Es scheint nicht so lange her zu sein, dass Künstliche Intelligenz und Machine Learning als Science Fiction angesehen wurden. Jetzt beschäftigen seine Auswirkungen die Gedanken der Menschen in allen Branchen – und Asset Management ist da keine Ausnahme, meint Charles Ellis von Mediolanum International Funds.
Ein Großteil der Diskussion in der Branche dreht sich verständlicherweise um den Verlust von Arbeitsplätzen, der sich aus der breiteren Einführung von KI ergeben würde – insbesondere die Übernahme der Rolle, die der Mensch derzeit bei der Investitionsentscheidung spielt. Doch für viele sind die Behauptungen und Vorhersagen für die KI Hype und Panikmache. Infolgedessen ist die Debatte in der Investmentbranche zweigeteilt geworden zwischen denen, die glauben, dass ein totaler Zusammenbruch eintreten wird, und denen, die glauben, dass die KI am Ende wenig oder gar keine Auswirkungen haben wird.
Erkenntnisse aus sehr großen Datensätzen gewinnnen
Aber die Chance für den erfolgreichen Einsatz von AI/ML im Asset Management ist real. Die KI bietet die Möglichkeit, Erkenntnisse aus sehr großen Datensätzen zu gewinnen, die vom Menschen nicht analysiert werden können. Wir wissen, dass der Mensch bei seinen Investitionsentscheidungen einer allgemein anerkannten Voreingenommenheit unterliegt: Maschinen beseitigen dies. KI bietet einen skalierbaren Ansatz für die Analyse: Wenn Sie KI auf einen Markt oder Sektor anwenden können, können Sie sie auf viele anwenden. Es ist ressourceneffizient und eignet sich hervorragend zur Automatisierung und Optimierung manueller Prozesse. Doch innerhalb der Asset Management-Branche sind die wichtigsten Entscheidungsträger weniger überzeugt als in anderen Branchen.
Der Global CEO Outlook 2019 von KPMG International zeigte, dass nur 53% der CEOs von Asset Management-Gesellschaften der Aussage zustimmten, dass „ihre Organisation aktiv ihren eigenen Sektor beeinträchtigt (und nicht darauf wartet, von Wettbewerbern beeinträchtigt zu werden)“. Dieser Wert lag am Ende der Liste und steht im Vergleich zu 69% bei Technologieunternehmen und 68% bei Consumer & Retail. Der gleiche Prozentsatz der Vermögensverwalter-CEOs zeigte sich zuversichtlicher in Bezug auf historische Daten als in Bezug auf Vorhersagenanalysen (rund 67% vertrauen auf ihre eigene Intuition und Erfahrungen mit Modellen).
Diese Einstellungen scheinen in historischen Praktiken verwurzelt zu sein, aber sie sollten wahrscheinlich nicht überraschen. Schließlich ist die Tendenz der Asset Management-Branche allzu oft „mehr vom Gleichen“. Viele Institute und die meisten Einzelpersonen wählen einen Vermögensverwalter auf der Grundlage der Historie und möchten einfach, dass er die bisherige Performance mit demselben Portfolio, demselben Team und demselben Stil repliziert.
Bedenken hinsichtlich Potenzial und Effektivität
Sicherlich gibt es berechtigte Bedenken bezüglich des Potenzials und der Effektivität von AI/ML im Asset Management. Die Datenqualität an den Finanzmärkten ist relativ schwach: Der Signal-Rausch-Verhältnis ist extrem niedrig. Die Unvorhersehbarkeit des menschlichen Verhaltens fügt eine weitere Dimension hinzu: Auf den Finanzmärkten kann sich ein Modell auf einen einzigen Satz historischer Daten stützen, doch das Ergebnis können viele mögliche Ergebnisse mit geringer Korrelation zur historischen Erfahrung sein.
Ein aktuelles Beispiel dafür war der Sommer, als die Fed die Zinsen senken sollte. Die Auswirkungen daraus waren, dass alle positiven Nachrichten, die während dieses Zeitfensters von den Märkten kommen würden, negativ bewertet wurden, da solche positiven Nachrichten es wahrscheinlicher machen würden, dass die Fed die Zinsen nicht senken würde. Die Verbreitung irrationaler Reaktionen auf den Finanzmärkten bedeutet, dass an einem Tag ein bestimmtes Ereignis die Märkte dazu bringen würde, etwas zu tun, und an einem anderen Tag etwas ganz anderes.
