Was ist Quant 2.0?
Quantitatives Investieren ist ein systematischer Ansatz zur Auswahl von Anlagen, der seit den 1980er Jahren existiert. Gesteuert wird der Vorgang in der Regel durch automatisierte Algorithmen. Frühe Versionen konzentrierten sich auf einzelne Anlagefaktoren, wie den „Small-Cap-Effekt“ oder „Value“.
Im Laufe der Jahre sind diese Algorithmen immer komplexer geworden. Dank immer größerer Rechenkapazitäten können riesige Datenmengen in komplexe Algorithmen einfließen. Diese Algorithmen werden durch das sogenannte maschinelle Lernen (ML) mit historischen Datenreihen trainiert, um immer genauere Prognosen zu erstellen – die anschließend mit den tatsächlichen Ergebnissen abgeglichen werden können –, und dann als Tools mit Prognosepotenzial eingesetzt. Diese ML-Algorithmen haben sich so weit entwickelt, dass ihre Fähigkeit, Zusammenhänge in den Daten zu erkennen, verdientermaßen als künstliche Intelligenz bezeichnet wird.
KI hat dazu beigetragen, dass sich quantitatives Investieren zur nächsten Generation entwickelt hat, die wir als Quant 2.0 bezeichnen.
Was bringt KI?
Die Rechenleistung der KI und die riesigen Datenmengen, die sie verarbeiten kann, machen es möglich, immer komplexere Zusammenhänge zu erkennen, sodass die Modelle noch besser in der Lage sind, mit den Daten von heute vorherzusagen, was in Zukunft geschehen könnte.
Viele frühe quantitative Modelle beschränkten sich darauf, lineare Beziehungen innerhalb der Daten – direkte Verbindungen zwischen den Eingaben – zu erkennen, um Vorhersagen zu treffen. Schließlich waren sie dann auch in der Lage, komplexere, nichtlineare Beziehungen zu erkennen. KI ermöglicht es dem Algorithmus, nicht nur Beziehungen zwischen den Daten zu erkennen, sondern auch, wie verschiedene Datenreihen in bestimmten Situationen interagieren und sich gegenseitig beeinflussen. Zusammen geben diese drei Beziehungen – lineare und nichtlineare sowie Wechselwirkungen – ein im Vergleich zu traditionellen quantitativen Ansätzen ein klareres Signal darüber, wie sich eine bestimmte Aktie in einem bestimmten Zeitraum entwickeln könnte.
Was unterscheidet unseren KI-Ansatz von anderen KI-Anlagestrategien?
Das enorme Interesse an KI hat – wenig überraschend – dazu geführt, dass eine Vielzahl von Produkten mit KI-Label auf den Markt kam. Wir halten viele davon für Augenwischerei. Unser Ansatz für KI dagegen ist breit aufgestellt.
Unsere hauseigenen KI-Modelle wurden über viele Jahre von unseren Experten entwickelt, die in der Regel einen Doktortitel in Physik und Mathematik besitzen. Die Modelle wurden mit etwa 400 Merkmalen aus mehreren Datenreihen über Zeiträume von etwa 15 Jahren trainiert und dann immer wieder unter verschiedenen wirtschaftlichen Rahmenbedingungen getestet. Der strenge Prozess ist nicht nur darauf ausgelegt, das Prognosepotenzial zu maximieren, sondern auch sicherzustellen, dass die Modelle nicht überangepasst sind, das heißt, dass sie nicht nur unter eng gefassten Bedingungen genaue Ergebnisse liefern, sondern auch in einem sich verändernden wirtschaftlichen Umfeld funktionieren.
Unsere KI-Modelle haben bereits einen langen Entwicklungsprozess durchlaufen, entwickeln sich aber dennoch ständig weiter. Es werden laufend neue Datenreihen ausgewertet. Diejenigen, die unsere strengen Kriterien erfüllen, werden dann in den Modellen über viele Monate und unter strengen Bedingungen getestet, bevor sie eingeführt werden, um die Prognosegenauigkeit noch weiter zu verbessern.
Wissen wir wirklich, wie diese „Black Box“-Modelle funktionieren?
KI und frühere ML-Modelle wurden oft als „Black Box“ bezeichnet, weil es selbst für ihre Entwickler schwierig war nachzuvollziehen, wie sie zu ihren Ergebnissen kamen.
Auch darin unterscheidet sich unsere KI von anderen KI-Modellen. Unser Quant-Team wendet viel Zeit und Mühe auf, um zu verstehen, wie die Ergebnisse zustande kommen – insbesondere, welche Aspekte der Prognose von linearen Beziehungen im Modell abgeleitet werden, welche sich aus nichtlinearen Beziehungen ergeben und welche aus den Wechselwirkungen der Datenreihen. Die Möglichkeit, den Weg von der Eingabe bis zur Ausgabe in unserem Modell nachzuvollziehen, schafft eine nahezu beispiellose Transparenz darüber, wie unser Modell funktioniert – es ist also alles andere als eine Black Box. Diese Transparenz wiederum bedeutet, dass wir nicht nur die Quellen der Anlageperformance unseres Modells erklären können, sondern auch erkennen können, wann etwas mit dem Modell schief läuft.
Sprechen wir hier von vollautomatisiertem Investieren?
Ja und nein. Ja in dem Sinne, dass die Prognosen des Modells unseren Investmentmanagern sagen, ob sie eine bestimmte Aktie verkaufen oder kaufen sollen. Aufgrund unserer strengen Tests vertrauen wir den Ergebnissen unseres Modells, die uns als Entscheidungshilfe dienen.
