Im vorangegangenen Fachbeitrag haben wir einen Blick auf den Einsatz von Machine Learning im Bankenbereich geworfen. Im aktuellen Artikel betrachten wir Anwendungsfälle bei Asset-Managern und fokussieren uns dabei insbesondere auf das Portfoliomanagement. Im Allgemeinen ist zu beobachten, dass KI bei Asset-Managern entlang der Wertschöpfungsketten vermehrt eingesetzt wird. Ein Aspekt dabei ist die Optimierung interner Prozesse von der Ausführung von Transaktionen, bis hin zum Portfolio- und Risikomanagement. Darüber hinaus ermöglicht KI die Entwicklung neuer Produkte und Dienstleistungen, wie beispielsweise in den Bereichen Robo-Advisory oder Algorithmic Trading. In diesem Artikel werden wir näher auf die Einsatzmöglichkeiten von KI im Portfoliomanagement eingehen.
Bei der Verwendung von Machine Learning im Portfoliomanagement können derzeit zwei unterschiedliche Vorgehensweisen beobachtet werden. Einerseits wird durch den Einsatz von KI versucht, die Schätzung von Eingangsparametern, wie Rendite und Varianz, für traditionelle Ansätze zur Portfolio-Optimierung zu verbessern (z.B. Markowitz). Andererseits kommt KI auch direkt zur Optimierung der Portfoliozusammensetzung zum Einsatz.
Indirekte Anwendung zur Schätzung von Eingangsparametern für die Portfolio-Optimierung
Die Prognose erwarteter Renditen ist eine der größten Herausforderungen in der Anwendung von Ansätzen zur Portfolio-Optimierung. Falsche Eingangsparameter können sich signifikant auf die optimale Portfoliozusammensetzung und die Performance auswirken. Somit ist es nachvollziehbar, dass sich diverse Studien der Verbesserung dieser Prognose durch den Einsatz von KI-Methoden widmen. Ein wesentlicher Ansatzpunkt ist in diesem Kontext die Anreicherung aktueller Prognose-Modelle mit zusätzlichen Informationen.
Traditionelle Modelle basieren meist auf fundamentalen Kennzahlen und quantitativen Informationen. In einer Vielzahl von Studien wird versucht, zusätzlich qualitative Informationsquellen zu berücksichtigen. Dabei wird häufig Natural Language Processing (NLP) verwendet, um textuelle Daten in quantitative Kennzahlen zu übersetzen. Die NLP-Methoden bewerten dabei beispielsweise die Konnotation einzelner Wörter oder Satzfragmente im entsprechenden Kontext und erstellen daraus quantitative Variablen. Als Quelle werden hierfür häufig öffentlich zugängliche Informationen, wie Ad-Hoc Meldungen, Nachrichten, Twitter Posts, Jahresabschlüsse oder Protokolle aus Analysten-Konferenzen (z.B. Earnings-Call) verwendet (siehe beispielsweise: Azimi und Agrawal (2019); Heston und Sinha (2017); Ke, et. al. (2019); Sprenger, et. al. (2014)).
Diverse Studien zeigen, dass der Einsatz von NLP die Qualität der Prognosen für Aktienrenditen im Vergleich zu traditionellen Ansätzen verbessern kann. Allerdings herrscht trotz umfangreicher Beiträge und Studien aktuell noch keine Einigkeit darüber, welche Methoden am besten geeignet sind. Studien kommen zu unterschiedlichen Ergebnissen und sind aufgrund unterschiedlicher Datengrundlagen oft nicht vergleichbar. Aus diesem Grund haben sich auch Ansätze entwickelt, die durchschnittliche Prognosen aus unterschiedlichen Modellen verwenden (siehe beispielsweise Rasekhschaffe, et al. (2019)).
Der Einsatz von KI-Methoden kann auch bei der Bewertung von Derivaten und bei Prognose zukünftiger Preise zu einer Verbesserung führen. Dabei wird in der Literatur insbesondere die Verwendung Künstlicher Neuronaler Netze (KNNs) zur Prognose von Optionspreisen diskutiert. Diverse Studien kommen zum Ergebnis, dass KNNs hierbei besser abschneiden als das traditionelle Black-Scholes Modell. Diese Verbesserung kann durch Portfoliomanager beispielweise bei der Optimierung von Hedging-Strategien genutzt werden (siehe beispielsweise Yao, et al. (2000)).
Neben der Prognose erwarteter Renditen, spielt die Schätzung von Varianz-Kovarianz-Matrizen bei der Anwendung klassischer Modelle zur Portfolio-Optimierung eine große Rolle. Auch hier sind bereits Ansätze zu beobachten, welche die Schätzung durch den Einsatz von KI verbessern sollen. Im Allgemeinen werden für die Bestimmung der entsprechenden Parameter umfangreiche (historische) Daten benötigt, um zu stabilen und robusten Ergebnissen zu kommen. Daher zielen Ansätze häufig darauf ab, die Stabilität und Robustheit der Ansätze zu erhöhen (siehe beispielsweise de Prado (2016)).
