Dass sich die Methoden des maschinellen Lernens im Fondsmanagement entwickelt haben, beruht auf der größeren Verfügbarkeit alternativer Datenbanken und auf gesteigerter Rechenleistung. Das Wachstum ist aber auch dem Erfolg von Unternehmen wie Amazon und Google zuzuschreiben, die künstliche Intelligenz (KI) nutzen, um riesige Datenmengen auf Muster und neue Erkenntnisse abzuklopfen.

Carmine De Franco

Head of Fundamental Research
Ossiam
Maschinelles Lernen gleicht einer Armee von Analysten, in der jeder Analyst bei der Verarbeitung der ganzen Daten in eine bestimmte Richtung schaut. Der Algorithmus wird sozusagen zur synthetischen Analystenarmee.

Warum sollte ein Anleger Strategien in Betracht ziehen, die KI und maschinelles Lernen mit ESG zusammenbringen?

Nach meiner Erfahrung gibt es bei ESG-Investments zwei Möglichkeiten: Entweder man integriert ESG, um finanziell mehr zu erreichen. Das geht durch Impact Investing oder Verbesserung der ESG-Ratings (beziehungsweise der Qualität) Ihres Portfolios.

Dagegen spricht gar nichts, doch Sie sollten nicht davon ausgehen, dass Sie dadurch Mehrerträge oder ein höheres Alpha generieren, denn durch die Verwendung verdichteter Daten dürften spezifische Erkenntnisse über Unternehmen verloren gehen. Aggregierte ESG-Ratings sind daher nicht so gut geeignet, um die Stärken und Schwächen von Unternehmen zu ermitteln, die wiederum eine differenzierte Betrachtung von Chancen und Risiken ermöglichen.

Oder man macht es wie wir bei Ossiam, befasst sich sehr genau mit ESG und versucht, den Daten Muster abzugewinnen. Das ist kompliziert. Und bei der Verarbeitung dieser Daten braucht man Unterstützung, die weit über das Menschenmögliche hinausgeht. Wir setzen bei der Verarbeitung von ESG-Daten maschinelles Lernen ein, um vielversprechende Unternehmen auszuwählen und andere auszusortieren, die aus finanzieller Sicht ein Risiko darstellen.

Damit gehen wir über die einfache Integration hinaus. Je mehr Zugriff Sie auf spezifische und alternative Daten haben, desto besser können Sie die Unternehmen verstehen, in die Sie investieren möchten. Die Verarbeitung dieser Daten ist aber sehr kompliziert.

In unseren Augen wird die Zukunft der Vermögensverwaltung jedenfalls durch den zunehmenden Einsatz künstlicher Intelligenz geprägt.

Welchen Portfoliobeitrag leisten Ihrer Ansicht nach KI-gestützte Strategien im Vergleich zu menschlichem Input?

Der Mensch versteht es sehr gut, überschaubare Informationen im allgemeinen Portfolioaufbau zu nutzen. Um Ihnen ein Beispiel zu geben: Wenn ich Ihnen zwei Katzenbilder zeige, werden Sie erkennen, dass darauf Katzen zu sehen sind. Mit solchen „Small Data“ können Computer nicht so viel anfangen.

Doch wenn es darum geht, große Datenmengen zu analysieren, zu verarbeiten, zu integrieren und zu interpretieren, sind KI-gestützte Tools viel leistungsfähiger als das menschliche Gehirn. Der Markt ist heute so beschaffen, dass die Unternehmensanalyse ein erhebliches Volumen an Daten erzeugt, die einbezogen und ausgewertet werden müssen, um ein widerstandsfähiges Portfolio aufzubauen.

Mit Hilfe künstlicher Intelligenz können Sie neben den üblichen Mustern, die menschliche Analysten bei der Betrachtung von Daten wie Erträgen, Dividenden oder Kapitalflüssen erkennen, noch andere ermitteln. Eine Strategie, die in einem globalen Portfolio auf künstliche Intelligenz setzt, eröffnet Ihnen somit eine ganz neue, unkorrelierte Alpha-Quelle. Das hat positive Effekte auf das Portfolio, weil Sie dadurch gleichzeitig Risiken reduzieren und Ihre Ertragsquellen diversifizieren.

