Künstliche Intelligenz (KI) gehört zwar zu den neuesten Schlagworten im Finanzbereich, aber ihre Anwendung auf Investitionsentscheidungen wird die Branche stören und den Anlegern zugute kommen, die ihre Macht nutzen.

Bei korrekter Verwendung kann AI in einem stabileren Modellierungsrahmen ein hohes Alpha-Potenzial hinzufügen.

Hinter dem Buzz: Was ist KI?

KI ist die Basis für ein anderes quantitatives Anlageparadigma. Es ist ein nichtlinearer, hochdimensionaler Lernansatz, der typischerweise versucht, menschliches Denken zu replizieren. Eine Interpretation dieses neuen Paradigmas kann als das Lernen (und Lernen, es anzuwenden) systematischer Regeln im „Graham and Dodd“ -Stil angesehen werden.

Im Allgemeinen bemüht sich AI, Maschinen herzustellen, die zu intelligentem Verhalten fähig sind. Dies unterscheidet AI von dem weniger ehrgeizigen maschinellen Lernen, bei dem Maschinen gebaut werden sollen, die ohne explizite Programmierung funktionieren können.

Unabhängig von der Interpretation unterscheidet sich das AI-Investieren stark vom traditionellen Quant-Investing, und in einer Welt mit überfüllten Faktor-Trades ist eine Differenzierung wahrscheinlich eine gute Sache.

Auf dem Cognitive Computation Symposium 2018 im Februar haben führende Forscher zwei wichtige Punkte zur KI angesprochen.

  1. Forscher von DeepMind und Imperial College gaben an, dass die Ergebnisse von AI idealerweise für Menschen lesbar sein sollten, anstatt sich auf eine Black Box zu beschränken.
  2. IBM KI-Forscher gaben an, dass „enge KI“ oder KI, die auf bestimmte Aufgaben angewendet wird, nun Realität ist.

Hier bieten wir eine spezifische Interpretation einer engen KI, die auf Anlagen in Aktien aus Schwellenländern angewendet wird und Entscheidungen trifft, die menschlich kommuniziert werden.

AI Investing: Konzeptionell unterscheidbar

Die folgende Tabelle zeigt einige zentrale KI-Konzepte. Die rosa schattierten Elemente sind für Investitionen relevant.

Ein zentraler Aspekt der KI ist Integriertes Denken, mit dem Spielraum für Anpassung und Evolution. Dies bedeutet, dass eine KI fachkundige Anlagegründe lernen und diese an zukünftige Anlageumgebungen anpassen oder verallgemeinern kann. Dies ist analog zu verallgemeinert Wissensentdeckung systematischer Regeln, bei denen eine KI sehr große Datenbanken wie Bloomberg oder Factset nach Investitionen durchsuchen kann, die zu objektiven Ergebnissen führen können, die mit den Leitlinien vereinbar sind.

Zum Beispiel kann die Ausrichtung auf defensive Wertrenditeeigenschaften in Aktien aus Schwellenländern mit „Ertragsorientierung“ als Leitmotiv erreicht werden.

Konzepte der künstlichen Intelligenz (KI)

Quelle: Rothko Investment Strategies, Hiroki Sayama, Staatliche Universität von New York

Um es klar auszudrücken: Big Data, unstrukturierte Daten und Stimmungsbewertung werden von speziellen Data-Mining- und maschinellen Lernalgorithmen abgeleitet. Sie sind keine KI.

Anders lernen

AI unterscheidet sich in fast jeder Hinsicht von der allgegenwärtigen faktorgesteuerten Investition traditioneller Quants, auf die jetzt insgesamt rund 1,5 Billionen US-Dollar AUM entfallen.

Während faktorgesteuertes Investieren die Welt durch eine vereinfachte Linse mit linearen Einschränkungen betrachtet, kann AI mehr Informationen über die Welt behalten, um Entscheidungen zu treffen. AI kann unzählige Perspektiven in jede Investitionsentscheidung integrieren Kollektives Verhalten von verschiedenen Regeln oder Modellen, Synthese der relevantesten Informationen, um die Entscheidungsfindung zu leiten.

Dies unterscheidet sich stark von der überwiegenden Mehrheit der traditionellen Quants, die im Allgemeinen versuchen, erwartete Renditen oder Neigungsrisiken gegenüber höheren Impulsfaktoren vorherzusagen (eine EDHEC-Umfrage zeigt beispielsweise, dass 74% der Befragten erwartete Renditen und 65% Neigungsrisiken gegenüber hohen Impulsfaktoren prognostizieren oder Faktorumkehrungen).

Traditionelle Quant vs. Künstliche Intelligenz (KI)

Quelle: Rothko-Anlagestrategien

Im Vergleich zu einer stilisierten und einfachen traditionellen Quant-Strategie hat KI mehr mit einem vom Menschen betriebenen, fundamentalen Ansatz zu tun, wie die folgende Grafik zeigt. Eine KI, die erfolgreich auf Investitionen angewendet wird, kombiniert die am besten geeigneten Aspekte datengesteuerter Modellierungstechniken mit Leitlinien für menschenähnliche Rationalisierungen.

Es gibt auch einen Unterschied zwischen KI und rein datengesteuerten Methoden wie rohem maschinellem Lernen. Wir haben festgestellt, dass die Anwendung komplexer datengesteuerter Technologien wie maschinelles Lernen auf langfristige Investitionsmodelle gefährlich sein kann.

Finanzdaten sind extrem verrauscht, wobei die leisesten Signale in diesem Rauschen verborgen sind. Wenn leistungsstarkes Data-Mining auf verrauschte Daten angewendet wird, führt dies tendenziell zu einer Überanpassung. Das heißt, die Modelle passen mehr zum Rauschen als zum Signal. Dies führt zu ungenauen Handelssignalen.

Eine weitaus pragmatischere Strategie besteht darin, eine leistungsfähige datengesteuerte Methodik unter Verwendung grundlegender Rationalisierungen als Leitprinzip einzuschränken.

Im Prinzip differenziert: KI vs. faktorgesteuertes Investieren

Quelle: Rothko-Anlagestrategien

Unter der Haube: Aktienauswahl und die AI-Entscheidungsgrenze

Die folgende Grafik zeigt, wie eine KI-Strategie Aktien basierend auf einer höherdimensionalen Ansicht der Welt auswählen kann.

In diesem Fall ist das Ziel ein Portfolio von Aktien aus Schwellenländern, das defensive Wertmerkmale aufweist. Die Grafik zeigt alle börsennotierten Aktien im Aktienuniversum der Schwellenländer (MSCI EM IMI). Jedes Wertpapier wird auf der Oberfläche basierend auf seinen Koordinaten zu hochdimensionalen Wert- und Ertragsmerkmalen dargestellt, die jeweils als Teil des KI-Ansatzes definiert sind.

Die vertikale Achse zeigt, wie defensiv diese Merkmalskombinationen zwischen 2013 und 2017 im Durchschnitt waren. Je höher der Peak, desto defensiver in den Down-Märkten. Je tiefer der Trog, desto weniger defensiv. Auf der rechten Seite der Visualisierung zeigt ein zweidimensionaler Ausschnitt, wo bekannte Schwellenmarktnamen – beschrieben durch ihre Wert- und Ertragsmerkmale – diesen Zeitraum beendet haben.

Dieser Ansatz definiert eine komplexe und sich entwickelnde Entscheidungsgrenze, die durch die kastanienbraune Kontur veranschaulicht wird, innerhalb derer Aktien ausgewählt werden, um ein Portfolio aufzubauen. Diese Entscheidungsgrenze repräsentiert einen stabilen Verteidigungs- / Wertebereich der Karte. Es ist eine nichtlineare Region, die hochdimensional ist und sich mit sich ändernden Marktbedingungen entwickelt. Aktien innerhalb der Entscheidungsgrenze weisen per se tendenziell defensive Merkmale auf, aber die Methode identifiziert auch Aktien, die tendenziell auch zukünftiges Wachstumspotenzial für Dividendenerträge aufweisen.

