Wie könnte die optimale Arbeitsteilung zwischen Mensch und KI im Anlageprozess aussehen? Und was würde das aus Anlegerperspektive bedeuten? Peter Oertmann hat die Antworten.
Erfolgreiche Kapitalanlage basiert auf informierten Entscheidungen unter Unsicherheit. Die normative Entscheidungstheorie zeigt auf, wie ein rationaler, risikoaverser Investor unter unsicheren Perspektiven entscheidet. Dieser ist stets bestrebt, den erwarteten Nutzen aus seiner Kapitalanlage zu maximieren.
Informierte Entscheidungen in diesem Sinne beinhalten kohärente Erwartungen hinsichtlich zukünftiger Entwicklungen (Zustände) am Kapitalmarkt, disziplinierte Aktualisierungen der Erwartungen bei neuer Evidenz im sich wandelnden Marktumfeld, robuste Absicherungen bei mehrdeutiger Unsicherheit gegen die ungünstigsten plausiblen Zustände sowie eine den Risikopräferenzen entsprechende, konsistente Umsetzung der Erwartungen in Anlagepositionen.
Entscheidungen der Kapitalanleger nicht immer rational
Aus der verhaltensökonomischen Kapitalmarktforschung (Behavioral Finance) wissen wir, dass die Entscheidungen der Akteure am Markt nicht immer rational aus verfügbaren Informationen, unter Berücksichtigung einschlägiger Grundwahrscheinlichkeiten, abgeleitet werden.
In den Entscheidungsprozessen der Anleger sind vielfach Heuristiken zu beobachten, die den kognitiven Aufwand der Erwartungsbildung senken. Das erzeugt systematische Verzerrungen (Biases). Diese werden verstärkt zum Beispiel auch durch die Verankerung von Kauf- und Verkaufsentscheidungen an vergangenen Kursen (Anchoring) sowie Selbstüberschätzung (Overconfidence) der eigenen Fähigkeiten in der Beurteilung der Datenlage.
Dabei ist es keinesfalls so, dass sich diese individuellen Verhaltensfehler im Marktaggregat auflösen würden. Die Kapitalallokation an den Märkten enthält individuell und im Aggregat nachweislich irrationale Elemente und Störungen – was keineswegs der Annahme widerspricht, dass die Akteure versuchen, rational zu handeln.
Die psychologischen Verzerrungen in den Entscheidungsprozessen der Anleger führen zu einer verrauschten Preisbildung (Noise) am Kapitalmarkt. Dadurch weichen Kurse immer wieder von ihren fundamental gerechtfertigten Werten ab. Hinzu kommen häufige Strukturbrüche in den Wirkungszusammenhängen zwischen Renditetreibern und Renditen, was die Bildung und fortlaufende Revision von widerspruchsfreien Erwartungen am Kapitalmarkt äußerst anspruchsvoll macht.
Kompetente Informationsverarbeitung wird belohnt
Die wissenschaftliche Erkundung der Informationsqualität der Preise an Märkten intensivierte sich mit der Effizienzmarkthypothese Anfang der 1970er Jahre. Vieles spricht dafür, dass die vorherrschende Informationslage nicht jederzeit vollumfänglich in den Preisen enthalten ist, also Märkte nicht im strengen Sinne informationseffizient sind.
Jedoch zeigen unzählige Studien und – vor allem auch – die Anlagepraxis, dass es enorm schwierig ist, an den Kapitalmärkten Informationsvorteile zu erlangen und diese konsistent in Mehrwerte zu übersetzen. Die moderne Auffassung, dass Kapitalmärkte „effizient-ineffizient“ sind, kommt den realen Verhältnissen sehr nahe.
Das heißt konkret, dass in weitgehend effizienten Märkten immer wieder gewisse Ineffizienzen auftreten, die professionelle Marktteilnehmer mit eindeutigen komparativen Vorteilen in der Verarbeitung von verfügbarer Information erkennen und ausnutzen. Mit fundierten aktiven Anlagestrategien sind sie in der Lage, an Marktindizes ausgerichtete passive Strategien – wie sie massenweise in Form von Indexfonds oder ETFs angeboten werden – dauerhaft in der Performance zu übertreffen.
Diese Marktteilnehmer werden also für ihre aktive und superiore Informationsverarbeitung belohnt. Und das muss auch so sein, damit ökonomische Anreize bestehen, Ressourcen in Daten, Technologie und kompetente Menschen zu investieren. Eine Tatsache ist aber auch, dass das Gros der Anleger nicht mehr als eine Indexperformance minus Kosten erzielt. Denn am Kapitalmarkt sind aktive Mehrwerte im Aggregat vor Kosten ein Nullsummenspiel – jeder Überperformance steht eine Unterperformance gegenüber.
KI schafft Mehrwerte durch besser informierte Entscheidungen
Künstliche Intelligenz (KI) eröffnet neue Potenziale für besser informierte Entscheidungen am Kapitalmarkt – vor allem durch bessere Prognosen von zukünftigen Renditen und Risiken. Zur Anwendung kommen in erster Linie Methoden des Maschinellen Lernens (ML), die seit den 1950er Jahren ein wichtiges Teilgebiet der KI definieren.
