Warum der Mensch hinter dem KI-Modell entscheidend bleibt

KI und Machine Learning sind im Asset Management längst Teil der Praxis. Doch je einfacher Algorithmen verfügbar werden, desto wichtiger wird die Frage, wer sie versteht, richtig einsetzt und kritisch überprüft. Carsten Rother, Co-Head of Research Forecasts, und Dr. Desislava Rakova, Research Forecasts, die sich zuletzt im Rahmen eines Machine-Learning-Programms der Stanford University weitergebildet hat, sprechen darüber, warum Weiterbildung, Modellverständnis und menschliche Urteilskraft entscheidend bleiben – und wie Quoniam KI dort einsetzt, wo sie echten Mehrwert schaffen kann.

Warum ist Weiterbildung im Bereich KI und Machine Learning für Research-Teams heute so wichtig?

Desislava: Ein fundiertes akademisches Studium ist die Basis. Aber in einem Feld, das sich so schnell entwickelt wie künstliche Intelligenz, reicht es nicht aus, sich einmal Wissen anzueignen und dann davon auszugehen, dass es dauerhaft genügt. Viele Methoden, Tools und Anwendungen verändern sich laufend – und manches ist in der Praxis schon angekommen, bevor es vollständig in universitären Curricula verankert ist.

Gleichzeitig ist es heute sehr einfach geworden, Algorithmen anzuwenden. Es gibt Softwarepakete, Cloud-Infrastruktur und KI-Assistenten, die schnell Vorschläge machen. Man kann Daten in ein Modell geben und bekommt sehr schnell ein Ergebnis. Aber genau darin liegt auch das Risiko: Nur weil ein Modell läuft, heißt das noch nicht, dass man versteht, ob es für die eigene Fragestellung geeignet ist.

In meiner Weiterbildung ging es deshalb vor allem darum, tiefer zu verstehen, was hinter den Modellen passiert: Wie werden Algorithmen parametrisiert? Warum konvergiert ein Modell manchmal nicht? Welche Einstellungen passen zu welchem Problem? Und wann sieht ein Ergebnis nur gut aus, ist aber in Wahrheit nicht robust?

Carsten, warum ist dieses tiefere Verständnis für Quoniam so wichtig?

Carsten: Weil quantitatives Asset Management sehr stark Detailarbeit ist. Ich vergleiche es gerne mit Formel 1. Es reicht nicht, ein gutes Auto zu haben. Man muss jedes einzelne Teil verstehen und optimieren: die Daten, die Modelle, die Parametrisierung, die Validierung, die Implementierung.

Algorithmen laufen zu lassen, wird immer einfacher. Der Mehrwert entsteht dort, wo man weiß, welchen Algorithmus man wann einsetzt, welche Eigenschaften er hat und warum er in einem bestimmten Fall funktioniert oder eben nicht funktioniert.

Dann ist Machine Learning auch keine Blackbox mehr. Für jemanden, der nur den Output sieht, kann es so wirken. Aber wenn man die Mechanik, die Parameter und die Grenzen versteht, wird daraus kein Rätselraten, sondern ein bewusster Research-Prozess.

Wo zeigt sich das konkret im Investmentprozess?

Desislava: Algorithmen können an verschiedenen Stellen eine Rolle spielen. Sie können in Prognosemodelle einfließen, Signale generieren oder Risiken besser einschätzen. Ein Beispiel aus dem Fixed-Income-Bereich sind Downgrade-Modelle. Dort geht es nicht um eine direkte Renditeprognose, sondern um die Frage, ob sich das Kreditprofil eines Unternehmens verschlechtern könnte.

Ein anschauliches Beispiel aus dem Kurs war das sogenannte Cocktailparty-Problem. Man hat eine Aufnahme mit vielen Stimmen und Nebengeräuschen, und ein Algorithmus soll die Stimme des eigentlichen Sprechers isolieren. Das hat zunächst nichts mit Asset Management zu tun, aber die Analogie ist sehr klar: Auch wir versuchen, aus dem Rauschen der Märkte das relevante Signal herauszufiltern.

Was muss man verstehen, bevor man ein Modell auswählt?

Desislava: Am Anfang steht immer die Problemdefinition. Was möchte ich eigentlich lösen? Geht es um eine Renditeprognose, um ein Risiko, um eine Klassifikation oder um das bessere Verständnis eines Marktmechanismus? Davon hängt ab, welches Modell überhaupt sinnvoll ist.

Wenn man diesen Schritt überspringt, kann man sehr schnell viel Zeit verlieren. Ein Modell kann technisch laufen und trotzdem keinen sinnvollen Output liefern. Dann liegt das Problem aber vielleicht nicht im Algorithmus, sondern darin, dass die Fragestellung unklar war oder die Parametrisierung nicht gepasst hat.

Ihr sprecht viel über Parametrisierung und Feinjustierung. Warum sind diese Stellschrauben so entscheidend?

