Nachgefragt | Einsatz von Big Data, Machine Learning & AI in der Fondsindustrie

Neue Erkenntnisse dank Big Data und Natural Language Processing (NLP): Täglich wird eine Unmenge an Texten im Internet veröffentlicht, u.a. Unternehmensberichte. Ihre Auswertung kann für die Investmentanalyse Möglichkeiten eröffnen, neue Alphaquellen zu erschließen. NN Investment Partners (NN IP) hat analysiert, wie die Tonlage der Berichterstattung von Unternehmen mit ihren künftigen Aktienrenditen zusammenhängt. Mit Hilfe von NLP haben wir die Tonalität von aufeinanderfolgenden Quartals- und Jahresberichten derselben Unternehmen ermittelt. NLP erfasst natürliche Sprache und elektronische Texte. Dafür werden Methoden der Sprachwissenschaften mit den Möglichkeiten künstlicher Intelligenz kombiniert. Dabei hat sich bestätigt, dass sich Aktien von Unternehmen mit langsamerer Berichterstattung schlechter entwickeln als Aktien von Unternehmen mit schnellerer Berichterstattung. Die NLP-Analyse hat zudem ergeben, dass eine langsamere Veröffentlichung meist mit mehr negativen Formulierungen und mit einer größeren Abweichung gegenüber den vorherigen Berichten der Unternehmen einhergeht. NN IP nutzt diese Erkenntnisse bereits für seine European und Euro Equity-Strategien.

Es gibt in unserem Team eine Reihe von konkreten Anwendungen. Im Handelsbereich benutzen wir Algorithmen, die ohne Big Data und Maschinelles Lernen nicht denkbar wären. Zusammen mit dem verstärkten Einsatz von Blocktrades hat das unsere Handelskosten um ca. 40% gesenkt.

Wichtige Änderungen von Analystenschätzungen lassen sich mit Hilfe von Big Data verhältnismäßig treffsicher vorhersagen. Wir benutzen hierfür Textanalysewerkzeuge (Natural Language Processing) um die Mitschriften von Quartalstelefonkonferenzen amerikanischer Unternehmen auf positives und negatives Sentiment hin zu überprüfen. Das stellt eine deutliche Verbesserung gegenüber dem klassischen Einsatz von Gewinnschätzungsdatenbanken dar.

Mit einer Hauptkomponentenanalyse lässt sich beurteilen welche Faktoren wesentliche Treiber von Einzelwertperformance sind und wie sich diese Faktoren zueinander verhalten. Ohne Maschinelles Lernen ist diese Frage kaum zu beantworten.

Mittels Analyse von Nachrichten (Big Data) kann analysiert werden, welche Aktien für welche Themen eine signifikante Rolle spielen und wie sich die Bedeutung von Themen im Zeitablauf ändert.

In Absprache mit einem menschlichen Chartanalysten und mit Hilfe von etwa einer Million Charts von Aktien aus dem S&P 500 Index wurde in der Erste Asset Management der weltweit erste virtuelle Chartanalyst trainiert.

Dabei kam ein neuer von Google entwickelter Algorithmus zu Einsatz, der auf tiefen neuronalen Netzen beruht und in selbstfahrenden Autos zum Einsatz kommt.

Der virtuelle Analyst kann mit Aktiencharts gefüttert werden und liefert neben der Wahrscheinlichkeit eines positiven zukünftigen Kursverlaufs auch ein Bild, in dem die Prognose „begründet“ wird. Erste Tests des Systems lieferten vielversprechende Resultate.

Union Investment hat eine eigene Software entwickelt, mit der wir auf Basis von künstlicher Intelligenz (KI) eine Einschätzung zu Assetklassen und Unternehmen berechnen und diese Einschätzung aufschlüsseln und interpretieren können. Ihr Name: Malina – Machine Learning for Investment Applications.

KI kann den Portfoliomanager dabei unterstützen, die bestmöglichen Entscheidungen zu treffen. Malina kann hierfür bei der Analyse von Assetklassen, Unternehmen oder makroökonomischen Größen relevante Treiber identifizieren und dem Menschen somit derzeitige Einflussfaktoren und mögliche Strukturbrüche anzeigen.

