Der Bericht AI Pioneers in Investment Management des CFA Institute untersucht globale Best Practices bei der Anwendung künstlicher Intelligenz (KI) und Big Data-Technologie im Anlageprozess.

Seit seiner Veröffentlichung im letzten Jahr hat der Bericht verschiedene überzeugende Anfragen von Lesern und Veranstaltungsteilnehmern ausgelöst, die es wert sind, angesprochen zu werden. Im Folgenden finden Sie einige der häufig gestellten Fragen (FAQs) sowie meine Antworten. Bitte senden Sie uns weiterhin Ihre Fragen und Kommentare per E-Mail oder im Kommentarbereich unten, und ich werde sicher diejenigen teilen und beantworten, die dem breiteren Publikum zugute kommen könnten.

Thio Boon Kiat, CEO von UOB Asset Management, Singapur, fragte:

1. Wie kann sich eine Wertpapierfirma in eine technologiegetriebene Organisation verwandeln und ein umfassendes Buy-in von Anlagefachleuten erzielen?

Wir glauben, dass die Kompetenzen eines Unternehmens in Bezug auf Investitionen und Technologie sich eher ergänzen als konkurrieren.

Auf hohem Niveau glauben wir, dass die Zukunft des Finanzwesens die Zusammenarbeit von Finanzen und Technologie beinhalten wird. Bei einer unserer ersten Untersuchungen zu Fintech im Sommer 2016 („FinTech und die Zukunft der Finanzdienstleistungen“ – erstmals im Mai 2016 in der Hong Kong Economic Daily veröffentlicht und später in FinTech 2017 aufgenommen: China, Asien und darüber hinaus – haben wir dies angenommen Leistungsstarke Fintech wird das Ergebnis der Zusammenarbeit zwischen leistungsstarken Finnen (Spezialinstitutionen) und leistungsstarken Technologieunternehmen (Technologieunternehmen) sein. Wir glauben, dass das alte Modell, bei dem Technologie eine Hilfsrolle bei der Finanzierung spielt, gescheitert ist und die erfolgreichen Modelle der Zukunft gleichermaßen Beiträge leisten werden beide Seiten.

Insbesondere im Zusammenhang mit der Anwendung von KI- und Big-Data-Technologien glauben wir, dass das erfolgreiche Modell der Zusammenarbeit bei Investitionen, ein Bereich, der lange Zeit von Investmentprofis dominiert wurde, d. H. Human Intelligence (HI), KI + HI sein wird. Das Konzept wurde uns erstmals von einem Gastredner auf unserer AI und dem Future of Financial Services Forum vorgestellt, einer Veranstaltung, die wir im Dezember 2017 in Peking organisiert haben. Es steht im Einklang mit unserer allgemeinen Philosophie von Fin + Tech.

Anstatt sich Sorgen zu machen, dass AI die Aufgaben von Investmentmanagern übernehmen wird, glauben wir, dass der effektivste Ansatz darin besteht, Technologie zu nutzen, da AI und HI unterschiedliche Stärken und Schwächen haben. Dieses Thema wurde in unserem FinTech 2018: The Asia Pacific Edition-Bericht wiederholt erörtert und später im Investment Professional of the Future-Bericht weiter ausgeführt, in dem wir zuerst das Konzept der T-förmigen Teams erörterten.

In T-förmigen Teams zeigt sich das obige Thema aus operativer und organisatorischer Sicht. Wir haben das Konzept in AI Pioneers in Investment Management ausführlicher erörtert. Der Schlüssel liegt darin, dass zukünftige Investmentteams zusätzlich zu der Investmentfunktion, die wir immer hatten, eine eingebettete Technologiefunktion haben werden. Noch wichtiger ist, dass wir vorgeschlagen haben, den T-förmigen Teams ein kleines T hinzuzufügen, damit die beiden Hauptfunktionen besser zusammenarbeiten können. Wir haben es die Innovationsfunktion genannt.

Anonym fragte:

2. Wie können wir den Beitrag von KI- und Big-Data-Techniken messen?

Dies ist eine wichtige Frage für Entscheidungsträger, obwohl es keine einfache Antwort gibt. Eine wichtige Herausforderung besteht darin, dass wir uns etwas sehr Neues ansehen, bei dem nur wenige Teams eine ausreichend lange Erfolgsbilanz vorweisen können. Eine andere Möglichkeit besteht darin, die Auswirkungen von KI- und Big-Data-Techniken zu isolieren, wenn diese Teil eines Anlageprozesses sind.

