Neue Möglichkeiten durch künstliche Intelligenz

Neue Wege zu suchen, um Daten innovativ und effizient zu nutzen: Das gehört seit jeher zu den wichtigsten Aufgaben quantitativer Investmentmanager. „Wir zerpflücken die Daten und fügen sie neu zusammen – und versuchen letzten Endes Modelle zu entwickeln, die das rohe Datenmaterial in nützliche Erkenntnisse verwandeln“, kommentiert Gideon Smith. Das Aufkommen von Big Data und des maschinellen Lernens sei einfach nur eine Weiterentwicklung der bereits bestehenden Techniken gewesen, so der CIO Europe bei AXA IM Rosenberg Equities. Der Unterschied zwischen bisherigen Modellen und den gegenwärtigen Innovationen: Künstliche Intelligenz und künstliche neuronale Netzwerke eröffnen neue Möglichkeiten der Datenanalyse.

Mehr Informationen, höhere Markteffizienz

Der Hintergedanke war ursprünglich simpel. Mehr Informationen bedeuten eine höhere Markteffizienz – Investoren haben heute einen nahezu uneingeschränkten Zugang zu einer Vielzahl an Informationen: Unternehmensdaten, Nachrichten, Analysen und Kommentare. Damit wollte man die Informationslücke der Vergangenheit schließen. Nach wie vor sind die Märkte jedoch Schwankungen aufgrund von irrationalen Ängsten und Spekulationen ausgeliefert. „Den Bestand an verfügbaren Daten zu erhöhen, führt nicht unbedingt dazu, dass sich auch die Erkenntnisse über den Markt erhöhen, wenn man die Daten nicht zeitnah auch analysieren kann“, erklärt Gideon Smith. Die eigentliche Lösung läge darin, Systeme zu entwickeln, die Datenquellen ebenso wie unstrukturierte Datensätze wie Texte oder gesprochene Informationen schnell integrieren und aufbereiten können.

Denn Informationen müssen nicht nur gewonnen, sondern in systematischer und automatisierter Art und Weise ausgewertet werden, erklärt Smith. „Die dazu erforderlichen ökonometrischen Modelle müssen Muster und typische Auslöser erkennen können.“ Künstliche neuronale Netzwerke werden bereits in anderen Branchen für Analysen genutzt und können oft schneller und mehr als jeder menschliche Verstand lernen. Dies macht ihre Vorhersagen zuverlässiger und beständiger als die von menschlichen Individuen. „Besser eben“, bringt der CIO es auf den Punkt. Aus diesem Grund seien sie eine nicht zu unterschätzende Hilfe und Unterstützung bei der Entscheidung von Investoren.

Individualität gegen Komplexität

Dennoch stellen Modelle, die auf künstlicher Intelligenz basieren, die Branche vor eine neue Herausforderung: „Wie können wir sicherstellen, dass wir als Vermögensverwalter unsere Pflichten und Verantwortungen gegenüber unseren Kunden nach wie vor erfüllen und Herr unserer eigenen Entscheidungen bleiben?“, formuliert Gideon Smith die entscheidende Frage. Er sieht dieser Aufgabe jedoch zuversichtlich entgegen: „Wir haben schon immer versucht, die Arbeitsweise von Modellen zu erklären, die inneren Verbindungen sichtbar zu machen.“ Anhand traditioneller Modelle könne man nach wie vor die linearen Zusammenhänge zwischen Daten-Input und Output für jedermann verständlich beschreiben. Auch die neuen Modelle griffen auf derartige Informationen zurück, werden jedoch durch non-lineare und subtilere Details ergänzt, die dem menschlichen Betrachter oft verborgen blieben. „Ein Vorteil dieser Arbeitsweise ist, dass so individuelle Modelle selten pauschalisiert werden.“ Der Nachteil liege in ihrer Komplexität: Es sei schwieriger, sie zu erklären und zu begreifen.

Für Vermögensverwalter resultiert daraus eine neue Verantwortung: „Wenn sie sich dafür entscheiden, künstliche Intelligenz und maschinelles Lernen in ihre Portfolios einzubinden, müssen sie ihre Modelle genauer erklären können“, so Smith. Dabei könne man auf Illustrationen zurückgreifen oder Proxymodelle (sogenannte „White Boxes“) verwenden. Das Wichtigste sei jedoch sicherzustellen, dass die Modelle auf echten Erkenntnissen und Prinzipien basieren. „Als Allererstes müssen sie sich wirtschaftlich rechnen“, fordert der CIO. „Die neuesten und besten Modelle zu konzipieren, stellt nur eine Seite der Medaille dar“, schließt er. Ebenso viel Zeit und Aufwand wie in deren Entwicklung müssten Asset-Manager auch in deren Validierung und Erklärung investieren.