Die Automatisierung des Asset Managements

Zunächst ein kleines Vorwort zum Begriff Digitalisierung: Wie weit gefasst dieser Begriff im Deutschen ist und auch wie allgemein, wird deutlich, wenn man sich eine aktuelle Umfrage des Softwareanbieters Cloudbrixx unter Akteuren der Immobilienbranche anschaut. Demnach überschätzen viele der befragten Unternehmen häufig, wie digital sie unterwegs sind, so das Ergebnis der Umfrage: Während in den Unternehmen rund 82 Prozent der ­Daten bereits digital vorlägen, würden nur zwölf Prozent dieser ­digital abgelegten Daten in ein zentrales System eingespeist, das ­jederzeit den Zugriff und die Auswertung der eingegangenen ­Informationen ermöglicht. „Dieser geringe Anteil deutet auf einen Sachverhalt hin, den wir immer wieder feststellen: Unternehmen überschätzen ihren Digitalisierungsgrad“, sagt Marc Mockwitz, ­Geschäftsführer von Cloudbrixx. „Und das liegt an der unscharfen Definition des Begriffs hierzulande. In der englischen Sprache wird unterschieden zwischen ‚Digitization‘, also der Überführung analoger Informationen in die Welt der Einsen und Nullen, und ‚Digitalization‘, die die Umstellung und Automatisierung ehemals händischer Prozesse, gegebenenfalls mithilfe von Künstlicher ­Intelligenz und Machine Learning, in komplett digitale Workflows umfasst.“ Viele Firmen sind zwar weit bei der Digitization, bei der eigentlichen Digitalization hapert es aber noch.

Artificial Intelligence, Big Data, Blockchain, Crypto Assets und Machine Learning: Das sind nur einige der Schlagworte, die fallen, wenn von „Digitalization“ die Rede ist. Das gilt insbesondere für das Asset Management sowohl von liquiden Assets als auch von ­Real Assets wie Immobilien. Sie werden nicht selten auch – sicher nicht zuletzt aus Gründen des Marketings – inflationär verwendet. Doch ihr Anteil an täglichen Anlageentscheidungen wächst.

Talanx dreht den Spieß um

Diese Entwicklung hat auch die Talanx erkannt – und macht sich ihre Position als Start-up-Investor geschickt zunutze. Die Versicherung finanziert mit Scorable ein Fin-Tech, das mithilfe Künstlicher Intelligenz das Kreditrisiko von Anleihen analysiert. Die KI durchforstet der Talanx zufolge verschiedene Datenquellen wie Finanznachrichten, Geschäftszahlen, Marktpreise und Kredit-Ratings und ermittelt deren Einfluss auf die Bonität eines Unternehmens. „Dies hilft Vermögensverwaltern, das Risiko einer Anleihe besser ­einschätzen zu können“, heißt es seitens der Versicherungsgesellschaft. Die Talanx schlägt mit ihrem Investment in Scorable zwei Fliegen mit einer Klappe: Sie macht die Anbieter zu Kunden und sich selbst unabhängig von externer Fachexpertise im Bereich der Zukunftstechnologien. Erst kürzlich gab das Unternehmen ­bekannt, eine Fusion von Scorable mit dem unabhängigen ­Anbieter Bond-IT auf die nächste Stufe heben zu wollen. Als Teil der ­Fusionsvereinbarung werden die Unternehmen ihre Technologien kombinieren, um die Digitalisierung des Bondmarktes voranzutreiben. Die Transaktion wird voraussichtlich Ende 2020 ­abgeschlossen sein. Der Asset Manager der Talanx, die Ampega, bleibt an dem fusionierten Unternehmen beteiligt.

Um sich ein Bild davon zu machen, welche Techniken der ­Automatisierung aktuell im Asset Management eingesetzt werden, lohnt ein Blick in die Maschinenräume des Quantitativen Asset Managements. Wenn von Künstlicher Intelligenz im Asset ­Management die Rede ist, sind in der Regel Techniken des Maschinellen­ Lernens oder auch Machine Learning gemeint. ­Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz und bezeichnet Techniken, die der sogenannten „schwachen Künstlichen Intelligenz“ zuzuordnen sind. „Starke Künstliche ­Intelligenz zu erzeugen, die die Maschine auf das geistige Niveau eines ­Menschen bringt und dessen Kreativität imitiert: Es ist strittig, ob das überhaupt jemals möglich sein wird“, bremst Dr. Volker Flögel, Head of Research bei Quoniam Asset Management, die ­Erwartungen. „Heute wird daher meist der Aspekt der schwachen KI weiterverfolgt, um konkrete Anwendungsprobleme zu lösen.“