Carsten: Weil dort oft der eigentliche Unterschied entsteht. Die große Idee ist wichtig, aber sie reicht nicht. Entscheidend ist, wie das Modell eingestellt wird, welche Daten verwendet werden, welche Trainings- und Validierungsperioden gewählt werden und wie die Ergebnisse interpretiert werden.

Das gilt nicht nur für Machine Learning. Auch bei klassischen Faktoren wie Value oder Momentum machen Details einen großen Unterschied. Wie definiere ich Value? Wie messe ich Momentum? Wie gehe ich mit Ausreißern um? Wie teste ich, ob ein Effekt stabil ist? Diese Detailarbeit ist ein wesentlicher Teil proprietären Researchs.

Was bedeutet Robustheit in diesem Zusammenhang?

Carsten: Robust heißt: Ein Modell darf nicht nur auf historischen Daten gut aussehen. Es muss auch in zukünftigen Situationen funktionieren können, die es noch nicht gesehen hat. Das ist im Asset Management besonders wichtig, weil keine Krise wie die andere ist.

Nehmen wir Downgrades. Ein Downgrade kann viele Gründe haben: Verschuldung, steigende Zinsen, ein verändertes Geschäftsmodell oder andere Faktoren. Es gibt nicht den einen perfekten Schwellenwert, der für jedes Unternehmen gilt. Deshalb suchen wir nicht das Modell, das die Vergangenheit maximal gut erklärt, aber zu spezialisiert ist. Wir suchen robuste Lösungen, die auch in unterschiedlichen Marktumfeldern belastbar bleiben.

Hat der Kurs deine tägliche Arbeit verändert?

Desislava: Ja. Ich bin selbstbewusster geworden, wenn ich ein Problem strukturieren und eine Lösung suchen muss. Gleichzeitig bin ich kritischer geworden – auch gegenüber eigenen Projekten oder Projekten von Kolleginnen und Kollegen.

Ich frage heute stärker: Warum wurde genau dieses Modell gewählt? Warum diese Parametrisierung? Warum diese Trainingsperiode? Warum diese Validierung? Das sind einfache Fragen, aber sie sind entscheidend. Die Datenvorbereitung ist wichtig, aber Modellauswahl und Parametrisierung sind genauso wichtig.

Welche Rolle spielt KI dabei im Research-Alltag?

Desislava: Ich sehe KI klar als Werkzeug. Für repetitive oder sehr gut strukturierte Aufgaben bringt sie heute schon große Effizienzgewinne. Sie kann helfen, schneller zu arbeiten, Code vorzubereiten, Ideen zu strukturieren oder erste Lösungswege aufzuzeigen.

Aber bei anspruchsvolleren Research-Fragen reicht eine plausibel klingende Antwort nicht aus. Man muss sehr genau wissen, was man eigentlich erwartet, welche Daten relevant sind und wie ein Ergebnis zu interpretieren ist. Wenn diese Vorarbeit fehlt, kann KI sogar dazu führen, dass man viel Zeit verliert – oder einer Lösung vertraut, die nur oberflächlich überzeugend wirkt.

Gerade im Asset Management ist der Anspruch nicht, durchschnittlich gute Antworten zu bekommen. Wir müssen robuste, nachvollziehbare und investierbare Lösungen entwickeln. Dafür bleibt menschliche Urteilskraft entscheidend.

Carsten, was bedeutet das für das Research-Team?

Carsten: Für uns ist diese kritische Kultur zentral. Wir wollen Menschen, die akademische Forschung, unsere eigenen Modelle und auch KI-generierte Vorschläge hinterfragen. Genau deshalb unterstützen wir Weiterbildungen wie diesen Kurs. Sie helfen nicht nur einer Person, sondern dem gesamten Team.

Quantitatives Asset Management verbindet Kapitalmarktexpertise, mathematisches Verständnis und technische Umsetzung. KI kann uns effizienter machen. Aber wenn es um die entscheidenden Details geht, brauchen wir weiterhin erfahrene Researcher.

Das passt auch zu unserem grundsätzlichen Verständnis von KI: Wir wollen sie dort einsetzen, wo sie sinnvoll ist und echten Mehrwert schafft. Aber sie muss in einen kontrollierten, nachvollziehbaren Investmentprozess eingebettet sein.

Was ist die wichtigste Botschaft?

Desislava: Ein fundiertes akademisches Studium ist die Basis. Aber in einem Feld, das sich so schnell entwickelt, muss man weiterlernen. Man muss verstehen, was hinter den Algorithmen passiert, und darf sich nicht darauf verlassen, dass ein Tool automatisch die richtige Lösung liefert.

Carsten: Genau. Algorithmen anzuwenden wird immer einfacher. Entscheidend ist, zu verstehen, warum sie funktionieren – und wann sie es nicht tun.

Fazit

KI kann Research schneller und effizienter machen. Der entscheidende Mehrwert entsteht jedoch dort, wo Menschen Modelle verstehen, ihre Grenzen erkennen und Ergebnisse kritisch einordnen. Für Quoniam bleibt menschliche Expertise damit ein zentraler Bestandteil eines robusten, nachvollziehbaren Investmentprozesses.