Larry Cao, CFA, ist der Autor von AI Pioneers in Investment Management vom CFA Institute.

AlphaGo brachte künstliche Intelligenz (KI) aus Computerlabors ins Wohnzimmer.

Von Oktober 2015, als die AlphaGo AI zum ersten Mal einen professionellen menschlichen Konkurrenten besiegte, bis Januar 2018, einige Monate nachdem sie Ke Jie, den besten Spieler der Welt, besiegt hatte, hatte sich die Popularität der AI gemessen an Google Trends verdreifacht.

Investmentprofis haben dies alles von der Seitenlinie aus mit einer Mischung aus Aufregung und Angst beobachtet: Wird die KI auch beim Investieren die Menschen schlagen?

Der Bericht AI Pioneers in Investment Management des CFA Institute befasst sich ausführlich mit diesem Problem, indem die Trends und Anwendungsfälle von AI und Big Data bei Investitionen auf der ganzen Welt untersucht werden.

Lassen Sie mich einige der wichtigsten Enthüllungen des Berichts zusammenfassen.

Was können KI und Big Data?

KI und Big Data ermöglichen Technologien. Zusammen helfen sie uns, zwei Dinge zu erreichen:

  1. Verarbeiten Sie neue Daten, auf die wir zuvor keinen Zugriff hatten oder die wir nicht verarbeiten konnten.
  2. Verarbeiten Sie Daten auf eine Weise, die wir vorher nicht konnten.

Dank der Fortschritte bei der Verarbeitung natürlicher Sprache (NLP), Computer Vision und Spracherkennung können wir jetzt durch Automatisierung immer mehr Text, Bilder und gesprochene Sprache sortieren und analysieren. KI-Programme in diesen Bereichen haben den durchschnittlichen Menschen bereits übertroffen.

Was können wir also aus diesen Entwicklungen extrapolieren? So viele sich wiederholende und rudimentäre Aufgaben – zum Beispiel die Transkription – werden zunehmend von KI-Programmen erledigt.

Die Popularität von Big Data hängt in hohem Maße von diesen Fortschritten und ihrer erwarteten Entwicklung ab. KI-Programme zielen auf sogenannte unstrukturierte Daten ab – beispielsweise Social-Media-Postings, depersonalisierte Kreditkartentransaktionen und Satellitenbilder -, die Mainstream-Analysten bisher nur selten verwendeten. Diese neuen, alternativen Daten bilden einen großen Teil der neuen Grenze im Investment Management.

Indem wir Fortschritte beim maschinellen Lernen und beim tiefen Lernen nutzen, können wir aus diesen Daten neue und genauere Beziehungen finden. Ein Großteil der heutigen Datenanalyse basiert immer noch auf linearen Programmiertechniken, die die Variablen und ihre angenommenen Beziehungen einschränken. Maschinelles Lernen und tiefes Lernen haben in vielen Fällen das Potenzial, diese Hindernisse zu beseitigen.

Was können KI und Big Data beim Investieren tun?

KI und Big Data repräsentieren die Zukunft des Investierens. Ihre breite Anwendung wird wahrscheinlich die vielleicht bedeutendste Veränderung in der Geschichte der Branche einleiten. Warum? Denn mit KI und Big Data:

  • Analysten können gründlichere Analysen durchführen.
  • Portfoliomanager treffen fundiertere Entscheidungen.

Wir haben jetzt nicht nur Zugriff auf mehr und unterschiedliche Arten von Informationen, sondern auch auf aktuellere Informationen – sogar in Echtzeit -. Anders ausgedrückt, als Analysten müssen wir nicht mehr die Extrameile gehen, um einen Stein umzudrehen. Wir können Satellitendaten anwenden und viel schneller unter viele nicht umgedrehte Felsen schauen.

Wenn wir beispielsweise früher die Leistung eines Geschäfts unabhängig überprüfen wollten, saßen wir möglicherweise auf dem Parkplatz und überwachten den Auto- und Fußgängerverkehr. In gewisser Weise ging dieser Ansatz zu weit. In anderen Fällen ging es nicht weit genug. Immerhin können wir nur auf so vielen Parkplätzen sitzen. Mit Big Data können wir jedoch effizient Daten aus erster Hand maximieren. Anstatt Parkplätze abzustecken, können wir Satellitenbilder von vielen Ladenparkplätzen kaufen – in der Tat so viele, wie wir uns leisten können.