Doch für die Weiterentwicklung und Verfeinerung des Modells sind immer noch – intelligente und erfahrene – Menschen notwendig. Sie sind wichtig, um zu gewährleisten, dass das Modell richtig funktioniert. Und sie sind notwendig, um Beschränkungen für das Portfolio festzulegen. Unsere KI-Strategie ist zum Beispiel faktor-, sektor- und regionenneutral. Bei der Umsetzung aller Aktienempfehlungen des Modells für unsere Quest AI-Driven Strategie müssen diese Beschränkungen berücksichtigt werden. Und sollten die Kunden maßgeschneiderte Portfolios wünschen – weil sie zum Beispiel bestimmte geografische oder stilbezogene Präferenzen haben –, dann müssen auch diese Einschränkungen berücksichtigt werden.
Was sind die Vorteile für die Kunden?
Wir haben Quest AI-Driven mit dem Ziel entwickelt, eine Strategie aufzulegen, die das gleiche Profil und Risikoniveau wie der breite Markt aufweist, jedoch zusätzliches Renditepotenzial bietet. Selbst eine geringe zusätzliche Rendite pro Jahr kann sich im Laufe der Zeit erheblich summieren.
Aber im Gegensatz zu aktiv gemanagten Strategien – die ebenfalls darauf abzielen, den Markt zu übertreffen – sind für unseren KI-Ansatz weniger Menschen nötig, sodass die Verwaltungskosten geringer sind. Im Allgemeinen kostet unser KI-Ansatz kaum mehr als die passive Strategie, trotz der Expertise, die für den Aufbau und die Pflege des Modells erforderlich ist.
KI kurz erklärt: Die wichtigsten Begriffe
Algorithmus | Anlagefaktoren | Maschinelles Lernen | Lineare Beziehungen |
Eine Abfolge von Anweisungen oder Regeln, die ein Computer ausführt, um ein Problem zu lösen oder Entscheidungen zu treffen. Bei Investitionen können Algorithmen Daten analysieren und bei der Entscheidung helfen, welche Aktien gekauft oder verkauft werden sollen. | Hierbei handelt es sich um spezifische Merkmale oder Faktoren, die erklären, warum bestimmte Aktien im Laufe der Zeit tendenziell besser abschneiden, wie zum Beispiel Wert (günstige oder teure Aktien), Momentum (Aktien, die aufwärts tendieren) oder Qualität (finanzstarke Unternehmen). | Eine fortschrittliche Technologie, bei der Computer Muster aus Daten lernen und ihre Entscheidungsfindung im Laufe der Zeit verbessern, ohne dass sie für jede Aufgabe explizit programmiert werden müssen. Das ist so, als würde man einem Computer beibringen, aus Erfahrung zu lernen. | Eine einfache und direkte Verbindung zwischen zwei Variablen, bei der eine Änderung der einen eine proportionale Änderung der anderen zur Folge hat – wie eine gerade Linie in einem Diagramm. Wenn zum Beispiel eine Variable steigt, steigt oder fällt die andere zuverlässig um einen festen Betrag. |
Nichtlineare Beziehungen | Wechselwirkungen | Überanpassung | Black Box |
Komplexere Beziehungen, bei denen Änderungen einer Variablen nicht zu proportionalen Änderungen einer anderen führen. Die Beziehung könnte in Abhängigkeit von anderen Faktoren gekrümmt sein, schwanken oder sich verändern, wodurch sie weniger vorhersehbar wäre. | Dies bezieht sich auf Situationen, in denen die Wirkung eines Anlagefaktors oder einer Anlagevariablen von der Höhe eines anderen Faktors oder einer anderen Variablen abhängt. Mit anderen Worten: Zwei oder mehr Faktoren wirken in einer Weise zusammen, dass sie das Anlageergebnis anders beeinflussen als wenn jeder Faktor für sich allein wirken würde. So kann sich beispielsweise das Momentum eines Unternehmens je nach Wirtschaftszweig unterschiedlich auf seinen Aktienkurs auswirken. | Wenn ein Computermodell nicht nur das allgemeine Muster, sondern auch das zufällige Rauschen in den Daten der Vergangenheit lernt, wodurch es zu sehr auf historische Informationen zugeschnitten ist. Dies führt oft zu schlechten Ergebnissen, wenn es auf neue Daten angewendet wird, die es noch nie zuvor gesehen hat. Man kann sich das so vorstellen, dass das Modell die Antworten auswendig lernt statt das Thema zu verstehen. | Ein System oder Modell, bei dem die Ein- und Ausgänge zu sehen sind, aber die innere Funktionsweise verborgen oder zu komplex ist, um sie zu verstehen. Beim Investieren bedeutet ein „Black Box“-Ansatz, dass man nicht genau weiß, wie die Entscheidungen innerhalb des Tools getroffen werden. |
KI-Transparenz | Faktorneutral | Sektorneutral | |
Beschreibt, in welchem Maße die Prozesse und Entscheidungen der KI offen, nachvollziehbar und erklärbar sind. Eine höhere Transparenz stärkt das Vertrauen der Investoren in die Art und Weise haben, wie KI-gesteuerte Entscheidungen getroffen werden. | Ein Portfoliokonzept, bei dem die Auswirkungen gängiger Anlagefaktoren (wie Value oder Momentum) ausgeglichen werden, sodass die Performance des Portfolios nicht von diesen Faktoren, sondern von anderen spezifischen Einblicken bestimmt wird. | Eine Strategie, bei der die Anlagen eines Portfolios über verschiedene Branchen hinweg ausgewogen sind, um zusätzliche Risiken oder eine zu starke Ausrichtung auf einen bestimmten Sektor zu vermeiden. Dies trägt dazu bei, dass die Ergebnisse des Portfolios nicht übermäßig stark von der Sektorentwicklung beeinflusst werden. |
Von David Wright, Head of Quantitative Investments bei Pictet Asset Management
Weitere beliebte Meldungen:
