Blackrock-Vertriebschef Christian Machts „Big Data ermöglicht Preisrevolution im Asset Management“
So können Informationsvorsprünge durch die Analyse von Big Data schnellere Entscheidungen ermöglichen und zur wertvollen Renditequelle werden. Voraussetzung dafür ist, die vielfach unstrukturierten Daten angemessen aufzubereiten und zu analysieren. Dazu bedarf es nicht nur Portfoliomanagern, Analysten und sonstigen klassischen Kapitalmarktprofis, sondern auch weiteren Experten. Beispielsweise umfasst das 80-köpfige Systematic Active Equity (SAE) Team bei BlackRock mit Sitz in San Francisco und London auch 20 Mitarbeiter, die in Computer-, Wirtschafts- und Finanzwissenschaften sowie in Physik und Ingenieurwesen promoviert sind – um die Kraft von Mensch und Maschine zu nutzen.
Vorzüge von Big Data
Gegenüber klassischen Konjunkturindikatoren wie Einkaufsmanager- oder Geschäftsklimaindizes bieten Big-Data-Analysen vor allem zwei Vorzüge. Erstens ist das Bild, das Big Data liefert, aktueller als bei klassischen Konjunkturindikatoren. Dazu ein Beispiel: Eine globale Fast-Food-Kette mit mehr als 14.000 Lokalen in den USA überarbeitete das Design ihrer Restaurants und ihrer Menüs. Im Zuge dessen beobachteten die SAE-Modelle den Fortschritt dieser Maßnahmen. Die Signale zum Kundenstrom in den Lokalen begannen, steigende Verbraucheraktivität anzuzeigen.
Zudem zeigten die Makromodelle des SAE-Teams, dass das Unternehmen Lokale in Regionen der USA betrieb, in denen die wirtschaftliche Aktivität zunahm. Unterdessen gaben Algorithmen, welche die Stimmung von Bankanalysten zu diesem Wert maßen, an, dass die Experten zunehmend positiv über das Unternehmen dachten. In Anbetracht dessen baute das SAE-Team eine Position in der Aktie des Unternehmens auf. Monate später veröffentlichte das Unternehmen einen Quartalsbericht, der die Erwartungen übertraf. Infolgedessen stieg der Aktienkurs. Das SAE-Modell hatte eine frühzeitige Positionierung ermöglicht – als Ergebnis von Anlagesignalen, die das Team auf Basis seiner Anlage- und Technologieexpertise gewonnen hatte.
Zweitens ist das Bild, das Big-Data-Analysen liefern, umfassender: Einkaufsmanagerindizes und andere Stimmungsindikatoren basieren auf Befragungen einiger Hundert oder weniger Tausend Experten. Dagegen spiegeln Google-Suchanfragen und soziale Medien häufig wider, was Zehn- oder gar Hunderttausende denken, wie sie handeln oder was sie beabsichtigen. Diese umfassendere Grundgesamtheit ermöglicht ein besonders robustes und aussagekräftiges Bild. Voraussetzung dafür ist, dass die Daten entsprechend aufbereitet und analysiert werden.
Inzwischen ist der Markt unserer Ansicht nach reif dafür, dass diese Erkenntnisse in konkrete Produkte umgesetzt werden. Ein Beispiel dafür ist die neue Advantage-Reihe von BlackRock. Diese Palette beinhaltet aktuell sechs Aktienfonds, die mithilfe von maschinellem Lernen und Big-Data-Analysen verwaltet werden und als Kernbestandteile für Portfolios konzipiert sind. Dazu gehören ein global ausgerichteter Fonds und fünf mit den regionalen Schwerpunkten USA, Schwellenländer, Gesamteuropa, Europa ohne Großbritannien sowie Asien ohne Japan.
Die Advantage-Portfolios entsprechen zu etwa 70 Prozent dem jeweiligen Index, der angestrebte Tracking-Error liegt bei zwei Prozent. Somit handelt es sich um indexnahe Produkte, die systematisch in Einzelwerte investieren, um ihre jeweilige Benchmark zu übertreffen. Gleichzeitig sind sie darauf ausgerichtet, die wesentlichen Charaktereigenschaften des unterliegenden Marktes zu wahren – etwa bezüglich Risikoparametern oder Länderallokationen. Ziel ist es, etwa ein bis zwei Prozent Zusatzrendite (Alpha) pro Jahr mit einem Tracking Error kleiner als zwei zu erzielen – und das zu einem äußerst kompetitiven Preis von 0,3 bis maximal 0,6 Prozent je nach Fonds. Insofern handelt es sich nicht nur um eine Produkt-, sondern auch um eine Preisrevolution. Das deutet an, in welche Richtung sich die Asset-Management-Branche unserer Ansicht nach entwickeln wird.