Zwar gibt es ML als theoretisches Konzept bereits seit vielen Jahren. Doch erst jüngste Fortschritte bei der Leistung von Cloud Computing haben es ermöglicht abzuschätzen, wie ML im Anlagemanagement von Nutzen sein kann. Die zunehmende Popularität spiegelt sich im starken Anstieg von Forschungspapieren aus den letzten Jahren wider, in denen der Einsatz von „Künstlicher Intelligenz“ (KI) und ML im quantitativen Asset Management untersucht wird.

Einige der meistzitierten Studien berichten von vielversprechenden Ergebnissen bei der Prognose von Aktienrenditen auf 1-Monats-Sicht bei der Verwendung von ML gestützt auf eine Vielzahl von traditionellen Prognosevariablen als Inputs. Obwohl die Modelle zum Teil bekannte Faktoren nutzen, können sie einen Mehrwert dadurch bieten, dass sie nicht-lineare Alpha-Chancen und Wechselwirkungen erfassen.

Allerdings sind diese ermutigenden Resultate im Wesentlichen noch theoretischer Natur. Die sich ergebenden dynamischen Alpha-Signale in der Praxis in rentable Anlagestrategien zu verwandeln – berücksichtigt man Kosten und andere Position bei der realen Umsetzung – ist leichter gesagt als getan. Zum einen gibt es nur wenig Forschungsliteratur, in der die Frage der praktischen Umsetzung untersucht wird.

Zum anderen deuten die meisten Studien darauf hin, dass das Outperformance-Potential von ML-Modellen gegenüber traditionellen häufig dadurch beeinträchtigt wird, dass sie sich auf Signale stützen, die sich rasch ändern. Aus diesem Grund ist kürzlich versucht worden, ökonomische Gegebenheiten in die Verlustfunktionen zu integrieren, sodass das ML-Modell sich auf Aktien konzentrieren kann, die leichter zu handeln sind. Diese Bemühungen sollten es wahrscheinlicher machen, aus der Prognosekraft von ML-Modellen Kapital zu schlagen.

Neben der Prognose von Renditen sind weitere vielversprechende Anwendungen von ML vorgeschlagen worden. Dazu zählt die Optimierung traditioneller Faktoren, indem aus unstrukturierten Daten neue Variablen konstruiert werden und neben der Rendite andere Kennzahlen prognostiziert werden, beispielsweise in Bezug auf Risiko oder Nachhaltigkeit. Deshalb hatte die Anwendung von ML-Methoden im Asset Management bislang eher den Charakter einer Evolution als einer Revolution.

Wahrscheinlich dürften Asset Manager, welche die Fortschritte bei ML ignorieren, in Zukunft schlechter als diejenigen abschneiden, die ML einsetzen. Beispielsweise lässt die Fähigkeit zur Automatisierung der Aufgaben traditioneller Analysten, beispielsweise das Lesen, Sehen oder Hören von Informationen, letztlich beträchtliche Produktivitätsgewinne erwarten. Voraussetzung ist, dass ein Asset Manager über die notwendige Infrastruktur verfügt und unterschiedliche umfangreiche Datensätze und Signale in großem Stil analysieren kann.

Jedoch kann die Abkehr von einem theoretischen ökonomischen Fundament und der Übergang zu einem vollständig digitalbasierten Ansatz umgekehrt ebenfalls nachteilig sein. Anleger können die Fähigkeit eines Asset Managers zur erfolgreichen Weiterentwicklung seines Investmentprozesses erkennen und evaluieren, indem sie genau untersuchen, welches Research-Verfahren genutzt wird. Letzteres ist der Schlüssel zum Erfolg von ML in der Praxis und zur Vermeidung der zahlreichen Fallstricke.

Alles in allem haben die Forscher gerade erst begonnen, die endlosen Möglichkeiten von ML zu erkunden. Für die nächsten Jahre sind zahlreiche spannende Neuentdeckungen zu erwarten. Allerdings dürfte das menschliche Wissen wichtig bleiben. Denn der Anteil verwertbarer Signale ist gemessen an der Vielzahl der finanziellen Daten gering und es besteht ein hohes Risiko einer Überanpassung.