Durch die Verschmelzung einer leistungsstarken Lernstrategie mit Leitprinzipien dieser Art sind die Renditeeigenschaften tendenziell genauer und stabiler.

Durch die hochdimensionale Linse von AI

Quelle: Rothko-Anlagestrategien

Aufgrund des nichtlinearen Modellierungsrahmens würden wir erwarten, dass ein höherer Anteil der Portfoliorenditen nicht gut mit traditionellen Faktoren korreliert. Dies würde höchstwahrscheinlich zu einem höheren (Multifaktor-) Alpha führen. Nach unserer Erfahrung ist der Umsatz im Vergleich zu herkömmlichen quantitativen Ansätzen tendenziell geringer.

Dies weist darauf hin, dass ein AI-Modellierungsframework bei sonst gleichen Bedingungen zu einem stabileren Ergebnis führen kann als herkömmliche Äquivalente.

Eine Zukunft für „Human Intelligence“ beim Investieren?

Während eine gut durchdachte und gut implementierte „enge KI“ bei niedrigeren Umsätzen eine stabile Alpha-Quelle erzeugen kann, sollten menschliche Portfoliomanager weiterhin Teil ihres Workflows sein. Warum? Zwei Gründe: exogenes Risiko und Sinnesprüfung. Damit dies möglich ist, muss eine Voraussetzung erfüllt sein: Modellierungsergebnisse müssen von Menschen lesbare Konzepte sein.

Um die Mensch-Maschine-Interaktion zu ermöglichen, müssen KI-Modelle einfache grundlegende Konzepte erzeugen, nicht beispielsweise Vektoren von Koeffizienten. Eine rein datengesteuerte oder Black-Box-Entscheidungsfindung – und dazu gehört auch das Investieren von Faktoren – ist für die Entscheidungen von langfristigem Investieren in hohem Maße nicht akzeptabel.

Diese Idee spiegelt sich in einem hochmodernen Bereich der KI-Forschung wider, der als bekannt ist Neuronales symbolisches Denken Das wird unter anderem von Forschungsteams an der University of London, DeepMind und dem Imperial College geleitet.

Obwohl ein erfahrenes Team von Anlagefachleuten die Modellierungsergebnisse „auf ihre Gesundheit überprüft“, ist es entscheidend, dass der Umfang der Eingriffe des menschlichen Portfoliomanagers in eine langfristige AI-gesteuerte Anlagestrategie nach unserer Erfahrung relativ gering ist. Wenn die KI lernt und sich weiterentwickelt (oder angepasst wird), nimmt die Intervention ab.

KI-getriebenes Investieren: Ein neues und mächtiges Paradigma

KI ist weit mehr als ein Schlagwort. Es ist ein anderes quantitatives Investitionsparadigma, das versucht, einen wiederholbaren Prozess zu schaffen, der zu quasi intelligentem Verhalten fähig ist. Dies wird erreicht, indem konsequent menschenähnliche Anlagegründe angewendet werden und gleichzeitig die Verhaltensrisiken echter menschlicher Aktienselektoren vermieden werden.

Elon Musk und andere könnten befürchten, dass eine KI-Singularität ein Massensterben verursacht. Wir glauben, dass das Szenario weit hergeholt ist. Eine Singularität in der engen Investment-KI könnte jedoch ein Massensterben von Investmentmanagern mit niedrigem Alpha-Wert voraussetzen.

Wenn Ihnen dieser Beitrag gefallen hat, vergessen Sie nicht, den zu abonnieren Unternehmerischer Investor.

Die geäußerten Ansichten waren zum angegebenen Datum aktuell, können sich ändern und spiegeln möglicherweise nicht die aktuellen Ansichten wider.

Ansichten sollten nicht als Empfehlung zum Kauf, Halten oder Verkauf von Wertpapieren betrachtet werden und sollten nicht als Research- oder Anlageberatung herangezogen werden.

