Für einen quantitativen Anleger ist diskretionäres Investieren lächerlich subjektiv – voller Bestätigungsverzerrungen, Verfügbarkeitsverzerrungen, Ignoranz gegenüber Basiszinsen und mehr. Für den diskretionären Anleger hingegen ist quantitatives Investieren hoffnungslos naiv. Ein Unternehmen ist mehr als sein Preis für die Buchung und die Rendite des eingesetzten Kapitals.

Die Welten dieser beiden Investoren sind wie Ost und West. Man würde denken, dass sie niemals zusammenkommen würden.

Aber das Versprechen der künstlichen Intelligenz (KI) beim Investieren ist genau das: ein Zusammentreffen der beiden Welten.

Die jüngsten Entwicklungen beim maschinellen Lernen haben aufregende Möglichkeiten geschaffen, die beiden Anlagephilosophien zu kombinieren. Jetzt können quantitative Anleger viel komplexere und nichtlineare Beziehungen zwischen den fundamentalen Faktoren finden, die die Anlagerenditen beeinflussen. Es ist zunehmend möglich, komplizierte Abschlüsse zu verarbeiten, um Faktoren zu identifizieren, die komplexer sind als herkömmliche Sorten wie Wert, Dynamik und Wachstum. Beispielsweise könnte ein KI-System eine komplexe, aber vorhersehbare Beziehung zwischen finanzieller Hebelwirkung, Zinssätzen, operativen Margen und der Wahrscheinlichkeit eines Konkurses aufdecken.

Auf der anderen Seite können diskretionäre Anleger dank KI Faktoren auftauchen und quantifizieren, die zuvor äußerst subjektiv bewertet wurden. Durch Social Media Monitoring können sie die öffentliche Wahrnehmung einer Marke messen. Sie können die tatsächliche Anzahl der Kunden, die ein Einzelhandelsgeschäft besuchen, anhand täglicher Luftbilder von Parkplätzen messen. Sie können auch ein Gefühl für die Moral der Mitarbeiter durch Bewertungen auf Websites wie Glassdoor bekommen. Das Einbeziehen dieser Faktoren in ihren Anlageprozess kann ihre Rendite erheblich steigern.

Und doch gibt es eine völlig übersehene Dimension, die noch aufregender sein kann. Es ist jetzt realistisch möglich, eine künstliche Nachbildung eines tatsächlichen Anlageverwalters zu erstellen, einer Maschine, die anhand von Beispielen lernt und ihren eigenen Anlagestil entwickelt: Dynamik verfolgen, an herkömmlichen Wertvorstellungen festhalten oder Wachstum zu einem vernünftigen Preis kaufen.

Wie würden wir ein solches System bauen?

Die meisten systematischen Anlagestrategien beruhen auf der Schätzung der mittleren Varianz. Stattdessen wollen wir ein System, das vorhersagt, was ein Anlageverwalter bei einem bestimmten Datensatz tun würde – Informationen, die fast immer nicht ausreichen, um eine genaue Prognose über die Rendite abzugeben. Dies ist ein subtiler, aber entscheidender Unterschied. Ein wichtiger Nebeneffekt ist, dass ein solches System sagen darf: “Ich weiß nicht, was ich hier tun soll.” Sobald wir aufhören, Renditen vorherzusagen, und stattdessen versuchen, Investitionsentscheidungen vorherzusagen, können wir mit willkürlich begrenzten Informationen arbeiten.

Es gibt zwei große Faktoren, die eine Anlageentscheidung beeinflussen. Der erste setzt sich aus quantitativen Faktoren zusammen, die aus Abschlüssen, Marktdaten usw. abgeleitet wurden. Der zweite umfasst subjektive Beurteilungen über Corporate Governance, potenzielle Marktgröße, Störbarkeit beispielsweise bei der Aktienauswahl usw. Je nach Stil eine Investition Der Manager kann unzählige Faktoren in beide Kategorien einbeziehen und jedem sehr unterschiedliche Gewichte zuweisen. Der Manager ist sich möglicherweise nicht einmal der Gewichte bewusst, die er ihnen unbewusst zuweist. In der Tat sind diese Gewichte möglicherweise überhaupt nicht linear, sondern eine Hierarchie von Ja / Nein-Entscheidungspunkten.

Innerhalb der Konturen moderner KI-Systeme ist es nun möglich, all diese Faktoren in den Entscheidungsprozess einzubeziehen. Wir können beginnen, die Architektur des Systems wie folgt zu artikulieren.

Es gibt zwei entscheidende Beobachtungen. Das erste ist, dass wir versuchen, Anlageentscheidungen zu modellieren, nicht Risiko oder Rendite. Das zweite ist, dass wir subjektive Eingaben von quantitativen Eingaben unterscheiden. Diese subjektiven Eingaben sind jedoch immer noch quantitativer Natur. Zum Beispiel könnten wir ein Rating für Corporate Governance auf einer Skala von 1 bis 5 aufnehmen. Das menschliche Urteilsvermögen wird solche Kriterien weiterhin bestimmen.

Diese Architektur ermöglicht es einem Unternehmen, ein System viel schneller aufzubauen als zu versuchen, Renditen zu modellieren, bei denen auch nur quantitative Eingaben verwendet werden. Noch wichtiger ist, dass ein solches System im Laufe der Zeit den Stil eines Anlageverwalters widerspiegelt.

Innerhalb dieser Architektur gibt es unendlich viele Metaparameter oder die Faktoren, die in den vom zugrunde liegenden Modell verwendeten Eingaben enthalten sind. Die Fähigkeit des Investmentteams, robuste, subjektive Bewertungen abzugeben, wäre ebenfalls von großer Bedeutung.

Keine zwei Investmentmanager sind gleich. Es gibt keinen Grund, warum zwei KI-gesteuerte Systeme dies auch sein sollten. Durch die Vorhersage von Anlageentscheidungen anstelle von Renditen und die Einbeziehung der subjektiven Einschätzungen eines Teams in den Entscheidungsprozess erhalten wir garantiert eine Vielzahl einzigartiger Anlagemaschinen – eine Voraussetzung für die anhaltende Vitalität und Robustheit der Finanzmärkte überall.

Haben Sie begonnen, AI in Ihren Anlageprozess zu integrieren? Wie sind Sie damit umgegangen?

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 / Pobytov

Parijat Garg, CFA

Parijat Garg, CFA, ist ein algorithmischer Händler, Investor und Unternehmer mit 11 Jahren systematischer Handelserfahrung. Er ist Informatikingenieur am IIT Bombay und seit 2011 CFA-Charterholder. Nachdem Garg seine Karriere bei Tower Research Capital begonnen hatte, das heute weltweit führend im hochfrequenten algorithmischen Handel ist, begann er, systematische Handelsstrategien auf den indischen Märkten anzuwenden handelt seit mehr als sieben Jahren in Indien. Er unterhält auch ein konzentriertes Aktienportfolio, das auf langfristigen Anlageprinzipien basiert. Er ist eine seltene Person, die an zwei Extremen der Finanzmärkte erfolgreich war: sehr langfristige Investitionen sowie ultra-kurzfristiger algorithmischer Handel. Er glaubt fest und zeigt, dass es möglich ist, mit einer Vielzahl von Techniken Wohlstand zu schaffen. Alles was es erfordert ist Geschicklichkeit, Disziplin und ein bisschen Glück!