Künstliche Intelligenz wird in der Welt des Asset Managements kontrovers diskutiert. Über den Mehrwert und die Risiken von Künstlicher Intelligenz spricht Dr. Sebastian Wenz, KI-Experte bei First Private, im Interview mit dpn-Redakteurin Erika Neufeld.

Von Künstlicher Intelligenz ist immer öfter zu hören.  Was verbirgt sich dahinter und was ist der Nutzen und das Ziel des Einsatzes von Künstlicher Intelligenz in der Finanzbranche?

Dr. Wenz: Künstliche Intelligenz ist der Überbegriff, die Finanzindustrie setzt hauptsächlich das Maschinelle Lernen ein. Das Ziel von Maschinellem Lernen ist, menschliche Fähigkeiten nachzubilden. Bei Finanzmarktdaten ist der Faktor Mustererkennung erfolgsentscheidend. Hierbei soll der Algorithmus aus historischen Daten Wissen erzeugen, um damit wiederkehrende Muster in der Zukunft gewinnbringend auszunutzen. Es braucht also eine gute Idee, einen qualitativ hochwertigen Datensatz und Mitarbeiter mit entsprechender Expertise, um mithilfe von Maschinellem Lernen die Mustererkennung auf ein neues Level zu bringen.

Was sind die Herausforderungen beim Einsatz von Maschinellem Lernen?

Dr. Wenz: Für die Analyse gewisser Datensätze würde ein Mensch etwa 130 Jahre benötigen. Ein Computer schafft das in zwei Minuten. Die Qualität und der Mehrwert der Analyse hängt aber von den Datensätzen ab. Daten bekommt man von großen Anbietern auf der ganzen Welt. Diese sind aber oftmals fehlerhaft und nicht von ausreichender Qualität. Fehler entstehen dann, wenn Informationen, die zu dem Zeitpunkt in der Vergangenheit noch nicht zur Verfügung standen, manuell zu einem späteren Zeitpunkt in die Datenbank eingepflegt werden (engl. Lookahead-Bias).

Wichtig ist, dass die verwendeten Datensätze so wenig Fehler wie möglich beinhalten. Potenziell lernt der Computer aus allen Datenpunkten, dementsprechend auch aus Datenfehlern. Sind in den Daten zu viele Fehler, kann der Algorithmus nicht richtig „lernen“ und kann zu falschen Ergebnissen  kommen. Dies bedeutet für die Praxis, dass aufgrund von Datenfehlern falsche Vorhersagen getroffen werden können.

Bei Maschinellem Lernen besteht bei falscher Anwendung durchaus die Gefahr, dass der Algorithmus Muster lediglich auswendig lernt und nicht die tatsächlich zugrundeliegende Kausalität identifiziert. Deshalb ist es unabdingbar, dem Computer zum Lernen nicht den gesamten Datensatz zur Verfügung zu stellen, sondern Daten für die Prognose „zurückzuhalten“.

In welchen Bereichen setzen Sie Maschinelles Lernen ein?

Dr. Wenz: Maschinelles Lernen setzen wir bei unserer Merger-Arbitrage-Strategie ein, mit der wir versuchen, die Risikoprämien bei Unternehmensübernahmen abzugreifen. Stellen Sie sich vor, Unternehmen A will Unternehmen B, welches an der Börse gelistet ist, zu 100 Prozent erwerben. Es bietet also einen Preis für die Aktie, der weit über dem aktuellen Kurs liegt. Damit versucht Unternehmen A die Aktionäre zu überzeugen die Aktien abzutreten. Die Aktie handelt oftmals mit einem gewissen Abschlag zu dem Übernahmepreis – denn es besteht immer auch das Risiko, dass der Deal noch abgesagt wird. Durch den Kauf der Aktien von Unternehmen B, wollen wir die Risikoprämie zu dem aktuellen Niveau (engl. Spread) fixieren. Die Gründe für eine Absage können vielfältig sein: das Kartellamt verbietet einen solchen Deal, der Käufer springt ab oder die Aktionäre von Unternehmen B lehnen den Kauf ab. In dieser Strategie setzen wir Maschinelles Lernen ein, um die Erfolgswahrscheinlichkeit einer offiziellen Übernahme zu prognostizieren. In einem nächsten Schritt vergleichen wir die errechnete Wahrscheinlichkeit mit der am Markt gehandelten (implizierten) Wahrscheinlichkeit.

