Institutional Money, Ausgabe 2 | 2024

es für den Roll-down einer Schätzung des Investors.“ Diese Schätzung muss die aktuelle Zinskurve sowie die Spreadkur- ve des Emittenten berücksichtigen.Während die Schätzung des Roll-downs für die Zinskurve „noch ein Leichteres ist, da es hier pro Währungsraum nur eine gibt, gibt es für jeden Emittenten mindestens eine, in manchen Fällen sogar mehrere Spreadkurven. Diese sind äußerst komplex und umfangreich in der Berechnung, wenn die Datengrundlage nicht ausreichend ist.“ An dieser Stelle kommt laut Donnerer der Mehrwert einer KI-Strategie zum Tragen. Denn durch diese „können wir fehlende Daten kompensieren und die erwarteten Roll- Erträge aus der Spreadkurve für alle Bonds möglichst homo- gen schätzen. Je präziser diese Schätzung ist, desto präziser ist der erwartete Ertrag am tatsächlichen Ertrag dran. Nur durch eine präzise Schätzung des Ertrags kann beim Port- foliomanagement langfristig ein Mehrwert zu Referenzgrö- ßen erzielt werden“, meint Donner. KI im Währungsmanagement … Ein weiteres großes Segment, in dem KI kaum zum Einsatz kommt, ist das Währungsmanagement, wie auch Denisa Cumova von La Française Systematic Asset Management im Rahmen ihres Workshops auf dem Institutional Money Kongress 2024 erklärte. Demnach können Investoren hier verschiedene Ansätze verfolgen, „wobei der einfachste eine passive Absicherung ist, die das Fremdwährungsrisiko bei- nah vollständig aufhebt“. In Anbetracht der Zinsdifferenz ist die passive Absicherung jedoch oft der kostspieligste Ansatz für den Euro-basierten Anleger. Angesichts des Liquiditäts- bedarfs von Futures und Forwards erhöht eine statische Absicherung demnach das Liquiditätsrisiko des Portfolios. Daher können Anleger gezwungen sein, Vermögenswerte zu ungünstigen Bedingungen zu verkaufen. Dann würde eine statische Absicherung die Partizipation an der US-Dol- lar-Aufwertung beeinträchtigen und damit alle Vorteile der weithin als sicherer Hafen geltenden Währung eliminieren. … und seine Herausforderungen … Angesichts der sich ständig ändernden Marktbedingungen sind die Korrelationen zwischen Anlageklassen und Wäh- rungen dynamisch, und die risikomindernden Eigenschaf- ten einiger Währungen variieren. „Aufgrund dieser Ein- schränkungen greifen Anleger häufig auf einen Kompro- miss zurück, der zwischen einer vollständigen statischen Absicherung und einer nicht abgesicherten Anlagestrategie liegt, die passive Teilabsicherung“, erklärte Cumova. Die optimale Absicherungsquote hängt in dem Fall von mehreren Faktoren ab, welche unter anderem die Absiche- rungskosten, die Cashflows des Portfolios, die Liquidität der Vermögenswerte, die Diversifikationseffekte, die Regulatorik und die Markterwartungen beinhalten. „Auch der Einsatz von Optionen ist aufgrund der hohen Optionsprämien mit hohen Kosten verbunden. Darüber hinaus benötigen die Anleger wie bei Forward/Future-Over- lay-Strategien das Fachwissen und die operativen Vorausset- zungen für eine effiziente Umsetzung und Überwachung solcher Strategien, die die regelmäßigen Hedge-Anpassun- gen an die Wertänderungen im Portfolio mit einschließt“, so Neuronales Netzwerk Eine allgemeine Darstellung zur Charakteristik von neuronalen Netzwerken Die Verarbeitung der vorhandenen Daten erfolgt im maschinellen Lernen über verschiedene Algorithmen auf verschiedenen Ebenen. Diese Methode findet die unterschiedlichsten Anwendungsmöglichkeiten. Einer breiten Öffentlichkeit sind der Einsatz bei der Gesichtserkennung oder beim autonomen Fahren bekannt. La Française verwendet die Technologie etwa zur Berechnung von Verlustwahrscheinlichkeiten in unterschiedlichen Marktphasen. Quelle: La Française, Präsentation IMK 2024 Input Modell Training/Fit Re-Training/Fit Neue Daten Output ML-MODELL EINES NEURONALEN NETZES Vielfältige Daten mit Einfluss auf den Kapitalmarkt Algorithmen: Neural Network Classifier, Support Vector Classifier, Random Forest, Extreme Gradient, Booster, etc. Keine Vorgabe der Parameter und Modellausgestaltung Input Daten / Features Daten Interaktion Output Relation Irrelevant gewordene Daten Prognostizierte Wahrscheinlichkeit Wahrscheinlichkeit eines signifikanten Verlustes 200 N o . 2/2024 | institutional-money.com PRODUKTE & STRATEGIEN | Künstliche Intelligenz FOTO: © SECURITY KAG » Unser Modell kann fehlende Daten kompensieren und die erwarteten Roll- Erträge aus der Spreadkurve für alle Bonds möglichst homogen schätzen. « Stefan Donnerer, Manager Security KAG