Wo der eigentliche Vorteil von KI liegt

Künstliche Intelligenz (KI) ist seit Jahrzehnten ein fester Bestandteil des Quantitative Investing. Maschinelles Lernen, Verarbeitung natürlicher Sprache und alternative Daten werden bereits eingesetzt, um Muster zu erkennen, Signale zu extrahieren und Informationen in einem Umfang zu verarbeiten, der manuell unmöglich wäre. Der Aufstieg der agentenbasierten KI wirft allerdings eine andere Frage auf.

Die anfängliche Debatte rund um KI im Anlagebereich konzentrierte sich häufig auf die Leistungsfähigkeit der Modelle. Könnte KI Renditen besser prognostizieren? Könnte sie neue Signale entdecken? Könnte sie Research automatisieren? Diese Fragen sind immer noch wichtig. Doch je mehr Vermögensverwalter Zugang zu ähnlichen grundlegenden Modellen erhalten, desto wichtiger könnte die Frage werden: Worin besteht eigentlich der Vorteil im Anlagebereich? Die Antwort dürfte wohl kaum allein im Modellzugang liegen.

Wenn alle leistungsstarke Modelle zu weitgehend ähnlichen Bedingungen lizenzieren können, verliert der Modellzugang an Besonderheit. Der nachhaltige Wettbewerbsvorteil, wie in Abbildung 1 unten hervorgehoben, wird sich eher in den um das Modell herum aufgebauten Arbeitsabläufen widerspiegeln: wie Research-Fragen formuliert werden, wie Daten zugeordnet werden, wie frühere Validierungsfehler erfasst werden, wie Portfoliobeschränkungen angewendet werden, wie Empfehlungen geprüft werden und welche Personen weiterhin für Anlageentscheidungen verantwortlich sind.

Agentenbasierte KI unterscheidet sich von einem typischen KI-Assistenten oder Copiloten. Ein Copilot reagiert in der Regel auf eine Aufforderung: bitte zusammenfassen, einen Entwurf erstellen, den Code vervollständigen. Ein agentenbasiertes System kann ein Ziel in mehreren Schritten verfolgen. Es kann den Kontext von einer Phase in die nächste übertragen, entscheiden, welche Instrumente aufgerufen werden sollen, und eine Ausgabe erzeugen, auf der eine Person oder ein anderes System aufbauen kann.

Sobald KI tatsächlich in der Lage ist, über einen gesamten Arbeitsablauf hinweg zu agieren, stellt sich eine neue Kontrollfrage: Erscheint die Antwort des Modells zutreffend, und war der Arbeitsablauf sicher, überprüfbar und reversibel?

Dies ist besonders im Finanzwesen sehr wichtig. Märkte liefern ungenaue und verzögerte Rückmeldungen. Falsch-positive Ergebnisse könnten überzeugend wirken. Historische Stichproben sind im Verhältnis zur Anzahl der überprüften Ideen oft klein. Ein ausgefeiltes Memo kann mehr unangebrachte Zuversicht wecken als ein umständliches, insbesondere wenn sich hinter einer flüssigen Prosa unbegründete Behauptungen verbergen.

Anlageentscheidungen unterliegen zudem Einschränkungen, die ein Modell allein möglicherweise nicht vollständig erfassen kann: Mandatsvorgaben, Risikobudgets, Liquidität, Transaktionskosten, Benchmarkorientierung, steuerliche Aspekte, Umsetzungskapazitäten sowie Überschneidungen mit bestehenden Signalen. Eine statistisch interessante Idee ist nicht unbedingt auch investierbar.

Aus diesem Grund sollte das Versprechen einer agentenbasierten KI im Anlagebereich nicht als „autonome Generierung von Alpha“ dargestellt werden. Eine realistischere und sinnvollere Sichtweise ist, dass agentenbasierte KI dazu beitragen kann, die Suche nach Anlageideen zu erweitern, zu beschleunigen und zu strukturieren – vorausgesetzt, der zugehörige Arbeitsablauf ist robust genug, um Fehler zu erkennen, bevor sie sich auswirken.

Bei einem modellorientierten KI-Ansatz liegt der Schwerpunkt darauf, welches Modell das beste ist. Aus einer am Arbeitsablauf orientierten Perspektive verlagert sich der Fokus darauf, welche Daten das Modell lesen darf, welche Aktionen es ausführen darf, welche Informationen es aufzeichnen muss und an welchen Stellen eine menschliche Genehmigung erforderlich ist.

Entscheidend ist, dass Vermögensverwalter genau hier etwas aufbauen können, das schwerer zu kopieren ist. Ein Frontier-Modell lässt sich ersetzen, nicht jedoch das vergangene Research eines Unternehmens, ebenso wenig wie dessen firmeneigene Datenzuordnungen, frühere fehlgeschlagene Tests, Eskalationsregeln, die Disziplin beim Portfolioaufbau oder das gesammelte Wissen darüber, wo scheinbar attraktive Signale in der Regel versagen.