Die Informationen stammen aus Quellen, die wir für zuverlässig halten, deren Richtigkeit jedoch nicht garantiert werden kann und die möglicherweise unvollständig oder komprimiert sind. Alle Informationen können ohne vorherige Ankündigung geändert werden. Es wird keine Zusicherung gemacht, dass ein Konto ähnliche Gewinne oder Verluste wie die gezeigten erzielen wird oder wahrscheinlich erzielen wird.

Dieses Dokument kann zukunftsgerichtete Aussagen enthalten. Alle Aussagen außer Aussagen über historische Fakten sind zukunftsgerichtete Aussagen (einschließlich Wörter wie „glauben“, „schätzen“, „antizipieren“, „können“, „werden“, „sollten“, „erwarten“). Obwohl wir der Ansicht sind, dass die in solchen zukunftsgerichteten Aussagen enthaltenen Erwartungen angemessen sind, können wir nicht garantieren, dass sich diese Erwartungen als richtig erweisen. Verschiedene Faktoren können dazu führen, dass die tatsächlichen Ergebnisse oder Leistungen erheblich von den in solchen zukunftsgerichteten Aussagen enthaltenen abweichen.

Dieses Einführungsmaterial dient nur zu Informationszwecken und ist kein Angebot oder keine Aufforderung in Bezug auf Wertpapiere. Ein Angebot von Wertpapieren kann nur durch schriftliche Angebotsunterlagen erfolgen, die ausschließlich auf Anfrage, ausschließlich auf privater Basis und nur qualifizierten, finanziell anspruchsvollen Anlegern zur Verfügung stehen.

Weder MSCI noch eine andere Partei, die an der Zusammenstellung, Berechnung oder Erstellung der MSCI-Daten beteiligt ist oder damit zusammenhängt, geben ausdrückliche oder stillschweigende Garantien oder Zusicherungen in Bezug auf diese Daten (oder die Ergebnisse, die durch deren Verwendung erzielt werden sollen) und alle diese Parteien hiermit ab Alle Garantien für Originalität, Richtigkeit, Vollständigkeit, Handelsfähigkeit oder Eignung für einen bestimmten Zweck in Bezug auf solche Daten werden ausdrücklich abgelehnt. Ohne Einschränkung des Vorstehenden haftet MSCI, eines seiner verbundenen Unternehmen oder Dritter, die an der Zusammenstellung, Berechnung oder Erstellung der Daten beteiligt sind oder damit in Zusammenhang stehen, in keinem Fall für direkte, indirekte, besondere, strafende, Folgeschäden oder andere Schäden (einschließlich entgangenen Gewinns), auch wenn über die Möglichkeit solcher Schäden informiert wird. Eine weitere Verbreitung oder Verbreitung der MSCI-Daten ist ohne die ausdrückliche schriftliche Zustimmung von MSCI nicht gestattet.

Die grafischen Exponate in diesem Dokument sind ausschließlich Eigentum von Rothko Investment Strategies und geistiges Eigentum von Rothko Investment Strategies.

Rothko Investment Strategies ist ein Handelsname von Mondrian Investment Partners Limited. Mondrian Investment Partners Limited ist von der Financial Conduct Authority zugelassen und reguliert.

Alle Beiträge sind die Meinung des Autors. Als solche sollten sie weder als Anlageberatung ausgelegt werden, noch spiegeln die geäußerten Meinungen notwendigerweise die Ansichten des CFA-Instituts oder des Arbeitgebers des Autors wider.

Bildnachweis: © Getty Images / Fotograf ist mein Leben.

Dan Philps, CFA

Dan Philps, CFA, ist Leiter von Rothko Investment Strategies und Forscher für künstliche Intelligenz (KI). Er verfügt über 20 Jahre Erfahrung im Bereich quantitativer Anlagen. Vor Rothko war er Senior Portfolio Manager bei Mondrian Investment Partners. Vor 1998 arbeitete Philps als Analyst / Programmierer bei einer Reihe von Investmentbanken, die auf Handels- und Risikomodelle spezialisiert waren. Er hat einen BSc (Hons) vom King’s College London, ist CFA Charterholder, Mitglied der CFA Society of the UK, hat eine Postgraduierten-Forschungsrolle an der London University inne und ist Mitglied der AAAI.