Institutional Money, Ausgabe 1 | 2022

6. Juni 2020 die Nulllinie. 2020 konnte die geschilderte KI-Strategie sowohl beim Glo- bale Aktien Quant Get Capital als auch bei den Long Short Equity Mandaten den MSCI World outperformen. Auch in den vergangenen zwölf Monaten schaffte der globale Aktienfonds bis Redaktionsschluss ein Plus von 14,5 Prozent, während der von Mountain-View errechnete Weltaktienindex nur mit vier Prozent im Plus notierte. Das große Bild Das sind natürlich hervorragende Nach- richten für Get Capital – es stellt sich jedoch die Frage, wie gut KI-Strategien ins- gesamt funktionieren. Blickt man da auf den eingangs erwähnten AI-Outperfor- mance Index von Plexus, können sich Zweifel etablieren. Denn über das Jahr 2021 gesehen lagen die erfassten KI-Fonds mehr- heitlich unterhalb ihrer Benchmark, das heißt, mit einem passiven In- vestment in den jeweiligen Ver- gleichsindex wäre man besser und wahrscheinlich auch billiger gefahren, „was natürlich nicht heißt, dass die Fonds absolut ge- sehen nicht im positiven Bereich performten“, wie Jäger erklärt. Doch lohnt sich der Wechsel von einem menschlichen Mana- ger zu einem KI-gemanagten Fonds inklusive Blackbox? Die Algorithmen und ihre Denkpro- zesse per se sind ja in der Regel nicht einsehbar. Dieser Frage ha- ben sich Rui Chen und Jinjuan Ren von der Universität Macao in ihrer aktuellen Studie „Do AI- Powered Mutual Funds Perform Better?“ gewidmet. Insgesamt identifizieren die Autoren 15 KI-Fonds, „die sich dadurch kennzeichnen, dass sie Methoden des Machine Lear- nings zur aktiven Aktienauswahl heranzie- hen“, wie Ren erklärt. Die Vergleichsgruppe wird möglichst passgenau herausgefiltert und besteht schlussendlich aus 355 ETFs, 300 quantitativ und 611 menschlich gema- nagten Fonds, deren Performance von No- vember 2017 bis Dezember 2019 ausgewer- tet wird. Verglichen mit dem Markt erreichen KI- Fonds nur in einem einzigen der untersuch- ten Einzelmonate einen signifikanten Per- formanceunterschied – der ist dann entmu- tigenderweise auch noch negativ. Unter- sucht man die durchschnittliche Perfor- mance nach Jensens Alpha und dem Fama- French-Fünf-Faktor-Modell (siehe Tabelle „Durchwachsenes Ergebnis“) , so sind die Ergebnisse ebenso wenig aussagekräftig. Selbst wenn man gemäß Kacperczyk nach Skills bei Stockpicking und Timing sucht, ergibt sich kein relevantes Ergebnis. Tatsächlich muss man die Fonds an sich schon gleich gewichten, um zu relevanten Übererträgen gegenüber dem Markt zu kommen. Durch diesen letzten Schritt wer- den die Volumina der einzelnen Fonds geglättet. Geht man davon aus, dass jüngere Fonds weniger Vermögen verwalten als ältere, so erhalten jüngere Fonds bei einer Gleichgewichtung relativ gesehen mehr Relevanz als früher, was die Autoren zu dem Schluss veranlasst, dass „KI-Fonds mit kürzerer Historie besser performen als ältere Fonds“. Tendenziell lässt sich jedoch sagen, dass KI-Fonds gegenüber dem Markt und somit passiven ETF-Produkten keinen sta- tistisch relevanten Performancevorteil errin- gen. Anders sieht es aus, wenn man die KI gegen menschliche Erträge laufen lässt. Dann erwirtschaften die maschinellen Stra- tegien Renditen, die auf marktadjustierter Basis, also auch im Fünf-Faktor-Alpha, sta- tistisch relevant überlegen sind. Interessan- terweise gibt es aber keinen statistisch rele- vanten überlegenen Skill: KI-Fonds weisen gegenüber ihren menschlichen Konkurren- ten weder beim Timing noch beim Stock- picking eine höhere Leistung aus. Woher kommen also die Übererträge? Einer Antwort kann man sich annähern, wenn man die Charakteristika der beiden Fondsgattungen miteinander vergleicht. Dann sind es gar nicht so sehr die Kosten, die den Unterschied ausmachen. Diese sind zwar bei AI-Fonds etwas geringer, aller- dings ist die Differenz statistisch irrelevant. Bedeutungsvoll – zu- mindest mit einer Relevanz von 90 Prozent – gestaltet sich aber die Umschlagshäufigkeit. Diese ist bei menschlichen Fonds mehr als doppelt so hoch wie bei ihren KI-Pendants. Damit wird die Theorie erhärtet, dass KI-Fonds bessere Resultate erzie- len, weil sie über keinen beha- vioristischen Bias verfügen – sie verkaufen in Stressmomenten einfach nicht so schnell wie menschliche Manager, sondern bleiben ihren – sich adaptieren- den – Risikoprofilen treu, was laut Ren dazu führt, dass „KI- gesteuerte Fonds menschlich ge- managte Fonds in signifikanter Art und Weise schlagen“ (siehe Tabelle „KI-Alpha schlägt hu- manes Alpha klar“) . HANS WEITMAYR » KI-gesteuerte Fonds schlagen menschlich gemanagte Fonds in signifikanter Art und Weise. « Jinjuan Ren, Universität Macao Starke Einzelperformance Der Get-KI-Fonds war zuletzt im Herbst 2021 enorm erfolgreich. Neben seinem diszipliniert-maschinellen Risikomanagement ist der Algorithmus auch wieder rechtzeitig ins Risiko gegangen. Der Ausschluss des humanen „Bias“ funktio- niert also in unterschiedlichen Marktphasen. *Daten: Mountain-View Quelle: Institutional Money 0 % 2 % 4 % 6 % 8 % 10 % 12 % 14 % 16 % 18 % 20 % 22 % 24 % Aktien Welt* Global Aktien Quant Get Capital Veränderung in Prozent Feb Jän '22 Dez Nov Okt Sep Aug Jul Jun Mai Apr '21 N o. 1/2022 | www.institutional-money.com 201 P R O D U K T E & S T R AT E G I E N | P ERFORMANC EVERGL E I CH