Einer, der sich im Bereich des Quantitativen Asset Management schon lange mit Machine-Learning-Techniken beschäftigt, ist Javier Rodríguez-Alarcón, Head of Quantitative Investment Strategies EMEA Asia ex-Japan bei Goldman Sachs Asset Management. ­Rodríguez-Alarcón sucht mithilfe von selbst lernenden Algorithmen­ danach, Anomalien in unterschiedlichen Märkten und Regionen­ zu identifizieren und sieht in der heutigen Datenflut ­einen ­wesentlichen Treiber für Anwendungsformen der Künstlichen­ ­Intelligenz. „Unsere Aufgabe ist es, tägliche Ertragsprognosen für mehr als 15.000 Unternehmen in unserem globalen Anlagen­universum zu erstellen. Durch den Einsatz Künstlicher Intelligenz haben wir heute die Fähigkeit, eine ganz ­andere Menge an Daten auszuwerten und diese sind nicht ­notwendigerweise Finanzdaten-basiert. Wir nutzen auch alternative Daten und unstrukturierte ­Daten wie Texte.“ Dazu nutzt der Leiter Quant-Strategien vorzugsweise Algorithmen, die Texte auswerten können, in Form des ­sogenannten Natural Language Processing (NLP). „NLP und ­andere Methoden zur Sprachverarbeitung geben uns die Fähigkeit, Patente,­ Nachrichtenartikel oder Aufzeichungen von Telefonaten zu ­Geschäftszahlen auszuwerten, um Trends aufzudecken.“ Man ­könne so herausfinden, wie Unternehmen miteinander verbunden sind, über ­Lieferketten, Patente oder auch durch den Webverkehr zwischen Regionen. Zusätzlich nutzt man auch Social Media ­Daten, um ­Tendenzen herauszulesen und mehr darüber zu erfahren, wie ­Menschen über Unternehmen denken. Rodríguez-Alarcón gibt zu, dass Big Data seinen Preis hat: „Um diese Daten nutzen zu ­können, brauchen Sie natürlich die richtigen Fähigkeiten und Ressourcen. Wir haben den Vorteil, dass wir die Kosten für die Big Data ­Analytics innerhalb Goldman Sachs aufteilen können.“

Ein Missverständnis will Rodríguez-Alarcón aber ausgeräumt ­wissen: „Es geht nicht darum, unsere Anlageentscheidungen allein vom Algorithmus abhängig zu machen, sondern unser Urteilsvermögen und unsere Erfahrung als Anleger wiederzuspiegeln. Alternative Datensätze als zusätzliche Informationsquelle zu verwenden stellt eine Unterscheidung dar, um Dinge anders bewerten zu ­können. Um es klarzustellen, der Investmentprozess bleibt in menschlicher Hand. Die Technik dient uns als entscheidungs­verbesserndes Werkzeug und wir überwachen sie jeden Tag.“ ­Rodríguez-Alarcón spielt hier auf den ­Unterschied zwischen ­Supervised Learning und Unsupervised Learning an. Während beim Supervised Learning die Lösungswege der Software erklärbar ­bleiben, geht es beim sogenannten ­Unsupervised Learning darum, dass der Algorithmus nach ­unbekannten Mustern sucht und der Mensch die Software nur noch minimal überwacht.

Machine Learning kann mehr Variablen einsetzen

Etwas anders macht es Quoniam Asset Management. Hier nutzt man Machine Learning im Rahmen der Renditeprognosemodelle zusätzlich zu linearen Modellen. „Die Zusammenhänge an den ­Finanzmärkten sind oft nicht linear, was durch den Einsatz von ­Machine Learning abgebildet wird“, sagt Research-Leiter Dr. Volker Flögel. Typischerweise performten zum Beispiel Aktien mit niedriger­ Dividendenrendite schlechter als solche mit hoher. ­„Unternehmen, die keine Dividende zahlen sind jedoch häufig Wachstumsunternehmen, die stark outperformen. Ein linearer ­Zusammenhang, der unterstellt, dass eine hohe Dividendenrendite besser ist als eine niedrige, kann das nicht abbilden, nennt Flögel ein Beispiel. Ähnliches gelte für den Verschuldungsgrad, bei dem es ausreicht, wenige, sehr stark verschuldete Unternehmen zu meiden. „Machine Learning hat den Vorteil, dass durch Entscheidungs­bäume sehr viele Variablen gleichzeitig eingesetzt werden können, um Modelle zu entwickeln, die attraktive Aktien selektieren.“

