Larry Cao, CFA, ist der Autor von AI Pioneers in Investment Management. Er wird auf der “Können KI und Big Data Investoren helfen, die Pandemie zu meistern?” Webinar am Donnerstag, 13. August, um 19 Uhr HKT.

Die Niederlage des besten menschlichen Go-Spielers durch die künstliche Intelligenz (KI) von AlphaGo im Jahr 2017 enthüllte der Öffentlichkeit die Welt der Möglichkeiten, die KI-Wissenschaftler seit Jahren stillschweigend erforscht hatten. Fahrerlose Autos, KI-Ärzte und Robo-Berater schienen unter anderem in Reichweite zu sein.

Inmitten dieses Versprechens und dieser Möglichkeit war Roy Amaras berühmtes Gesetz eine Erinnerung wert:

„Wir neigen dazu, die Wirkung einer Technologie kurzfristig zu überschätzen und die Wirkung langfristig zu unterschätzen.“

In der Tat handelt es sich bei der Geschichte, die wir drei Jahre später aus den Medien hören, eher um unerfülltes Potenzial und Enttäuschung über das langsame Tempo der KI-Einführung als um eine revolutionäre Transformation.

In dem kürzlich erschienenen Technology Quarterly des Economist mit dem Titel “Künstliche Intelligenz und ihre Grenzen” behaupteten die Redakteure beispielsweise, dass “Daten knapper sein können als Sie denken und voller Fallen”. Diese Einschränkung veranlasste sie unter anderem zu der Schlussfolgerung: „Einige der Träume vom Hochsommer werden in der herbstlichen Kälte verblassen.“

Diese Argumentation ist so alt wie die KI. Die globale Pandemie bietet jedoch eine seltene Gelegenheit, um zu beurteilen, wie gut sich KI- und Big-Data-Anwendungen beim Investieren entwickelt haben. Da die COVID-19-Krise ein “einmal im Jahrhundert” Ausmaß hat, hätten Forscher nicht schummeln können, wenn sie ihre Modelle mit den nie zuvor gesehenen Daten zur Pandemiezeit ausgestattet hätten.

Wie haben sie es in diesen turbulenten Monaten geschafft? Haben KI-Programme Investoren völlig gescheitert? Oder haben sie ihnen gut gedient?

Die einfachsten Tests stammen von Handelsmodellen – KI-Programmen, die Handelssignale vorhersagen, anhand derer Händler entscheiden können, wann, wo und wie sie handeln. Aufgrund ihres kurzfristigen Charakters stützen sich diese Modelle in der Regel auf aktuelle Daten und können sich schnell an Änderungen anpassen. David Wang, CFA, der mit AI als Geschäftsführer bei der State Street Bank an der Verbesserung von Handelsprogrammen arbeitet, bestätigte dies. “Der von uns bevorzugte Prozess mit geringer Latenz hat sich besonders gut entwickelt”, sagte er. Sie haben auch leistungsstarke Hardware, um die Daten sehr schnell zu verarbeiten.

Von dort wird es weniger einfach. Für Modelle des maschinellen Lernens, die längerfristige Datenreihen benötigen, stellen neue Umgebungen eine Herausforderung dar. Das ist natürlich kaum einzigartig für KI-Programme. Alle quantitativen Modelle stehen vor dieser Herausforderung. (Das habe ich vor Jahren bei der Entwicklung von „Quantenmodellen“ erkannt: Meine Entscheidungen im Entwicklungsprozess wurden durch meine Markterfahrung beeinflusst, obwohl ich meine Modelle nicht mit historischen Daten in Einklang gebracht habe. In diesem Sinne eine Pandemie davon Proportionen sind für uns alle wirklich Neuland. Aber das ist eine Geschichte für einen anderen Tag.)

Wie sollten sich Anleger auf das neue Datenrätsel einstellen? Es fallen einige Optionen auf, die praktisch alle unserer Philosophie entsprechen, dass zukünftige Investmentteams einem Modell „KI plus menschliche Intelligenz (HI)“ folgen werden. KI-Programme sind kein Ersatz für Portfoliomanager und Analysten, sondern eine Quelle für bessere Unterstützung. In Zeiten von Krisen und Unsicherheiten werden sich Anleger natürlich nach wie vor auf ihre Erfahrung und ihr Urteilsvermögen verlassen.

