Kann ein KI-Modell besser nachvollziehen, wie Fondsmanager ihre Trades platzieren, als viele Investoren bislang angenommen haben? Eine neue Studie legt genau das nahe: Sie zeigt, dass ein Großteil der täglichen Entscheidungen beim Aktienhandel systematischen Mustern folgt – und damit algorithmisch vorhersagbar ist. Doch gerade dort, wo das Modell scheitert, könnte sich der wahre Wert aktiven Managements verbergen.
KI-Disruption im Aktienhandel
Tag für Tag sorgen sich Investoren an der Wall Street, dass künstliche Intelligenz klassische Bürojobs umkrempeln könnte, indem sie fachkundiges menschliches Urteilsvermögen in Code übersetzt. Laut einem Bericht von Bloomberg untersucht eine neue Studie insbesondere die KI-Disruption im Aktienhandel.
Eine neue wissenschaftliche Studie unter Leitung eines Professors der Harvard Business School kommt zu dem Ergebnis, dass ein Großteil der Aktivitäten aktiver Fondsmanager Mustern folgt, die KI-Modelle erlernen können. Mithilfe eines maschinellen Lernalgorithmus – eines sogenannten neuronalen Netzes – konnte das System rund 71% der Handelsentscheidungen von Investmentfonds vorhersagen – also ob ein Fondsmanager eine bestimmte Aktie innerhalb eines Quartals kaufen, verkaufen oder halten würde.
Das KI-Modell wurde mit rollierenden Fünfjahreszeiträumen von 1990 bis 2023 trainiert und griff dabei auf Daten wie Fondsgröße, Mittelflüsse, Aktienmerkmale sowie gesamtwirtschaftliche Rahmenbedingungen zurück. Auf dieser Basis konnte es die Mehrheit der Portfolioanpassungen antizipieren.
Bemerkenswert sind jedoch weniger die Erfolge als die Grenzen des Modells. Die rund 29% der Transaktionen, die das System nicht korrekt vorhersagen konnte, waren im Durchschnitt stärker mit einer Outperformance verbunden. Mit anderen Worten: Gerade die Entscheidungen, die außerhalb routinierter, erkennbarer Muster liegen, scheinen den größten Mehrwert zu liefern.
Die Schlussfolgerung ist nicht, dass Maschinen die Märkte entschlüsselt hätten. Vielmehr scheinen sie einen Großteil des branchenüblichen “Playbooks” gelernt zu haben — also wie Fondsmanager typischerweise auf Mittelzuflüsse, Markttrends und Wettbewerber reagieren. Was sie nur schwer erfassen, ist der kleinere Anteil an Entscheidungen, der von diesem Muster abweicht.
Fondsmanager: Vorhersagbarkeit und Alpha
“Wenn 71% Ihrer Entscheidungen von einem Algorithmus vorhergesehen werden können, wird es sehr schwer, für diesen Teil Gebühren für aktives Management zu rechtfertigen”, erklärte Lauren Cohen, Finanzprofessor in Harvard und Mitautor der Studie, in einer E-Mail. “Die nicht routinemäßigen Trades, die unser Modell nicht vorhersagen kann, sind jedoch der Bereich, in dem echtes Alpha entsteht. Aber sie machen einen relativ kleineren Anteil der Gesamtaktivität aus.”
Das Arbeitspapier mit dem Titel “Mimicking Finance”, das vergangene Woche beim National Bureau of Economic Research veröffentlicht wurde, erscheint zu einem Zeitpunkt, an dem künstliche Intelligenz zunehmend spezialisierte Bereiche professioneller Dienstleistungen erschüttert. In den vergangenen Wochen führten Befürchtungen vor einer KI-Disruption zu starken Kursschwankungen bei Unternehmen – von Brokern über Softwareanbieter bis hin zu Logistikkonzernen.
Für aktive Fondsmanager ist die Kritik nicht neu. Investoren verlagern seit Jahren Gelder aus aktiven Aktienfonds in kostengünstige Indexprodukte. Das zentrale Versprechen der Branche war stets “Alpha” — also eine Überrendite gegenüber einem Vergleichsindex wie dem S&P 500 — selbst als quantitative Modelle die Messlatte stetig höher legten.
