Anlegen mit künstlicher Intelligenz „Titelselektion und Gewichtung übernimmt komplett das System“
Die Märkte werden also auf ganz verschiedenen Ebenen gescreent.
Endler: Ja, aber unsere Fundamentaldatenbank ist dennoch die Grundlage. Hier werden Zahlen wie Umsätze, Dividenden und Cashflows eingespeist. Analystenschätzungen geben wir ebenfalls mit rein. Allerdings ist für uns nicht beobachtbar, ob das System auch wirklich auf diese Analystenschätzungen setzt. Sind die jeweiligen Einschätzungen gute oder schlechte Prädiktoren für die Zukunft? Wir wissen es nicht.
Die Fundamentaldaten sind also das Wichtigste?
Endler: Auf jeden Fall. Wir müssen dem System aber dennoch sagen, wo es genauer hinzuschauen hat. Ein Beispiel: Es ist entscheidend, sich die Zahlen innerhalb eines Sektors anzuschauen. Ein Kurs-Buchwert-Verhältnis im Bankensektor ist etwas anderes als im IT-Sektor. Oder: Ich habe zwei Firmen mit demselben Gewinn. Wichtig ist: Hatte die Firma im vergangenen Jahr einen Verlust gehabt? Oder wächst sie stetig? Eine normale Quant-Strategie guckt immer nur auf das heutige Datum, hier sind solche Feinheiten irrelevant. Mit unseren Deep-Learning-Modellen kommen wir darüber hinaus.
Eine möglichst umfängliche Datenlage ist also der Schlüssel zum Erfolg?
Endler: Ganz genau. Deshalb sind wir mit dem ACATIS AI Global Equities sehr stark in den USA, Kanada und Europa investiert. Wir setzen auf entwickelte Länder, weil hier die Datenqualität stimmt. Wenn wir unsere AI-Modelle trainieren lassen, benötigen diese eine ausgezeichnete Datenlage.
Woher wissen Sie eigentlich, dass die eingesetzten Werkzeuge der künstlichen Intelligenz gute Ergebnisse bringen? Wie werden die Ergebnisse verifiziert?
Endler: Wir nutzen hierzu das sogenannte Walk-Forward-Testing. Wir schauen nicht von heute aus gesehen zurück, sondern wir gehen in die Vergangenheit und wandern von dort nach vorne.
Lassen Sie mich das am Beispiel illustrieren: Wir gehen beim Machine-Learning in der Zeit zurück, beispielsweise bis ins Jahr 2004. Wir zeigen dem System in diesem Fall auch nur Daten bis zum Jahr 2004 und lassen es trainieren. Es könnte zu der Entscheidung kommen, dass bis 2004 Kurs-Buchwert- und Kurs-Gewinn-Verhältnis „gute“ Faktoren waren. Wir fixieren das Modell. Wir zeigen dem System anschließend Daten, die es vorher noch nicht gesehen hat, lassen ein Portfolio bilden und messen von diesem Portfolio die Performance.
Nächster Schritt: Wir gehen einen Zeitschritt weiter und geben wieder neue Daten aus dem betreffenden Zeitabschnitt ein. Das System kann damit wieder neu lernen, was sich in jenem Zeitabschnitt an den Märkten verändert hat und wird beispielsweise feststellen, dass nicht mehr Value-Werte, sondern Qualitätsaktien am besten rentieren. Wieder wird das Modell fixiert, ein Portfolio gebildet und die entsprechende Performance gemessen. Dieses Vorgehen lässt sich bis heute durchspielen. Es handelt sich hierbei um einen deutlich objektiveren Ansatz als das eigentliche Backtesting.