Bei der Recherche stößt die Autorin auf immer mehr Fondsgesellschaften, die sich mit Künstlicher Intelligenz und Machine-­Learning-Verfahren schmücken. Ist KI ein begründeter Trend, ­insbesondere im Quantitativen Asset Management oder wird es des Öfteren eher Marketing-getrieben eingesetzt? Einer, der es ­wissen muss, ist Henning Gebhardt. Der vielfach preisgekrönte Portfoliomanager, der einst Milliarden für DWS und später ­Berenberg verwaltete, führt heute sein eigenes Unternehmen: Gebhardt Advisory & Portfolio Services. „Grundsätzlich sollte der Einsatz von Technologien zu Effizienzgewinnen führen“, meint der Kapitalmarktstratege dazu. Aber es könne schon vorkommen, dass sich hinter vielen Buzzwords vor allem Marketing versteckt, ­deshalb komme es darauf an, nachzusehen, was hinter den Kulissen genau gemacht wird. „Die Quantitativen Strategien sind immer number crunching, die systematischen Ansätze arbeiten mit Zahlenreihen und untersuchen mittlerweile auch das Sentiment in Märkten als eine Weiterentwicklung des traditionellen Quant-Managements“, so Gebhardt. „Durch das Machine Learning werden quantitative Strategien stärker und besser, sie haben eine Fülle von Daten zur Verfügung und die Rechenleistung von Computern steigert die Möglichkeiten unter anderem auch des automatisierten Auslesens von Textdokumenten“, sagt Gebhardt. Zum Beispiel ließen sich ­Bilanzen auf diese Weise von Maschinen auslesen und auf ­bestimmte Signale hin untersuchen. „Portfolioanalyse-Tools brauchten früher einen ganzen Tag, wofür sie heute nur Minuten benötigen“, sagt Gebhardt. Aus Sicht von Gebhardt bleibt diese ­Entwicklung hin zum Machine Learning aber nicht beschränkt auf das Quantitative Asset Management. „Auch fundamental ­ausgerichtete Strategien können ihr Research mit KI-Techniken ­ergänzen. Zum Beispiel mit der Auswertung von ­Geschäftsberichten. Die Systeme prüfen, wie Veränderungen in solche Texte hineinkommen und vergleichen, wie sich beispielsweise der Unternehmensausblick verändert hat. Hinzu kommt die Sentiment-Analyse auf Social-Media-Plattformen wie Twitter oder ähnlichem.“ Aber hier sei auch Vorsicht geboten. „Die Sentiment-Analyse kann auch falsche Ergebnisse liefern. So hat es im vergangenen Jahr zum 90. Jubiläum des Wall Street Crashes 1929 Fehlsignale gegeben, weil die Systeme das Wort „Crash“ nicht richtig zuordnen konnten“, ­erinnert sich Gebhardt.

Auch Quoniam nutzt diese Technik. Per NLP werden die Jahres- und Quartalsberichte von US-Unternehmen (10-K und 10-Q) auf Sentiment und Tonalität analysiert: Sind sie leicht oder komplex? Haben sich bestimmte Abschnitte verändert im Vergleich zum ­Vorjahr? Twitter-Daten sind aus Sicht von Volker Flögel aber „zu schnelllebig und man muss immer schauen, wer die Informationen­ veröffentlicht. Ich möchte nicht sagen, dass diese Daten ­irrelevant sind, vielleicht sind sie relevant für tradingorientierte Anbieter oder den Future-Handel. Aber für uns als langfristig orientierten Asset Manager ist der Horizont zu kurz.“

Aber wie unterscheiden sich herkömmliches quantitatives Asset Management und der Einsatz von Machine Learning voneinander? Beim ersten wird der Lösungsweg vorab mathematisch festgelegt. „Beim Machine Learning trifft der Algorithmus dagegen eigenständig­ Entscheidungen, wie er das Problem löst“, sagt ­Andreas ­Detering, Leiter Quantitatives Research and Data Science bei ­Lingohr & Partner Asset Management. Bei Lingohr beschäftigt man sich seit etwa drei Jahren intensiver mit KI. Auf Textanalysen ­verzichtet die Firma jedoch komplett. „Wir haben eine eigene sehr gute Datenbank mit Fundamentaldaten und Kursdaten für über 30.000 Firmen aus unserem Anlageuniversum. Die Zeitreihen ­gehen zurück bis Ende der 80er Jahre. Wir untersuchen mehrere 10.000 Firmen aus den Developed und Emerging Markets“, fasst CEO und CIO Goran Vasiljevic zusammen. Das Machine Learning stehe bei ­Lingohr erst am Anfang.