Gegenwärtig helfen KI- und Big-Data-Anwendungen eher in vielen Schritten des gesamten Prozesses, wie in den Fallstudien in unserem Bericht dargestellt, als als vollständige Lösung. Wir haben die in unserem Bericht enthaltenen Fälle anhand der Kriterien ausgewählt, nach denen die besprochenen KI- und Big-Data-Anwendungen aktiv im Investitionsprozess oder „Live in Production“ verwendet werden, wie unsere Freunde in der Technologie sagen möchten, und die Prozesse sind verantwortlich für die Verwaltung einer erheblichen Summe von Vermögenswerten. Wir vertrauen darauf, dass Manager ein Anlageinstrument aus dem Prozess ziehen, wenn es keinen Mehrwert bringt, und wir haben solche Fälle bei Unternehmen gesehen, mit denen wir gesprochen haben.

Wir freuen uns jedoch sehr, mit jedem Team zu sprechen, das die genauen Auswirkungen von KI- und Big-Data-Anwendungen in seinem Prozess demonstrieren kann. Bitte wenden Sie sich an uns.

CJO Verzijl, quantitativer Stratege, ABN Amro, Amsterdam, fragte:

3. Erweitern Techniken des maschinellen Lernens (ML) Strukturmodelle – die Dinge, die wir bereits über die Welt wissen – oder ersetzen sie sie durch rein datengetriebene Ansätze?

Dies ähnelt im Wesentlichen der Frage, die uns fundamentale Manager und Analysten im Zusammenhang mit einem bestimmten Produkt häufig stellen: Fügen KI und Big Data Alpha hinzu?

Allgemeiner und vielleicht interessanter könnte man auch aus Sicht der Branche insgesamt neugierig sein: Erhalten Anleger insgesamt jetzt eine bessere Rendite als vor der Einführung von KI- und Big-Data-Techniken?

Die letzte Frage wird natürlich über die Investmentbranche hinausgehen: Schaffen KI und Big Data Wohlstand oder ersetzen sie lediglich andere Vermögensschöpfer?

Diese Fragen sind so wichtig, dass wir einen Rahmen schaffen möchten, um darüber nachzudenken. Der Rahmen lautet:

  • Die Schaffung von Wohlstand insgesamt wird durch Arbeit und Technologie / Kapitaleinsatz vorangetrieben.
  • Die Gesamtinvestitionsrendite (Marktrendite) wird von der Nachfrage und dem Angebot nach Investitionen bestimmt.
  • Die Überschussrendite (Alpha) jedes Fonds wird durch seinen Wettbewerbsvorteil bei der Bewertung und Analyse öffentlicher Informationen bestimmt.

Wir beginnen mit dem für Investmentmanager wichtigsten: Fügen KI und Big Data Alpha hinzu? Nach den Fallstudien im Bericht zu urteilen, lautet unsere Antwort absolut Ja. KI- und Big-Data-Techniken haben diesen Investmentteams den Vorteil verschafft, Daten zu erhalten und zu verarbeiten, ohne eines ihrer vorhandenen Tools zu entfernen.

In dem Maße, in dem diese Techniken wirksam sind, wie die Fallstudien hoffentlich gezeigt haben, würden sie das Alpha des Produkts erhöhen.

Die nächste Frage könnte für Endinvestoren und Aufsichtsbehörden der Investmentbranche wichtig sein, die sich um das Interesse des Endinvestors kümmern: Steigern KI- und Big-Data-Techniken die (Netto-) Marktrendite insgesamt? Unter Verwendung des oben erwähnten Rahmens scheint es offensichtlich, dass die Antwort nein ist. Tatsächlich ist bisher keine Anlagetechnik bekannt, die die Gesamtmarktrendite erhöht, so dass die scheinbar spitze Frage nicht richtig formuliert ist.

Die letzte Frage ist wahrscheinlich, was Endinvestoren und Aufsichtsbehörden der Investmentbranche wirklich im Sinn haben: Fügen KI- und Big-Data-Techniken Wohlstand hinzu? Unter Verwendung des obigen Frameworks lautet die Antwort Ja, wenn KI- und Big-Data-Techniken die Produktivität mehr verbessern als den Arbeitseinsatz ersetzen.

Dies muss möglicherweise von Fall zu Fall beurteilt werden. Nach den im Bericht enthaltenen Fallstudien zu urteilen, werden KI- und Big-Data-Techniken höchstens einige Junior-Analysten und -Händler ersetzen, könnten jedoch die Gesamtproduktivität erheblich verbessern. Wir stehen also zu unserer Antwort.