Bei der Entwicklung der Software lag der Fokus auf den speziellen Anforderungen aus dem Kapitalmarktbereich: Neben der konventionellen historischen Rückrechnung der Modelle bietet Malina ein umfangreiches Repertoire an Ansätzen und Verfahren zur leichteren Interpretierung und Visualisierung der Modelle an.

Dennoch bleibt der Mensch der wichtigste Entscheidungsträger: Ohne menschliche Expertise kann eine KI weder wissen, wann nicht in den verfügbaren Daten abgebildete Informationen für eine Prognose relevant werden, noch wie quantitativ nicht greifbare Effekte auf Märkte wirken.

ODDO BHF Asset Management bietet thematische Aktienfonds an, die mittels von KI gesteuert werden. Algorithmen der künstlichen Intelligenz werden in einem ersten Schritt des Anlageprozesses (es gibt insgesamt drei Schritte) verwendet, um die unstrukturierten Daten zu erfassen und zu analysieren. Wir analysieren täglich 4 Millionen Daten von Bloomberg und verfahren folgendermassen: 1) semantische Analyse; 2) Stimmungsanalyse 3) Trendanalyse. Als Ergebnis sind wir in der Lage globale thematische Investitionen aus tausenden von Unternehmen heraus zu filtern und diese zu analysieren, um die attraktivsten und relevantesten für unser Anlagethema zu finden. Kurz gesagt, die KI-Algorithmen stellen für uns einen Durchbruch in dem Sinne dar, dass wir unsere kognitive Voreingenommenheit beheben und in der Lage sind, die unstrukturierten Daten (die heute 80% der Daten der Welt ausmachen) in unserem Prozess zu berücksichtigen.

Künstliche Intelligenz (KI) ist zentraler Bestandteil unseres Geschäftsmodells.

Die Anlagestrategie unseres Publikumsfonds Tungsten TRYCON (HAFX29) basiert auf KI und Machine Learning. Dadurch können wir sehr viele Daten einbeziehen. Die Rechenleistung übersteigt den Aufwand herkömmlicher Handelssignale mithin um das 100.000-fache.

Unsere KI-basierte Software identifiziert Handelsgelegenheiten über verschiedene Assetklassen und Märkte hinweg.

Mit dem Fonds sind wir seit knapp sieben Jahren erfolgreich in Deutschland aktiv und haben im Rahmen der KI-Strategie mehr als 30.000 Börsentransaktionen getätigt.

Der Wertbeitrag für den Anleger besteht einerseits in der Diversifikationswirkung. Renditequellen und Portfoliozusammensetzungen unterscheiden sich von traditionellen Kapitalanlagen zumeist deutlich. Dadurch sind wir weitgehend unabhängig von Konjunkturentwicklungen. Außerdem lernen die KI-Modelle regelmäßig hinzu - dies gewährt eine hohe Aktualität.

Für den Track Record der innovativen Anlagestrategie hat unser Fonds bereits einige Auszeichnungen erhalten.

Die meisten Vermögensverwalter verwenden maschinelles Lernen, um kurzfristige Alphasignale aus liquiden und leicht handelbaren Instrumenten zu extrahieren, wobei die Menge der verfügbaren Daten, die Geschwindigkeit der Verarbeitung und die Fähigkeit, Muster zu finden, die durch die traditionelle Analyse nicht leicht zu erkennen sind, von Vorteil sein können. Der Signal-Rausch-Abstand bleibt jedoch relativ gering und wird durch den adaptiven und dynamischen Charakter der Finanzmärkte zusätzlich verzerrt

Deshalb glauben wir bei Unigestion, dass die Nutzung dieser neuen datengesteuerten Signale als eigenständige Anlagestrategie nur von begrenztem Wert ist. Stattdessen setzen wir sie vielmehr zur Ergänzung unseres bestehenden Ansatzes ein

Erst kürzlich haben wir einige unserer Ergebnisse genutzt, um aus Nachrichten (sowohl in traditionellen als auch sozialen Medien) einen quantitativen „makroökonomischen Stimmungsindikator“ abzuleiten und diese neuen Erkenntnisse in unsere selbst entwickelten Nowcaster-Indikatoren zu integrieren. Darüber hinaus verwenden wir Big Data zur Stimmungslage in den Nachrichten, um aktienspezifische Risiken besser einzuschätzen.