Generieren Menschen Wert, indem sie Zusammenhänge herstellen, während ihnen die Maschine die größte Analysearbeit abnimmt?

Nun, der maschinelle Algorithmus stellt schon selbst Zusammenhänge her und gibt uns Einblick in die Aspekte, die für die Bewertung von Chancen und Risiken einer Anlage von Bedeutung sind. Für ein bestimmtes Unternehmen könnten Sachverhalte eine wesentliche Rolle spielen, die im Grunde gar nichts damit zu tun haben.

Wir Menschen durchschauen die Daten möglicherweise nicht. Den Durchblick bringen uns erst die Maschinen – durch die zusätzlichen Erkenntnisse, die in einem Prozess stecken können. In diesem Sinne übernimmt maschinelles Lernen quasi die Aufgabe einer Armee von Analysten, in der jeder einzelne Analyst sehr gut darin ist, bei der Verarbeitung der ganzen Daten konsequent in eine bestimmte Richtung zu schauen. Der Algorithmus wird sozusagen zur synthetischen Analystenarmee.

Kann KI manche der Vorurteile ausmerzen, die Menschen gewöhnlich haben?

Es wäre unrealistisch, davon auszugehen, dass Manager beim Portfolioaufbau absolut unvoreingenommen sind. Vorurteile sind Teil der menschlichen Natur. Brenzlig wird es, wenn wir deshalb (bewusst oder unbewusst) anders reagieren, denn dann kann der Endnutzer die Performance-Treiber seiner Strategie nicht mehr klar nachvollziehen. Wenn Sie eigentlich einen Large-Cap-Fonds kaufen wollten, dann aber mit einem Small-Cap-Fonds dastehen oder mit einem High-Volatility-Portfolio anstelle eines Low-Volatility-Portfolios, dann wird es schwierig.

Künstliche Intelligenz arbeitet dagegen stets ihren Vorgaben getreu. Wenn sie entwickelt wurde, um sich durch Lernprozesse anzupassen, kann sie auch ihre Herangehensweise verändern – allerdings vorhersehbar. Das bedeutet: Sie lernt dazu, verändert sich und passt sich an, wenn sie neue Informationen erhält. Wurde der KI-Algorithmus allerdings konzipiert, um bestimmte wesentliche Datensätze oder spezifische Informationen über Unternehmen zu analysieren, in die Sie investieren, dann würden Sie von ihm erwarten, diese Aufgabe zuverlässig zu erledigen.

In dieser Hinsicht unterliegen aber nicht einmal elementare quantitative systematische Strategien stilistischen Abweichungen, weil sie systematisch dieselben Regeln anwenden. Ihnen fehlt jedoch die lernende Komponente der künstlichen Intelligenz. Maschinen lernen, indem sie frühere und aktuelle Informationen mit statischen systematischen Strategien abgleichen, verändern ihren Stil aber nicht wie Menschen aus zweifelhaftem Anlass. Das gilt vor allem, wenn dies vorsätzlich passiert – wenn der Manager beispielsweise Ertragsrückstände aufholen möchte oder in ganz neue Investmentuniversen vorstößt, weil ihm die Chancen ausgehen.

Können Sie Beispiele für Muster geben, die sich im Zeitverlauf verändert haben, sodass sich die Maschinen anpassen mussten?

Ich weiß noch, als ich mich erstmals mit dem Zusammenhang zwischen maschinellem Lernen und ESG-Daten befasste, wiesen die aussagekräftigsten Indikatoren auf Umweltprobleme oder Transparenz bei der Berichterstattung rund um den Klimawandel hin. Nicht, dass diese heute unwichtig wären, doch ich würde sagen, dass die Fähigkeit, zwischen interessanten Chancen und Risiken zu unterscheiden, in den letzten Jahren etwas abgenommen hat.

Mir sind in letzter Zeit mehr Aspekte im Zusammenhang mit sozialen Fragen und tiefgründigen, spezifischen Problemen in der Unternehmensführung aufgefallen, die frühe Warnsignale für künftige Probleme sein könnten. Die Maschinen haben sich ebenfalls darauf eingestellt – sie wissen, dass die interessantesten Muster unter Berücksichtigung einer Mischung von Sozial- und Governance- sowie Umweltindikatoren analysiert werden müssen.

