Im August 2018 startete ein quantitatives Team bei Aberdeen Standard Investments den Artificial Intelligence Global Equity Fund mit einem Kapital von 10 Millionen Dollar. Die Quants setzten darauf, dass ein Algorithmus effektiver als ein menschlicher Portfoliomanager die komplexe Welt von Factor Investing verstehen werde. Ein Jahr später wies der Fonds eine unterdurchschnittliche Entwicklung im Vergleich zur kräftigen Rally am breiteren Aktienmarkt auf und sein Kapital war nur um 8% gewachsen. Institutionelle Anleger sagen, dass sie davon Abstand nehmen Gelder zu vergeben, bis sie eine längere Erfolgsbilanz sehen.

Künstliche Intelligenz hat fast jeden Bereich unseres Lebens durchdrungen, von der Online-Kundenbetreuung über die Gesichtserkennung bis hin zu selbstfahrenden Autos. Aber Kapitalanlagen erweisen sich als eine der größten Herausforderungen für maschinelles Lernen.

Das Hauptproblem sind die Finanzmarktdaten, sagt Bryan Kelly, Leiter maschinelles Lernen bei AQR Capital Management LLC. Im Gegensatz zu Fotos, Straßenverkehrsinformationen oder Schachspielen sind Marktdaten endlich und die Algorithmen können nur aus der Entwicklung in der Vergangenheit lernen.

Vorhersage durch KI könnte zu finanziellen Verlusten führen

“Dies ist nicht wie ein selbstfahrendes Auto, bei dem Sie das Auto fahren und enorme Mengen zusätzlicher Daten generieren können”, so Kelly. “Beschränkungen entstehen durch sehr ungenaue Daten, von denen nicht viele in den Finanzmärkten sind. Daher ist es von der Maschine viel verlangt, selbst zu bestimmen, wie ein gutes Portfolio aussehen soll, ohne von menschlichen Erkenntnissen profitieren zu können.”

Wer versucht, den Aktienmarkt oder die Zinsen mit KI vorherzusagen, könnten eine fehlerhafte Analyse erhalten, die womöglich zu finanziellen Verlusten führt, warnt Seth Weingram, Direktor Kundenberatung bei Acadian Asset Management. “Man kann beobachten, dass Personen ohne große Marktkenntnis, diese Techniken anzuwenden versuchen, in Schwierigkeiten geraten”, sagt er. “Es besteht die Gefahr, dass Sie nicht genügend Daten haben, um Ihren Algorithmus sinnvoll zu trainieren.”

Ein Grund, warum Aberdeen Standard und andere auf Roboter zurückgreifen, ist das aktuelle Marktumfeld. Die Anleger machen sich Sorgen um das Ende des Bullenmarktes, nachdem Handelskonflikte und eine inverse Renditekurve Warnsignale für das globale Wachstum abgeben. Aber sie haben Angst, zu früh auszusteigen und die Erträge gegen Ende des Zyklus zu verpassen.

Schwankungen in der Anlegerstimmung sind jedoch auch für die Maschinen schwer zu navigieren. „Wenn der Markt unvorhersehbar wird, ist die Herausforderung für KI immer größer“, sagt Anand Rao vom Beratungsunternehmen PwC. „Diesmal wirken andere Kräfte. Aber [der Zusammenbruch der Kreditmarktblase im Jahr] 2007 war auch ganz anders, ebenso wie [das Ende der Dotcom-Blase im Jahr] 2000. Mit mehr Daten und mehr Historie werden die KI-Fonds besser. “

“Dieses Jahr war eine Herausforderung für KI-Fonds.“

Bisher scheinen Maschinen von diesen Märkten verwirrt zu sein. Nach einer Outperformance gegenüber dem Hedge Fund Research HFRX Equity Hedge Index in vier der letzten fünf Jahre hinkt der Long-Short U.S. Stock Index von Société Générale SA, der auf einem Modell für maschinellen Lernen basiert, in diesem Jahr hinterher mit einem weniger als halb so hohen Ertrag wie der HFRX. Der Eurekahedge Artificial Intelligence Hedge Fund Index, der Hedgefonds abbildet, die maschinelles Lernen einsetzen, zeigt für 2019 ebenfalls eine Underperformance: Mit einem Plus von 2,3% bis zum 31. August lag der Ertrag des breiteren HFRX-Index bei 6,9%.

“Dieses Jahr war eine Herausforderung für KI-Fonds. Es ist wahrscheinlich das erste Mal in der Geschichte der USA, dass ein Präsident solche Sachen twittert“, sagt Nicky Indradi, Analyst bei Eurekahedge. “Wenn Sie KI-Fonds mehr Zeit geben, um die von ihnen verwendete Technologie besser zu verstehen, bin ich optimistisch, dass sie gut abschneiden werden.”

Auch Nobelpreisträger Robert Shiller sieht die Aussichten von KI mit gemischen Gefühlen. “Ich denke, wir brauchen immer noch eine menschliche Überwachung”, sagt Shiller in einem Interview in London. “Bei Reaktion auf Text kann KI es wirklich vermasseln, weil ein Wort eine neue Bedeutung haben oder ein Tippfehler vorliegen kann - wir würden ihn als Tippfehler erkennen, die Maschine jedoch möglicherweise nicht.”

Underperformance auf herausfordernde Märkte zurückzuführen

Dennoch sagt Boyan Filev, Co-Leiter quantitative Aktien bei Aberdeen Standard, dass der Vorteil des maschinellen Lernens beim Portfolio-Management darin besteht, dass es sich dem Markt anpasst und im Laufe der Zeit besser wird. Die Underperformance des Fonds sei vor allem auf die herausfordernden Märkte und das veränderte Verhalten der so genannten Aktienfaktoren zurückzuführen, die 2019 bei vielen Quant-Fonds zu Verlusten geführt haben.

“Unser Fonds war zu Jahresbeginn defensiver positioniert im Einklang mit dem Bärenmarkt Ende 2018. Die scharfe Trendwende an den Aktienmärkten in diesem Jahr war jedoch nicht besonders hilfreich“, sagt Filev. “Ein stabileres und sich langsamer entwickelndes Umfeld ist für unser Produkt vorteilhafter. Es ist sehr schwer, sich für sehr starke Richtungsänderungen am Markt kurzfristig zu positionieren.”

Filev geht davon aus, dass der Fonds sich an die Bedingungen anpassen wird. Aber bisher ist das noch nicht passiert.

(Bloomberg)