Zusammenfassend stellen wir fest, dass KI-Methoden das Potential haben, die Qualität der Eingangsparameter traditioneller Verfahren zu verbessern. Die Prognosegüte ist ein zentraler Erfolgsfaktor für den erfolgreichen Einsatz dieser Verfahren. Der Beitrag von KI-Methoden ist in diesem Fall objektiv messbar und kann regelmäßig überprüft werden. Allerdings werden durch den indirekten Einsatz von KI-Methoden die Schwächen der traditionellen Ansätze nicht behoben, sondern bestenfalls abgemildert. Hierzu zählt insbesondere die Sensitivität der Modelle gegenüber Schätzfehlern.
Direkte Anwendung zur Optimierung der Portfoliozusammensetzung
KI-Methoden können auch direkt zur Portfolio-Optimierung eingesetzt werden und bieten damit eine Alternative zu traditionellen Ansätzen. Einerseits wird damit das Ziel verfolgt, die Portfoliogewichtung zu optimieren und hierdurch die Performance zu verbessern. Andererseits sind traditionelle Ansätze häufig in Bezug auf die Integration von Nebenbedingungen eingeschränkt. KI-Methoden, wie beispielsweise KNNs, können entsprechend trainiert werden, dass sie bei der Optimierung komplexe, vielschichte und konkurrierende Nebenbedingungen berücksichtigen. Ein Beispiel hierfür ist die Optimierung der Rendite unter Berücksichtigung einer Nebenbedingung für den Value-at-Risk (siehe Chapados und Bengio (2001)).
Die Bedeutung von Nebenbedingungen bei der Portfolio-Optimierung nimmt aktuell stetig zu. Ein Beispiel hierfür ist die Berücksichtigung von Environmental, Social und Governance Risiken (ESG) bei der Portfolio-Optimierung. Dabei muss die Asset-Allokation unter Berücksichtigung von Informationen über die ESG-Risiken der entsprechenden Unternehmen getroffen werden (z.B. ESG-Ratings). ESG-Ziele sind mehrschichtig und können sowohl als ergänzender Risikofaktor, als auch primäres Investmentziel auf die Asset-Allokation wirken. Zur Berücksichtigung der ESG-Risiken bei der Anlageentscheidung ist eine umfangreiche Analyse und Auswertung großer Datenmengen erforderlich. Zusätzlich müssen Ziele und Bedingungen festgelegt und in der Optimierung berücksichtigt werden. KI-Methoden können hierbei sowohl bei der Datenaufbereitung und ‑Analyse als auch bei der Lösung komplexer Optimierungsprobleme einen entscheidenden Mehrwert bieten.
Resümee und Ausblick
Abschließend bleibt festzuhalten, dass es verschiedene, vielversprechende Ansätze zur Anwendung von KI im Portfoliomanagement gibt. Hierbei ist insbesondere die Gewinnung zusätzlicher Kennzahlen aus qualitativen Informationen sowie die Berücksichtigung von Nebenbedingungen in der Portfolio-Optimierung zu nennen. Der Einsatz von KI im Portfoliomanagement steht aktuell aus unserer Sicht noch am Anfang. Allerdings gehen wir davon aus, dass KI-Methoden in den nächsten Jahren eine größere Rolle spielen und sich Marktstandards herausbilden werden. Dies wird voraussichtlich auch zu einer zunehmenden Regulierung des Einsatzes von KI-Methoden führen.
Aktuell sind bereits entsprechende Initiativen und umfangreiche Diskussionen zu beobachten. Die Europäische Kommission arbeitet beispielsweise aktuell an regulatorischen Rahmenbedingungen zum generellen Einsatz von KI in Unternehmen. Zusätzlich werden vermehrt ethische Vorgaben beim Einsatz von KI diskutiert. Insbesondere die Vermeidung von Benachteiligung und Diskriminierung, z.B. im Investmentprozess, soll verhindert werden. Es ist davon auszugehen, dass dies ein zentraler Aspekt zukünftiger Regulierung sein wird. Aus unserer Sicht werden klare Richtlinien für Planungssicherheit sorgen und so zur Schaffung von Umsetzungsstandards in der Finanzindustrie beitragen.
Wir sind überzeugt, dass der Einsatz von KI-Methoden im Asset- und Portfoliomanagement eine Verbesserung gegenüber aktuellen Vorgehensweisen darstellt. Die Vielzahl der Studien, Forschungsprojekte und Anwendungsfälle zeigen das große Potential. Nagler & Company kann bereits auf erfolgreich durchgeführte Projekte und mehrjährige Erfahrung im Bereich Asset Management und Künstliche Intelligenz zurückblicken. Gerne unterstützen wir auch Sie bei der Identifizierung von Anwendungsgebieten und der Auswahl sowie Umsetzung geeigneter Methoden – sprechen Sie uns an!
