Copilot, nicht Autopilot: Generative KI verbessert das aktive Management, ersetzt es aber nicht

Künstliche Intelligenz (KI) wird gemeinhin als die Nachahmung der kognitiven Funktionen des menschlichen Gehirns durch Maschinen definiert. In einigen Fällen ist das eine relativ niedrige Hürde, etwa beim Damespiel, wo die Regeln einfach sind. Dame war in der Tat einer der ersten Fälle, auf die KI angewendet wurde, und zwar von Arthur Lee Samuel im Jahr 1952.¹ Mit zunehmender Komplexität wächst die Hürde jedoch exponentiell. Erst 1997 verlor Gary Kasparov eine ganze Schachpartie gegen Deep Blue.² Und trotz der exponentiellen Zunahme der Rechenleistung in diesem Zeitraum dauerte es fast zwei weitere Jahrzehnte, bis AlphaGo 2016 den Go-Großmeister Lee Sedol schlug.³ Während also durch die Fortschritte im Bereich KI (einige davon erörtern wir in diesem Artikel) die kollektiven kognitiven Fähigkeiten auf der Erde zunehmen, wäre es voreilig, uns vor empfindungsfähigen Roboterherrschern in Sicherheit zu bringen. Auch die Angst, dass KI viele Wissensarbeiter, zum Beispiel Anlageexperten, vollständig ersetzen könnte, ist aktuell nicht gerechtfertigt.

Seit dem Aufkommen großer Sprachmodelle (Large Language Models, LLMs) – das sind Deep-Learning-Algorithmen, die anhand einer gigantischen Anzahl von Datensätzen trainiert werden – reicht das Leistungsspektrum der KI von knappen Zusammenfassungen bis zu detaillierten Analysen. Viele werden sofort an GPT-3 von OpenAI denken, auf dessen Grundlage ChatGPT entwickelt wurde.⁴ GPT-3 wurde fast anhand der Gesamtheit des Internets und der meisten Bücher trainiert.⁵ Dadurch verfügt sein neuronales Netz über 175 Milliarden Parameter,⁶ die ChatGPT nutzt, um seine Meinung zu allen möglichen Themen zu äußern – vom Banalen bis zum Erhabenen. Aufgrund von Terabytes an Trainingsdaten, einer enormen Rechenleistung, die durch verteiltes Rechnen noch gesteigert wird, und des guten alten menschlichen Erfindungsgeistes werden die Anwendungsmöglichkeiten von KI in vielen Bereichen, auch in der Investmentwelt, weiterhin schnell zunehmen. Während viele davon den Rahmen dieses einführenden Artikels sprengen würden, werden wir einige Anwendungsfälle vorstellen, die veranschaulichen, wie verschiedene Anleger KI nutzen können, um ihre Ergebnisse und Workflows zu verbessern.

Die Möglichkeiten von KI: Fähigkeit zur Datenanalyse und Vorhersagekraft

Reduzieren wir die Investmentwelt auf ihr Wesentliches, könnte man sagen, dass sie sich darum dreht, die beizulegenden Zeitwerte von Vermögenswerten zu bestimmen (indem möglichst viele öffentliche Informationen gesammelt und analysiert werden) und diese Vermögenswerte dann zu kaufen oder zu verkaufen, wenn die marktüblichen Preise von den beizulegenden Zeitwerten abweichen. Dabei ist die schiere Menge an relevanten Daten enorm: Finanzunterlagen, Protokolle von Ergebniskonferenzen, Berichte an Regulierungsbehörden, Nachrichtenartikel, ganztägige Aussagen vor dem Kongress und heutzutage sogar Reddit-Unterhaltungen und Tweets. Diese Daten sind vielfältig, nicht standardisiert und zunehmend unstrukturiert (d. h. ihre Analyse ist von vornherein schwierig). LLMs sind sowohl zur Erfassung als auch zum kritischen Verständnis dieser Daten in der Lage, und das in einer Geschwindigkeit, an die kein Analystenteam herankommt.

Von grundlegender Bedeutung ist dabei ihre Fähigkeit, Informationen so zusammenzufassen, dass Menschen sie verarbeiten können – ob es um Tausende von Social-Media-Threads im Slang der Zoomer („No cap“⁷) oder die gerichtliche Aussage eines Unternehmens in einer sehr dichten Juristensprache („veritably“⁸) geht. In einem weiteren Schritt kann KI verschiedene Datensätze kombinieren, um daraus Erkenntnisse zu gewinnen, die auch für einen erfahrenen menschlichen Anleger nicht auf der Hand liegen.

