Institutional Money, Ausgabe 1 | 2020
500 Millionen Euro ab, die über „ein aus- sichtsreiches Exposure zur KI-Thematik verfügen“, wie Prunas erklärt. Ausgewertet werden „täglich vier Millio- nen Datensätze mittels Text- und Stim- mungsanalysen, um letzten Endes auf ein Anlageuniversum von 300 auf die KI- Thematik fokussierte Aktien zu kommen“, wie Maxence Radjabi erklärt. KI trifft auf Algo … Diese aus Oddos Sicht bereits vielver- sprechenden Titel werden in einem zweiten Durchgang vom seit zehn Jahren laufenden quantitativen Modell „Algo 4“ weiter aus- gesiebt. Die bislang rein auf KI-Kriterien abgeklopften Titel werden jetzt hinsichtlich Bewertung, Qualität, Momentum und Marktkapitalisierung überprüft. Relevante Kennzahlen sind in diesem Zusammenhang beispielsweise KGV, EV/Ebitda, Wachstum des freien Cashflows, Eigenkapitalrendite, Umsatz- und Gewinnrevisionen. Aus die- sem Prozess, der sich jedes Quartal wieder- holt, ergeben sich im Idealfall die 60 besten Aktien, die gleichgewichtet ins Portfolio übernommen werden. … und Homo sapiens Das letzte Wort haben jedoch weder KI noch Algorithmus, sondern der gute alte Homo sapiens, „die ausgewählten Unter- nehmen werden einzeln durch die Portfolio- manager überprüft, bevor sie übernommen werden. So können wir vermeiden, dass fal- sche Wortassoziationen durch semantische Fehler entstehen und Nicht-KI-relevante Unternehmen gekauft werden.“ Außerdem können „unternehmensspezifische Ereignis- se wie zum Beispiel Übernahmeangebote die Qualität der technischen Analyse beein- trächtigen“, wie Radjabi erklärt. Tatsächlich gelingt es den Franzosen mit ihrer KI, den von ihnen selbst als Referenz angeführten MSCI World zu schlagen – ein Versuch, bei dem andere KI-Fonds schon gescheitert sind. Kritisch hinterfragen kann man diese Benchmark trotzdem. Denn der Fonds investiert zwar in Unternehmen aller Branchen, die von KI profitieren – also auch in Gesundheitswesen oder Finanz- dienstleistungen – das Exposure Richtung Informationstechnologie und Kommunika- tionsdienstleistungen kommt jedoch auf einen Anteil von rund 56 Prozent. Ver- gleicht man den KI-Fonds angesichts seiner Tech-Lastigkeit mit der Nasdaq, so hinkt die Performance hinterher. Insgesamt zeigt die Case Study also, dass das traditionelle Branchen- und Sektoren- denken in den Hintergrund tritt, stattdessen wird verstärkt auf Themen gesetzt. Auch das binäre Denken KI oder Nicht- KI wird auf den Kopf gestellt, indem das Management versucht, die Vorteile von KI-, Algo- und traditionellen Herangehens- weisen zu kombinieren. Die akademische Betrachtungsweise aus Indiana geht in die- sem Fall also mit dem praktischen Ansatz aus Paris d’accord. HANS WEITMAYR KI/Big-Data-Analyse: Identifizierung der relevantesten Subthemen Der erste Prozessschritt besteht in der sorgfältigen und dynamischen Definition des „KI“-Themas. Quelle: Oddo Einschätzungen der Portfolio- manager zur Definition der wichtigsten Stichwörter zum Thema künstliche Intelligenz Analyse aller Artikel mit KI- Bezug und Identifizierung von „Knotenpunkten“ / der Nähe zwischen Wörtern • Algorithmen zur Verarbei- tung natürlicher Sprache • Statistische Analyse Definition und präzise Einordnung der Subthemen, nach denen die Unternehmen bewertet werden: Erstellung der Rating-Matrix Vierteljährliche Aktualisierung zur schnellen Identifizierung neuer Trends und Chancen Artificial Intelligence Deep Learning Machine Learning Automation Chatbots Quantencomputer Natural Language Processing Cloud AI Datacenter Halbleiter CUDA Datenvisualisierung Prädiktive Analysen Mustererkennung H20 AI Cloud Computing Data Science Algorithmen Virtualisierungsmethoden AutoML OpenCL Bildverarbeitung GPU Computer Vision Neuronale Netzwerke Deep Neural AWS Sagemaker Supercomputer Pytorch Terabytes IBM Watson Virtual Assistant Home Assistant Humanoid Bionik Mechatronik Robotik Drohnen Holografie Computersimulationen Nanotechnologie Sensortechn. Objekterkennung Autonome Autos Radar Cognitive Computing Big Data 152 N o. 1/2020 | www.institutional-money.com T H E O R I E & P R A X I S : KÜNS T L I CHE I NT E L L I GENZ
Made with FlippingBook
RkJQdWJsaXNoZXIy ODI5NTI=