Das Wichtigste, was Anleger in Zeiten wie diesen erkennen müssen, ist, dass Unsicherheit das Herzstück dieses Geschäfts ist. Wir müssen ständig auf Veränderungen im Marktumfeld achten. Oder wie Ingrid Tieres, Geschäftsführerin bei Goldman Sachs, sagte: „Alle KI- (und Quant-) Modelle sollten mit einer Art Gesundheitswarnung versehen sein.“

Wenn wir Änderungen feststellen, sollten wir uns wieder auf historische Daten verlassen. Da Modelle für maschinelles Lernen auf Daten trainiert werden, sollten wir einfachere Modelle ausprobieren, wenn wir nicht glauben, dass die Umgebung, aus der die Daten stammen, mit den Marktmodellen kompatibel ist. Diese Modelle würden sich auf weniger Funktionen oder Variablen stützen, die die Ausgabe oder das Ergebnis der Modelle erklären. Durch die Reduzierung der Anzahl der Funktionen können wir besser verstehen, was in der neuen Umgebung noch funktioniert und was nicht, sodass wir weniger wahrscheinlich von einem fragwürdigen Datensatz irregeführt werden.

Wir könnten auch prüfen, ob die Bereiche für die Funktionen weitgehend denen entsprechen, die wir zuvor getestet haben. Es mag eine neue Umgebung sein, aber wenn die Funktionen im gleichen Bereich bleiben, könnten unsere Modelle immer noch mithalten. “Obwohl das Marktverhalten in jüngster Zeit volatil war, waren die von unseren Modellen für maschinelles Lernen genutzten Funktionen nicht auf einem beispiellosen Niveau”, sagte Anthony Ledford, Chefwissenschaftler bei Man AHL in London. “Mit anderen Worten, unsere ML-Modelle befanden sich nicht” jenseits der Daten “, auf die sie trainiert wurden.”

Dennoch fügte Ledford hinzu, dass sie strenge Risikokontrollen anwenden, die Positionen in Zeiten erhöhter Volatilität wie den kürzlich beobachteten reduzieren. Dies sind Best Practices mit gesundem Menschenverstand, unabhängig von den Modellen oder Ansätzen, die wir bei der Verwaltung unserer Portfolios anwenden.

Howard Marks, CFA von Oaktree Capital, hat kürzlich bei seiner Präsentation auf der 73. virtuellen Jahreskonferenz des CFA-Instituts die entscheidende Bedeutung der Identifizierung von Regimewechseln hervorgehoben. Er glaubt, dass Oaktree seinen größten Erfolg beim Wechsel von Regime zu Regime hatte. Dieses Thema scheint gleichermaßen auf Modelle des maschinellen Lernens anwendbar zu sein. Mark Ainsworth, Leiter Data Insights and Analytics bei Schroders, sagte: „Wenn Sie Regimewechsel in Ihrem Modell feststellen können, sollten Sie dafür reichlich belohnt werden.“

Was für AI ermutigender ist, ist, dass die Anleger über die oben beschriebenen „Bewältigungsstrategien“ hinausgegangen sind. Sie haben aktiv neue Anwendungen verfolgt, insbesondere Big-Data-Anwendungen, mit denen Informationen in Echtzeit oder zumindest zeitnaher erfasst werden können. Tieres berichteten beispielsweise, dass in diesem Zeitraum die Nachfrage der Investmentteams nach ihren Dienstleistungen gestiegen sei. “Wir haben in den letzten Monaten mehr alternative Daten verwendet als zuvor”, erklärte sie. “Investoren haben verständlicherweise mehr Bedenken in diesem Umfeld und suchen aufgrund ihrer Aktualität nach alternativen Daten.”

“Die Pandemie hat uns wirklich die Gelegenheit gegeben, zu glänzen, wenn Investoren auf uns schauen, um zu erklären, was auf dem Markt passiert”, bestätigte Ainsworth. „Wir folgten dem Ansatz eines Wissenschaftlers und versuchten, verschiedene Entwicklungen zu erklären [using simpler models] anstatt klassische maschinelle Lernmodelle zu verwenden, die zu den Daten passen, was für einen Ingenieur eher typisch ist. “

Der von AlphaGo ausgelöste Hype um KI schwindet laut Google Trends seit 2018. Das ist jedoch ein gutes Zeichen, wenn wir an den Gartner-Hype-Zyklus glauben. Es bedeutet einfach, dass einige Pioniere vom Hype zum Handeln übergegangen sind. Ausnahmslos einige sind gescheitert, aber die Mainstream-Adoption wird erst stattfinden, nachdem die Phase des „Tiefpunkts der Desillusionierung“ die Skeptiker erschüttert hat.

AI plus HI bleibt der übergeordnete Rahmen für die Einführung von AI. Wie diese Pandemie gezeigt hat, hat die Bedeutung professioneller Anleger nur zugenommen. Und das sollte für niemanden eine schlechte Nachricht oder eine Enttäuschung sein.

Weitere Informationen zu diesem Thema erhalten Sie beim Webinar mit Larry Cao, CFA und anderen Branchenexperten. “Können KI und Big Data Investoren bei der Bewältigung der Pandemie helfen? am Donnerstag, 13. August, um 19 Uhr HKT.

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 / KTSDESIGN / SCIENCE PHOTO LIBRARY

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 hält auch häufig Vorträge 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.