Künstliche Intelligenz deckt bisher unerkannte Muster an den Finanzmärkten auf – Muster, die die Anlageperformance bestimmen. In einer Welt rasanten technologischen Wandels können die fortschrittlichen Algorithmen für maschinelles Lernen, die diesen KI-Engines zugrunde liegen, jedoch nicht statisch sein. Die Investoren müssen darauf vertrauen können, dass sie sich an die Entwicklung von Technologien, Daten und Märkten anpassen können.
Wer es richtig anstellt, wird mit Renditen belohnt, die weit über denen eines Referenz-Aktienindex liegen, und das bei nur geringen zusätzlichen Kosten.
Größer, besser, schneller
Schauen wir uns das am Beispiel von Quest AI einmal an: Seit ihrer Auflegung im Juli 2023 hat die Strategie ihren Referenzindex übertroffen, da sie wertvolle Einblicke in die den Aktienkursen zugrunde liegenden Faktoren bietet. Diese Einblicke waren nur dank der Anpassungsfähigkeit des zugrunde liegenden Prozesses möglich, der mit der starken Zunahme des Dateninputs und der technologischen Komplexität Schritt gehalten hat.
Traditionelle Investoren verlassen sich in der Regel auf einige wenige bekannte Regeln darüber, was die Aktienrenditen antreibt – Regeln, die recht gut geeignet sind, um allgemeine, langfristige Muster zu erklären. Doch bei einzelnen Unternehmen und über kürzere Zeiträume kommt es immer wieder zu plötzlichen Veränderungen der Preise, und das aus vielerlei Gründen. Einige davon verstehen wir – sie können mit der Geschwindigkeit zusammenhängen, mit der sich Informationen verbreiten, oder mit der Anlegerpsychologie oder der Art und Weise, wie der Handel auf dem Markt organisiert ist. Andere Gründe sind schwieriger zu ermitteln oder zu beschreiben.
Hier kommt KI ins Spiel. Anstatt von einigen wenigen vorab ausgewählten Ideen auszugehen, füttern wir das System mit einer sehr umfangreichen Beschreibung von Tausenden von Unternehmen, die eine Vielzahl von Informationen umfasst. Die KI blickt dann auf die Vergangenheit zurück, um herauszufinden, welche Informationen wann wichtig waren und wie sie zusammenwirken. Auf diese Weise kann das Tool eine ausgewogene Mischung aus wohlverstandenen Einflüssen und subtileren Mustern erfassen, die für menschliche Investoren schwer zu erkennen sind.
Diese Komplexität hat wiederum einen umfassenden Ausbau der zugrunde liegenden technologischen Infrastruktur erforderlich gemacht. Das ist ein Prozess, der immer weitergeht und nie aufhört. Die neuesten KI-Innovationen – und generell in der Informatik – werden ständig daraufhin geprüft, was sie dem Ansatz in Zukunft bringen könnten, seien es große Sprachmodelle (LLMs) oder Quantencomputer. Das bedeutet auch, der Menge einen Schritt voraus zu sein – die meisten quantitativen Investoren haben laut einer aktuellen Umfrage von Bloomberg Research bisher KI nicht bedeutend in ihren Prozessen eingesetzt.1
Als wir unsere KI-gesteuerte Long-Only-Strategie auflegten, verwendete der Prozess rund 200 Merkmale, von denen jedes eine Datenreihe darstellt, die eine Charakteristik oder einen Indikator für eine Aktie im Zeitverlauf bewertet. Der Algorithmus analysierte ihre komplexen Wechselwirkungen, um die Signale zu isolieren, die dann zur Verbesserung der Wertpapierauswahl verwendet wurden. Seitdem hat sich die Zahl der Merkmale verdoppelt und die Zahl der Beobachtungen auf mehrere Milliarden mehr als verzehnfacht. Diese Merkmale umfassen jetzt auch feinere Messungen der Analystenstimmung, zum Beispiel wie schnell sie ihre Gewinnprognosen revidieren, wie weit diese Prognosen an der Wall Street gestreut sind und wie oft die Kursziele aktualisiert werden, sowie Hochfrequenzindikatoren für die Handelsaktivität, wie etwa untertägige Veränderungen der Liquidität.