Soll die Gewichtung der Anlageklassen im Rahmen der Asset Allocation zu jeder Zeit optimiert werden, muss nicht nur eine präzise Messung des Marktumfelds, sondern auch die richtige Anlageklassenmischung gewählt und kontinuierlich angepasst werden.

Der Einsatz von KI-Algorithmen erlaubt es, diesen Prozess frei von Verhaltensmustern, vorgefertigten Meinungen und mit hoher statistischer Präzision umzusetzen. Vescore verwendet dabei den K-Nearest-Neighbor-Algorithmus (KNN). Dabei werden aktuelle Marktbedingungen mit denen der Vergangenheit verglichen und daraus Schlussfolgerungen, in welche Anlageinstrumente investiert werden sollte, abgeleitet. Nach der Auswertung des derzeitigen Marktumfeldes sucht der Algorithmus nach vergangenen Marktsituationen, die ähnliche Charakteristika aufweisen und wählt die Asset-Allokation aus, die in dem jeweiligen Umfeld am besten abgeschnitten hat.

Täglich durchgeführt ist das Ergebnis eine optimal ausgerichtete und dynamisch reagierende Asset-Allokation, die das Renditepotential des Marktes voll ausschöpfen kann. Trifft der Algorithmus auf eine noch nie dagewesene Marktlage, werden alle Anlageklassen gleichgewichtet.

Ganz konkret werden Big Data, Machine Learning und Artificial Intelligence in jenen Investmentfonds eingesetzt, aus denen wir den PLEXUS AI-Outperformance Index berechnen. Diese setzen Machine Learning oder Artificial Intelligence als zentrales Element im Investmentprozess ein. Ob ein Titel in das Portfolio aufgenommen oder verkauft wird, entscheidet in den meisten Fällen nicht mehr der Mensch, sondern die Maschine. Ein konkretes Beispiel ist ein Fonds, bei dem die Aktien voll automatisiert basierend auf Informationen aus Sozialen Medien, Zeitungsartikeln oder Blogs ausgewählt und gewichtet werden. Ein anderes Beispiel ist eine Weiterentwicklung eines klassischen quantitativen Ansatzes, bei dem nicht mehr ein Expertengremium die Modelle bewertet und gewichtet, sondern die Maschine selbst laufend den eigenen Handelserfolg überwacht und die Modelle autonom adaptiert. Unsere Analysen sind von Markteinflüssen bereinigt und basieren auf der relativen Performance der KI-Fonds gegenüber ihrer jeweiligen Benchmark. Der PLEXUS AI-Outperformance Index wird seit Januar 2019 berechnet. Per Ende Januar 2020 haben über die letzten drei Monate 63% der beobachteten Fonds ihre Benchmark geschlagen.

Die Analyse sowohl traditioneller als auch alternativer Daten, sprich Big Data, ist für uns zentral, um einen Informationsvorsprung zu erlangen. Zur Auswertung alternativer Daten interessant ist unter anderem das Maschinelle Lernen. So können wir Abhängigkeiten zwischen Unternehmen identifizieren, die keine offensichtliche Verbindung aufweisen, wie die Zugehörigkeit zu einem gemeinsamen Sektor. Ein Hersteller für Automobilsitze in Deutschland könnte beispielsweise mit einem brasilianischen Textilhersteller verbunden sein, weil er diese Textilien für seine Sitze verarbeitet. Als Datenquelle können hier unter anderem Patente dienen, von denen Millionen existieren und die für jedermann öffentlich zugänglich sind. Die in ihnen angegebenen Liefer-, Absatz- oder Finanzierungsverbindungen können uns frühzeitig Aufschluss darüber geben, wie sich veränderte Geschäftszahlen eines Unternehmens auf dessen Lieferanten auswirken. In ähnlicher Weise lassen sich mit Maschinellem Lernen auch die Auswirkungen eines Unternehmenskonkurses auf Mitbewerber ableiten oder der Einfluss guter oder schlechter Presse.