Und wie stellen Sie sich dabei den Herausforderungen des Maschinellen Lernens?

Dr. Wenz: Wir hatten uns zu Projektbeginn vor einigen Jahren das Ziel gesetzt, eine möglichst qualitativ hochwertige Datenbasis aufzubauen. Bei First Private haben wir die historischen Daten aus mehreren Datenquellen zusammengetragen. Anschließend haben wir die Daten bereinigt und in ein einheitliches Format übertragen. Auch heute noch sammeln wir die Daten  in-house und sehen hier einen immensen Vorteil gegenüber Datensätzen, die man von Drittanbietern einkaufen kann. Algorithmen des Maschinellen Lernens gibt es in der Wissenschaft schon seit den 1970er Jahren. Damals jedoch hatten die Computer nicht genügend Rechenkapazitäten und darüber hinaus waren die verfügbaren Datenmengen zum Lernen zu klein. Mit steigender Leistungsfähigkeit der Computer und größeren Datenmengen war die Möglichkeit zum Einsatz von Künstlicher Intelligenz gegeben.

Mittlerweile umfasst unsere Datenbank etwa 40.000 Deals. Diesen Datensatz haben wir dem Algorithmus zur Verfügung gestellt und ihn damit „lernen“ lassen. Aufgrund der Ergebnisse haben wir vor über zwei Jahren entschieden, die Strategie live umzusetzen. Die Investmentergebnisse sind seitdem höchst zufriedenstellend und decken sich mit den Erwartungen aus den Resultaten der historischen Analyse.

Was macht die Merger-Arbitrage-Strategie unter Einsatz von Künstlicher Intelligenz attraktiv für institutionelle Investoren?

Dr. Wenz: Die Renditen unserer Merger-Arbitrage-Strategie sind größtenteils marktunabhängig.  Mit dieser Risikoprämie kann durchaus eine Performance von rund 6 Prozent pro Jahr über dem aktuellen Zinsniveau erzielt werden Da die Prämie nicht den allgemeinen Schwankungen des Aktienmarkts unterliegt,  hat die Merger-Arbitrage-Strategie einen klaren Vorteil: sie ist relativ stabil und liefert ein attraktives Rendite-Risiko-Verhältnis.

Trotzdem bewegt sich diese Strategie nicht immer in ruhigem Fahrwasser. Wenn in Krisenzeiten das wirtschaftliche Umfeld instabil ist und es bei Unternehmen zu Liquiditätsengpässen kommt, dann kann es auch eine Reihe von Absagen bei Unternehmensübernahmen geben. Auch darauf muss sich der Investor einstellen.  Genau hier greift unser Einsatz von Maschinellem Lernen: Auch Künstliche Intelligenz kann nicht in die Zukunft schauen und immer richtige Entscheidungen treffen. Wir hatten in unserem Portfolio auch Unternehmensübernahmen, die gescheitert sind. Grundsätzlich lässt sich jedoch sagen, dass wir mit dem Einsatz von Maschinellem Lernen eine hohe Trefferquote erzielen können und damit eine stabile und gute Performance erreichen.

Besten Dank für das Gespräch!

Aktuelle Beiträge

Alles Wichtige für institutionelle Investoren - Kompetent und unabhängig - Jede Woche neu
NEWSLETTER KOSTENLOS ABONNIEREN »
Alles Wichtige für institutionelle Investoren - Kompetent und unabhängig - Jede Woche neu
NEWSLETTER KOSTENLOS ABONNIEREN »