Diese massive Steigerung der Verarbeitungsleistung konnte nur durch eine ebenso massive Steigerung der Rechenleistung erreicht werden. So stieg beispielsweise die Anzahl der für die Berechnung unseres Modells verwendeten Zentraleinheiten (CPUs) von knapp hundert auf mehr als dreitausend, die Zahl der Server hat sich mehr als verdoppelt und die Zahl der Grafikprozessoren (GPUs) vervierfacht. Das entspricht einer Steigerung der Rechenleistung von 7 auf 120 Playstation 5s (dem Maßstab für komplexe Spielegrafik). Die Erhöhung der Kapazität unserer Grafikprozessoren verkürzt die für das Trainieren unserer Modelle benötigte Zeit erheblich, sodass wir mehr Experimente durchführen und Verbesserungen in einem viel schnelleren Tempo vornehmen können.
Dass wir diese Rechenkapazität direkt bei uns im Haus haben, hat zusätzlich den Vorteil, dass wir keinen starken Preiserhöhungen von Cloudunternehmen und anderen externen Anbietern im Zuge der boomenden Nachfrage nach High-End-Computing ausgesetzt sind.
Sprache im weiten Sinne
Der Hype darüber, wie sich die Aktienauswahl mit großen Sprachmodellen (LLMs) verbessern lässt, ist groß. Sicherlich gibt es immer mehr Belege, die zeigen, dass aus Nachrichten die Stimmungslage abgeleitet werden kann, auf deren Grundlage dann Anlagesignale erzeugt werden. Aber bisher haben wir sie nicht als besonders nützlich für unsere Quest AI Strategie empfunden. In Anbetracht unseres Anlagehorizonts, der selten mehr als ein paar Wochen beträgt, hängt der Großteil des in den Nachrichten enthaltenen prädiktiven Inhalts eng mit Gewinnankündigungen und Analystenkommentaren zusammen, die bereits von unserem Algorithmus verarbeitet werden. Obwohl es also eine beträchtliche Menge an Informationen gibt, die aus Nachrichten gewonnen werden können, sind unsere eigenen Signale derzeit effektiver als die von LLMs generierten Stimmungssignale.
Dank der Expertise, mit der wir unseren Algorithmus konzipiert und unsere Daten verarbeitet haben, sind wir den LLMs immer einen Schritt voraus. LLMs sind darauf ausgelegt, Text zu verstehen und zu erzeugen, und können sogar komplexe mathematische Beweise zu führen, da die Mathematik im Grunde ein formales Sprachsystem ist. Die Märkte werden jedoch nicht von statischen mathematischen Konzepten bestimmt. Vielmehr werden sie durch adaptives menschliches Verhalten, Wettbewerb, Rückmeldeschleifen und Zwänge angetrieben. Und es gibt ein weiteres Problem mit LLMs: Wenn sie für das Backtesting von Modellen verwendet werden, neigen sie dazu, Informationen einzubeziehen, die in dem zu überprüfenden Zeitraum nicht verfügbar waren, und das verzerrt die Ergebnisse. Demnach sind LLMs zwar leistungsstarke Tools für die Analyse von Informationen, aber nicht unbedingt dafür geeignet, die Aktienrenditen so vorherzusagen, dass sie den Zwängen der realen Welt standhalten.
Aber wir beobachten die Entwicklungen sehr genau und sind bereit, LLMs einzusetzen, sollten sie irgendwann imstande sein, neue prädiktive Signale zu erzeugen.
Übrigens setzen wir LLMs beim Verfassen von Portfoliokommentaren und zur Verbesserung der Effizienz der Codegenerierung, zum Erstellen von Präsentationen und zum Sammeln von Researchmaterial ein, dann aber im Rahmen geschlossener Systeme, um sicherzustellen, dass geschützte Informationen nicht an die Öffentlichkeit gelangen.
Eine agentische Zukunft?
Im KI-Universum gibt es große Bestrebungen, KI-Agenten zu entwickeln – automatisierte Systeme, die komplexe Anweisungen interpretieren und selbstständig ausführen können. Wenn KI in der Lage ist, verborgene Muster auf dem Markt zu erkennen, um Anlagemöglichkeiten aufzuspüren, dann ist mit agentenbasierter KI noch viel mehr möglich. Sie kann den Investmentprozess an sich effizienter machen, indem sie die Kosten unter Kontrolle hält und gleichzeitig von der KI gewonnene Erkenntnisse konsequent umsetzt.
