germanyde
 „Big Data“ und künstliche Intelligenz stellen quantitative Investoren vor viele Herausforderungen

„Big Data“ und künstliche Intelligenz stellen quantitative Investoren vor viele Herausforderungen

03-07-2018 | Einblicke

„Big Data“ und künstliche Intelligenz (KI) bringen grundlegende Veränderungen für die Finanzindustrie mit sich. Obwohl die Übernahme dieser Innovationen im Assetmanagement noch am Anfang steht, untersucht eine wachsende Zahl von Akteuren, wie sie zur Entwicklung besserer Anlagestrategien genutzt werden können.

  • David Blitz
    David
    Blitz
    Head of Quantitative Research
  • Rob van Bommel
    Rob
    van Bommel
    Managing Director, Portfolio Manager

In aller Kürze

  • Mit Hilfe von „Big Data“ und KI können Anleger bessere Entscheidungen treffen
  • Die Anpassung von Daten und deren kurze Historien werfen Fragen bezüglich der Robustheit auf
  • Wir wenden unsere bedächtige, wegweisende Philosophie auf diesem Gebiet an

Auch wenn eine Verbesserung der Datenauswertung Anlegern wertvolle Erkenntnisse liefern mag, gibt es zumindest bisher wenig handfeste Beweise dafür, dass „Big Data“ und künstliche Intelligenz (KI) in der Praxis wirklich funktionieren. Konkrete Beispiele dafür, dass Portfoliomanager im realen Leben mit Hilfe dieser Techniken dauerhaft überdurchschnittliche Renditen erzielen, gibt es bislang nicht.

Um eine solide Anlagestrategie zu entwickeln, sind umfangreiche empirische Tests und Verifizierungen auf der Grundlage umfangreicher Datenproben und über lange Zeiträume hinweg erforderlich. „Beweise“ für das Funktionieren von „Big Data“ und KI beschränken sich bisher weitgehend auf Erfahrungsberichte. Auf „Big Data“ und KI basierenden Strategien fehlt möglicherweise auch die erforderliche Unterlegung durch klare wirtschaftliche Argumente. Tatsächlich beruhen die meisten Anlageideen nur auf den Ergebnissen von auf dem Papier durchgeführten Backtests, die immer mit Vorsicht zu genießen sind.

Diese unterschiedlichen Elemente sind mit einer vorsichtigen, faktengestützten Anlagephilosophie, wie sie Robeco verfolgt, schwer in Einklang zu bringen. Wir sind immer bestrebt, Faktoren zu erkennen, die auf längere Sicht durch eine hervorragende risikoadjustierte Performance belohnt werden. Zudem blicken wir über bloße statistische Muster hinaus und versuchen, die wirtschaftlichen Renditetreiber zu verstehen.

Bleiben Sie in Bezug auf Einsichten zu Quantitative Investing auf dem Laufenden.
Bleiben Sie in Bezug auf Einsichten zu Quantitative Investing auf dem Laufenden.
Anmelden

Technische Herausforderungen

Geld auf der Grundlage eines ungeprüften KI-Algorithmus anzulegen, der exotische Datenbestände durchforstet, wirft deshalb viele Fragen auf, auch wenn „Big Data“ und KI bei Anlegern inzwischen ein beliebtes Gesprächsthema sind. Darüber hinaus stellen diese Innovationen Assetmanager, die sie in ihren Investmentprozess integrieren wollen, vor etliche Herausforderungen.

Die erste dieser technischen Herausforderungen besteht darin, dass „Big Data“-Datenbestände im Allgemeinen nur einen kurzen oder sogar sehr kurzen Zeitraum abdecken. Die zweite Herausforderung hat damit zu tun, dass es den meisten „Big Data“-Signalen an Breite fehlt oder dass sie zumindest stark fragmentiert sind. Ein weiteres Problem ist die sehr kurzfristige Fokussierung vieler Signale, die von „Big Data“- und KI ausgehen. Und schließlich ist es nicht leicht, an Datenbestände hoher Qualität zu kommen, die außerdem sehr teuer sein können.

Bis auf weiteres sehen wir mehr Potenzial darin, an den Renten-, Options- und Kreditmärkten vorhandene Datensignale mit Hilfe bewährter und transparenter Techniken zu analysieren

Wegen der vorstehend erwähnten Vorbehalte betrachten wir den aktuellen Trend rund um „Big Data“ und KI als eine sehr interessante Entwicklung, die aber mit Vorsicht behandelt werden sollte. Bis auf weiteres sehen wir mehr Potenzial darin, an den Renten-, Options- und Kreditmärkten vorhandene Datensignale mit Hilfe bewährter und transparenter Techniken zu analysieren, als exotische „Big Data“-Variablen mit komplexen Algorithmen auszuwerten.

Andererseits sind wir uns auch der potenziellen Beeinträchtigungen bewusst, die diese Art von Innovationen in der Zukunft mit sich bringen kann. In der Vergangenheit waren die Datenbestände, die heute von vielen quantitativen Assetmanagern verwendet werden, mit ähnlichen Problemen behaftet wie „Big Data“ heute. Im Lauf der Jahre haben sich die Qualität, Breite und Historie dieser Datenbestände verbessert, und sie sind nutzbar geworden. Wenn die Zeit weiter voranschreitet und mehr Daten verfügbar werden, kann wahrscheinlich auch „Big Data“ besser genutzt werden.

Man muss nicht unbedingt zwischen dem einen und dem anderen wählen

Und schließlich ist das grundsätzliche Problem für Anleger vielleicht nicht unbedingt, zwischen einer Kategorie von Daten und einer anderen wählen zu müssen. Zwischen dem Festhalten an traditionellen Kursdaten und den in Finanzausweisen enthaltenen Informationen einerseits und dem reinen Sich-Verlassen auf Dinge wie Satellitenbilder von Parkplätzen andererseits gibt es ein breites Spektrum von Möglichkeiten. Zum Beispiel könnten „Big Data“- und KI-Signale für auf Fundamentaldaten abstellende Renten- und Aktienmarktanalysten sehr nützlich sein. Dies würde sich dann in unseren quantitativen Strategien niederschlagen, die von Analysten vorgenommene Revisionen berücksichtigen. Und damit würden wir indirekt „Big Data“- und KI-Informationen nutzen.

Logo

Disclaimer

Ich bestätige ein professioneller Kunde zu sein.

Die Informationen auf der nachfolgenden Website der Robeco Deutschland, Zweigniederlassung der Robeco Institutional Asset Management B.V., richten sich ausschließlich an professionelle Kunden im Sinne von § 67 Abs. 2 (WpHG) wie beispielsweise Versicherungen, Banken und Sparkassen. Die auf dieser Website dargestellten Informationen sind NICHT für Privatanleger bestimmt und entsprechen nicht den für Privatanleger maßgeblichen gesetzlichen Bestimmungen.

Wenn Sie kein professioneller Kunde sind, werden Sie auf die Privatkundenseite weitergeleitet.

Nicht Zustimmen