Für quantitative Anleger ist dies ein bekanntes Konzept. Die Research-Qualität hängt nicht nur davon ab, ein vielversprechendes Signal zu erkennen, sondern auch davon, zu prüfen, ob dieses robust, zusätzlich und umsetzbar ist und mit den Zielen des Portfolios im Einklang steht. Agentenbasierte KI verstärkt lediglich die Notwendigkeit, diese bekannte Vorgehensweise in den Arbeitsablauf zu integrieren.

Der Vorteil könnte sich also von der Frage „Wer hat das beste Modell?“ hin zu der Frage „Wer verfügt über den am besten kontrollierten Research-Prozess rund um das Modell?“ verlagern.

Eine praktische Herangehensweise an kontrollierte, agentenbasierte Arbeitsabläufe lässt sich anhand von drei Phasen veranschaulichen: Verankerung, Stabilität und Berechtigungsprüfung. Auf alle drei gehen wir im Kapitel „KI und Governance“ näher ein.

Verankerung bedeutet, dass im Arbeitsablauf nachgewiesen werden muss, dass die verwendeten Informationen zum Zeitpunkt der angeblichen Durchführung der Analyse verfügbar waren, damit keine späteren Informationen in den Research-Prozess einfließen. Die Stabilität gewährleistet, dass das Modell nicht nur überzeugend klingt, sondern auch ein Ergebnis bereitstellt, das robust genug ist, um es zu untersuchen. Letztendlich geht es bei der Berechtigungsprüfung darum, Grenzen zu setzen, die durch die Infrastruktur und Genehmigungsrechte durchgesetzt werden und nicht dem eigenen Ermessen des Modells überlassen bleiben.

Gemeinsam tragen diese Mechanismen dazu bei, dass sich die agentenbasierte KI von einem cleveren Assistenten zu einem kontrollierten Bestandteil des Investmentprozesses entwickelt. Anstatt Alpha zu garantieren, tragen sie dazu bei, dass KI-gestützte Arbeit fundiert, überprüfbar und angemessen begrenzt ist, bevor Menschen entscheiden, wie damit umgegangen werden soll.

Betrachten wir einen typischen Arbeitsablauf im Quant-Research. In einer neuen wissenschaftlichen Arbeit wird ein möglicher Faktor vorgeschlagen. Ein agentenbasierter Arbeitsablauf scannt den Artikel, extrahiert die Methodik, ordnet die erforderlichen Eingaben der Research-Umgebung des Unternehmens zu, führt eine Replikation durch, vergleicht das Ergebnis mit der bestehenden Modellpalette und erstellt einen Entwurf für ein Memo, in dem die Erkenntnisse zusammengefasst werden.

Das könnte Zeit sparen. Bevor jedoch eine Idee Einfluss auf ein Modell oder ein Portfolio nehmen kann, muss der Arbeitsablauf eine gezieltere Frage zum Alpha beantworten: Was genau wurde nachgewiesen?

Ein kontrollierter Arbeitsablauf sollte aufzeigen, ob das vorgeschlagene Signal reproduziert werden konnte, ob es sich um Momentaufnahmen handelte, ob das Ergebnis angemessene Schwankungen überstanden hat, ob es eine Ergänzung zur bestehenden Modellpalette darstellt und ob es unter Berücksichtigung von Kosten, Liquidität, Risiken und mandatsbezogenen Beschränkungen weiterhin umsetzbar ist. Sollte die Idee diese Hürden nicht nehmen, sollte im Arbeitsablauf festgehalten werden, warum sie abgelehnt wurde oder warum sie noch nicht ausgereift ist, anstatt sie als ergänzend darzustellen.

Der Agent kann die Nachweise vorbereiten und die Entscheidungspunkte aufzeigen, sollte jedoch nicht darüber entscheiden, das Signal in ein Modell einzubeziehen oder Kapital zuzuweisen. Diese Entscheidungen verbleiben bei den benannten Personen.

Der unmittelbare Nutzen einer agentenbasierten KI besteht darin, dass sie dazu beitragen könnte, den Beweismaßstab zu erhöhen, bevor ein Alpha-Versprechen abgegeben wird. Kann es beispielsweise unbegründete Behauptungen bereits vor der Überprüfung durch Fachkräfte reduzieren? Kann es explizite Vermutungen anstellen? Kann dies auf eine Instabilität eines vorgeschlagenen Ergebnisses hinweisen? Kann damit festgestellt werden, ob ein Signal tatsächlich einen Mehrwert gegenüber dem bereits im Portfolio enthaltenen Bestand darstellt? Kann es die Implementierungsbeschränkungen ermitteln, die im Live-Betrieb von Bedeutung wären?

Es handelt sich hierbei um messbare Prozessergebnisse, die den Weg von der Idee bis zur Anlageentscheidung strukturierter gestalten. In der Vermögensverwaltung können mangelhafte Prozesse dazu führen, dass vielversprechende Research-Ergebnisse nur unzureichend umgesetzt werden. Ein solider Prozess trägt dazu bei, dass Ideen aus den richtigen Gründen weiterentwickelt, überarbeitet oder verworfen werden. Agentenbasierte KI könnte gerade deshalb von großem Wert sein, weil sie dazu beitragen kann, Teile dieses Fachgebiets zu institutionalisieren – sofern sie von Anfang an mit Kontrollmechanismen ausgestattet ist.