Maschinelles Lernen versus Faktormodelle
Die Studie, mitverfasst von Yiwen Lu von der University of Pennsylvania und Quoc H. Nguyen von der DePaul University, treibt diese Erosion weiter voran. Frühere Untersuchungen analysierten überwiegend im Nachhinein die erzielten Gewinne. Das neue Papier hingegen versucht, die Trades selbst vorherzusagen. Maschinelle Lernmodelle seien besser geeignet als traditionelle lineare Faktormodelle, um die komplexen Wechselwirkungen zu erfassen, wie Manager auf Mittelzuflüsse, Marktsignale und einander reagieren, argumentieren die Autoren.
Aus dieser Perspektive ist das Ergebnis weniger ein Triumph der Maschinen über die Märkte als eine Neujustierung dessen, was aktives Management tatsächlich ausmacht. Ein Großteil der täglichen Aktivitäten der Fondsmanager scheint Mustern zu folgen, die sich kartieren – und prinzipiell kostengünstiger reproduzieren – lassen.
Einige dieser vorhersehbaren Kauf- und Verkaufsentscheidungen erfüllten wichtige Funktionen, etwa das Liquiditätsmanagement, die Risikosteuerung oder die Neugewichtung von Portfolios, so Cohen. Wenn jedoch der Großteil dieser Aktivitäten regelbasiert sei, werde es schwieriger zu argumentieren, dass dafür teure diskretionäre Entscheidungen erforderlich seien.
“Die Komponente des ‘menschlichen Urteilsvermögens’ erweist sich als systematischer, als es den Anschein hat — allerdings braucht man ausreichend flexible Werkzeuge, um das zu erkennen”, sagte Cohen. Diese könnten KI-Modelle liefern.
Vorhersagbarkeit vs. Entwicklung der Märkte
Die Studie zeigt zudem, dass die Vorhersagbarkeit variiert. Größere Fonds, solche mit höheren Gebühren, solche mit größeren Teams und solche mit stärkerem Wettbewerb seien im Durchschnitt weniger vorhersehbar. Fondsmanager mit längerer Amtszeit oder mehreren Produkten hingegen eher. Das Modell sagt die Richtung von Trades voraus, nicht jedoch deren Volumen – eine Einschränkung, die die Autoren der Studie in künftigen Arbeiten angehen wollen.
Trotz der jüngsten Begeisterung für KI unterstreichen die Ergebnisse einen wichtigen Unterschied: Das Verhalten von Fondsmanagern vorherzusagen scheint leichter als die Entwicklung der Märkte selbst. Vermögenspreise spiegeln die Interaktionen von Millionen von Marktteilnehmern und sich wandelnde Erwartungen wider. Berufliche Routinen hingegen folgen häufig erkennbaren Mustern.
Unvorhersehbare Trades und Wert
Letztlich entwickelte sich jene kleinere Gruppe von Trades, die das Modell nicht antizipieren konnte, tendenziell besser – ein Hinweis darauf, dass sie menschlichen Einfallsreichtum widerspiegeln könnten, etwa das Aufdecken von Informationen zu einer Aktie, die andere übersehen haben. Reine Zufälligkeit dürfte ein solches Ergebnis kaum erklären.
Natürlich könnten Maschinen mit zunehmender Datenmenge noch leistungsfähiger werden. Derzeit sind die Implikationen jedoch eher ökonomischer als existenzieller Natur. Wenn sich die meisten Portfolioanpassungen durch einen Algorithmus antizipieren lassen, stützt sich die Rechtfertigung aktiver Gebühren zunehmend auf jenen kleineren Anteil an Entscheidungen, der vom Schema abweicht.
“Der wirklich qualifizierte Teil, die unvorhersehbare, nicht routinemäßige Komponente, ist real, aber klein”, sagte Cohen. “Die politische Schlussfolgerung besteht weniger darin, Fondsmanager vollständig zu ersetzen, sondern vielmehr darin, neu zu bewerten, was ihre vorhersehbaren und ihre unvorhersehbaren Aktivitäten tatsächlich wert sind.”
FMW/Bloomberg
