Tag für Tag sorgen sich Investoren an der Wall Street, dass künstliche Intelligenz klassische Bürojobs umkrempeln könnte, indem sie fachkundiges menschliches Urteilsvermögen in Code übersetzt. Die Aktienauswahl scheint dabei besonders im Fokus dieser Disruption zu stehen.
Eine neue wissenschaftliche Studie unter Leitung eines Professors der Harvard Business School kommt zu dem Ergebnis, dass ein Grossteil der Aktivitäten aktiver Fondsmanager Mustern folgt, die Maschinen erlernen können. Mithilfe eines maschinellen Lernalgorithmus – eines sogenannten neuronalen Netzes – konnte das System rund 71 Prozent der Handelsentscheidungen von Investmentfonds vorhersagen – also ob ein Manager eine bestimmte Aktie innerhalb eines Quartals kaufen, verkaufen oder halten würde.
Das Modell wurde mit rollierenden Fünfjahreszeiträumen von 1990 bis 2023 trainiert und griff dabei auf Daten wie Fondsgrösse, Mittelflüsse, Aktienmerkmale sowie gesamtwirtschaftliche Rahmenbedingungen zurück. Auf dieser Basis konnte es die Mehrheit der Portfolioanpassungen antizipieren.
Bemerkenswert sind jedoch weniger die Erfolge als die Grenzen des Modells. Die rund 29 Prozent der Transaktionen, die das System nicht korrekt vorhersagen konnte, waren im Durchschnitt stärker mit einer Outperformance verbunden. Mit anderen Worten: Gerade die Entscheidungen, die ausserhalb routinierter, erkennbarer Muster liegen, scheinen den grössten Mehrwert zu liefern.
Die Schlussfolgerung ist nicht, dass Maschinen die Märkte entschlüsselt hätten. Vielmehr scheinen sie einen Grossteil des branchenüblichen «Playbooks» gelernt zu haben – also wie Manager typischerweise auf Mittelzuflüsse, Markttrends und Wettbewerber reagieren. Was sie nur schwer erfassen, ist der kleinere Anteil an Entscheidungen, der von diesem Muster abweicht.
«Wenn 71 Prozent Ihrer Entscheidungen von einem Algorithmus vorhergesehen werden können, wird es sehr schwer, für diesen Teil Gebühren für aktives Management zu rechtfertigen», erklärte Lauren Cohen, Finanzprofessor in Harvard und Mitautor der Studie, in einer E-Mail. «Die nicht routinemässigen Trades, die unser Modell nicht vorhersagen kann, sind jedoch der Bereich, in dem echtes Alpha entsteht. Aber sie machen einen relativ kleineren Anteil der Gesamtaktivität aus.»
Ergebnis der Studie ist weniger ein Triumph der Maschinen über die Märkte als eine Neujustierung
Das Arbeitspapier mit dem Titel «Mimicking Finance», das vergangene Woche beim National Bureau of Economic Research veröffentlicht wurde, erscheint zu einem Zeitpunkt, an dem künstliche Intelligenz zunehmend spezialisierte Bereiche professioneller Dienstleistungen erschüttert. In den vergangenen Wochen führten Befürchtungen vor KI-bedingten Umbrüchen zu starken Kursschwankungen bei Unternehmen – von Vermögensverwaltern bis hin zu Logistikkonzernen.
Für aktive Fondsmanager ist die Kritik nicht neu. Investoren verlagern seit Jahren Gelder aus aktiven Aktienfonds in kostengünstige Indexprodukte. Das zentrale Versprechen der Branche war stets «Alpha» – also eine Überrendite gegenüber einem Vergleichsindex wie dem S&P 500 –, selbst als quantitative Modelle die Messlatte stetig höher legten.
Die Studie, mitverfasst von Yiwen Lu von der University of Pennsylvania und Quoc H. Nguyen von der DePaul University, treibt diese Erosion weiter voran. Frühere Untersuchungen analysierten überwiegend im Nachhinein die erzielten Gewinne. Das neue Papier hingegen versucht, die Trades selbst vorherzusagen. Maschinelle Lernmodelle seien besser geeignet als traditionelle lineare Faktormodelle, um die komplexen Wechselwirkungen zu erfassen, wie Manager auf Mittelzuflüsse, Marktsignale und einander reagieren, argumentieren die Autoren.
Aus dieser Perspektive ist das Ergebnis weniger ein Triumph der Maschinen über die Märkte als eine Neujustierung dessen, was aktives Management tatsächlich ausmacht. Ein Grossteil der täglichen Fondsaktivitäten scheint Mustern zu folgen, die sich kartieren – und prinzipiell kostengünstiger reproduzieren – lassen.
Einige dieser vorhersehbaren Kauf- und Verkaufsentscheidungen erfüllten wichtige Funktionen, etwa das Liquiditätsmanagement, die Risikosteuerung oder die Neugewichtung von Portfolios, so Cohen. Wenn jedoch der Grossteil dieser Aktivitäten regelbasiert sei, werde es schwieriger zu argumentieren, dass dafür teure diskretionäre Entscheidungen erforderlich seien.
«Die Komponente des ‘menschlichen Urteilsvermögens’ erweist sich als systematischer, als es den Anschein hat — allerdings braucht man ausreichend flexible Werkzeuge, um das zu erkennen», sagte Cohen.
Die Studie zeigt zudem, dass die Vorhersagbarkeit variiert. Grössere Fonds, solche mit höheren Gebühren, solche mit grösseren Teams und solche mit stärkerem Wettbewerb seien im Durchschnitt weniger vorhersehbar. Manager mit längerer Amtszeit oder mehreren Produkten hingegen eher. Das Modell sagt die Richtung von Trades voraus, nicht jedoch deren Volumen – eine Einschränkung, die die Autoren in künftigen Arbeiten angehen wollen.
Maschinen können mit zunehmender Datenmenge noch leistungsfähiger werden
Trotz der jüngsten Begeisterung für KI unterstreichen die Ergebnisse einen wichtigen Unterschied: Das Verhalten von Fondsmanagern vorherzusagen scheint leichter als die Entwicklung der Märkte selbst. Vermögenspreise spiegeln die Interaktionen von Millionen von Marktteilnehmern und sich wandelnde Erwartungen wider. Berufliche Routinen hingegen folgen häufig erkennbaren Mustern.
Letztlich entwickelte sich jene kleinere Gruppe von Trades, die das Modell nicht antizipieren konnte, tendenziell besser – ein Hinweis darauf, dass sie menschlichen Einfallsreichtum widerspiegeln könnten, etwa das Aufdecken von Informationen zu einer Aktie, die andere übersehen haben. Reine Zufälligkeit dürfte ein solches Ergebnis kaum erklären.
Natürlich könnten Maschinen mit zunehmender Datenmenge noch leistungsfähiger werden. Derzeit sind die Implikationen jedoch eher ökonomischer als existenzieller Natur. Wenn sich die meisten Portfolioanpassungen durch einen Algorithmus antizipieren lassen, stützt sich die Rechtfertigung aktiver Gebühren zunehmend auf jenen kleineren Anteil an Entscheidungen, der vom Schema abweicht.
«Der wirklich qualifizierte Teil, die unvorhersehbare, nicht routinemässige Komponente, ist real, aber klein», sagte Cohen. «Die politische Schlussfolgerung besteht weniger darin, Manager vollständig zu ersetzen, sondern vielmehr darin, neu zu bewerten, was ihre vorhersehbaren und ihre unvorhersehbaren Aktivitäten tatsächlich wert sind.»
(Bloomberg/cash)
