Jenseits des Hypes: 5 überraschende Wege, wie KI das Finanzwesen still und leise umgestaltet

Die meisten Diskussionen über künstliche Intelligenz im Finanzwesen drehen sich immer noch um eine Idee: eine ultraintelligente Maschine, die den Markt schlägt. Das ist ein unterhaltsames Bild, aber es lenkt von dem wirklichen Wandel ab, der die Branche bereits umgestaltet. Bei den wichtigsten Fortschritten in der KI geht es nicht darum, dass Maschinen das menschliche Urteilsvermögen ersetzen. Vielmehr geht es darum, Anlegern neue Instrumente an die Hand zu geben, um Märkte zu verstehen, Risiken zu managen und bessere Strategien zu entwickeln.

Die jüngste Monographie des CFA Institute, AI in Asset Management, beleuchtet einen Wandel, der weitaus interessanter ist als die übliche Automatisierungsgeschichte. Die KI beginnt, Strukturen in Finanzdaten aufzudecken, die zuvor unsichtbar waren. Sie bietet neue Perspektiven für das Verständnis systemischer Risiken. Sie hilft Händlern, mit komplexen Entscheidungen zu experimentieren. Sie bietet sogar Möglichkeiten, das Know-how erfahrener Anleger zu erfassen, die ihre eigene Intuition nur schwer beschreiben könnten.

Nichts von alledem ersetzt den Menschen. Vielmehr erweitert es die Reichweite des menschlichen Fachwissens. Im Folgenden finden Sie fünf Ideen, die zeigen, wie sich dieser Wandel vollzieht.

1. KI deckt verborgene Strukturen auf den Märkten auf und versucht nicht nur, sie vorherzusagen

Wenn man "maschinelles Lernen" hört, denkt man zuerst an Prognosen. Doch eine der leistungsfähigsten Anwendungen von KI im Finanzbereich hat nichts mit der Vorhersage der Zukunft zu tun. Es geht darum, herauszufinden, wie die Märkte im Moment strukturiert sind.

Unüberwachtes Lernen konzentriert sich auf die Entdeckung von Mustern. Es funktioniert ohne markierte Beispiele oder vordefinierte Antworten. Anstatt zu lernen, was "richtig" ist, erforscht das Modell die Daten und findet selbständig Zusammenhänge. Dies ist im Finanzwesen äußerst nützlich, wo die "richtige" Antwort oft unklar ist.

Ein gutes Beispiel ist die Hierarchische Risikoparität, eine Portfoliokonstruktionsmethode, bei der Vermögenswerte nach ihren Korrelationsmustern gruppiert werden, bevor das Kapital zugewiesen wird. Indem Vermögenswerte zuerst gruppiert werden, verringert HRP das Risiko, sich zu stark auf Positionen zu konzentrieren, die nur scheinbar nicht miteinander verbunden sind. Es hilft Anlegern, die Instabilität und die blinden Flecken zu vermeiden, die bei traditionellen Optimierern häufig auftreten.

So gesehen wird AI zu einem Entdeckungswerkzeug. Sie offenbart die interne Struktur des Marktes, so dass Anleger mit einem klareren Bild der Gegenwart bessere Entscheidungen treffen können.

Hierarchische Risikoparität gruppiert Vermögenswerte vor der Kapitalallokation in Clustern, wodurch die Konzentration verringert und die Stabilität verbessert wird.

Quelle: Jenseits der Risikoparität: Der Algorithmus der hierarchischen Risikogleichheit

2. Um systemische Risiken zu verstehen, ist eine netzwerkorientierte Denkweise erforderlich

Die Finanzkrise von 2008 hat gezeigt, wie fragil vernetzte Systeme sein können. Herkömmliche Risikomodelle behandelten die Institute oft als separate Einheiten, was bedeutete, dass sie nur schwer erfassen konnten, wie sich Stress über das System ausbreitet.

Die Netzwerktheorie bietet einen besseren Ansatz. Sie stammt aus Bereichen wie der Analyse sozialer Netzwerke, wo Forscher untersuchen, wie der Einfluss zwischen Knotenpunkten fließt. Im Finanzwesen kann ein "Knoten" eine Bank, ein Vermögenswert oder sogar ein Markt sein.

Eine nützliche Idee ist die Eigenvektor-Zentralität. Sie geht über das Zählen von Verbindungen hinaus und untersucht die Bedeutung dieser Verbindungen. Eine mittelgroße Bank, die mehrere große Institute miteinander verbindet, kann von größerer systemischer Bedeutung sein als eine große Bank, die an der Peripherie sitzt. Ihr Ausfall kann allein aufgrund ihrer Position im Netzwerk eine größere Kaskade auslösen.

Das Denken in Netzwerken hilft den Anlegern, Schwachstellen zu erkennen, die bei größenbasierten Metriken übersehen werden. Es verlagert den Schwerpunkt von "wer ist groß" auf "wer ist in einer Weise verbunden, die wichtig ist".