Wir haben gehört, dass Satellitenbilder von den Parkplätzen von Einkaufszentren verwendet werden, um den Unternehmenserfolg zu bestimmen. Berücksichtigt Ihre spezielle KI differenzierte Datenquellen?

Derzeit ziehen wir ESG-Ratings und sehr feinkörnige Werte sowie CO2-Daten heran, wollen aber nach und nach Datensätze integrieren, die nützliche Informationen über Unternehmen liefern könnten. Ich bin sehr aufgeschlossen für potenzielle alternative Datensätze. Das könnten Twitter-Feeds sein, Satellitenbilder oder andere alternative Datensätze.

Bei der Art und Weise, wie die Daten interpretiert werden, ist jedoch höchste Sorgfalt geboten. Nehmen wir das Beispiel von der Analyse der Parkplätze eines Einkaufszentrums in den USA, um dessen geschäftlichen Erfolg zu beurteilen. Den Bildern vom letzten Wochenende zufolge wäre das Einkaufszentrum gut besucht gewesen – wohlgemerkt, weil ein Super-Bowl-Spiel stattfand, das sich die Leute dort ansehen wollten. Das bedeutet nicht zwangsläufig, dass diese Menschen auch Geld ausgeben. Vielleicht stehen sie nur mit einem Bier an der Bar und verfolgen das Spiel.

Extrapoliert man aus diesem Beispiel, sind alternative Daten stets eine gute Methode, einen anderen Blick auf die Dinge zu bekommen. Es muss jedoch ein wirtschaftlicher Zusammenhang zwischen den Daten und dem finanziellen oder wirtschaftlichen Erfolg bestehen. Ein Wahrscheinlichkeitstheoretiker würde sagen, dass Rauschen kein Signal ist. Sind die Daten nur bedeutungsloses Rauschen, kann auch ein noch so guter KI-Algorithmus daraus kein Signal herausfiltern.

Dasselbe gilt für Twitter. Ich weiß, dass sich viele Hedgefonds und alternative Fonds für Twitter als alternative Datenquelle interessieren. Ich behaupte nicht, dass Twitter-Daten unbrauchbar sind, doch derartige Datensätze enthalten oft enorm viel Rauschen.

Es ist daher Vorsicht angebracht. Natürlich geht es darum, den Wissensbereich zu erweitern, und das bedeutet, neue Datensätze zu integrieren, die möglicherweise aus wirtschaftlicher Sicht interessant und relevant sind.

In wenigen Worten: Warum sollte sich ein Berater für Ossiam als Manager für seine ESG-Investments entscheiden?

Viele Anleger müssen ihre ESG-Politik erst noch artikulieren und entwickeln. ESG-Investments sind aber oft sehr anlegerspezifisch und persönlich.

Für uns hat ESG viel mit Ethik zu tun. Daraus sollten die persönlichen Werte des jeweiligen Beraters sprechen, und diese sollten klar formuliert sein. Aus diesem Grund meiden wir vage, zweideutige ESG-Aussagen nach Möglichkeit. Stattdessen versuchen wir, bei der Umsetzung von ESG sehr streng, ehrgeizig und nachvollziehbar vorzugehen. Wir konzentrieren uns nach Kräften auf objektive Kennzahlen, auf die sich Anleger verlassen können.

Bei Ossiam können Sie sicher sein, dass ESG stets unmissverständlich und messbar umgesetzt wird. Wir streben eine vollständig transparente und ehrliche Umsetzung an.

Außerdem verfolgen wir einen pragmatischen und flexiblen ESG-Ansatz. Das bedeutet, dass wir ein allgemeines Rahmenwerk so ambitioniert wie möglich an jede spezifische Investmentstrategie anpassen, um ein ausgewogenes Verhältnis zwischen Finanzzielen und ESG-Werten herzustellen, die sich ergänzen und gegenseitig verstärken. Mit Staatsanleihen, Schwellenmärkten oder den Aktien großer US-Konzerne funktioniert das so nicht.

Für uns ergänzt ESG die finanzielle Zielsetzung der jeweiligen Strategie. Unsere Anleger wissen deshalb, dass ESG die Performance nicht belastet, sondern vielmehr das Risiko-/Ertragsprofil ihrer Portfolios ergänzt.