Institutional Money, Ausgabe 2 | 2024

D as Thema „KI“ steht seit der öffentlichen Ver- fügbarkeit von ChatGPT so gut wie vollständig im Bann von generativen KI-Modellen. Das lässt sich unter anderem recht konklusiv aus einer Auswertung der Wissensdatenbank SSRN schließen. Wertet man die Einträge seit Etablierung der Datenbank aus, so machen Fachbeiträge, die sich mit ChatGPT beschäftigen, 50 Prozent aller Texte zum Thema KI aus – und das obwohl ChatGPT erst seit November 2022 öffentlich verfügbar ist. Das ist die erste Auffälligkeit. Die zweite ist, dass die große Mehrzahl der Untersuchun- gen, bei denen KI-Strategien getestet oder implementiert werden, auf die Assetklasse „Aktien“abzielt.Noch eklatanter wird dieser Fokus, wenn es um faktische Anwendungen im Asset Management geht. Einige wenige Ausnahmen gibt es jedoch – beispielsweise die Austro-Boutique Security KAG, die eine KI-Strategie für den Anleihenbereich entwickelt hat. Stefan Donnerer setzt für das Investmenthaus die Strategie um. Die Frage, warum es einen derartigen Überhang an Aktienstrategien gibt, beantwortet Donnerer folgender- maßen: „Gängige KI-Varianten im Aktienbereich sind meist auf einer Fundamentalanalyse einzelner Unternehmen auf- gebaut.Hier werden solche Systeme eingesetzt, um beispiels- weise die Qualität oder Veränderungen von Bilanzkennzah- len frühzeitig zu erkennen, um daraus Kurssignale abzu- leiten. Andere Methoden verarbeiten beispielsweise globale News-Ströme, filtern und analysieren diese auf etwaige Kurs- auswirkungen auf einzelne Unternehmen. Die Einsatzmög- lichkeiten sind hier wirklich sehr groß und variantenreich, zielen aber meist darauf ab, aus bestehenden Daten Rück- schlüsse auf zukünftige Ereignisse zu ziehen.“ KI-Modell für Anleihen Anleihen sind laut Donnerer grundsätzlich anders aufge- baut als Aktien. Hier stehen demnach nicht zukünftige mögliche Wertentwicklungen aufgrund von positiven Ge- schäftszahlen oder bahnbrechende Innovationen im Vorder- grund, sondern einfach und allein der Zahlungsstrom einer KI-Strategien weisen in der jüngeren Vergangenheit zwei Foki aus: Der eine heißt „Aktien“, der andere „ChatGPT“. Nicht zuletzt auf dem Institutional Money Kongress 2024 erfuhr man, welche Einsatzmöglichkeiten es sonst noch gibt. Klassische Analyse vs. künstliche Intelligenz Unterschied zwischen klassischer Quant-Prognose und KI-Modellen KI-Modelle sind klassischen Quant-Modellen bei der Erfassung nichtlinearer Modelle überlegen. Auf der anderen Seite bedeutet das jedoch, dass es für lineare Zusammenhänge ausreicht, die bewährten und meist kostengünstigeren Quant-Modelle einzusetzen. Auf den Aufbau oder Zukauf mächtiger und komplexer Machine- Learning-Modelle kann in diesem Fall verzichtet werden. Quelle: La Française, Präsentation IMK 2024 Klassisches Modell Machine-Learning-Modell Zusammenhang zwischen abhängiger und unabhängiger Variable ist durch lineare Modelle nicht ausreichend erkennbar • Erfasst nur lineare Zusammenhänge • Theorie definiert das Modell • Fokus auf In-Sample • Deckt komplexe mehrdimensionale Zusammenhänge auf • Daten bestimmen das Modell • Fokus auf Out-of-Sample -40 % -30 % -20 % -10 % 0 % 10 % 20 % 30 % 3 2 1 0 -40 % -30 % -20 % -10 % 0 % 10 % 20 % 30 % 3 2 1 0 Ex ante Month. Eq. Return Ex ante Month. Eq. Return KI abseits des Mainstreams 198 N o . 2/2024 | institutional-money.com PRODUKTE & STRATEGIEN | Künstliche Intelligenz