3. Die flexibelsten Algorithmen lernen durch Handeln, nicht durch Auswendiglernen der Vergangenheit

Die meisten Modelle für maschinelles Lernen sind auf historische Daten angewiesen. Sie suchen nach Mustern und Korrelationen und nutzen diese Muster dann für Vorhersagen. Verstärkungslernen funktioniert anders.

Anstatt die Vergangenheit zu studieren, lernt ein RL-Agent durch Versuch und Irrtum. Er experimentiert. Er probiert Aktionen aus, beobachtet die Ergebnisse und passt seine Strategie auf der Grundlage der erhaltenen Belohnungen oder Bestrafungen an. Das macht ihn besonders nützlich in Situationen, in denen sich Entscheidungen im Laufe der Zeit entfalten und die Abwägungen komplex sind.

Ein klassischer Anwendungsfall ist die Ausführung von Geschäften. Ein Händler, der eine große Position verkaufen muss, ist mit zwei Risiken konfrontiert: entweder er handelt zu schnell und drückt den Preis nach unten oder er handelt zu langsam und leidet unter ungünstigen Marktbewegungen. Ein RL-Agent kann Tausende von Szenarien simulieren, aus ihnen lernen und schließlich einen ausgewogenen Ansatz finden, der sich an die sich ändernden Marktbedingungen anpasst.

Das Ergebnis ist keine Maschine, die Märkte vorhersagt. Es ist eine Maschine, die lernt, wie man Entscheidungen in einem dynamischen Umfeld trifft.

Das Verstärkungslernen optimiert Strategien, indem es mit einer Umgebung interagiert und aus Rückmeldungen lernt - ähnlich wie ein Händler die Ausführung verfeinert.

Quelle: Mathworks.com

4. KI kann helfen, die "geheime Soße" von Experten zu entschlüsseln

Einige der faszinierendsten Forschungsarbeiten im Bereich der KI konzentrieren sich auf das Verständnis des Verhaltens von Experten. Das Inverse Reinforcement Learning greift diese Idee auf. Anstatt dem Modell ein Ziel vorzugeben, gibt man ihm Beispiele für die Entscheidungsfindung von Experten. Das Modell arbeitet dann rückwärts, um daraus abzuleiten, worauf diese Experten ihre Entscheidungen optimiert haben.

Stellen Sie sich vor, Sie hätten die komplette Handelshistorie eines erfolgreichen Portfoliomanagers. Selbst wenn diese Managerin ihren eigenen Prozess nicht artikulieren kann, kann ein IRL-Modell versuchen, auf ihre zugrunde liegenden Präferenzen zu schließen. Vielleicht hat sie implizit tiefe Drawdowns vermieden, einen niedrigen Umsatz bevorzugt oder das Risiko auf eine bestimmte Weise ausgeglichen.

IRL bietet einen Weg, instinktives Fachwissen in etwas Messbares und Prüfbares zu übersetzen. Es ersetzt zwar nicht die menschlichen Fähigkeiten, aber es könnte das Urteilsvermögen auf hoher Ebene besser übertragbar und besser verständlich machen.

5. KI-generierte Daten können reale Modelle stärken

Finanzmodelle stützen sich oft auf die begrenzte Historie, die uns zur Verfügung steht. Dies ist ein Problem, wenn seltene Ereignisse am wichtigsten sind. Generative Modelle bieten eine kreative Lösung.

Bei Generative Adversarial Networks beispielsweise werden zwei neuronale Netze gegeneinander trainiert. Das eine erzeugt synthetische Daten, während das andere versucht, echte von gefälschten Daten zu unterscheiden. Mit der Zeit wird der Generator extrem gut darin, realistische Marktszenarien zu erzeugen.

Diese künstlichen Daten können verwendet werden, um Modelle in Umgebungen zu testen, die nie eingetreten sind, aber hätten eintreten können. Dadurch wird die Bandbreite möglicher Krisen erweitert, auf die sich Anleger vorbereiten können. Sie helfen bei der Validierung von Strategien unter Bedingungen, die weit über den schmalen Ausschnitt der in der Geschichte aufgezeichneten Realität hinausgehen.

Wenn die Vergangenheit ein unvollkommener Leitfaden ist, werden synthetische Daten zu einem wertvollen Mittel, um die Zukunft zu erforschen.

Schlussfolgerung: KI wird zu einem Partner, nicht zu einem Ersatz

Die fünf oben genannten Ideen spiegeln eine Abkehr von der Fantasie völlig autonomer Handelsmaschinen wider. Die Realität ist viel praktischer und weitaus nützlicher. KI hilft Anlegern, Muster zu erkennen, die sie vorher nicht sehen konnten, Risikonetzwerke auf neue Weise zu verstehen, aus dynamischen Umgebungen zu lernen und Formen des Fachwissens zu erfassen, die bisher der menschlichen Intuition vorbehalten waren.

Das Ziel besteht nicht darin, den Menschen aus dem Prozess zu entfernen. Vielmehr geht es darum, das Urteilsvermögen zu stärken und das Instrumentarium der Anlageexperten zu erweitern. In einer Welt, die immer komplexer wird, wird diese Kombination aus menschlicher Einsicht und maschineller Intelligenz den Anlegern helfen, die Nase vorn zu behalten.