Die Evolution von künstlicher Intelligenz schreitet voran und macht auch vor dem Portfoliomanagement nicht halt. Der Wettbewerb zwischen Mensch und Maschine ist auch in der Investmentwelt angekommen und die ersten Resultate sind sehr beachtlich. Doch was zeichnet die KI als Portfoliomanagerin aus? Worauf sollten Anleger achten, wenn sie sich für derartige Strategien interessieren?

DAS INVESTMENT: Herr Wright, im März 2024 haben Sie eine innovative Index Enhanced-Strategie auf den MSCI World Index aufgelegt, die von einer eigens entwickelten KI verwaltet wird. Was ist Ihre Zielsetzung und warum sollten sich Anleger mit dieser Strategie auseinandersetzen?

David Wright: Bei Pictet Asset Management verwalten wir seit 1999 erfolgreich quantitative Strategien. Mit unserer neuen Quest AI-Strategie haben wir nach vielen Jahren der Entwicklung einen KI-gesteuerten Investmentprozess implementiert. Dieser Prozess konzentriert sich darauf, einmonatige relative Aktienrenditeprognosen zu generieren und neuartige Alpha-Quellen zu erschließen.

Unser Ziel ist es, den Anlegern mit dieser Index Enhanced Strategie eine bessere Alternative zu traditionellen Indexfonds zu bieten, indem wir indexähnliche Risikoeigenschaften liefern, eine stabile Überperformance mit geringem Tracking-Error und niedrigen Gebühren erzielen. Wir sind der Ansicht, dass diese Strategie besonders im aktuellen Marktumfeld attraktiv ist, in dem die zukünftigen Aktienrenditen möglicherweise niedriger ausfallen und aktive Renditen daher wichtiger sind, was sie zu einem interessanten Kernbestandteil des Portfolios macht.

Nun sind quantitative, systematische Investment-Strategien nicht neu an den Finanzmärkten. Was hat sich hier mit der KI-Evolution verändert und welche Implikationen ergeben sich daraus?

Wright: In den 1980er-Jahren begannen quantitative Portfoliomanager erstmals, Algorithmen für die Aktienauswahl und das Risikomanagement zu nutzen. Diese einfachen Einzelfaktormodelle, die zur Erfassung von Risikoprämien verwendet wurden, entwickelten sich bald zu komplexeren Mehrfaktorsystemen, die verschiedene Phänomene analysierten, wie Änderungen im Analystensentiment, die Positionierung der Anleger und die Stabilität von Unternehmensgewinnen oder Bewertungen. Heute arbeiten quantitative Investoren mit einer Vielzahl von Systemen, einschließlich solcher, die auf maschinellem Lernen (ML) basieren. Der große Vorteil der heutigen KI/ML-Ansätze besteht darin, Renditen zu generieren, die unabhängig von traditionellen Stilfaktoren sind.

Könnten Sie diesen Punkt näher erläutern?

Wright: Während frühere quantitative Ansätze oft nur wenige, sehr ähnliche Faktoren wie Momentum ausnutzten und häufig zur gleichen Zeit in denselben Aktien investiert waren – bekannt als „Crowding“ –, verwenden heutige Ansätze eine viel größere Anzahl von Merkmalen und können die Beziehungen zwischen diesen Merkmalen identifizieren, was zu sehr unterschiedlichen Portfolioallokationen führt. Dadurch ist das Alpha dieser Strategien stabiler als zuvor, und Marktturbulenzen – wie jene am 2. April, Donald Trumps „Liberation Day“ – führen nicht zwangsläufig zu Performanceschwierigkeiten.

Kürzlich hat Ihr Fonds gleich zwei beachtliche Meilensteine erreicht: 1 Milliarde US-Dollar Fondsvolumen und 1-Jahr Live Track Record im Ucits-Fonds mit einer durchaus bemerkenswerten relativen Wertentwicklung – wie ist Ihre Einschätzung dazu?

Wright: Wir sind in der Tat sehr zufrieden, diese beiden bedeutenden Meilensteine erreicht zu haben. Erstens übertrifft die Performance seit Auflegung mit einer annualisierten Überrendite von etwa 3 Prozent – nach Kosten für die I EUR-Anteilsklasse im Vergleich zum MSCI World Index in Euro – und einem Tracking Error von weniger als 1,5 Prozent unsere Ziele. Darüber hinaus haben wir gezeigt, dass die relative Performance der Strategie weitgehend unabhängig vom Marktumfeld ist. Zweitens sind wir begeistert, dass das Interesse der Anleger sehr stark ist und unsere Erwartungen übertroffen hat, sodass wir nun über 1 Milliarde US-Dollar im Fonds verwalten.