Der Value-Investor blickt auf harte Zeiten zurück: „Die vergangenen drei Jahre waren im Vergleich zur langfristigen Historie die schlechtesten für Value-Aktien“, so Vasiljevic. Er glaubt an ein Comeback. „Die Impfstoffmeldungen ab dem 6. November haben auch zyklische Werte beflügelt. Der Grund für Value Investing ist, dass Marktteilnehmer gegenwärtige Gewinne zu linear in die ­Zukunft extrapolieren.“ Sein Research-Kollege schätzt, dass es noch lange dauern wird, bis es starke KI, also Künstliche Intelligenz auf dem Niveau eines Menschen geben wird: „Die Entwicklung von ­Algorithmen, welche die intellektuellen Fähigkeiten von Menschen erreichen und weit mehr können als nur konkrete Probleme zu ­lösen, dauert vielleicht noch 30 bis 40 Jahre. Zu bedenken ist, dass auch schon Verfahren der schwachen KI mitunter in ihrer ­Entscheidungsfindung nicht mehr nachvollziehbar sind. Komplexere Modelle sind sprichwörtliche Black Boxes“, so Detering. ­Volker Flögel von Quoniam hält den Begriff KI denn auch für irreführend: Bei Machine Learning gebe der Analyst die Entscheidung vor, ­welche Daten angeschaut werden sollen und welche grundsätzliche Struktur das Modell hat. „Traditionelle Tests von Hypothesen, die unglaublich aufwendig sind, werden durch automatisierte ­Machine-Learning-Verfahren ersetzt. Dadurch wird der Research-Prozess sehr viel effizienter. Wir schaffen es dadurch, mehr ­Research-Projekte durchzuführen als früher.“ Ein Beispiel dafür sei die Wertpapierleihe am Aktienmarkt. „Es gibt in der Literatur über 40 verschiedene Indikatoren aus dem Wertpapierleihemarkt, die in Zusammenhang mit künftiger Rendite gebracht werden. Machine Learning kann den Auswahl-Prozess deutlich beschleunigen.“

Dass es durch den Einsatz von KI kurzfristig zu Personalabbau kommt, sieht Vasiljevic von Lingohr nicht. „Das hat zunächst ­keinen Impact auf die Personaldecke. Stattdessen sind vielmehr ­zusätzliche Skills gefragt, zum Beispiel Portfoliomanager, die ­Programmiersprachen wie Phyton und andere anwenden können.“ Ein weiteres Anwendungsgebiet von KI könne es auch sein, die ­Datenqualität zu überprüfen. Denn die sei sehr wichtig, damit die Maschine dann auch die richtigen Zusammenhänge und Muster erkennt. „Datenmenge und Datenqualität beeinflussen die Qualität der Ergebnisse. In unserem Kontext ist die Historie ein limitierender­ Faktor“, weiß Andreas Detering.

Deep Learning und Neuronale Netze

Dr. Hendrik Leber kennt das Problem der Aufarbeitung der ­zugrundeliegenden Daten genau. „90 Prozent der Arbeit besteht darin, die Daten in die richtige Form zu bringen“, weiß der ­Geschäftsführende Gesellschafter der Acatis Investment. Als ­Beispiel nennt er Credit-Default-Swaps-Sätze. „Die Zahlenreihen ­beginnen 2007/2008, seitdem erlebten wir eine weitgehend gute Börsenphase, daher glaubt der Algorithmus Zusammenhänge zu finden, die es nicht gibt.“ Ein anderes Beispiel: Banken veröffentlichen oft Ebit-Zahlen. „Das macht aber oft gar keinen Sinn. Wir streichen daher häufig die Banken aus unseren Modellen“, so ­Leber. Dabei nutzt Acatis extern zugekaufte Daten. „Wir brauchen aber lange Zeitreihen. Die Tankerbewegungen auf den Welt­märkten der vergangenen drei Jahre sind beispielsweise für unsere Zwecke zu kurz gegriffen“, so Leber.

Der fundamental orientierte Asset Manager experimentiert gern und ausgiebig auf dem Feld der KI. Bei Acatis setzt man das ­sogenannte Deep Learning ein, das ebenfalls ein Teilgebiet des ­Machine Learnings ist, bei dem Künstliche Neuronale Netze zum Einsatz kommen. „Beim Deep Learning lernt der Algorithmus selbstständig, der Mensch greift nicht mehr lenkend ein“, so Leber. Das ­Lernen funktioniere dabei nach einem Belohnungsmechanismus, ähnlich wie beim Menschen. „Der Algorithmus erkennt Muster­ und Gesetzmäßigkeiten in den Trainingsdaten und wenn etwas richtig ­erkannt wurde, gibt es Belohnungspunkte. Das ­bedeutet, dass der Arm des Modells, der die richtige Entscheidung getroffen hat, ­verstärkt wird und der, der die falsche Entscheidung trifft, ­abgeschwächt wird.“ Deep Learning sei ein Experimentierfeld für die Fondsgesellschaft, aber auch nicht für alle Gebiete des Asset Managements anwendbar: „Manche Modellbauer sagen, sie finden mit Deep Learning nachhaltige Unternehmen, dafür halte ich die ­Datenlage für schlicht zu komplex, zum Beispiel in der Frage, ­welches Verfahren der Lithium-Gewinnung umweltfreundlicher ist – aus Gestein oder Salzlake? – das kann nur der Mensch beant­worten“, meint Leber. Man arbeite mit sechs verschiedenen Werkzeugen, neben Zeitreihen auch mit Textanalyse. Der AI Buzz US Equities erzielte 37 Prozent plus in diesem Jahr (Stand 4.12.2020). Die Entscheidungen, die die KI trifft, werden bei den AI-Fonds von Acatis eins zu eins umgesetzt. Demgegenüber war die Performance des AI Global Equities, für den die KI 60 Kennzahlen pro Unternehmen auswertet, enttäuschend. Die vergangenen vier Jahre war der Benchmark-Index, der MSCI World NDR (Net Dividend Reinvested), deutlich besser. ­Leber führt das vor allem auf den Einfluss politischer Entscheidungen auf die Kurse zurück, „Solche politischen Zusammenhänge hat das System nicht drauf.“ Sein Fazit: „Als das Auto erfunden wurde, war das auch ein langer Lernprozess. KI wird auf jeden Fall kommen. Eine Maschine kann alles gleichzeitig anschauen und ist daher dem Menschen überlegen.“

