Trubel um Chat GPT & Co. Künstliche Intelligenz im Asset Management: Revolutioniert die Technologie nun die Finanzwelt?
Das Portfolio von einem Roboter erstellen lassen? Für die meisten Investoren ein alter Hut. Denn bereits vor knapp zehn Jahren etablierten sich Robo-Advisor in der Finanzbranche. Derzeit nutzen über 2,7 Millionen Deutsche die digitalen Anlagehelfer. Dabei überzeugen die Programme überwiegend durch eine einfache Handhabe und erstellen Investoren in kürzester Zeit ein passendes Portfolio.
Was die simplen Roboter jedoch nicht können: Maschinelles Lernen (ML) und damit aus ihren Erfahrungen Wissen generieren und dieses für künftige Entscheidungen nutzen. Eine Industrie, die jüngst durch das US-amerikanische Unternehmen Open AI ordentlich Auftrieb bekam. Der von ihm entwickelte Chatbot Chat GPT beantwortet blitzschnell komplexe Fragen, erstellt Texte und erklärt Sachverhalte. Technologiefans schwärmen von den beinahe grenzenlosen Anwendungsmöglichkeiten der Künstlichen Intelligenz (KI).
Eine Bewegung, die auch vor der Finanzwelt nicht haltmacht: „Auch wenn viele es nicht gerne hören: Wir sind im informationsverarbeitenden Gewerbe, und künstliche Intelligenz kann da nur helfen“, so Günter Jäger, Geschäftsführer von Plexus Investments und Veranstalter der KI-Konferenz „Artificial Intelligence in the Financial Sector“. Dabei ist Jäger überzeugt: „Die Verwendung von künstlicher Intelligenz ist der nächste große Schritt in unserer Branche.“
Eine Annahme, die besonders das quantitative Asset Management betreffen dürfte. „Quantitative Asset Manager haben im Grunde zwei Aufgaben: Sie müssen Prognosen für die Zukunft herleiten und danach ein Verfahren entwickeln, um diese Prognosen in ein Portfolio zu übersetzen“, erklärt Andreas Sauer von Ansa Capital Management. Dabei könne ein datengetriebener Ansatz durchaus helfen – und Daten gebe es durch die Digitalisierung des menschlichen Alltags in Hülle und Fülle.
Dennoch ist Sauer der Meinung: „KI wird den Beruf des Vermögensverwalters verändern, aber nicht so, dass wir morgen revolutionäre Vorhersagen treffen.“
Der Grund: Der Finanzbereich sei anders als andere Branchen. Dort gälten nicht die gleichen Regeln für maschinelles Lernen wie beispielsweise bei sprachbasierten Berufen oder in der Medizin.
1.200% Rendite in 20 Jahren?
Sauer sieht für KI-gesteuerte Anlagen zwei Herausforderungen: eine davon ist das Problem kleiner Datenmengen. Die maschinelle Übersetzung von Texten lässt sich beispielsweise bei steigender
Datenzahl stets verbessern, weil zwischen Input und optimalem Output eine eindeutige und vor allem replizierbare Beziehung besteht.
Während viele Finanzmarktakteure die Revolution des Asset Managements ebenfalls mit großen Datensätzen aus Nachrichtentexten, Satellitenbildern und Geolokalisierung untermauern, findet Sauer diese Datenmassen zunächst nicht hilfreich. Denn der Wert eines KI-Modells bemesse sich nicht an den Datenmengen, mit denen Analysten es speisen, sondern anhand der Beobachtungen und Abhängigkeiten, die es daraus ableiten kann.
„Wenn mein Modell am Ende nur ein paar Tausend Beobachtungen von Börsenkursen zum ‚Lernen hat‘, dann spielt es keine Rolle, ob es ursprünglich mit Millionen von Daten bedient wurde“, gibt Sauer zu bedenken. Und weil es keine einfachen Zusammenhänge zwischen A und B in der Finanzwelt gebe, würden die Beobachtungen stets begrenzt sein.
Was die zweite Herausforderung für KI-gesteuerte Investitionsentscheidung aufzeigt: Anders als bei vielen anderen Bereichen des maschinellen Lernens fehlen im Finanzbereich wiederholbare Zusammenhänge. Jeder Tag am Kapitalmarkt ist anders, womit keine Replizierbarkeit der Kausalität bestehe. „Es ist so einfach, Zusammenhänge in der Vergangenheit zu finden, die funktioniert haben, aber es ist so schwierig, diese auch in Zukunft verlässlich umzusetzen“, beteuert Sauer.
