Es wurde gesagt, dass Menschen mit dem Alter nicht klüger werden, sondern nur „mehr“.

Was immer wir gut gemacht haben – und was noch wichtiger ist, was wir schlecht gemacht haben – wird vergrößert. Gleiches gilt, wenn wir Computer und Daten zur menschlichen Entscheidungsfindung hinzufügen.

Algorithmische / maschinell erlernte / künstlich intelligente (KI) Werkzeuge sind in der investierenden Welt zunehmend allgegenwärtig. Sie legen die Risikotoleranz der Anleger im Portfoliomanagement fest und werden unter anderem auf die alternative Datenauswahl sowie die tatsächliche Wertpapierauswahl angewendet.

Die Debatte über die Verwendung von „KI“ ist daher ein wenig naiv: Diese Tools werden selbst im fundamental orientierten diskretionären Buy-and-Hold-Investor-Research-Prozess auftauchen. Der richtige Fokus liegt dann auf dem „Modellbewusstsein“: Wie können wir die Tatsache nutzen, dass maschinelles Lernen, alternative Daten und KI nicht nur weit verbreitet sind, sondern zunehmend an Einfluss gewinnen?

Modellbewusstes Investieren

Modellbewusstsein ist unser Begriff für das Denken über maschinelles Lernen, KI, große Datenmengen usw. als Kategorie oder als Spektrum regel-, maschinen- oder datengesteuerter Prozesse, die die Kapitalmärkte antreiben. Um modellbewusst zu sein, sollte jeder Treuhänder, Allokator und Manager mit einem ganzheitlichen Fokus auf die Prozessfrage beginnen: Wo sind die meisten Chancen und Risiken?

Es liegt bei den Menschen.

Entfernen Sie menschliche Fahrer und Fußgänger von den Straßen, und selbstfahrende Autos würden einwandfrei funktionieren. Die Zusammenarbeit zwischen Mensch und Maschine ist die Verbindung mit der niedrigsten Bandbreite. Überlegen Sie, wie einfach wir einen Türknauf drehen und nach draußen gehen können oder ein Computer ein komplexes Bild rendern kann. Vergleichen Sie das damit, wie schwierig es ist, unser Problem darzustellen oder Feedback zu seinen Ergebnissen zu erhalten. Die Mensch-Maschine-Zusammenarbeit ist sowohl der Schlüssel zum Erfolg als auch ein Chancenvektor.

Mensch-Maschine-Zusammenarbeit

Das Problem und die Chance besteht darin, wie wir computer- und modellbasierte Ansätze auf den Märkten betrachten. Sie sind entweder in unserem Team oder im anderen Team.

Menschen und Maschinen können die Ansätze des anderen prüfen: Können wir vorhandene menschliche Ergebnisse mit einem maschinell erlernten Modell replizieren? Und wenn ja, was sagen uns unsere Standardwerkzeuge über die Fehler des resultierenden Modells?

Wir können den Modellen, die Computer aufbauen, „entgegenwirken“ und Beziehungen, die sie mögen oder nicht mögen, zuverlässig vorhersagen.

Das Konzept des „Alpha-Zerfalls“ ist real. Es kommt etwas, um unsere Alpha-Generation wegzunehmen. Wir können die Fehler in der Mensch-Maschine-Zusammenarbeit nutzen, um dieses Problem auszunutzen, indem wir uns gegenseitig als Gegner betrachten.

Widersprüchliches maschinelles Lernen ist eine Reihe von Werkzeugen und Techniken, mit denen intelligente Widerstände überwunden werden sollen. Zum Beispiel verwendete eine Gruppe von Forschern bildstörende Brillengestelle, um ausgefeilte Deep-Learning-Netzwerke Reese Witherspoon als Russell Crowe identifizieren zu lassen.

Selbst dem fortschrittlichsten, genau definierten Problembereich kann begegnet werden. Was können wir daraus lernen? Es ist wichtig, Modelle zu überwachen und anzupassen, um das Verhalten „intelligenter Opposition“ anzugehen. Eine einfache umsetzbare Methode besteht darin, ein „rotes Team“ für einen bestehenden diskretionären Ansatz zu erstellen oder ein menschliches rotes Team zu bilden, um einer modell- oder regelbasierten Strategie entgegenzuwirken.

Das Konzept des „roten Teams“ wurde von Spionage- und Militärorganisationen übernommen. Es bedeutet, ein internes gegnerisches Team zu bilden, um dieselben Fakten zu lesen, den Anwalt des Teufels zu spielen und die gegenteiligen Schlussfolgerungen zu unterstützen. Wir haben alle unsere eigenen informellen Versionen von roten Teams: Wir sorgen uns um Manipulationen des GAAP / IFRS-Ergebnisses im Vergleich zu Barmitteln oder um Ausrutscher bei großen Blockgeschäften und ändern unsere Analysen und Pläne entsprechend.

Um ein solches rotes Teammodell zu formalisieren, könnten wir diese Ansätze mit den zusätzlichen „kontrafaktischen“ Datenpunkten in unsere Datensätze aufnehmen und so tun, als wollte ein intelligenter Gegner uns entgegentreten. Dies spiegelt Nassim Talebs Aufforderung wider, darüber nachzudenken, wie sich unsere Methoden in „alle möglichen Welten,Nicht nur die eine Welt, an die wir gedacht hatten. Auf diese Weise können wir Strategien entwickeln, die von Verfall und Unordnung profitieren.

