KI in systematischen Aktienstrategien: Warum Disziplin wichtiger ist als Geschwindigkeit

Dr. Maximilian Stroh, CFA, Head of Research erläutert, wie KI das Investieren in Aktien unterstützen kann, wo ihre Grenzen liegen und warum Robustheit, Diversifikation und menschliches Urteilsvermögen in einem zunehmend KI-gestützten Anlageumfeld weiterhin von zentraler Bedeutung sind.

Max, viele Investoren fassen den Begriff KI sehr breit. Was bedeutet KI bei Quoniam?

Wir unterscheiden verschiedene Anwendungsfälle. Bei der Prognose bezeichnet KI in der Regel Methoden des Machine Learning zur Aggregation von Signalen, welche nichtlineare Zusammenhänge oder Wechselwirkungen erfassen können, die herkömmlichen linearen Modellen entgehen. Natural Language Processing als Basis von Investment-Signalen ist ein weiterer Bereich. Hier geht es darum Nachrichten, Berichte oder andere unstrukturierte Informationen zu analysieren und diese Informationen im Investmentprozess zu nutzen. Im Bereich Research-Workflows ist agentische KI ein Werkzeug für Produktivität und Wissensmanagement. Sie hilft Researchern beispielsweise dabei, sich in komplexen Codebases zurechtzufinden, Code zu migrieren oder große Mengen von akademischen Artikeln zu screenen.

Wo steht KI heute in eurem Aktien-Investmentprozess?

Im Kern wird Machine Learning zur Aggregation von Signalen bei der Titelselektion eingesetzt, jedoch nicht isoliert. Wir beginnen mit einem linearen Prognosemodell, das auf etablierten Investmentkonzepten wie Value, Quality und Sentiment basiert. Machine Learning kann uns dann dabei helfen, Nichtlinearitäten und Interaktionen zu identifizieren, die ein traditionelleres Modell nicht vollständig erfasst.

Entscheidend ist, dass KI das Signal verfeinert, anstatt den etablierten Investmentprozess zu ersetzen. Wir prüfen, ob der kombinierte Ansatz das gesamte Prognosesystem und letztlich auch die Portfolioergebnisse verbessert; unter Berücksichtigung von Risiko, Diversifikation, Liquidität und Transaktionskosten.

Und verbessert es die Ergebnisse?

Ja, allerdings ist der Effekt nicht riesig. Machine Learning liefert tendenziell einen moderaten, positiven Beitrag. In den meisten Fällen zeigt sich die deutlichere Verbesserung bei den risikoadjustierten Renditen und weniger in einem starken Anstieg des Alphas.

Viele Investoren befürchten, dass KI das Marktverhalten grundlegend verändert. Wie beurteilst du das Risiko von KI-getriebenen Marktveränderungen?

KI kann Märkte auf mindestens zwei Arten beeinflussen. Erstens kann sie die Fundamentaldaten von Unternehmen verändern, indem sie Geschäftsmodelle, Margen, Wettbewerbsdynamiken und die Kapitalallokation beeinflusst. Zweitens kann sie die Geschwindigkeit verändern, mit der Investoren Informationen verarbeiten.

Aus Investmentperspektive geht es für uns als systematischen Manager nicht darum, jeden KI-getriebenen Trend im Voraus vorherzusagen. Das realistischere Ziel ist es, einen Rahmen zu schaffen, der mit wechselnder Marktführerschaft, sich verändernden Korrelationen und kürzeren Signal-Halbwertszeiten umgehen kann. Diversifikation über Faktoren, Regionen, Sektoren und einzelne Positionen hinweg bleibt essenziell.

Ein weiteres Thema, das Anleger oft ansprechen, ist Alpha-Decay – die allmähliche Erosion der Renditen, wenn erfolgreiche Signale populärer werden. Verschärft KI dieses Problem?

Nicht zwangsläufig. Agentische KI senkt die Kosten für die Analyse von Daten, sodass mehr Investoren gleichzeitig ähnliche Muster entdecken können. Einige dieser Muster mögen ökonomisch sinnvoll sein, viele sind jedoch lediglich Artefakte des Stichprobenzeitraums. Die Gefahr besteht darin, dass KI viele auf den ersten Blick attraktive Strategien generiert, die aber einer tieferen Analyse nicht standhalten.