Bei der "Tactical Smart Beta"-Investmentstrategie ermitteln wir mit der Technologie des maschinellen Lernens, welche Art von Umfeld für die Generierung von Faktorprämien geeignet ist. Faktorprämien sind Überschussrenditen, die durch Smart-Beta-Strategien erzielt werden, welche Risikoprämien oder Marktineffizienzen mittels einer regelbasierten, transparenten Methodik erfassen.

"Tactical Smart Beta" weist taktisch Smart-Beta-Strategien auf der Grundlage von Modellen zu, die zukünftige Überrendite jeder Einzelstrategie vorhersagen sollen. Wir wenden maschinelles Lernens auf historische Daten, einschl. z.B. Makro- und Bewertungkennzahlen an und können so für einen Markt Entscheidungsregeln erfassen, die das Timing der Generierung von Faktorprämien bestimmen.

Diese Regeln sind eine der wenigen Techniken des maschinellen Lernens, bei der wir die Plausibilität der Modellstruktur verstehen und auf der Grundlage empirischer Forschung und akademischer Diskussionen überprüfen können. Wir glauben, dass diese Art der Einbeziehung menschlicher Intelligenz eher zur Verringerung des Data-Mining-Risikos führen kann als die bloße Anwendung von KI-Techniken ohne jegliche menschliche Beteiligung.

Universal-Investment nutzt unter anderem künstliche Intelligenz (KI) in Form einer Machine Learning (ML) Applikation, die bei der qualifizierten Marktrisikoanalyse für Investmentvermögen und Kundendirektmandate unterstützt. Neben der Ermittlung der Risikokennzahlen müssen Spezialisten der Abteilung Risk Measurement täglich prüfen, inwiefern die Daten, die in der Risikoberechnung verwendet werden, überhaupt korrekt sind.

Die Qualitätssicherung dieser Daten erfolgt im Zusammenspiel mit einem eigenentwickelten Algorithmus. Die KI, die in der Abteilung selbst konzipiert und programmiert wurde, nutzt Supervised ML, um Wissen aus Erfahrung zu generieren und signalisiert, ob die Datenqualität hoch genug ist. Im Anschluss prüfen Mitarbeiter die ermittelten Ausreißer, finalisieren die Analyse und leiten gegebenenfalls Gegenmaßnahmen ein.

Die KI kommt Kunden zu Gute, aber auch dem Team selbst, das nach eigenen Schätzungen mehrere hundert Arbeitsstunden im Jahr einspart. Diese Zeit können die Kollegen für andere fachlich anspruchsvolle sowie kundenindividuelle Fragen einsetzen. Wir wollen damit sicherstellen, auch in Zukunft die Benchmark in der qualifizierten Marktrisikomessung zu sein.

Artificial Intelligence hilft uns, in verschiedenen Bereichen produktiver zu werden. In der Administration ist es das E-Mail-Filtern, durch welches jeder von uns täglich in den Kontakt mit AI kommt. Im Marketing und Vertrieb ist es das automatische Erkennen und Auswerten von Kundeninteressen. Und im Portfoliomanagement sind es Screening-Tools, mit denen Analysten einzelne Investitionen bewerten können.

Es sind Algorithmen, die Unternehmen verändern werden. Sie werden dann einen Mehrwert für Unternehmen schaffen, wenn sie Vorhersagen über mögliche Ereignisse oder Probleme treffen können, bevor diese auftreten.

Unternehmen, die AI zum Wachstum einsetzen, werden wahrscheinlich mehr davon haben als Unternehmen, die es zur Kostensenkung nutzen. Eine Kostensenkung wird nur einmal durchgeführt, aber sie bringt dem Unternehmen nicht unbedingt langfristig einen Mehrwert.

Ich denke AI ist eine Notwendigkeit. Sie wird darüber entscheiden, wer im Markt bleibt und wer nicht. Wir analysieren in unseren Bewertungen auch die Fähigkeit von Unternehmen zum Einsatz von AI. Es geht um das Überleben eines Unternehmens, der Sicherung des Geschäftsmodells, nicht um Anpassung.