Hybrides Mensch-Maschine-Verhalten

Nachdem wir uns von den Maschinen getrennt und uns gegenseitig „auditiert“ haben, sollten wir uns daran erinnern, dass Mensch und Maschine nicht wirklich so getrennt sind. Maschinen replizieren oft menschliche soziale Vorurteile. Die Zusammenarbeit zwischen Mensch und Maschine kann bestimmte Vorurteile verbessern, aber auch andere verschlechtern, schaffen oder transformieren:

  • Verbessern: Entscheidungen aus menschlichen Händen zu treffen, kann einige Verhaltensverzerrungen lindern oder sogar lösen. Zum Beispiel ist das hedonische Laufband, das Verluste akuter als Gewinne empfindet, für einen gut konfigurierten Algorithmus kein Problem.
  • Verschlechtern: Die Art und Weise, wie Modelle entworfen werden – häufig ihre Annahmen, Parameter, Hyperparameter und Interaktionen mit Menschen – kann einige Probleme verschärfen. Korrelierte Volatilitätsspitzen über Märkte und Anlageklassen hinweg sind eng mit diesem Verstärkungseffekt verbunden. Computer nähern sich schnell den Asymptoten ihrer Parameter und ziehen sich von ihnen zurück, fast wie eine mathematische „reflektierende Grenze“.
  • Erstellen: Der anhaltende Anstieg und die Abhängigkeit von modell-, regelbasierten und neuen Datenquellen haben zu neuen Verhaltensverzerrungen geführt. Zu den „hybriden“ Mensch-Maschine-Problemen gehören Black-Box-Effekte. Diese unerklärlichen Ergebnisse – zum Beispiel korrelierte Volatilitätsschwankungen – entwickeln sich aus dem Nichts und verschwinden ebenso mysteriös. Es können auch versteckte Maschinen-Maschinen-Interaktionen auftreten, z. B. „Absprachen zum maschinellen Lernen“, bei denen Maschinen ohne menschliche Anweisung miteinander verschwören.
  • Verwandeln: Menschliche Verhaltensdimensionen nehmen neue Formen an, wenn sie an Computer oder Datensätze gebunden sind. Die Peak-End-Regel, bei der die besten und schlechtesten Punkte und das Ende eines Phänomens akuter als der Rest der Erfahrung empfunden werden, wird auf neuartige Weise dargestellt, wenn Menschen und Maschinen zusammenarbeiten.

Was können wir heute tun? Wir können zunächst darüber nachdenken, wie sich diese Lücken in der Zusammenarbeit auf unsere Strategien auswirken. Können wir unsere Modelle und menschlichen Prozesse „rotes Team“ oder „kontern“? Welche hybriden Verhaltensdimensionen werden unsere wichtigsten Annahmen darüber ändern, wie Menschen die Welt sehen?

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

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 / Dong Wenjie

Uzi Hadar, CFA

Uzi Hadar, CFA, ist Portfoliomanager bei Duo Reges Capital Management, einer in Seattle ansässigen Long-Short-Investment-Management-Firma, die versucht, Lücken in der Zusammenarbeit zwischen Mensch und Maschine auszunutzen, die durch regel- oder modellbasierten Handel entstehen. Duo Reges, was auf Latein „zwei Könige“ bedeutet, konzentriert sich auf die „harten Kanten“ der erfolgreichen und erfolglosen Zusammenarbeit von Mensch und Maschine auf den Finanzmärkten. Die Kernstrategie besteht darin, die daraus resultierende lange und kurze Dynamik vorherzusagen, indem die Marktteilnehmer zu „Personas“ zusammengefasst werden, denen Wertpapiere empfohlen werden, die sie mögen (Longs) oder nicht mögen (Shorts). Hadar verfügt über 20 Jahre Erfahrung als erfahrener Manager für alternative Anlagen, der sowohl liquide als auch illiquide Strategien leitet, unter anderem als Private-Equity-Sponsor und Berater. Er hat auch einen Hintergrund im Investment Banking und hat aufstrebende Wachstumsunternehmen, Branchenführer, alternative Investmentfirmen, Family Offices und institutionelle Investoren umfassend beraten und mit ihnen zusammengearbeitet. Hadar erwarb seinen MBA an der Darden School der University of Virginia.

Andy Chakraborty

Andy Chakraborty ist Portfoliomanager bei Duo Reges Capital Management, einer in Seattle ansässigen Long-Short-Investment-Management-Firma, die versucht, Lücken in der Zusammenarbeit zwischen Mensch und Maschine auszunutzen, die durch regel- oder modellbasierten Handel entstehen. Duo Reges, was auf Latein „zwei Könige“ bedeutet, konzentriert sich auf die „harten Kanten“ der erfolgreichen und erfolglosen Zusammenarbeit von Mensch und Maschine auf den Finanzmärkten. Die Kernstrategie besteht darin, die daraus resultierende lange und kurze Dynamik vorherzusagen, indem die Marktteilnehmer zu „Personas“ zusammengefasst werden, denen Wertpapiere empfohlen werden, die sie mögen (Longs) oder nicht mögen (Shorts). Chakraborty verfügt über 15 Jahre Erfahrung in der Entwicklung von Unternehmensinvestitionen und statistischen Modellen als führender Finanz- und Datenwissenschaftler bei Amazon, zuletzt als leitender Datenwissenschaftler bei AWS S3 und Amazon Retail Systems. Er hatte verschiedene Corporate Analytics- und Investment-Funktionen bei Microsoft und Sprint inne. Er verfügt außerdem über fünf Jahre Erfahrung im Betrieb komplexer Halbleiterfabriken für Intel. Chakraborty erwarb seinen MBA an der Darden School der University of Virginia.