Zwei, die ebenfalls Deep Learning (Künstliche Neuronale Netze) im Asset Management nutzen, sind Pablo Hess und Michael Günther, beide Entwickler und Portfoliomanager von Tungsten Trycon. ­Ihren KI-Fonds, den Tungsten Trycon AI Global Markets C, ein Fonds mit einer Long-Short-Strategie des Segments der Managed Futures, gibt es in dieser Form bereits seit 2013. „Wir nutzen KI in Form von Deep Learning und Machine Learning“, sagt Pablo Hess. Der klassischste Fall des Machine Learning sei das Supervised Learning, bei dem der Algorithmus durch die Analyse von Daten darauf trainiert werde, einen bestimmten Output zu liefern. Im Asset Management sei ­Supervised Learning noch am meisten verbreitet, man selbst nutze Deep Learning in einer supervised Umgebung, um aus erklärenden Datenmengen einen spezifizierten Output zu generieren. Dabei gibt es genaue Vorgaben, wonach die Maschine suchen soll.

Garbage in, garbage out

Michael Günther stellt jedoch klar: „Wir nutzen KI, um ein ­Handelssignal zu erzeugen, aber nicht für den systematischen Teil des Risikomanagements und für die Portfoliokonstruktion. Darauf nimmt die KI keinen Einfluss. Wir wollen über eine tiefergehende Auswertung der zugrundeliegenden Daten eine bessere risiko-­adjustierte Rendite und zugleich eine geringe Korrelation zu ­Aktien und Anleihen ­erreichen. Tatsächlich liegt die Korrelation zu Aktien und Anleihen bei praktisch Null“, so Günther. Die kumulierte ­Rendite seit Auflage im September 2013 beträgt 16,19 Prozent, die durchschnittliche pro Jahr 2,09 Prozent und die YTD 5,82 Prozent (Stand 7.12.2020). Auch die Korrelation zu seinen Peers, den Managed Futures liege aktuell bei unter 0,5. Der Fonds ist das einzige Managed-Future-Produkt der Fondsgesellschaft Tungsten.

Was das Datenmanagement angehe, so könne die KI nur so gut sein, wie die Datenqualität es erlaube. Es gelte das Prinzip: ­Garbage in, Garbage out. Hess und Günther arbeiten mit Zeitreihen, die sehr viele Datenpunkte enthalten müssen. Dafür haben sie eine ­eigene Datenbank aus strukturierten Finanzdaten aufgebaut: „Zeitreihen mit wenigen Datenpunkten einmal im Quartal über 15 Jahre sind viel zu wenig für KI. Man braucht viele Datenpunkte – am ­besten täglich oder mehrmals pro Tag. Wir nutzen daher Börsen­daten mit Millionen von Datenpunkten, die Jahrzehnte zurück­reichen.“ Auf die Analyse von Texten mittels NLP oder anderen ­alternativen Daten verzichten die Portfoliomanager ganz. „Big ­Data oder Alternative Data umfasst die Analyse ­unstrukturierter Daten, GPS-Daten, beispielsweise Fotografien von Parkplätzen vor ­Einkaufszentren oder Social Media Daten. „Wir denken hingegen, dass Preis und Umsatzdaten den hohen Ansprüchen an Daten­qualität und Länge der Historie am besten gerecht werden.“

Frage an Henning Gebhardt: Gibt es eigentlich schon „echte“ Künstliche Intelligenz am Markt für Asset Management, bei der der Algorithmus eigenständig Entscheidungen über das Portfolio trifft? „Kurzfristige Trading-Modelle gehen schon in diese Richtung, anders als langfristige Anlagestrategien“, sagt Gebhardt. Die Frage, ob man Anlageentscheidungen in die Hände eines ­Autopiloten legen solle, müssten am Ende auch die Anleger ­entscheiden. „Es kommt letztlich darauf an, ob es Anleger gibt, die dieser ­Technologie vertrauen.“ Vom systematischen Asset Management sei es ein logischer Schritt hin zur Künstlichen Intelligenz, meinen dagegen Pablo Hess und Michael Günther. Doch welchen Mehrwert erzielen sie durch die KI? „Wir können mehr Berechnungen in kürzerer Zeit ­bewältigen. Auch hilft der alternative Blick auf das Marktgeschehen bei der ­Diversifikation“, so Günther.