Sie sind in der Lage, aus dem komplexen Datenraum der Kapitalmärkte mehr Informationen signifikant schneller zu extrahieren, als es menschliche Entscheidungsträger oder die bislang leistungsfähigsten quantitativen Prognosemodelle vermögen. ML-Architekturen können Prognosen auf eine deutlich größere Anzahl von Prädiktoren abstützen, nichtlineare Wirkungszusammenhänge identifizieren und in Phasen von Strukturveränderungen adaptiv lernen.
Obschon die Anwendungsdomäne der Kapitalmärkte mit grundsätzlich schwer zu findenden Signalen in stark verrauschten Daten – der Fachbegriff dafür lautet „Low-Signal-to-Noise-Ratio“ – auch für ML-Modelle eine Herausforderung darstellt, ist ihr Vorteil gegenüber alternativen Prognoseansätzen ökonomisch signifikant.
KI verbessert die Bewirtschaftung von systematischen und unsystematischen Risiken am Kapitalmarkt im Rahmen aktiver Anlagestrategien durch eine umfassendere, konsistentere und emotionsfreie Nutzung des relevanten Datenraums. Auf der Ebene der Asset-Allokation können taktische Potenziale in größerem Umfang erschlossen werden, wodurch Anleger von der Zeitvariabilität der systematischen Risikoprämien profitieren. In der Wertpapierselektion können ML-Modelle titelspezifische Renditechancen (Alpha) in effizient-ineffizienten Märkten mit höherer Treffsicherheit identifizieren.
Aber auch außerhalb professioneller Investmentprozesse stiftet KI einen Nutzen für die Kapitalanlage. Die allgegenwärtigen Large-Language-Modelle (LLMs) wie ChatGPT und Claude stellen Anlegern – privaten wie professionellen – in vielen Situationen nützliches Orientierungswissen zur Verfügung. Sie fungieren als kenntnisreicher Berater in allen Themen rund um die Kapitalanlage und sind daher eine wertvolle Unterstützung vor allem für diejenigen, die sich dem Thema Kapitalanlage nähern möchten und in der komplexen Landschaft von Anlagestrategien und Produkten Orientierung suchen.
Auf Basis von kompetent formulierten LLM-Prompts lässt sich zum Beispiel eine vernünftige Strategie für eine langfristige Vermögensallokation ermitteln. In Abgrenzung zu ML-Modellen, denen rationale Anlagebewertung auf Basis der Datenlage am aktuellen Rand beigebracht werden kann, sind heutige LLMs für die Bildung kohärenter Erwartungen und deren fortlaufende Überprüfung in der laufenden Vermögensbewirtschaftung noch nicht geeignet.
KI-Transformation erhöht die Effizienz der Anlagewelt
Wohlspezifizierte KI-Modelle bilden die aktuell leistungsfähigste Grundlage für systematische und verhaltensfehlerfreie Einschätzungen der Entwicklungen an Kapitalmärkten – und damit für informierte Entscheidungen nach höchsten Qualitätsmaßstäben.
Investoren und Asset Manager, denen es gelingt, ihre Anlageprozesse entsprechend in die neue Technologie zu transformieren, werden eine Zeit lang komparative Vorteile haben. Ein verbreiterter Einsatz von KI in institutionellen Investmentprozessen und Publikumsfonds wird diese Vorteile der Innovatoren im Wettbewerb der Anlagebranche allerdings zusammenschmelzen. Gleichzeitig wird sich aber die Kapitalallokation an den Märkten insgesamt, über systematische und unsystematische Renditequellen hinweg, verbessern – zum Nutzen aller an den Märkten engagierten Investoren.
Kapitalanleger werden nicht nur von besser informierten Entscheidungen der professionellen Akteure und damit höheren risikoadjustierten Renditen in ihren Anlagefonds profitieren. Sie werden perspektivisch auch zu geringeren Kosten anlegen können. Denn der sich rasant verbreiternde Einsatz von KI im Asset Management wird im Wettbewerb zu geringeren Verwaltungsvergütungen führen.
Insbesondere durch den Einsatz von KI-Agenten lässt sich die gesamte Wertschöpfung im Asset Management – die in allen Bereichen hochgradig auf die Verarbeitung von Daten aus heterogenen Quellen ausgerichtet ist – effizienter gestalten. Selbst komplexe F&E-Prozesse können durch den Einsatz von Agenten signifikant kostengünstiger realisiert werden. Das Potenzial ist beträchtlich.
Im Ergebnis wird die laufende KI-Transformation die Effizienz der Kapitalmärkte und vor allem auch der Anlagebranche für alle Marktteilnehmer erhöhen. Vor dem Hintergrund der dringenden Notwendigkeit, die Altersvorsorge der Menschen stärker auf Renditequellen am Kapitalmarkt auszurichten, ist das eine gute Perspektive.
