Effizienzgewinne und Performance-Vorteile durch Machine Learning
Die finale Entscheidung trifft der Mensch
 

Mit ihren aktiv gemanagten Fonds stehen die Kapitalverwaltungsgesellschaften unter doppeltem Druck: Zum einen sind die Produkte im Vergleich zu den börsengehandelten Indexfonds (ETF) zu teuer, zum anderen fällt es den Portfoliomanagern immer schwerer, ihre Benchmark zu schlagen. Mithilfe von Machine Learning könnten aktive Fonds für den Endkunden attraktiver und günstiger werden. Ansätze auf der Basis von Big Data verbessern hierbei die Effizienz.

Was für manche noch wie Zukunftsmusik klingt, ist heute längst möglich: Ein Programm wertet Millionen von Informationen aus dem Internet aus, die die Aktien-, Renten-, Rohstoff- und Devisenmärkte ebenso beeinflussen können wie die Stimmungen von Hedgefonds und anderen institutionellen Akteuren. Die Maschine lernt eigenständig dazu, ohne explizit auf eine Vorgehensweise programmiert zu werden. Je mehr Daten sie prüft, desto bessere Prognosen kann sie abgeben. Theoretisch könnte sie einen Fonds sogar alleine managen. Stattdessen empfiehlt die Machine-Learning-Anwendung aber nur eine Handlung. An letzter Stelle steht – auch aufgrund der gesetzlich geforderten Nachvollziehbarkeit im Handel mit Wertpapieren – der Portfoliomanager. Der Mensch entscheidet darüber, ob er den Ratschlag für plausibel hält und eine Order platziert.

Derzeit setzen nur wenige Anbieter aktiv gemanagter Fonds auf Machine Learning. Doch in etwa fünf Jahren wird es selbstverständlich sein, dass selbstlernende Maschinen den Fondsmanager bei seiner Arbeit unterstützen. Damit entstehen neuartige Prognosemodelle, die auf der Auswertung öffentlich zugänglicher Informationen wie Zeitungsartikeln, Blog- und Twitter-Beiträgen beruhen. In den USA arbeiten oder experimentieren bereits große Fondsgesellschaften und Banken wie BlackRock, Goldman Sachs und JP Morgan mit den Modellen, während es in Deutschland bislang zumeist nur wenige Nischenanbieter sind. Das wird sich bald ändern. Die Voraussetzungen für einen operativen Einsatz von Machine Learning sind bereits erfüllt: Im Zeitalter von Big Data verzeichnet das Datenvolumen exponentielles Wachstum. Die technologischen Möglichkeiten entwickeln sich rasant – das gilt für die Rechnerleistung, die Speicherkapazität, die Verfügbarkeit der Daten und die Verarbeitungsmöglichkeiten in der Cloud. Zudem sind die Kosten für das Speichern und Bearbeiten der Daten erheblich gesunken.

Asset Manager kämpfen an mehreren Fronten
Die KVGen werden sich die Chancen, die sich mit dem Einsatz von Machine Learning ergeben, nicht entgehen lassen. Denn sie begegnen damit mehreren aktuellen Herausforderungen. So reduziert erstens das zunehmende Volumen an ETFs das traditionell margenstarke Geschäft mit aktiven Fonds, da die Verwaltungsgebühren schrumpfen und das Volumen aktiver Publikumsfonds sinkt. Dieser Effekt wird verstärkt durch neue Kostentransparenz-anforderungen aus der MiFID II. Zweitens stehen die Anbieter im Spannungsfeld zwischen den sinkenden Margen und dem Kostendruck durch gestiegene Ausgaben für Regulatorik und Systeminfrastruktur. Überdies haben einzelne Wettbewerber ihre Betriebskosten bereits mit Machine Learning reduziert, was den Druck auf die anderen Anbieter verstärkt.
Eine weitere Herausforderung besteht im Informationsnachteil der Gesellschaften. Die meisten Asset Manager werten das stetig steigende Datenvolumen bisher nicht aus. Ihnen fehlen geeignete Software und die dazugehörige Erfahrung. Die Vorteile aus der Nutzung von Big Data werden in Deutschland im Asset Management noch zu wenig genutzt, Machine Learning ist in der Anwendung weitgehend unbekannt.

Mithilfe von Machine-Learning-Anwendungen könnten die KVGen ihren Informationsnachteil jedoch in einen Vorsprung umkehren – in das Quäntchen mehr Wissen, das die Performance eines Fonds steigern und seine Überrendite im Vergleich zur Benchmark ausmachen kann. Es gilt das Motto: Der frühe Vogel fängt den Wurm. Schneiden die Vorreiter in Sachen Machine Learning besser ab als ihre – sich nur auf das klassische Portfoliomanagement verlassenden – Konkurrenten, werden sie jene unter Druck setzen, eigene Informationslücken mit maschineller Hilfe auszugleichen. Auf diese Weise entwickeln sich durch Machine Learning unterstützte Strategien mittelfristig zum Marktstandard, und die anfängliche Überrendite wird zum Normalfall. Trotzdem werden die individualisierten Daten und Prognose-modelle der Ersten die Benchmark weiterhin übertreffen, lernen doch ihre Computermodelle unentwegt selbstständig dazu.

Textmining-Tools analysieren täglich Millionen Texte
Wie sieht der Informationsvorteil aus, den ein Asset Manager mit Machine-Learning-Anwendungen erzielen kann? Zum einen könnte er größere Datenmengen schneller verarbeiten als bisher, mehr Unternehmen beobachten und seine Effizienz im Research damit erheblich steigern. Zum anderen könnte er neuartige, bislang ungenutzte Datenquellen anzapfen. Üblicherweise verbringen die Analysten der KVGen viele Stunden damit, Artikel, Studien und Unternehmensmeldungen zu lesen und manuell auszuwerten. Ganz zu schweigen davon, welche Informationsfülle aus den sozialen Medien ihnen dabei entgeht.

 

(...)

 

 

Den vollständigen Beitrag lesen Sie in der Fachzeitschrift "die Bank"

08/2017

. Die Ausgabe kann im Abo oder einzeln bezogen werden. Zusätzlich kann auch dieser Artikel einzeln bezogen werden.
 Diese Ausgabe kaufen
 Den vollständigen Artikel jetzt online kaufen
Kontakt  
Diesen Artikel ...  
Artikelinformationen 
Artikel veröffentlicht am:
26.09.2017
Erschienen in Ausgabe:

08/2017

 Diese Ausgabe kaufen
 Diesen Artikel kaufen
Quelle(n):
Bildquelle: ©Aldo Murillo / iStockphoto.com
Autor/in 
Maximilian Kütemeyer, Daniel Spitschan
Maximilian Kütemeyer, CFA und Expert Consultant, und Daniel Spitschan, Senior Expert Consultant, beide bei Cofinpro.
Weitere interessante Artikel 
Artikel abonnieren 
die bank | Newsfeed
Newsletter

die bank | Newsletter

Abonnieren Sie den kostenlosen redaktionellen Newsletter der Fachzeitschrift „die bank“.
Der Newsletter erscheint mindestens einmal im Monat und informiert Sie über aktuelle Beiträge und News.

 Anmeldung

 Newsletter-Archiv