Welche Fragen institutionelle Investoren bei der Thematik der Künstlichen Intelligenz im Asset ­Management bewegen, zeigte auf der virtuellen Uhlenbruch-­Jahrestagung ­Portfoliomanangement 2020 eine ­Podiumsdiskussion mit ­Reinhold Weger, ­Abteilungsleiter Zinsprodukte bei der Bayerischen Versorgungskammer. Von ­Bedeutung sei für die BVK einerseits die Frage der ­Abgrenzung zu klassischen quantitativen ­Managementstrategien sowie andererseits der Vertrauensvorschuss an die Asset ­Manager bei neuen ­Verfahren, so Weger.

Wenig stabile Zusammenhänge

Ein Gegenargument für den Autopiloten liefert Volker Flögel von Quoniam. „In der Aktienselektion kann man mit einer Trefferquote­ von rund 53 Prozent eine sehr gute Outperformance erzielen. Der Anteil des sogenannten Rauschens in den Daten ist also sehr hoch. Wird wenig Struktur vorgegeben, wie es häufig bei Machine-­Learning-Verfahren der Fall ist, besteht die Gefahr, dass Schein­zusammenhänge abgebildet werden“, so Flögel. Das unterscheide Machine Learning im Asset Management von anderen Anwendungen,­ wie beispspielsweise dem Autonomen Fahren oder dem ­Einsatz von KI auf Onlineplattformen, wo zusätzlich zum Smartphone auch noch die Hülle oder der Displayschutz gekauft werde. „Die Trefferquoten sind hier sehr hoch. Es gibt sehr viel ­weniger Scheinzusammenhänge als an den Finanzmärkten.“ Im Asset ­Management sieht Flögel Anwendungen von KI zum ­Beispiel eher in der Analyse von Text- und Bilddaten sowei anderer ­hochdimensionaler Daten. „Das Extrahieren eines Signals aus ­vielen und ­unstrukturierten Daten ist aus meiner Sicht deutlich ­relevanter, weil diese Daten ohne den Einsatz von KI nicht ­systematisch ­ausgewertet werden können.“

Zurück zum Immobilienmarkt: Auch hier arbeiten Prop- und ­Fintechs mittels Machine-Learning-Verfahren an Modellen beispielsweise für die Bewertung von Immobilien. Ein solches Proptech ist Price Hubble, dass sein Automated Valuation Model (AVM) für den Wohnungsmarkt entwickelt hat. Es sammelt beispielsweise Daten zu Transaktionen, zu städtischen Einrichtungen in Wohnnähe, zur Geräuschentwicklung, zur Sozioökonomie, zu Baugenehmigungen etcetera und wertet diese mittels Machine Learning aus, um ­daraus den statistisch wahrscheinlichsten Markt- und Mietpreis ­einer Immobilie zu ermitteln. Auch die öffentlich verfügbaren ­Immobilienangebote werden in die Datenbank übernommen. „Nach einer Studie aus dem Jahr 2018 entstehen nur noch gut 40 Prozent des Marktpreises einer Wohnimmobilie durch die ­Ausstattung der Wohnung“, sagt Christian Crain, Geschäftsführer Deutschland bei Price Hubble. „Das AVM muss beispielsweise ­lernen, ob die Geräuschentwicklung am Standort der Immobilie ein relevanter­ Faktor für den Preis ist. Wie stark befahren ist die Straße, gibt es Doppelt- oder Dreifachverglasung? Der Vorteil ­solcher Modelle sei, dass sie über das AVM in der Lage sind, ­Muster zu erkennen dafür, wie Marktpreise entstehen. Der Algorithmus berücksichtigt 400 Eigenschaften, die als Parameter für die Markteinschätzung den Investoren offengelegt werden. Zu den Kunden gehören Swiss Life, Axa Investments und Consus. Crain erhalte zurzeit verstärkt ­Anfragen von Sachverständigen und Gutachtern, die sich Arbeitserleichterung erhofften. Vor allem bei Objekten mit einem ­Beleihungswert von unter 400.000 Euro ist ein zusätzliches ­Gutachten nicht erforderlich. „Dies ist die ‚Kleinkreditgrenze‘ und bis dahin muss kein Gutachter zusätzlich rausgeschickt werden“, meint Crain. „Diese Kredite können also zu 100 Prozent von A bis Z vom Schreibtisch aus entschieden werden und damit auch nur mit Hilfe des AVMs.“ Die European Banking Authority, Eba, öffnet sich in 2020 mit ihren Guidelines erstmalig für den Einsatz von fortgeschrittenen statistischen Modellen für die Bewertung von ­Immobiliensicherheiten (bei Wohnimmobilien), darunter auch AVM, die mit Hilfe von Machine Learning Immobiliensicherheiten bewerten können. Kreditinstitute, die der Bafin unterstehen, müssten­ aber noch abwarten, wie die Anforderungen im nationalen­ Recht umgesetzt werden – voraussichtlich durch eine Novelle der MaRisk Anfang 2021. 2022 wird sich laut Eba ­entscheiden, ­inwieweit AVM zugelassen werden beim Neugeschäft. 2024 sollen auch Bestandskredite erfasst werden ­können.

