Einsatz von KI-Algorithmen Ersetzen Roboter bald aktive Portfoliomanager?
Allerdings ergeben sich aus dieser Verantwortung und der Geschwindigkeit des technologischen Fortschritts laufend neue Anforderungen an das Kompetenzprofil eines Portfoliomanagers. Datenwissenschaftler wurden zunächst überwiegend in den Naturwissenschaften gefragt und ausgebildet. Inzwischen schlagen sich vor allem die Big-Data-Giganten wie Amazon und Google um die größten Talente in dieser jungen Disziplin.
Spannender noch als der Anstieg der Rechnerleistung oder die Stärke der KI-Algorithmen ist nämlich die Explosion der Datenmengen. Aufgrund des exponentiellen Wachstums stammen 90 Prozent des kumulierten Datenbestands aus den wenigen zurückliegenden Jahren. Quintillionen Bytes – eine 1 mit 30 Nullen – kommen derzeit täglich dazu. Natürlich: Nahezu nichts davon ist relevant. Aber nahezu nichts von einer Quintillion ist eben leider doch eine Menge.
Im Finanzbereich spricht man hier von Alternative Data. Die systematische Analyse der Preis- und Fundamentaldaten und der Gewinnschätzungen von Analysten sind der bewährte Gold-Standard unseres quantitativen Portfoliomanagements und Factor Investing. Aber auch wenn hier für Tausende von Unternehmen hunderte von Fundamentaldaten über zig Jahre täglicher Historie zusammenkommen – ein echtes Big-Data-Problem ist das noch lange nicht.
Es sind nicht nur zu wenige Daten, um darauf mit modernen KI-Kanonen zu schießen. Sie sind auch bereits viel zu gut strukturiert und die Zusammenhänge viel zu offensichtlich. Über diese bewährten Erkenntnisse hinaus wird man aus diesen Daten auch mit brutaler KI-Gewalt überwiegend Scheinzusammenhänge von begrenzter prognostischer Kraft ermitteln. Überanpassung oder auch Overfitting ist hier das Stichwort, sprich das Spezifizieren eines Modells, das zu viele erklärende Variablen enthält.
