Portfolio Magazin

portfolio institutionell

Ausgabe 10/2017

Die Anlage der Betriebsrenten-Milliarden

mehr...



Anzeige

Anzeige

Verlagsprodukte

Anzeige
Strategien
01.03.2017

Maschinelle Intelligenz für Asset-Allokation und Portfoliokonstruktion

Grafik

Dr. Jochen Papenbrock, Geschäftsführer der Fintech-­Firma Firamis, und Dr. Peter Schwendner, Professor am Institut für Wealth und Asset Management der Zürcher Hochschule für Angewandte Wissenschaften widmen sich in diesem Gastbeitrag der maschinellen Intelligenz.

Maschinelle Intelligenz ist heute in der Lage, komplexe ­Zusammenhänge in Kapitalmarktportfolios zuverlässig zu erfassen und in die Portfoliokon­struktion und -steuerung zu integrieren. Es werden ­robustere ­Ergebnisse als mit den traditionellen Ansätzen nach Markowitz und Risk Parity erzielt. Das liegt an einer neuen ­Qualität im Diversifikations- und Risikomanagementprozess. Zudem lassen sich effiziente, zunehmend digitalisierte Investmentprozesse realisieren. Dies gilt zum Beispiel für Aktien- und Multi-Asset-Port­folios im ­Bereich Smart Beta, Faktor-Investing und ESG.  

Künstliche Intelligenz verbreitet sich derzeit rasant in allen mög­lichen Wirtschaftsbereichen. Wir steuern auf die „AI Economy“ zu. Es wird sehr viel über die Potenziale geschrieben, doch machen wir uns nichts vor: Sie steckt noch in den Kinderschuhen und ist weit entfernt davon, beliebige Probleme zu lösen. Zudem stellt sich die Frage, ob unsere Gesellschaft dies überhaupt angemessen auf rechtlicher, sozialer­ und ethischer Ebene integrieren kann. Unabhängig davon gibt es aber Aufgaben im Investmentprozess, die heute zuverlässig und ­effizient von maschineller Intelligenz unterstützt werden können und den Investor oder Portfoliomanager mit neuen Möglichkeiten ausstatten. Liegen zum Beispiel strukturierte Daten wie Bilanzen oder Kurszeitreihen vor, so kann die Maschine diese schnell und zuverlässig auswerten – oft besser als der Mensch. Die Maschine kann dem Menschen also punktuell helfen.

Gerade bei der Auswertung von Kurszeitreihen tun sich viele traditionelle Methoden schwer. Es kommen immer noch viele lineare ­Modelle wie Regressionen oder Varianten nach Markowitz zum Einsatz, die schlicht nicht in der Lage sind, die überlinearen komplexen Dynamiken der Finanzmärkte zu erfassen. Die Märkte werden durch ­zunehmende Globalisierung und Informationsverarbeitung immer vernetzter. Auch die koordinierten Zentralbankeingriffe seit der ­Finanzkrise führen zu einer zusätzlichen Gleichschaltung der Marktbewegungen, was schnell zu Ansteckungseffekten oder „Butterfly ­Defects“ führen kann.

Diese überlagernden und dominierenden Effekte­ werden in den meisten Ansätzen, wie zum Beispiel Risk ­Parity, entweder gar nicht berücksichtigt oder nur unzureichend adressiert wie zum Beispiel im Varianz-/Kovarianzansatz. Die Finanzökonomie versucht immer noch zu beschreiben, wie sich die Märkte verhalten „sollten“. Dabei können intelligente Methoden der Datenverarbeitung erfassen, wie die komplexen Strukturen und Marktdynamiken ­„gerade beschaffen sind und wohin sie sich verändern“.