Welche Faktoren haben zu dieser beachtlichen Outperformance geführt? Quantitative Ansätze gelten gemeinhin als intransparente „Black Boxes“. Können Sie uns an einem Praxisbeispiel verdeutlichen, wie die KI aussichtsreiche Aktien auswählt und im Portfolio gewichtet?

Wright: In der Praxis ist die Nutzung von KI-Modellen komplex und birgt Risiken. Unser Modell berücksichtigt derzeit über 300 verschiedene Merkmale mit mindestens zehn Jahren Datenhistorie und kombiniert etwa 50.000 „Boosted Decision Trees“, um die einmonatige Rendite für etwa 1.600 Aktien im MSCI World Index vorherzusagen. Wir trainieren das Modell jedes Quartal neu, um die sich entwickelnde Marktdynamik zu erfassen.

Die Annahme, dass Anleger ein KI-Modell als „Black Box“ akzeptieren würden, ist überholt. Stattdessen müssen Merkmale, Positionen, Risiken und die Leistung der zugrunde liegenden Faktoren aufgeschlüsselt werden. Transparenz ist entscheidend, wie von unserem quantitativen Team im Artikel „Performance Attribution of Machine Learning Methods for Stock Returns Prediction“ im Journal of Finance and Data Science gründlich untersucht wurde.

Auf Basis dieses Researchs haben wir Werkzeuge entwickelt, die es uns ermöglichen, die Faktoren jeder Aktienbewertung im Modell auf die verschiedenen Komponentenmerkmale zu zerlegen und die aktive Wertentwicklung, die wir erbracht haben, auf ähnliche Weise zu attribuieren. Seit der Einführung stammt der Großteil der relativen Outperformance aus der Interaktion zwischen den Merkmalen, die wir mit traditionellen quantitativen Modellen nicht erfassen konnten.

„Unser Ziel ist es, den Anlegern eine bessere Alternative zu traditionellen Indexfonds zu bieten.“ – David Wright, Pictet Asset Management 

Wie lassen sich solche komplexen Zusammenhänge konkret erfassen und analysieren?

Wright: Zum Beispiel würde in einem traditionellen Modell eine Analystenaufwertung eines Unternehmens darauf hindeuten, dass dessen Aktie überdurchschnittlich abschneiden würde. Es gibt jedoch viele Gründe, warum eine solche Beziehung zu einem bestimmten Zeitpunkt nicht bestehen könnte. Dies kann daran liegen, dass es eine breite Palette von Analystenprognosen gibt, der betreffende Analyst ein Ausreißer ist oder aufgrund des Zeitpunkts – etwa wenn das Unternehmen bald Ergebnisse veröffentlichen soll.

Wenn die Aktie von Hedgefonds stark leerverkauft wird, könnte das Modell erkennen, dass sie wahrscheinlich einem „Short Squeeze“ unterliegt, was zu einem weit dramatischeren Anstieg des Aktienkurses führt, als die Analystenaufwertung möglicherweise rechtfertigen würde. Es gibt potenziell zehntausende dieser „konditionierenden“ nichtlinearen Beziehungen in traditionellen Finanzdatensätzen, die zusätzliches Alpha generieren können.

Insgesamt können wir unseren Anlegern hohe Transparenz hinsichtlich der Portfolio-Positionierung und -Performance bieten, was sicherlich zu unserem bisherigen Erfolg beigetragen hat.

Was sollten Anleger, die in KI-Strategien investieren möchten, bei ihren Anlageentscheidungen im Blick behalten?

Wright: Anleger sollten bedenken, dass die Entwicklung eines KI-/ML-Modells, das zuverlässig, schnell und genau ist und laufend überwacht und angepasst werden kann, komplex und zeitaufwändig ist und riesige Mengen an Daten erfordert. Daher benötigt man eine robuste Plattform für den Einsatz von KI im Portfoliomanagement. Um diese Herausforderungen zu bewältigen, ist eine robuste KI-gestützte Operations Plattform unerlässlich. Diese sollte mit spezifischen Tools ausgestattet sein, die die Reproduzierbarkeit, Versionskontrolle, Skalierbarkeit und Compliance gewährleisten.

Damit künstliche Intelligenz im Portfoliomanagement erfolgreich eingesetzt werden kann, müssen Ingenieure, Datenwissenschaftler und Portfoliomanager eng zusammenarbeiten. Ziel ist es, einen transparenten Entscheidungsprozess zu entwickeln, der letztlich einen Mehrwert für die Anleger schafft – in Form von zusätzlichem Alpha.