Deshalb gewinnt Forschungsdisziplin an Bedeutung, statt an Bedeutung zu verlieren. Wird KI als magischer Signal-Generator betrachtet, steigt das Risiko von Overfitting. Wird sie hingegen als ein Werkzeug innerhalb eines kontrollierten Forschungsprozesses eingesetzt, kann sie wertvoll sein.

Wie sehen diese Kontrollen in der Praxis aus?

Nicht jedes Modell muss einfach sein, aber jedes Modell muss zuverlässig und robust sein. Das bedeutet eine geprüfte Datenqualität, die Nutzung von Holdout-Daten, Kontrollen für Multiple-Testing, Sensitivitätsanalysen, Annahmen zu Implementierungskosten, Liquiditätsanalysen und im Betrieb ein kontinuierliches Live-Monitoring.

Wir prüfen auch, ob ein Modell das Portfolio verbessert, und nicht nur, ob es eine statistische Kennzahl isoliert verbessert. Prognosegenauigkeit ist nützlich, aber sie ist nicht das Hauptziel. Was zählt ist ein besseres Investmentergebnis.

Setzt ihr KI auch außerhalb der Titelselektion ein?

Auf jeden Fall. Einer der unmittelbarsten Vorteile liegt in der Beschleunigung von Arbeitsprozessen. KI-gesteuerte Agenten können Aufgaben wie die Migration bestehender Signale auf neue Plattformen, die Suche in interner Dokumentation, die Zusammenfassung von Research-Material oder die effizientere Überprüfung von Code und Texten übernehmen.

Einige Arbeitsabläufe lassen sich technisch automatisieren, aber wir halten sie bewusst in kontrollierten Umgebungen. Ergebnisse werden überprüft, Codeänderungen versioniert und die Verantwortung verbleibt beim Researcher oder Quant Engineer.

Worauf konzentriert ihr euch aktuell besonders?

Drei Bereiche stechen hervor. Erstens erweitern wir den Einsatz von KI auf weitere Teile des Research-Prozesses; nicht nur auf die Ideengenerierung, sondern auch auf die Analyse. Das wirft zum Beispiel Fragen in der Qualitätssicherung auf, da KI-generierte Ergebnisse überzeugend aussehen können, obwohl sie falsch sind.

Zweitens überarbeiten wir unsere Analyse von Nachrichten und anderen unstrukturierten Daten weiter. Wir konnten Sprachmodelle bereits erfolgreich bei der Messung von Makro-Sentiment einsetzen und wir verfolgen diese Ansätze auch im Hinblick auf die Aktienselektion weiter.

Drittens arbeiten wir an Machine-Learning-Modellen, die stärker an den Portfoliozielen ausgerichtet sind. Statt ausschließlich statistische Prognosekraft zu maximieren, geht es darum, wie ein Modell unter realistischen Implementierungsannahmen zu risikoadjustierten Renditen auf Portfolioebene beiträgt.

Und schließlich: Wenn du eure Philosophie zur KI im Investmentprozess für professionelle Anleger zusammenfassen müsstest, wie würde diese lauten?

KI ist eine leistungsstarke Ergänzung im Werkzeugkasten, aber sie hebt die Grundregeln von gutem Research nicht auf. Input-Daten müssen sauber sein. Signale brauchen weiterhin ein ökonomisches Fundament. Modelle müssen weiterhin statistisch sinnvoll sein und validiert werden. Portfolios müssen auch in Zukunft diversifiziert und risikokontrolliert konstruiert werden. Und die Verantwortung liegt weiterhin beim Menschen.

In diesem Sinne profitieren nicht unbedingt die Unternehmen, die KI am schnellsten einführen, sondern diejenigen, die sie schnell und diszipliniert integrieren.

Fazit

Die künstliche Intelligenz verändert das Asset Management, jedoch besteht diese Veränderung eher in einer strukturierten Integration von KI als im vollständigen Ersatz menschlicher Arbeit. Für Investoren ist daher besonders wichtig, wie KI gesteuert, bewertet und sinnvoll in den Investmentprozess eingebunden wird.

Bei richtiger Anwendung kann KI Prognosen verbessern, die Effizienz im Research erhöhen und bei der Analyse unstrukturierter Daten unterstützen. Wird sie jedoch falsch eingesetzt, kann sie Overfitting, Crowding sowie operationelle Risiken verursachen.