Bislang ist dies mehr ein Versprechen als die Realität, obwohl Branchenexperten davon ausgehen, dass sich dies in den nächsten ein bis zwei Jahren für einige Anwendungen ändern wird.
Für Quest würde agentenbasierte KI höchstwahrscheinlich mehr Effizienz für die Berichterstattung und die Ideengenerierung bringen. In der Finanzdienstleistungsbranche gibt es bereits Projekte zur Automatisierung der Arbeit von Junior Analysten im Investmentbanking, zum Beispiel zur Erstellung von Bewertungsmodellen, zur Vorbereitung von Präsentationen oder zur Standardisierung von Dokumenten.
Letztendlich können wir uns Agenten vorstellen, die auch bei der Entwicklung von Anlageideen helfen, indem sie unter anderem schnell wichtige Erkenntnisse aus neuer akademischer Forschung extrahieren. Der Mensch wird immer eine Rolle spielen – nicht um mit Maschinen in Bezug auf Geschwindigkeit und Datenverarbeitungsfähigkeiten zu konkurrieren, sondern um sicherzustellen, dass autonome Systeme so funktionieren, wie sie sollen.
Von Bewährtem zu Neuem
Die Attraktivität von KI-Modellen zur Optimierung von Anlageentscheidungen tritt von Tag zu Tag deutlicher zutage. Investoren müssen aber auch das Tempo des technologischen Wandels und die Ausweitung der Datenquellen, die diese Modelle beeinflussen, im Auge behalten. Jedes KI-gesteuerte Modell muss anpassungsfähig sein. Das bedeutet, dass die Menschen hinter dem Modell sowohl agil als auch auf dem neuesten Stand der Technik sein müssen.
Viele der Durchbrüche unseres Teams haben sich dort ergeben, wo man es nicht erwartet hat. Aber diese Zufallsentdeckungen hängen von harter Arbeit und flexiblem Denken ab. Die Kultur ist entscheidend – in diesem Fall geht es darum, kontinuierlichem Lernen, Experimentieren und Wissensaustausch Vorrang einzuräumen.
Flexible Prozesse und ein tiefes technisches Verständnis ermöglichen es uns, schnell auf neue Chancen zu reagieren oder Herausforderungen zu bewältigen. So haben wir beispielsweise unseren Algorithmus um viele weitere Merkmale ergänzt, um in stärkerem Maße Analystenschätzungen und Marktsignale einzubeziehen. Gleichzeitig haben wir die Betriebshardware überarbeitet, indem wir die Komplexität des Algorithmus verdreifacht und auf eigene CPUs und GPUs umgestellt haben, damit die Strategie das zusätzliche Informationsvolumen bewältigen kann, ohne dass dadurch die Risiken oder die Kosten für unsere Kunden zunehmen.
Dabei geht es nicht nur darum, auf Trends zu reagieren, sondern sie auch zu gestalten. Jetzt, wo die KI auf dem Vormarsch ist, passen wir uns erneut an, indem wir die Schnittstelle zwischen Mensch und Maschine neu definieren und so die KI zu einer nahtlosen Erweiterung der menschlichen Kreativität machen. Wir nehmen die Risiken in Kauf, die mit einer frühzeitigen Einführung verbunden sind, denn die Kosten eines Stillstands sind viel höher.
Auch wenn wir uns derzeit auf KI konzentrieren, achten wir darauf, dass unser Ansatz technologieunabhängig ist – wenn wir bessere Tools finden, mit denen wir Überrenditen für die Investoren erzielen können, dann führen wir sie ein. Unser Team hat bewiesen, dass es in der Lage ist, den richtigen Zeitpunkt für einen Richtungswechsel zu erkennen und diesen effektiv umzusetzen. Wir sind zuversichtlich, dass uns dies auch in Zukunft gelingt, wenn wir neue Tools und Methoden einsetzen, und wir dadurch unseren Investoren einen Vorteil verschaffen können.
1 https://assets.bbhub.io/promo/sites/33/Bloomberg-Research-Data-Roadshow-Survey-Booklet_2025_FINAL.pdf
