Künstliche Intelligenz bei Quoniam
Wie kann Künstliche Intelligenz einen Mehrwert für institutionelle Investments stiften? Die vereinfachte Antwort: Sie kann Zusammenhänge offenlegen, die nicht sofort ersichtlich sind und effizient Hinweise auf die relevantesten Datensätze und Variablen liefern.
Dr. Maximilian Stroh, CFA
Head of Research
Begriffe wie Künstliche Intelligenz (KI), Machine Learning (ML) und Natural Language Processing (NLP) sind in aller Munde. Quoniam hat 2016 begonnen, Informationen mit Machine-Learning-Methoden zu analysieren. Seit 2018 sind sie Teil des Investmentprozesses. Doch was bringt der Einsatz dieser Methoden eigentlich für unsere Kundinnen und Kunden?
Als aktiver quantitativer Asset Manager generieren wir Mehrwert für Investoren, indem wir eine Vielzahl von Informationen zu überlegenen Rendite- und Risikoprognosen verarbeiten und auf dieser Basis Portfolios konstruieren. Dabei sehen wir uns mit drei Herausforderungen konfrontiert.
Herausforderungen im quantitativen Asset Management
- In kompetitiven Finanzmärkten sind leicht verarbeitbare Informationen oft bereits eingepreist.
- Die Menge potenziell relevanter Informationen ist riesig und wächst immer schneller.
- Unstrukturierte Daten wie Texte oder Bilder erfordern neue Techniken.
Methoden wie Machine Learning und Natural Language Processing helfen uns, diese Herausforderungen zu bewältigen. Wie das genau funktioniert, erläutern wir im Folgenden.
Modellierung nicht linearer Zusammenhänge
Welche Informationen sind in den Daten verborgen? Welche Zusammenhänge sind wertvoll, um Rendite und Risiko eines Wertpapiers besser vorhersagen zu können? Mit solchen Fragen beschäftigen wir uns, wenn wir Machine Learning im Research anwenden. So können wir Zusammenhänge erfassen, die nicht auf den ersten Blick sichtbar sind.
Finanzmärkte weisen etwa zahlreiche nicht lineare Beziehungen auf. Aktien mit niedriger Dividendenrendite zum Beispiel performen meist schlechter als Werte mit hoher Dividendenrendite. Firmen, die keine Dividende zahlen, sind jedoch häufig Wachstumsunternehmen, die eine starke Outperformance aufweisen. Ein linearer Zusammenhang, der unterstellt, dass eine hohe Dividendenrendite besser ist als eine niedrige, kann dies nicht widerspiegeln. Machine Learning erlaubt es uns, solche komplexen Zusammenhänge leichter zu erfassen.
„Machine Learning ist ein wichtiges Werkzeug, um einen Mehrertrag gegenüber weithin bekannten Smart-Beta-Prämien zu generieren. Wir haben klare Regeln für den Ablauf von Research-Projekten definiert und große Teile unserer ML Pipeline selbst implementiert, um bei Aspekten wie der Cross Validation oder dem Umgang mit Holdout-Daten ökonomisch relevante Ergebnisse zu gewährleisten.”
Dr. Maximilian Stroh, CFA
Head of Research
Dabei legen wir großen Wert auf das Zusammenspiel von Mensch und Maschine. Eine rein technologiebasierte Anwendung von Machine Learning im Asset Management birgt das Risiko, Scheinzusammenhänge abzubilden. Deshalb ist es wichtig, dass der Mensch entscheidet, welche Daten betrachtet werden und welche grundsätzliche Struktur das Renditeprognosemodell hat. Mit Hilfe der menschlichen Plausibilisierung kann Machine Learning auch komplexe Zusammenhänge erfassen und auf dieser Basis Anlagestrategien optimieren.
Effizienter Umgang mit Datensätzen
Das Angebot an verfügbaren Datensätzen ist im Asset Management in den letzten Jahren explodiert. Es ist schon lange nicht mehr möglich, jeden potenziell relevanten Datensatz manuell zu analysieren. Auch deshalb schreitet die Integration von Machine Learning in die Research-Prozesse von Quoniam kontinuierlich voran.
„Durch den Einsatz von Machine Learning können wir neue Datensätze viel schneller als früher auf interessante Zusammenhänge untersuchen und Ideen für Research-Projekte generieren. ML erleichtert es, uns auf die vielversprechendsten Datensätze zu fokussieren und diese im Detail zu analysieren.“
Stefan Klein, CFA
Research Forecasts
Machine Learning ist hervorragend dazu geeignet, etwa bei hochdimensionalen Datensätzen mit vielen potenziellen Faktorkandidaten eine erste Einschätzung zu gewinnen, ob mit dem Datensatz ein Zusatznutzen gegenüber bestehenden Prognosemodellen erzielt werden kann – und das mit geringem manuellen Aufwand. Dieses hocheffiziente Filtern der für unseren Investmentprozess relevantesten Datensätze gibt uns im Anschluss die Zeit, die besten Kandidaten in der Tiefe auf plausible ökonomische Zusammenhänge und Robustheit zu analysieren.
Neben dem Einsatz moderner Algorithmen optimieren wir auch kontinuierlich unsere Research-Plattform und die dahinter stehende technische Infrastruktur, um noch mehr Daten in noch kürzerer Zeit verarbeiten zu können.
Analyse von Texten, Bildern und anderen hochdimensionalen Daten
Wir leben in einer Zeit von Informationsüberfluss und Big Data. Unstrukturierte Daten wie Text- oder Bilddaten gewinnen an Bedeutung. Auch hier kommen Machine Learning und Künstliche Intelligenz ins Spiel: Derartige unstrukturierte Datensätze können oft nur mittels KI ausgewertet und strukturiert werden.
„Eine Maschine auf das geistige Niveau eines Menschen zu bringen und dessen Kreativität zu imitieren, ist im Asset Management kaum möglich. Wir können moderne Technologien aber dazu nutzen, um unstrukturierte Daten systematisch auszuwerten und daraus wertvolle Signale zu extrahieren, mit denen wir unsere Prognosen verbessern.“
Dr. Volker Flögel, CFA
Chief Investment Officer
Ein Beispiel dafür ist Natural Language Processing (NLP), das die algorithmische Auswertung von Textdaten bezeichnet. Wir analysieren beispielsweise Jahres- und Quartalsberichte von US-Unternehmen hinsichtlich der Aspekte Sentiment und Tonalität: Sind sie leicht oder komplex formuliert? Haben sich bestimmte Abschnitte im Vergleich zum Vorjahr verändert? Mit der Auswertung ergeben sich wichtige Erkenntnisse für unsere Renditeprognosemodelle.