Sollten wir also alle in den Ruhestand treten und die Maschinen übernehmen lassen? Nicht so schnell. Wenn sie auf die richtige Art und Weise gefragt werden, antworten LLMs bereitwillig und mit dem Selbstbewusstsein eines Ökonomen, der im Fernsehen seine Argumente vorträgt. Der Grund dafür ist, dass LLMs nach dem pawlowschen Prinzip darauf trainiert sind, Antworten zu geben, denen Menschen vertrauen. Die meisten Algorithmen enthalten eine Funktion, die akzeptable Antworten belohnt. Doch ist unser Vertrauen gerechtfertigt? Das hängt von vielen Faktoren ab. Und selbst wenn sie mit hochwertigen Daten gefüttert werden, sind Deep-Learning-Algorithmen fehlbar. Transformer-Modelle (die meisten LLMs fallen darunter) können sich zum Beispiel leicht verrennen und „halluzinieren“, weil sie in einem Satz sequenziell das nächste Wort vorhersagen, das am wahrscheinlichsten ist. Es handelt sich um einen autoregressiven Prozess, in dem die Wörter, die das LLM selbst generiert hat, wiederum verwendet werden, um die nächsten Wörter vorherzusagen. Das erinnert zwar zunächst an die Art und Weise, wie wir Menschen denken – die Wörter, die wir als Nächstes sagen, ergeben sich schließlich aus denen, die wir kurz zuvor gesagt haben. LLMs fällt es allerdings im Vergleich viel schwerer zu merken, wenn sie Unsinn reden. Es ist also wichtig zu erkennen, wann die vor Selbstbewusstsein strotzende KI völlig falsch liegt. Außerdem müssen die ihr gestellten Fragen präzise formuliert werden, ihr Training muss ausgefeilt werden und jemand muss entscheiden, welche Daten als Input am sinnvollsten sind. Aus all diesen Gründen bleiben Menschen ein wesentlicher Teil des Prozesses. Die folgenden praktischen Beispiele aus der Investmentwelt veranschaulichen dies.

Anwendungsfälle für Asset Management, Wealth Management, Trader und Privatanleger

Anleger aller Art können von KI profitieren. Dabei ist die Situation von Privatanlegern natürlich nicht mit der von institutionellen Anlegern vergleichbar: Erstere haben nicht die Möglichkeit, ein KI-System zu trainieren, da sie nicht auf die unglaubliche Menge an oftmals geschützten Daten zugreifen können, die institutionelle Anleger über Jahrzehnte gesammelt haben, und sie wissen in der Regel auch nicht, wie man an Deep-Learning-Algorithmen feilt, um ihr Potenzial zu maximieren. Dennoch können die meisten Anleger mit KI den Umfang, die Schnelligkeit und die Komplexität ihrer Geschäfte steigern.

Anwendungsfälle für das Asset Management:

Portfoliomanager können LLMs anhand von Ergebniskonferenzen, Aktienkursentwicklungen, Nachrichtenartikeln und Social-Media-Unterhaltungen trainieren. Darüber hinaus können sie Informationen über kognitive Verzerrungen (die Theorie, dass Ineffizienzen am Markt auf menschliche Irrationalität zurückzuführen sind), ihre eigenen Research-Notizen, Wertpapierbewertungen und ausgeführte Transaktionen als Input verwenden. Nachdem es trainiert wurde, kann das LLM in Echtzeit mit solchen Daten gespeist werden. Das wiederum führt zu mehreren neuen Anwendungsmöglichkeiten. Einige Beispiele:

