prognose genutzt werden können.

Wo KI im Investmentprozess eine Rolle spielt

In unserem Investmentprozess sind die Ebenen Renditeprognose und Portfoliokonstruktion streng voneinander getrennt. Nur bei der Renditeprognose wird von uns derzeit KI eingesetzt, also bei der Beantwortung der Frage, welche Aktien des eigenen Anlageuniversums im Querschnitt relativ attraktiver ist als andere. Die Ergebnisse des Research-Prozesses werden dann weitergegeben in die Portfoliokonstruktion.

Die aus dem Research gelieferten Einschätzungen werden hier als Inputdaten verwendet und neben einer Vielzahl von Portfoliorestriktionen und unter Berücksichtigung eine Multi-Faktor-Risikomodells in ein ausgesteuertes Portfolio gegossen. Diese Portfoliooptimierung ist also der Schritt, in dem idiosynkratrisches Risiko, Marktvolatilität und Ertragserwartung miteinander in Einklang gebracht werden.

Kann es gefährlich sein, KI entscheiden zu lassen?

Eine falsche Entscheidung in dem Sinne, dass eine bestimmte Prognose nicht eingetreten ist, kommt immer wieder vor – bei allen am Markt verfügbaren Investmentkonzepten. Schließlich sprechen wir über Prognosen, und diese können niemals zu 100 Prozent korrekt sein. Als dezidierter Manager von Anlagekonzepten mit einem quantitativen Investmentstil sind wir uns dieser Tatsache und der dahinter liegenden Wahrscheinlichkeitstheorie sehr bewusst. Daher reicht uns im Grunde schon eine Trefferquote von systematisch über 50 Prozent aus, um hieraus durch intelligente Portfoliokonstruktion einen stabilen Mehrertrag im Portfolio zu generieren. Wichtig ist dabei vor allem, dass wir diesen Wert möglichst stabil, das bedeutet zu jedem Zeitpunkt, erreichen.

Die Gefahren lauern eher an einer anderen Stelle: Methoden der KI sind heutzutage einfach zugänglich. Rechenkapazität und Speicherplatz ist im Grunde kein Thema mehr und dank Open Source sind auch die entsprechenden Algorithmen relativ schnell zu Implementieren. Hier beginnt allerdings häufig das entscheidende Problem: Es bedarf einer großen Erfahrung mit diesen Methoden, diese sehr flexiblen Werkzeuge richtig zu parametrisieren und die eingehenden Daten so zur Verfügung zu stellen, dass es zu sinnvollen (und interpretierbaren) Ergebnissen kommt. Dieses muss immer zwingend vor dem Hintergrund eines tiefgehenden Verständnisses des jeweiligen Analyseziels stattfinden – in unserem Fall Finanzmärkte und Kapitalmarkttheorie.

Trotz KI – ohne Sachkenntnis geht es nicht

Werden KI-Methoden „unbedarft“ auf Daten losgelassen, besteht eine große Gefahr des sogenannten Data Minings. Dabei können Zusammenhänge und Scheinkorrelationen identifiziert werden, die keine prognoserelevante Implikation haben. Das Schlimmste daran ist: Mit fehlender Sachkenntnis wir noch nicht mal erkannt, dass es sich hier um ein völlig sinnloses Ergebnis handelt. Dies wird sich dann später in der Performance des Anlagekonzeptes zeigen, was natürlich viel zu spät ist.

Ein weiterer Punkt ist die Qualität der Input-Daten. Dies spielt für uns eine herausragende Rolle, denn nur, wer qualitativ hochwertige Daten in den Prozess hinein gibt kann erwarten, zu qualitativ hochwertigen Ergebnissen zu kommen (Garbage in – Garbage out-Prinzip).

Fazit: Der Trend zu KI-Analysen hält an

Es ist nicht zu übersehen, dass durch die Anwendung von KI-Methodik in vielen Bereichen der Wissenschaft und der Praxis neue Möglichkeiten zu Tage treten, Daten zu analysieren, Informationen zu extrahieren und diese für bestimmte Zwecke zu nutzen. KI ist hierbei kein Selbstzweck, sondern eine logische Weiterentwicklung von Datenanalyse- und Prognoseverfahren. Dies ist bei Weitem nicht nur ein Thema für die Finanzindustrie, die dem Trend eher noch hinterherläuft.

Für die Finanzindustrie im Speziellen sind KI-Methoden aufgrund ihrer Zugehörigkeit zur Klasse des „quantitativen Asset Managements“ neben ihrer inhaltlichen Sinnhaftigkeit insbesondere wegen ihrer Skalierbarkeit relevant. Das regulatorische Umfeld und der unter anderem daraus resultierende Margendruck zwingt die Branche regelrecht in Anlagekonzepte, die mit weniger Manpower und mehr skalierbarer Technologie designt sind. Daher gehen wir davon aus, dass wir erst am Anfang eines fundamentalen Wandels der gesamten Industrie stehen.

Dazu möchten Sie mehr wissen?

Hier können Sie Kontakt mit uns aufnehmen. Schließlich arbeitet HQAM bereits seit 2014 am Einsatz dieser besonderen Methode zur Prognose von Aktienmärkten. Wir zählen damit weltweit zu den ersten – mit entsprechenden Zitaten in akademischen Fachzeitschriften.

Zu HQ Asset Management

HQAM gehört zu den Finanzdienstleistern der Familie Harald Quandt. Das Unternehmen bietet einen klaren Fokus auf quantitatives Asset Management für institutionelle und semi-institutionelle Anleger. Kunden sind Banken und Versicherungen ebenso wie Pensionskassen und Stiftungen. Maßgeschneiderte Portfolios stehen bei den Lösungsansätzen stets im Vordergrund.

Das könnte Sie auch interessieren:

• Gute Aktien von schlechten trennen von Dr. Lars Edler, Geschäftsführer und CIO von HQ Asset Management
• Bessere Aktienauswahl dank künstlicher Intelligenz von Christian Maschner, Dr. Benjamin Moritz und Martin Schmitz, Senior Researcher bei HQ Asset Management

Bitte beachten Sie:
Die Vermögensanlage an den Kapitalmärkten ist mit Risiken verbunden und kann im Extremfall zum Verlust des gesamten eingesetzten Kapitals führen. Die Wertentwicklung in der Vergangenheit ist kein Indikator für die Wertentwicklung in der Zukunft. Auch Prognosen haben keine verlässliche Aussagekraft für künftige Wertentwicklungen. Die Darstellung ist keine Anlage-, Rechts- und/oder Steuerberatung. Alle Inhalte auf unserer Webseite dienen lediglich der Information.