Die internationalen Finanzmärkte werden immer dynamischer und komplexer. Der exponentielle Anstieg verfügbarer Daten (Big Data) und Rechenleistung beschleunigt diesen Prozess zusätzlich. Menschliche Analysten können nur noch einen Bruchteil aller verfügbaren Informationen verarbeiten und Emotionen verzerren den Analyseprozess. Die Lösung für diese Probleme sind automatisierte Prognosemodelle.
Solche Modelle sind per se nichts neues. Sie existieren bereits seit den 1980er Jahren und siedeln sich im Bereich des algorithmischen Handels an. Heute wird bereits ein großer Teil des Handelsvolumens an den internationalen Finanzmärkten von Algorithmen gehandelt. Allerdings haben die branchenüblichen Prognosemodelle Schwachstellen, die nun durch KI effizient gelöst werden können. In diesem Beitrag gehen wir auf die Stärken und Schwächen des algorithmischen Handels ein zeigen Ihnen warum KI die nächste Generation im Automatisierungsprozess des Assetmanagements darstellt.
Stärken des algorithmischen Handels
Zum einen ist der algorithmische Handel nicht von subjektiven Wahrnehmungen und Emotionen geprägt, sondern folgt empirischen Erkenntnissen. Es werden Hypothesen über existierende Wirkungszusammenhänge aufgestellt, die durch ausführliche Tests validiert werden können. Zum anderen ist es möglich wesentlich umfangreichere Analysen durchzuführen. Viele Aufgaben können parallelisiert und mit ausreichender Rechenleistung skaliert werden. So ist es möglich mehr Aktien und Märkte gleichzeitig zu beobachten. Ein weiterer Vorteil des algorithmischen Handels ist die systematische Entscheidungsfindung, die im Nachgang eine höhere Nachvollziehbarkeit und analytische Optimierung ermöglicht.
Schwächen des algorithmischen Handels
Die branchenüblichen Prognosemodelle haben aber Schwachstellen, denn sie sind regelbasiert. Es werden sowohl die Daten als auch die Regeln, nach denen die Daten verarbeitet werden, in das Modell eingespeist. Der Algorithmus führt die Anweisungen Schritt für Schritt aus und kommt letztlich zu einem Ergebnis. Dies läuft immer nach einem statischen Wenn-Dann Schema. Wenn X (Input) gegeben ist, dann mache Y (Output). Allerdings ändern sich diese Regeln auf den Finanzmärkten ständig. Damit ist eine Veränderung der Beziehung zwischen X (Input) und Y (Output) über die Zeit gemeint, was als Concept Drift bezeichnet wird. Dieser Concept Drift führt bei regelbasierten Modellen auf Dauer zu schlechten Ergebnissen. Sie sind nicht in der Lage sich an veränderte Marktbedingungen anzupassen und die Vorhersagegüte sinkt über die Zeit. Des Weiteren muss der Input in einer strukturierten Form vorliegen, damit der Algorithmus ihn überhaupt verarbeiten kann.
Durch Machine Learning, ein Teilbereich der Künstlichen Intelligenz, können diese Probleme nun effizient gelöst werden. Eine Einführung in das Thema Künstliche Intelligenz finden Sie in unserem Blogbeitrag Künstliche Intelligenz für Einsteiger.
Vorteile von KI im Assetmanagement
Quelle: eigene Darstellung in Anlehnung an digitalistnetwork.com.
Concept Drift Handling
Ein wesentlicher Vorteil von Künstlicher Intelligenz im Assetmanagement ist, dass das Modell die Regeln selbstständig lernt. Der Input besteht aus Daten und Ergebnissen. Auf dieser Basis lernt der Algorithmus jene Regeln, die zu den gewünschten Ergebnissen führen. Durch kontinuierlich wiederholendes Training kann somit eine stetige Anpassung an veränderte Marktbedingungen gewährleisten werden.
Hypothesenfreie Analyse
Da das Modell die Regeln selbstständig lernt, müssen im Voraus keine Annahmen über Wirkungsbeziehungen aufgestellt werden. So wird eine hypothesenfreie Analyse der Datensätze und das Aufdecken hochkomplexer, nichtlinearer Zusammenhänge möglich. Dies hilft dabei Abhängigkeiten zwischen Einflussgrößen präziser zu erfassen.
Mehr Analysen
Ein weiterer entscheidender Vorteil ist die Vielzahl der Einflussfaktoren, die analysiert werden können. KI ermöglicht es sowohl strukturierte Datensätze wie klassische Finanzkennzahlen, aber auch unstrukturierte Datensätze wie Textdaten zu analysieren. Besonders seit dem Aufkommen der sozialen Medien gewinnt dies enorm an Bedeutung. So ist es mittels künstlicher Intelligenz z.B. möglich Stimmungsanalysen auf der Basis von tausenden Textnachrichten durchzuführen und für die Vorhersage der Preisbewegungen von Aktien zu nutzen.
Fazit
Künstliche Intelligenz wird das Assetmanagement elementar verändern. Automatisierte Prognosemodelle sind per se nichts neues, allerdings sind die branchenüblichen Modelle regelbasiert. Die Errungenschaften auf dem Gebiet der künstlichen Intelligenz und die heute vorhandene Rechenleistung und Menge an verfügbaren Daten (Big Data) ermöglicht nun die effiziente Anwendung von selbstlernenden Modellen. Diese bieten elementare Vorteile gegenüber den branchenüblichen Prognosemodellen.
