KI trifft Value Investing
Die (R)Evolution
Seit den 1920er Jahren hat sich die Art und Weise, wie unterbewertete Unternehmen identifiziert werden, grundlegend verändert. Vom rein manuellen Ansatz der Analysten damals über die computergestützte Unterstützung in den 1980er Jahren bis hin zu den selbstlernenden KI-Systemen von heute ist die Analyse in eine neue Ära eingetreten.
Unsere KI-basierte Lösung revolutioniert die Fundamentalanalyse, indem sie riesige Datenmengen in Echtzeit verarbeitet und selbstständig Muster erkennt. Während der Mensch die Ziele vorgibt, übernimmt die künstliche Intelligenz Strategie und Analyse – schneller, präziser und frei von menschlicher Verzerrung. Tauchen Sie mit uns in die Zukunft der Investmentanalyse ein und erleben Sie, wie KI den Weg zu neuen Erkenntnissen ebnet.
— Seit den 1920ern —
Manueller Prozess
| Zielvorgabe: | Mensch |
| Strategie: | Mensch |
| Analyse: | Mensch |
— Seit den 1980ern —
Automatisierter Prozess
| Zielvorgabe: | Mensch |
| Strategie: | Mensch |
| Analyse: | Maschine |
— Seit den 2010ern —
Selbstlernender Prozess (KI)
| Zielvorgabe: | Mensch |
| Strategie: | Maschine |
| Analyse: | Maschine |
Quant vs KI
Ein quantitativer Investmentansatz stützt sich in der Regel auf vordefinierte, von Menschen erstellte Regeln, die häufig aus einer linearen Datenanalyse abgeleitet sind. Diese Regeln werden statisch angewandt und sind in der Regel für einen bestimmten Zeitpunkt optimiert. Häufig konzentrieren sich Faktorinvestitionen auf einen einzigen dominanten Schlüsselindikator, was ihre Anpassungsfähigkeit an sich ändernde Marktbedingungen einschränkt.
Im Gegensatz dazu deckt ein Modell mit künstlicher Intelligenz selbstständig komplexe, nicht-lineare Korrelationen auf und passt sich durch adaptives Selbstlernen kontinuierlich an die sich entwickelnde Marktdynamik an – ohne dabei vergangene Ereignisse zu vergessen. Hier legt nicht der Mensch die Regeln fest, sondern das Modell lernt sie. Nichtlinearitäten sind entscheidend für die Gestaltung des Modells, so dass verschiedene Schlüsselindikatoren in praktisch unbegrenzten Kombinationen miteinander verbunden werden können.
Alte Quant Welt
- ■ Modellbildung durch Menschen
- ■ Modell basiert auf a priori Ansichten darüber, wie Märkte funktionieren
- ■ Überzeugungen / Treiber werden umgesetzt
- ■ Umsetzung von „Wenn-dann“-Szenarien
- ■ Backtesting – look-ahead bias
- ■ Fixierung des Modells und Live-Schaltung
Statische regelbasierte Strategien
Statische, regelbasierte Strategien konzentrieren sich in der Regel auf bestimmte Renditetreiber, die als Faktoren bezeichnet werden, um die Performance zu steigern und das Risiko zu steuern. Im Bereich der quantitativen Anlagen werden bei diesem Ansatz Datenanalysen und statistische Modelle eingesetzt, um diese Faktoren zu ermitteln und zu nutzen. Zu den üblicherweise verwendeten Faktoren gehören Wert, Wachstum, Dynamik, Größe, Qualität und Volatilität.
Die Bedeutung der einzelnen Faktoren wird von Menschen bestimmt, die beispielsweise die Gewichtung der einzelnen Input-Merkmale für den Faktor festlegen – dargestellt durch die dünnen grauen Linien, die die Input-Merkmale mit den grauen Kästchen verbinden. Dickere Linien zeigen einen größeren Einfluss des Merkmals auf den Faktor an; so haben beispielsweise Dividenden einen größeren Beitrag zum Wertfaktor als Umsatzmultiplikatoren. Einmal festgelegt, bleiben diese Abhängigkeiten fest.
Quantitative Anleger nutzen historische Daten, um regelbasierte Modelle zu erstellen, die Wertpapiere mit wünschenswerten Faktormerkmalen überprüfen und auswählen. Dieser Ansatz zielt darauf ab, traditionelle Indizes zu übertreffen, indem die mit den einzelnen Faktoren verbundenen Risikoprämien systematisch genutzt werden.
Einen kurzen, gut lesbaren Überblick finden Sie im „Guide to Factor Investing in Equity Markets“ von Robeco. Wenn Sie tiefer einsteigen möchten, empfehlen wir Ilmanens Meisterwerk „Expected Returns: An Investor’s Guide to Harvesting Market Rewards“.