Während die Produktionsinformationen von Tesla möglicherweise erst nach der offiziellen Veröffentlichung verfügbar sind, können wir den Personalbestand anhand öffentlich verfügbarer Mobiltelefondaten schätzen. Genau das hat die Thasos Group getan. Indem sie die Anzahl der in der Nähe von Teslas Werk vorhandenen Mobiltelefone abschätzten, stellten sie unabhängig voneinander sicher, dass Tesla mit drei vollen Schichten rund um die Uhr lief.

An anderer Stelle überlagerten Analysten von Goldman Sachs öffentlich verfügbare Arbeitsinformationen zusätzlich zu den geometrischen Daten der Produktionsstätten, um die Marktmacht der Hersteller insgesamt abzuschätzen.

Fügen Sie Big Data maschinelles Lernen und Deep Learning hinzu, und wir können die Daten jetzt auf unzählige neue Arten verarbeiten. Dies hat die Anwendungen traditioneller Quant-Methoden erheblich erweitert. Wir können die Modelleingabe füttern, und das Modell gibt uns eine Ausgabe.

Natürlich müssen wir die Parameter richtig einstellen, aber der Prozess ermöglicht es, Beziehungen zu erfassen, die zuvor möglicherweise nicht bekannt waren. Auf der anderen Seite kann es einen problematischen Black-Box-Effekt geben: Die Analyse liefert möglicherweise kein echtes Fenster in die Beziehungen zwischen der Eingabe und der Ausgabe.

Wie sollten Investmentprofis reagieren?

Sollten wir nach all dem unsere Computerprogrammierkenntnisse auffrischen?

Es wäre lobenswert. Aber wir sind wahrscheinlich besser dran, zwei Dinge zu priorisieren:

  • Steigern Sie unsere Anlagekompetenz.
  • Entwicklung einer ausreichend breiten Wissensbasis, um gut mit Kollegen / Mitarbeitern in der Technologie zusammenzuarbeiten.

Warum? Denn die erfolgreichen Investmentprofis und Teams der Zukunft werden sowohl in der künstlichen als auch in der menschlichen Intelligenz stark sein. Diese Teams werden sowohl eine Investitions- und Technologiefunktion als auch eine Innovationsfunktion haben.

Die Welt wird immer komplexer und spezialisierter. Die Zeiten der Multitalente, die alles selbst machen, sind weitgehend vorbei. Die Erwartung für zukünftige Investmentprofis ist, dass sie T-förmige Fähigkeiten benötigen – spezialisiertes Investmentwissen sowie genügend Technologie und „Soft Skills“, um mit den Datenwissenschaftlern in ihren Teams zusammenzuarbeiten. Techniker im Investmentteam müssen auch über das Investieren Bescheid wissen.

Wenn Sie das seltene Talent mit ausgefeilten Kenntnissen über Investitionen und Technologie sind, haben Sie natürlich mehr Macht. Denken Sie daran, dass Sie doppelt so viel Aufwand betreiben müssen, um sich mit kontinuierlicher beruflicher Weiterentwicklung aufzuladen.

Der wichtigste Aspekt ist klar: KI wird das Investmentmanagement verändern, aber es ist nicht das Massensterben für menschliche Investmentmanager, das viele befürchten. Vielmehr werden die Investmentteams, die sich erfolgreich an die sich entwickelnde Landschaft anpassen, durchhalten. Diejenigen, die dies nicht tun, werden sich selbst obsolet machen.

Die Zukunft ist da. Und es liegt in unseren Händen.

Weitere Informationen zur künstlichen Intelligenz finden Sie unter AI Pioneers in Investment Management.

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

Weiterbildung für Mitglieder des CFA-Instituts

Ausgewählte Artikel können für Fortbildungspunkte (CE) 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 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.