Lange Geschichte der Finanzmärkte kann zu Datenfehlern führen
Zu den Datenfehlern gehören die lange Geschichte der Finanzmärkte und ihre relativ geringe Latenzzeit (mit täglichen Daten, auch wenn man 10-20 Jahre zurückblickt, ist es immer noch ein relativ kleiner Datensatz). Aufgrund dieses Mangels an Vorgeschichte besteht die Gefahr einer Überanpassung. Es gibt viele Daten von Drittanbietern, aber es stellt sich die Frage, wie Sie diese in Ihr Modell integrieren können. Und dann gibt es noch rechtliche und Compliance-Probleme darüber, welche Daten sie aufnehmen dürfen. Inzwischen sind Altsysteme nicht so eingerichtet, dass sie Daten in optimalen Strukturen verarbeiten können, so dass Sie vielleicht nicht die Felder haben, die Sie suchen.
Einstellungen sind nicht alle nur negativ
Aber die Einstellungen sind sicherlich nicht alle nur negativ und nur 1% der CEOs von Asset Management-Gesellschaften gaben an, dass sie nichts im Bereich KI/ML unternehmen. Dennoch erklären diese Faktoren, warum es im Asset Management in den meisten Anwendungsfällen um Risikomanagement und operative Anwendungen geht.
Ein fruchtbarer Bereich für die KI im Asset Management ist die Prozessverbesserung und die Liste der Anwendungen ist umfangreich:
- Verwendung von Natural Language Processing (NLP), um aus Textblöcken markante Details zu extrahieren, z.B. Risiko- und Compliance-Regeln aus einem Dokument mit Anlagerichtlinien.
- Empfehlungssysteme, mit denen Fonds, die für neue oder bestehende Kunden von Interesse sind, anhand ihres Profils und ihres bisherigen Verhaltens ausgewählt werden können.
- Unüberwachte Anomalieerkennung als Datenqualitätsprüfung
- Erstellung von Modellen zur Erkennung verdächtigen Verhaltens in Investorenströmen (aus AML-Perspektive etc.)
- Einsatz von ML-Modellen zur Identifizierung der wichtigsten zugrundeliegenden Treiber für Investorenströme
- Einsatz von Robotic Process Automation (RPA) zur Automatisierung sich wiederholender Aufgaben, insbesondere im operativen Bereich des Unternehmens.
- ML soll verwendet werden, um die Kundenabwanderung zu modellieren und eine frühzeitige Warnung vor Investoren zu geben, die am ehesten abwandern werden, so dass bereits im Vorfeld des Ereignisses Abhilfemaßnahmen ergriffen werden können.
- ML-gesteuerte Chatbots zur Beantwortung sich wiederholender Kundenanfragen
Dennoch gibt es bei der Alpha-Generierung zahlreiche starke Anwendungsfälle. Es gibt die Portfoliokonstruktion und die Definition des Bereichs der maximalen Diversifikation durch die Identifizierung relevanter (nicht korrelierter) Merkmale über die Anlageklassen hinweg; die Identifizierung und Auswahl des Anlageuniversums durch Clustering/Dendogramme; Feature Engineering, Signalerstellung und die Einbeziehung nichttraditioneller Daten in den Entscheidungsprozess.
Wir glauben fest an die Fähigkeit von KI/ML, das Asset-Management-Geschäft zu revolutionieren, und deshalb haben wir unser Kompetenzzentrum für Analytische Intelligenz (AICC) gegründet, unser Zentrum für alle Aktivitäten in den Bereichen Analytik, Datenwissenschaft und Künstliche Intelligenz.
KL mag derzeit überbewertet sein…
KI/ML mag derzeit überbewertet sein, aber dies schmälert lediglich die praktischen Anwendungsfälle in der gesamten Asset-Management-Branche. Vermögensverwalter befinden sich noch in der Anfangsphase der Einführung und Nutzung von datenwissenschaftlichen Techniken zur Lösung von Anlageproblemen. Die Kultur innerhalb der Vermögensverwaltung muss sich noch ändern und die Industrie muss sich an die Schlüsselkompetenzen in den Bereichen Informatik, DevOps/Softwaretechnik und Mathematik/Statistik anpassen, aber das verbessert sich. Für die KI im Asset Management sind die Aussichten positiv, mit viel Spielraum für schnelle Erfolge.
Autor Charles Ellis ist Leiter des Analytics and Robotics Centre von Mediolanum International Funds, Dublin. In dieser Funktion ist er verantwortlich für die Bereiche Data Analytics, Data Warehousing und Business Analysis. Der Schwerpunkt liegt auf der Analytik, um innovative Möglichkeiten zu bieten, Mediolanum dabei zu unterstützen, Daten zur Unterstützung strategischer und operativer Entscheidungen zu nutzen und die Prozessqualität in allen Geschäftsbereichen zu steigern. Davor war Charles seit 2016 trader und quantitative strategist bei Mediolanum. Zuvor war er über drei Jahre lang Leiter Global Macro Research bei Eagle Alpha, arbeitete als Senior Manager und Trader bei Tower Trading Dublin und war über sieben Jahre lang als Senior Derivate Trader bei Geneva Trading tätig.
Fotos: Mediolanum