Neue KI Welt
- ■ Modellbildung durch KI
- ■ Modell basiert nicht auf a priori Ansichten darüber, wie Märkte funktionieren
- ■ Extraktion von Merkmalen aus Daten
- ■ Erstellen eines Modells aus Daten
- ■ Walk-forward Tests – kein look-ahead bias
- ■ Modell lernt und passt sich kontinuierlich an
Adaptive selbstlernende Strategien
KI-gesteuerte Anlagestrategien – hier in Form eines neuronalen Netzes dargestellt – stützen sich nicht auf vom Menschen definierte Faktoren. Stattdessen lernt das Modell automatisch, welche Eingangsmerkmale wichtig sind, indem es die Gewichte während des Trainings anpasst. Es nimmt zunächst Eingabedaten auf und erstellt eine Vorhersage durch einen Prozess, der als Vorwärtspropagation bezeichnet wird, und vergleicht dann diese Vorhersage mit der richtigen Antwort, um den Fehler zu messen. Dann vergleicht es diese Vorhersage mit der richtigen Antwort und misst den Fehler. Das Modell arbeitet dann rückwärts, um die Verbindungen (Gewichte) innerhalb des Netzwerks fein abzustimmen – dieser Schritt wird als Backpropagation bezeichnet. Dieser bidirektionale Informationsfluss durch Vorwärts- und Rückwärtspropagation ermöglicht es dem Netzwerk, aus seinen Fehlern zu lernen und mit der Zeit immer genauer zu werden.
Neuronale Netze zeichnen sich dadurch aus, dass sie nichtlineare Beziehungen und verborgene Muster erkennen, die bei herkömmlichen Faktormodellen übersehen werden könnten. Die Architektur des Netzwerks ermöglicht die Verknüpfung von Merkmalen (z. B. ist Merkmal A mit allen Eingangsmerkmalen verbunden), so dass das Modell auf gegenseitige Abhängigkeiten schließen kann. So kann die KI beispielsweise mehrere Input-Merkmale – wie Umsatz, Gewinn, Wachstum und Marktanteil – gleichzeitig berücksichtigen und deren kombinierten Einfluss auf die Preise von Vermögenswerten verstehen.
Allerdings können KI-Modelle schwieriger zu interpretieren sein und erfordern erhebliche Rechenressourcen.
Die Zukunft des AI-gestützten Investierens
Durch die Kombination von Buffetts Anlageprinzipien mit moderner KI-Technologie wollen wir die Art und Weise, wie Anleger Aktien bewerten, revolutionieren.
Die Vision
Die Umsetzung
So funktioniert unser AI Stock Picker:
Zoomen Sie in einzelne Branchen wie Technologie, Gesundheitswesen oder Energie und bilden Sie alle möglichen Unternehmenspaarungen.
Anhand historischer Zeitreihendaten zu fundamentalen Unternehmenskennzahlen (z. B. Umsatz, Gewinn, Verschuldung usw.) lernt das Modell, Unternehmen mit dem höchsten langfristigen Wachstumspotenzial zu erkennen.
Der Vergleich aller Unternehmenspaarungen ergibt eine Rangliste der vielversprechendsten Investitionen pro Sektor. Wenn Sie mehr über die Funktionsweise des Rankings erfahren möchten, gehen Sie zurück zu den Anfängen und lesen Sie das Papier Learning to Rank: From Pairwise Approach to Listwise Approach von Cao und Qin.
intelligente Investition
Unser globaler AI-Buffett-Index
Dieses exklusive Portfolio wird bei Solactive als Index berechnet. Mit dem Sector AI Buffett Index investieren wir datenbasiert und breit diversifiziert in die besten Unternehmen, die von unseren KI-Analysen empfohlen werden – eine intelligente Strategie, die bewährte Anlageprinzipien mit moderner Technologie verbindet.
Performance
Marktkapitalisierung
Die meisten Mitglieder des ACATIS AI Index sind mittelgroße Unternehmen, d.h. in der Größenordnung zwischen 1 und 10 Mrd. Euro.
Dies ist keine Überraschung, da der größte Teil des investierbaren Universums in dieses Intervall fällt. Wie im Artikel „Das Dilemma der Marktgröße“ erläutert, sind insbesondere Small und Micro Caps ausgeschlossen. Das Segment der Large Caps umfasst Unternehmen mit einem Wert von mehr als 10 Milliarden Euro, aber immer noch weniger als 100 Milliarden Euro.
Gewichtung nach Sektoren
Folglich bilden wir die Sektorallokation der globalen entwickelten Aktienmärkte so genau wie möglich ab, d.h. der Index ist sektorneutral. Allerdings schließen wir den Finanz- und Immobiliensektor aus und sind umstritten, was den Biotechnologiesektor betrifft. Warum ist das so? Lesen Sie dazu unseren Artikel „Warum wir Finanz- und Immobilienunternehmen ausschließen“.
Bücher über maschinelles Lernen im Finanzsektor
Sammlung großartiger Artikel über ML im Asset Management
Akademische Arbeit über künstliche Intelligenz im Finanzsektor
Hinweis: Einige der Artikel können kostenpflichtig sein.
Financial Machine Learning (2023)
von B. Kelly, D. Xiu
Uncertainty-Aware Lookahead Factor Models for Quantitative Investing (2020)
von L. Chauhan, J. Alberg and Z. Lipton
Can Machines Learn Finance?
von R. Israel, B. Kelly and T. Moskowitz
Missing Financial Data (2023)
von S. Bryzgalova et al.
Deep Learning for Global Tactical Asset Allocation (2018)
von G. Chakravorty et al.
The 10 Reasons Most Machine Learning Funds Fail (2018)
von Lopez de Prado
Autoencoder Asset Pricing Models (2019)
von S. Gu, B. Kelly and D. Xiu