• Die Stimmung, die in unstrukturierten Informationen (Tweets, Subreddits, Analystenberichte, Nachrichten usw.) ausgedrückt wird, kann mit strukturierten Daten (Fundamentaldaten von Unternehmen, Konsensprognosen, makroökonomische Indikatoren) zusammengeführt werden, um Inkongruenzen zu erkennen, die zu großen Kursbewegungen führen könnten.
• KI kann Risikomanager frühzeitig vor Marktschocks warnen, deren Auftreten sie aus den erwarteten Sekundär- und Tertiäreffekten eines Ereignisses ableitet. Nehmen wir zum Beispiel ein Rentenportfolio, in dem die Credit Spreads einiger Positionen sich rasch ausweiten. Ein menschlicher Manager würde sofort verstehen, dass das Risiko für die betreffenden Positionen erhöht ist, doch was ist mit dem Rest des Portfolios? Eine KI mit Milliarden optimierter Synapsen könnte vorhersagen, welche Emittenten möglicherweise die nächsten Dominosteine sind, da sie dazu eine Vielzahl an Datenpunkten heranziehen kann: von Korrelationen zwischen Zeitreihen über Nachrichtenartikel bis hin zu Form-10-K-Berichten (Jahresberichte von Unternehmen). Ein aktuelles, wenn auch tragisches, Beispiel ist die Invasion der Ukraine, die zu einem plötzlichen Rückgang der Neongasexporte führte. Neongas ist ein wichtiger Bestandteil von Halbleitern für die Automobilindustrie, sodass sich der Exportrückgang auf die Chiphersteller und anschließend auf die Autobauer auswirkte. Anders als die meisten Menschen hätte ein gut trainiertes neuronales Netz diese komplexen Zusammenhänge bereits erkennen können, als die erste Granate in Mariupol einschlug.
• KI kann Portfoliomanager warnen, wenn ihre gewünschten Transaktionen auf kognitive Verzerrungen hinweisen. Zum Beispiel besagt der Dispositionseffekt, dass es manchen Anlegern widerstrebt, Verlustpositionen zu verkaufen, während sie Vermögenswerte, die gerade einen großen Kurssprung erlebt haben, bereitwillig abstoßen. Eine KI, die anhand vorheriger Transaktionen und der Grundsätze der verhaltensorientierten Finanzmarkttheorie trainiert wurde, erkennt den Unterschied zwischen einer vernünftigen Entscheidung auf der Grundlage von Bewertungen und einer Entscheidung, die von Emotionen geleitet wird (etwa wenn wir vermeiden, was wir später bereuen könnten). Daher kann eine solche KI die Rolle eines objektiven Coaches übernehmen.
• Da LLMs konversationelle Abfragen verarbeiten können, verkleinern sich die Wissensvorsprünge, die bestimmte Akteure bei komplexen Investmentaufgaben wie der Optimierung über mehrere Perioden, der Strategiesimulation und der Faktorzerlegung haben. In gewisser Weise demokratisiert generative KI bestimmte Superkräfte, die zuvor quantitativen Anlegern vorbehalten waren. Bald könnte ein Multi-Asset-Portfoliomanager seinen KI-Copiloten bitten: „Erstelle ein Portfolio, das möglichst resilient gegenüber einer Zinswende der US-Notenbank wäre, aber trotzdem 4 % Rendite abwerfen könnte, keine Übergewichtung des Faktors Wachstum aufweist und dessen annualisiertes Risiko in den letzten fünf Jahren höchstens 17 % betrug“, und er würde ein Modell erhalten. Vorausgesetzt, ein Portfolio, das diese Anforderungen erfüllt, ist überhaupt möglich. In dem Wissen, dass es keine Garantien für solche Ergebnisse gibt, arbeiten wir bei Franklin Templeton Investment Solutions an der Entwicklung eines entsprechenden Tools.

Anwendungsfälle für nachhaltiges Investieren:

Analysten im Bereich Umwelt, Soziales und Unternehmensführung (ESG) könnten ihre KI-Systeme anhand von Nachhaltigkeitsoffenlegungen börsennotierter Unternehmen, quantifizierbaren ESG-Kriterien und Pressemitteilungen über ESG-Unternehmenserklärungen trainieren.

• Anschließend könnte die KI versuchen zu ermitteln, ob die verbreiteten Ansichten über die ESG-Praktiken eines Unternehmens mit der Realität übereinstimmen oder ob Unternehmen im Hinblick auf beliebig viele Nachhaltigkeitskriterien (Entgeltgleichheit, Verbesserung der CO₂-Bilanz, Unabhängigkeit der Leitungsgremien usw.) ihr Wort halten.
• Durch die Analyse von Daten, die noch nicht in die Offenlegungen eingeflossen sind, kann die KI erkennen, welche Unternehmen Fortschritte bei ihren ESG-Praktiken machen. Die frühzeitige Identifizierung solcher Unternehmen mit ESG-Fortschritten könnte zu besseren Anlageergebnissen führen. Nehmen wir zum Beispiel ein Unternehmen, das wegen der Behandlung von Minderheiten angehörenden Mitarbeiterinnen und Mitarbeitern in der Kritik steht. Was, wenn dieses Unternehmen in seinen jüngsten Stellenanzeigen eine Sprache verwendet, aus der die Werte Diversität, Chancengleichheit und Inklusion (DE&I) sprechen? KI kann aus solchen Datenpunkten fast in Echtzeit Schlüsse ziehen, wenn sie richtig trainiert und optimiert ist.

Anwendungsfälle für das Wealth Management:

Finanzberater können KI-Systeme nutzen, um ihre Kunden in die bestmögliche Ausgangslage zur Erreichung ihrer wichtigsten Ziele zu versetzen – eine Aufgabe, die oft mehr erfordert als die Rendite für ein bestimmtes Risikoniveau zu maximieren.