Wir setzen KI/machine learning als Teil eines "Augmented Intelligence”-Ansatzes ein, wobei wir es in Verbindung mit Experten aus verschiedenen Teams im Unternehmen einsetzen, um zusätzliche Erkenntnisse aus unseren Daten zu gewinnen. Letztendlich ist das Ziel immer, unseren Kunden einen besseren Service zu bieten. Wir reagieren immer auf die Tendenz von Investoren, auf kurzfristige Marktbedingungen dysfunktional zu reagieren, indem wir versuchen, den Markt genau zu bestimmen und auf dem Tiefpunkt zu verkaufen. Eine wichtige Anwendung von AI/ML im Unternehmen ist also eine Hilfe, um zu verstehen, wie das aktuelle Makroumfeld das Verhalten der Anleger beeinflussen und sie zu solchen Fehlverhaltensweisen veranlassen könnte. Dadurch erhalten wir einen besseren Einblick in das Verhalten unserer Kunden und können ihnen die beste Kundenerfahrung bieten.

Robeco verwendet derzeit mehrere alternative Datenquellen im quantitativen Anlageprozess. Zum Beispiel nutzen wir ein Nachrichtenstimmungssignal, das auf der Medientextanalyse basiert. Dieses Signal empfiehlt Aktien zu kaufen, die in Nachrichtenartikeln positiv erwähnt wurden, und Aktien zu verkaufen, die in den Medien weniger positiv auffallen.

Dabei haben wir festgestellt, dass die naive Aggregation des Signals zu unerwünschten Verzerrungen führt. Unternehmen, die in den Nachrichten positiv erwähnt werden, sind in der Regel größere und teurere Aktien. Nach der Korrektur dieser Engagements kamen wir zu dem Schluss, dass das Nachrichtenstimmungssignal eine diversifizierende Ergänzung unserer Momentumstrategien sowohl in den Industrie- als auch in den Schwellenländern darstellt.

Es gibt zu viele Datenanbieter, die wir qualitativ nicht alle prüfen können. Die Quelle muss durch starke empirische Beweise und eine solide wirtschaftliche Begründung untermauert werden. Wenn wir feststellen, dass sie nicht unseren Standards entspricht, werden wir davon absehen, sie zu verwenden. Nur so können wir unserer Anlagephilosophie - Evidenz, Rationalität und Vorsicht – einhalten.

In den letzten Jahren haben sich durch die stark gestiegene Menge an verfügbaren Daten bei gleichzeitig steigender Rechenleistung viele neue Möglichkeiten ergeben. Mit passenden Methoden können heute Muster und Besonderheiten in Daten identifiziert oder zukünftige Ereignisse prognostiziert und letztlich die Entscheidungsfindung verbessert werden. Künstliche Intelligenz (KI, engl. AI) und Maschinelles Lernen (ML) fassen solche Methoden zur Mustererkennung zusammen, und sind durch die Datenexplosion und deren potentielle Möglichkeiten derzeit in aller Munde.

KI und ML werden heutzutage quer durch alle Industrien vielfältig eingesetzt, beispielsweise zur Gesichtserkennung, zum unterstützenden Fahren, um Applikationen „smarter“ zu machen, oder um den Kunden auf Grundlage seiner Daten (Suchanfragen, Einkäufe, Soziale Netzwerke) besser zu verstehen.

Innerhalb des Wealth & Asset Managements von Berenberg beschäftigt sich das Innovation & Data Team mit exakt diesen Fragestellungen. Beispielsweise wurde ein vollständig datengetriebener auf einem neuronalen Netzwerk basierender und selbstlernender Multi-Modell Investmentprozess entwickelt.

Künstliche Intelligenz ist im Umgang und der Verarbeitung von sehr großen Datenmengen dem Menschen überlegen, andererseits ist der Mensch flexibler und kreativer. Somit ergänzen sich Mensch und Maschine sinnvoll und können somit zukünftig Ergebnisse liefern, die alleine nicht möglich wären.