Gibt es Fälle, in denen KI und Big Data so viele Menschen ersetzen können, dass die Schaffung von Wohlstand insgesamt sinken kann? Dies ist sicherlich etwas, das Entscheidungsträger aus Wirtschaft und Politik sorgfältig prüfen müssen, aber eindeutig außerhalb des Rahmens unseres Berichts liegen.

Lutz Morjan, Senior Client Portfolio Manager, EMEA, Franklin Templeton Multi-Asset Solutions, Frankfurt, fragte:

4. Wie erklären Manager, die KI- und Big-Data-Techniken verwenden, den Mehrwert für ihre Kunden?

Angesichts der Tatsache, dass KI- und Big-Data-Techniken eher zur Unterstützung eines bestehenden Anlageprozesses als zu dessen Ersetzung eingesetzt werden, kann die Erklärung ähnlich strukturiert werden. Das heißt, Sie können Ihren Gesamtprozess genau wie zuvor darstellen, aber Erklärungen dazu hinzufügen, wo und wie KI und Big Data einen Mehrwert schaffen.

Spezifische Erklärungen hängen natürlich auch von der Raffinesse der Anleger ab, mit denen Sie sprechen. Wir glauben, dass institutionelle und anspruchsvolle Privatanleger die (ausführlicheren) Erklärungen einfach im Format unserer Fallstudien strukturieren können: Erörtern Sie die Verbesserung des Anlageprozesses, spezifische KI- und Big-Data-Techniken, die für die Umsetzung verwendet werden, und organisatorische Unterstützung / zusätzliche Fähigkeiten, die Sie erworben haben, um dies zu erreichen.

Für diejenigen, die sich nicht sicher sind, wie maschinelles Lernen funktioniert, ist Hilfe unterwegs. Viele KI-Wissenschaftler schätzen Ihren Schmerz und haben begonnen, ML-Lösungen mit mehr Transparenz von Anfang an zu entwickeln. Bis dahin werden Anleger hoffentlich mit Folgendem zufrieden sein: Es ist ein Ansatz, den Wissenschaftler verwenden, um aus einer Reihe ausgewählter Inputs Output zu generieren, ähnlich wie bei Statistiken, jedoch ohne die Einschränkung, linear zu sein und ohne eine Gleichung spezifisch formulieren oder alle schätzen zu müssen Die Parameter.

Wie werden Ihre Änderungen Ihrer Meinung nach Ihren Anlegern gefallen? Lassen Sie es uns wissen, indem Sie im Kommentarbereich eine Notiz hinterlassen.

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 / nevarpp

Professionelles Lernen für Mitglieder des CFA-Instituts

Ausgewählte Artikel können mit dem Professional Learning (PL) angerechnet werden. Nehmen Sie Credits ganz einfach mit der CFA Institute Members App auf, die auf iOS und Android verfügbar ist.

Larry Cao, CFA

Larry Cao, CFA, Senior Director für Industrieforschung am CFA-Institut, führt Originalrecherchen mit Schwerpunkt auf den Trends und der Anlagekompetenz der Investmentbranche durch. Seine aktuellen Forschungsinteressen umfassen Multi-Asset-Strategien und FinTech (einschließlich KI, Big Data und Blockchain). Er leitete die Entwicklung populärer Publikationen wie FinTech 2017: China, Asien und darüber hinaus, FinTech 2018: Die Asien-Pazifik-Ausgabe, Multi-Asset-Strategien: Die Zukunft des Investmentmanagements und AI Pioneers in Investment Management. Er ist auch ein häufiger Redner auf Branchenkonferenzen zu diesen Themen. Während seiner Zeit in Boston während seines Studiums in Harvard und als Gastwissenschaftler am MIT verfasste er gemeinsam mit dem Nobelpreisträger Franco Modigliani eine Forschungsarbeit, die im Journal of Economic Literature der American Economic Association veröffentlicht wurde.
Larry verfügt über mehr als 20 Jahre Erfahrung in der Investmentbranche. Bevor er zum CFA Institute kam, arbeitete Larry bei HSBC als Senior Manager für die Region Asien-Pazifik. Er begann seine Karriere bei der People’s Bank of China als USD-Rentenportfoliomanager. Er arbeitete auch für die US-amerikanischen Vermögensverwalter Munder Capital Management, die US-amerikanische und internationale Aktienportfolios verwalteten, und Morningstar / Ibbotson Associates, die Multi-Asset-Anlageprogramme für eine globale Kundschaft von Finanzinstituten verwalteten.
Larry wurde von einer Vielzahl von Wirtschaftsmedien wie Bloomberg, CNN, der Financial Times, der South China Morning Post und dem Wall Street Journal interviewt.