• Die Anlageziele und die Risikotoleranz der Kunden werden oft mithilfe direkter Fragen ermittelt. Doch wie gut kennen sich die Kunden selbst und wie gut können sie einschätzen, wie sie gerade in schwierigen Situationen reagieren werden? Nach geringfügigen Marktrückgängen erhalten Berater oft panische Telefonanrufe von Kunden, in denen „Korrekturmaßnahmen“ verlangt werden – selbst von Kunden, die angegeben haben, Toleranz gegenüber erheblichen Marktschwankungen mitzubringen. Damit handeln die Kunden oft gegen ihre eigenen Interessen. Eine KI, die anhand vergangener Interaktionen trainiert ist, kann über Befragungen hinaus blicken und das Kundenverhalten besser vorhersagen. So kann sie Portfolios vorschlagen, bei denen die Wahrscheinlichkeit am höchsten ist, dass die Kunden auch in volatilen Phasen investiert bleiben. Sie kann sogar empfehlen, wann es sinnvoll ist, proaktiv Kontakt zu einem Kunden aufzunehmen, bevor es zu einer panischen Reaktion kommt.
• Ebenso wie die selbst eingeschätzte Risikotoleranz womöglich nicht der Realität entspricht, sind die finanziellen Ziele der Kunden oft nicht angemessen priorisiert. KI kann die Konsummuster, Bedürfnisse und Wünsche der Kunden analysieren und einen dynamischen Kurs berechnen, bei dem die Chance, dass sie ihre wichtigsten Ziele erreichen, maximiert und das Risiko, dass ihnen das Geld ausgeht, minimiert wird. In diesem Bereich sind wir seit 2020 Vorreiter: Wir haben eine KI-Lösung entwickelt, die personalisierte Empfehlungen für die Vermögensallokation und Konsumentscheidungen abgibt.

Anwendungsfälle für Privatanleger:

Die meisten der oben genannten Beispiele erfordern enorme Mengen geschützter Daten und das Wissen, wie man die Modelle trainiert und optimiert. Es sei noch einmal darauf hingewiesen, dass KI zwar ein Schritt zur Demokratisierung der Investmentwelt ist, aber dass sie nicht alle Unterschiede verschwinden lässt. Ohne Terabytes an hochwertigen Daten, die Einspeisung neuer Daten in Echtzeit und eine Rechenleistung der Superlative können es selbst gewiefte Privatanleger nicht mit institutionellen Anlegern aufnehmen. Trotzdem können handelsübliche KI-Modelle für sie von Nutzen sein.

• Noch wichtiger als bei institutionellen Portfoliomanagern, denen in der Regel Risikomanager über die Schulter schauen, ist bei Privatanlegern, dass eine KI sie auf der Grundlage des Trading-Kontextes auf mögliche kognitive Verzerrungen aufmerksam machen kann. Sind sie zum Beispiel gerade dabei, eine Optionsposition zu eröffnen, deren Risiko die Aktiengeschäfte, die sie für gewöhnlich abschließen, weit übersteigen könnte?
• KI kann dabei helfen, aufschlussreiche Diagramme mit thematischer Überlagerung zu erstellen, um die für eine Handelsstrategie relevanten Gewinnankündigungen, Wirtschaftssysteme, Sektor-Gewinnspannen und möglichen Auszahlungen in einen visuellen Kontext zu setzen.
• LLMs können aus langen Dokumenten wie Lageberichten oder Reden von Zentralbankern die wesentlichen Konzepte herausarbeiten und Privatanlegern helfen, sie zu verstehen.

Fazit

Verständlicherweise löst das Aufkommen von KI bei den einen Angst, bei den anderen Begeisterung aus, und wie bei den meisten bahnbrechenden Entwicklungen dürfte die Wahrheit vielschichtig sein und ein bisschen von beidem rechtfertigen. Während KI negative externe Effekte haben mag, ist es unwahrscheinlich, dass sie den Masterplan entwickeln wird, die Menschheit auszulöschen. Und obwohl sie unser Leben verbessern wird, ist kein Utopia zu erwarten. In der Investmentwelt kann sie derzeit die Rolle eines unermüdlichen Junioranalysten oder eines objektiven Coaches übernehmen, wie die vorgestellten Anwendungsfälle zeigen. Indem sie mit Algorithmen zusammenarbeiten, können Anleger bessere Renditen erzielen, das Risiko mindern, ihre irrationalen Impulse reduzieren und ihren finanziellen Zielen näher kommen.