Blockchain bei Immobilien

Unter den Fintechs im Immobilienbereich tummeln sich derzeit auch viele, die mit der Blockchain-Technologie aktiv sind, meist durch die Ausgabe von Anleihen in Form von Token, wie zum ­Beispiel Exporo, oder auch anderer so genannter digitaler Assets wie Aktien – hier hat das Unternehmen Preos, eine Tochter der ­Publity AG, kürzlich Schlagzeilen gemacht, weil sie die Aktien des Unternehmens als einen Blockchain-basierten digitalen Zwilling, also per Token digital verbrieft hat.

Was sagt Henning Gebhardt zu dieser Entwicklung? Die Plattformen für die Bond-Produkte, die es am deutschen Markt gibt, seien relativ weit, was fehlt, sei ein ­Sekundärmarkt. „Bei Aktien sehe ich das im Moment noch nicht ­so aktuell, da der elektronische Handel weitgehend effizient funktioniert. Mittelfristig wird es sicher auch Fondsprodukte auf der Blockchain geben. Das ist eine Entwicklung, die vergleichbar ist mit der Einführung der Globalurkunde bei Aktien.“ Die Verwahrung ­erfolge anders und viele Abwicklungsschritte fielen weg, Transaktionen fänden zeitgleich statt. „Mittelfristig werden auch Family ­Offices und institutionelle Investoren nicht um das Thema ­herumkommen“, so Gebhardt.

Doch warum startet die Blockchain-Technologie ausgerechnet im Immobilienmarkt meist mit digitalen Schudverschreibungen? Wo ist für institutionelle Anleger hier Vorsicht geboten? „Diese Variante­ geht einfach von der Regulatorik her im Moment am besten, aber gerade als institutioneller Anleger würde ich mich fragen, wo hier mein Vorteil liegt: Ich muss mit Token umgehen, die ich noch nie irgendwo hineingebucht habe und meist ist die Qualität der Assets nicht auf dem institutionellen Niveau. Was für institutionelle ­Investoren in meinen Augen zunächst auf dem Einkaufszettel ­stehen sollte, sind Investments in ‚richtige‘ digitale Assets – wie beispielsweise Bitcoin, Ethereum, Stellar, aber beispielsweise auch Chainlink“, findet Sven Hildebrandt, Geschäftsführender ­Gesellschafter der Distributed Ledger Consulting.

Bitcoin als Game Changer?

In der Tat kündigt sich ein Wandel an, was die Wahrnehmung von Bitcoin betrifft. Ordentliche Schlagzeilen machte die Kryptowährung kürzlich, als sie Anfang Dezember mit über 19.800 US-Dollar ein neues All Time High verzeichnete. Jüngst verändert sich auch unter Asset Managern und Investoren der Blick auf die „Währung“. So hat sich der Research-Arm des globalen Investment Managers Alliance Bernstein Ende November anerkennend über Bitcoin ­geäußert, auch Guggenheim kündigte an, bis zu 500 Millionen US-Dollar in Bitcoin investieren zu wollen. Die Citibank äußerte sich wohlwollend zur künftigen Preisentwicklung. Für Aufsehen sorgte auch die Nachricht, dass Paypal das Bezahlen mit Bitcoin auf seiner Plattform möglich machen will. Zudem hat Fidelity einen Arm für digitale Assets inklusive Bitcoin eröffnet und Hauck & Aufhäuser gründete kürzlich eine KVG für digitale Assets, die erste in Deutschland. Die Hauck & Aufhäuser Innovative Capital (HAIC) erhielt die Bafin-Lizenz als registrierte KVG und wird Services in den ­Bereichen Administration und Portfoliomanagement digitaler ­Vermögenswerte erbringen. Hildebrandt sieht vor diesem Hintergrund Bitcoin als möglichen Game Changer auf die Verwahrstellen von Banken zukommen. „Ich gehe davon aus, dass Verwahrstellen vor den digitalen Wertpapieren erst einmal das Thema native ­Krypto-Assets bekommen. Die Nachfrage ist da. Die Verwahrung von digitalen Wertpapieren sehe ich danach erst als zweiten Schritt.“ Und Kapitalmarktstratege Henning Gebhardt konstatiert: „Asset Manager und Banken müssen sich auf diesen Wandel vorbereiten. Wir werden relativ zeitnah sehen, dass institutionelle Investoren auch in Kryptowährungen investieren werden.“