Diese Methoden ­basieren auf maschineller Intelligenz und finden prägnante Strukturen in den Daten, die die Komplexität der ­Dynamiken direkt erfassen und steuerbar machen, wobei keine problematischen Annahmen, wie zum Beispiel Linearität oder Normalverteilung, ­getroffen werden müssen. Bereits im Juli 2013 und Januar 2014 hatten wir in portfolio institutionell hierüber berichtet und konkrete Anwendungsbeispiele diskutiert. Mittlerweile haben diese Finanztech­nologien ihre Verbreitung rasant fortgesetzt und werden aktuell zum Beispiel in mehreren Beiträgen im Journal of Portfolio Management diskutiert.

Auch hier kommt man unabhängig zu demselben Ergebnis: Maschinell unterstützte Ansätze überbieten die traditionellen Methoden, was die Robustheit der Outperformance, also deren Out-of-sample-­Güte, angeht. Es gibt bereits einige Investmenthäuser, die schon ­einen überzeugenden Track Record aufbauen konnten. Die neuen Methoden scheinen zu funktionieren und das über eine ganze Palette an ­Anwendungen und Investmentprodukten hinweg.

Die Idee hinter dem maschinellen Ansatz ist, die ineinander verschachtelten Abhängigkeitsstrukturen der Assets aus den Kurszeit­reihen zu extrahieren und somit ein Bild zu bekommen, wie vernetzt und gruppiert sich die Assets verhalten – auch dynamisch im Zeitablauf. Schon Nobelpreisträger Herbert Simon wies darauf hin, dass komplexe Daten eine hierarchische, vernetzte Struktur auf­weisen. ­Finanzmärkte sind zweifelsohne komplex, so dass diese Aussage insbesondere hier ihre Gültigkeit hat.

Die gängigen Top-down-Ansätze der Asset-Allokation und Portfoliokonstruktion berücksichtigen diese Hierarchie oft schon implizit: So wird Risk Parity zum Beispiel auf Ebene natürlicher Gruppierungen wie Asset-Klassen/Industrien/­Regionen und dann nochmal innerhalb der Gruppen ­angewendet. Das Problem ist aber, dass die Gruppen sich heute ­wegen der Vernetzung stark durchmischen und dass auch innerhalb der Gruppen komplexe Abhängigkeiten zu finden sind.

Zudem kann es oberhalb der Gruppen noch sogenannte Meta-Gruppen geben. Man braucht also ­eine hierarchische Landkarte der Gruppierung, die die volle Struktur von der Spitze bis zur unteren Ebene der Einzel-Assets anzeigt, um die Zusammenhänge wirklich zu verstehen. Das leistet die Maschine, die diese Struktur für jedes Portfolio beziehungsweise Universum aus den Daten extrahiert. Das Beispiel unten nutzt die Kurszeit­reihen ­einiger viel gehandelter ETF, die Aktien und Bonds sowie ­verschiedene Industrien, Regionen und Qualitäten abdecken. Die hierarchische Struktur wurde aus den Daten ohne weiteres Zutun „gelernt“:

Der linke Ast enthält die Aktien-ETF und der rechte die Bond-ETF. Darunter setzt sich die hierarchische Struktur fort. Bei Indizes oder Einzelinvestments ergeben sich ähnliche Strukturen. Das Bild (Dendrogram) erinnert stark an einen evolutionären Baum, wie man ihn aus der Biologie zur Klassifizierung von Tierarten kennt. In der Tat ­nutzen Natur- und Computerwissenschaften diese Art der Netzwerkmodellierung schon seit Jahrzehnten erfolgreich, um komplexe Systeme der Natur und Technik besser zu verstehen. Googles Herzstück zur ­Suche relevanter Web-Inhalte zum Beispiel ist ein Graph-Ansatz. Soziale Plattformen wie Facebook oder Linkedin wären ohne Netzwerkanalytik nicht denkbar. Es ist Zeit, diese Methoden nun auch systematisch im Asset Management einzusetzen. 

 
Anzeige
Einen Kommentar schreiben
Wir freuen uns über Ihre Kommentare. Schreiben Sie uns Ihre Meinung!

CAPTCHA Bild zum Spamschutz Wenn Sie das Wort nicht lesen können, bitte hier klicken.
* Pflichtfelder