Um den Wandel hin zu Blockchain-basierten Assets zu ­meistern, müssten auch institutionelle Investoren qualifiziertes Personal in diesem Bereich einstellen. „Das sind Menschen, die sich beispielsweise mit Smart-Contracts, Spieltheorie und Netzwerkeffekten ­auskennen – diesen fehlen aber meist Kenntnisse im ­Bereich der Finanzwirtschaft. Personal, welches beide Schnittstellen bedienen kann, wird hierbei ein extrem knappes Gut werden, zumal klassisches Head Hunting kaum funk­tionieren dürfte“, so Hildebrandt.

Mit digitalen Assets also sorgt die Digitalisierung bei Investoren für eine Ausweitung des Anlagespektrums. Welchen Einfluss hat die Digitalisierung und die damit verbundenen Technologien auf die Bewertungen von Unternehmen? „Viele Unternehmen werden fehleingeschätzt, das zeigt sich auch für Covid-19-Investoren, die sehen, dass neue Technologien Lösungen bieten zum Beispiel bei den Biotech-Impfstoffen. Sobald die Technologie die Anwendungsphase erreicht hat, werden sie unterschätzt. Der Markt bewertet das häufig unter, solange ein Unternehmen noch einen Old-Economy-Teil hat, der linear weiterwächst. Viele Unternehmen sind ­überbewertet, aber nicht innovativ“, sagt Evelyn Pflugi, CEO und Co-Founder beim Schweizer Asset Manager The Singularity Group. Der bewertet alle weltweit liquiden Unternehmen auf deren ­Innovationsfähigkeit. Das sind rund 4.000 Aktien. Dann werden die Unternehmen auf zwölf sogenannte Sektoren, oder Schlag­worte hin gescannt, die mit exponentiellen Technologien zu tun ­haben. Gibt es gar neue Branchen, die durch die Digitalisierung entstehen? Manchmal sei es schwierig, eine Technologie überhaupt zuzuzuordnen, vor allem bei Infrastrukturthemen, zum Beispiel beim Thema Smart Metering oder der Elektrolyse im ­Wasserstoffbereich, auch bei Hochstromkabel-Herstellern oder Technologien der Energiespeicherung. Am meisten unterschätzt sei der Sektor der neuen Materialien, Advanced Materials, der ­insbesondere im Westen ein Treiber für Wachstum sei. Japan sei dagegen führend in der Robotik und in Asien die Erneuerbaren Energien sowie KI und Blockchain.

Beim Blockchain-Thema zeigt sich Pflugi eher ­abwartend. „Viele Unternehmen sind da unterwegs, doch die Frage ist, welchen Mehrwert hat es?“ Das einzige gelistete Unternehmen, was Pflugi und ihre Kollegen identifizieren konnten und das der Portfoliomanagerin zufolge „relevante Fortschritte und Umsatz mit Blochckain-Technologie macht“, heißt Square. Der amerikanische Zahlungsdienstleister hat kürzlich für 50 Millionen US-Dollar Bitcoin ­gekauft und erklärt: „Square ist der Ansicht, dass die Kryptowährung ein Instrument des wirtschaftlichen Empowerments ist und der Welt die Möglichkeit bietet, an einem globalen Währungssystem ­teilzunehmen, was der Absicht des Unternehmens entspricht. Die Investition macht etwa ein Prozent des Gesamtvermögens von Square zum Ende des zweiten Quartals 2020 aus.“

Bitcoin als Leitwährung? Vielen wird es bei dem Gedanken kalt den Rücken herunterlaufen. Währenddessen planen derzeit viele ­Staaten ­digitale Versionen ihrer eigenen Währungen, darunter ­China, aber auch die EU mit dem digitalen Euro. Nicht zuletzt ­angetrieben durch das privatwirtschaftliche Facebook-Projekt ­Libra, das sich kürzlich in „Diem“ umbenannt hat. Die Digitalisierung im Finanzbereich nimmt also Fahrt auf. Für Kapitalanleger sorgt sie für die Automatisierung komplexer Prozesse, sie schafft neue ­Anlagemöglichkeiten und bringt ganz ­eigene ­Assets, nämlich ­digitale, hervor. Wer am Ende das Rennen macht, bleibt offen. Aber dass es spannend wird, ist garantiert.

Schlagworte: Blockchain | Digitalisierung | Künstliche Intelligenz

• Deka gründet Blockchain-Plattform
• Dividenden in Europa sinken auf 290 Milliarden Euro
• Kryptos mit schlechter Nachhaltigkeits-Bilanz
• Künstliche Rendite
• Mehr Assets, mehr Kosten