Künstliche Intelligenz

Künstliche Intelligenz wird bereits in vielen Bereichen der Wirtschaft genutzt. Dabei kommt dem Machine Learning – einem Teilbereich der Künstlichen Intelligenz –  eine besondere Rolle zu. Diese ist in der Lage, basierend auf vorgegebenen Algorithmen und Daten selbstständig Muster zu lernen und das Gelernte anschließend auf neuen Daten anzuwenden. Die Nutzung ist somit überall dort sinnvoll, wo große Datenmengen zur Verfügung stehen, die bestimmte Muster aufweisen.

Ein Einsatzgebiet im wirtschaftlichen Kontext ist zum Beispiel die vorausschauende Instandhaltung von Maschinen. Dabei wird unter Anwendung von Machine Learning deren Zustand überwacht, um vorherzusagen, wann Wartungen durchgeführt werden sollten. Dies trägt zu Kosteneinsparungen gegenüber der routinemäßigen oder zeitabhängigen Wartung bei, da diese nur dann durchgeführt werden, wenn sie auch tatsächlich notwendig sind. Unerwartete Ausfälle von Anlagen können dadurch ebenfalls vermieden werden.

Eingesetzt wird dies etwa in der Luftfahrt. Denn fällt ein Flugzeug aufgrund eines Schadens aus, führt dies zweifelsohne zu hohen Kosten für die Fluggesellschaft. Dementsprechend sind die Unternehmen bestrebt, mögliche Schäden bereits im Vorfeld zu erkennen und damit einen Ausfall oder gar Unfall vermeiden zu können.

Aufgrund der leichten Zugänglichkeit von enorm großen Datenmengen bietet sich der Einsatz von Machine Learning auch in der Geldanlage an – zumindest in der Theorie. Doch wie sieht es in der Praxis aus?

Schon seit einigen Jahren wird Machine Learning an den Kapitalmärkten eingesetzt. Anstatt eines menschlichen Teams analysiert „künstliche Intelligenz“ die Entwicklungen an den globalen Märkten und gibt danach Empfehlungen hinsichtlich der idealen Asset Allokation oder gar zum Kauf oder Verkauf von einzelnen Wertpapieren ab.

Der wesentliche Unterschied im Vergleich zum klassischen Fondsmanagement ist, dass die Künstliche Intelligenz völlig emotionslos agiert und enorme Datenmengen in extrem kurzer Zeit verarbeiten kann. Idealerweise findet der Algorithmus Muster in den Daten, die Aufschluss über zukünftige Entwicklungen an den Märkten geben.

Doch die Ergebnisse reiner KI-Fonds zeigen in der Praxis, dass dieses Ideal oft nicht erreicht wird. Der Grund für den fehlenden Erfolg liegt in der Dynamik der Finanzmärkte. Nicht selten sind Kausalitäten und Muster aus der Vergangenheit in der Zukunft nicht mehr anwendbar. Genau bei diesen sogenannten „Strukturbrüchen“ hat Machine Learning große Probleme, da sie ausschließlich auf Muster in den Daten der Vergangenheit trainiert wird und sich an verändernde Bedingungen nur langsam anpasst.

Sind Ansätze von künstlicher Intelligenz also nicht brauchbar im Kontext des Fondsmanagements? Ganz im Gegenteil. Richtig eingesetzt können sie einen großen Mehrwert liefern.

Ausschlaggebend für den Erfolg beim Einsatz von Machine Learning im Fondsmanagement ist der Mensch selbst. Nur wenn die Stärken und Schwächen dieser Methoden bekannt sind, können die Modelle so konfiguriert werden, dass sie einen Mehrwert liefern – realistische Erwartungen sind dabei angebracht. Unsere Ansicht diesbezüglich: KI ist ein unterstützendes Werkzeug im Fondsmanagement, soll aber nicht eine alleinige Entscheidungsbefugnis haben.

Auch wir bei KEPLER befassen uns mit Machine Learning. Zu diesem Zweck haben wir kürzlich das KEPLER Equity Research Center ins Leben gerufen. Im Rahmen dessen arbeiten wir eng mit Hochschulen aus der Region (z.B. FH Oberösterreich Campus Hagenberg oder JKU Linz) zusammen mit dem Ziel, auch neueste wissenschaftliche Erkenntnisse im Fondsmanagement zu integrieren.

Das erste Pilotprojekt unter dem Titel „Frühzeitiges Erkennen von negativen Unternehmensentwicklungen mittels KI“ in Zusammenarbeit mit der FH Hagenberg läuft bereits. Dabei werden durch Machine Learning große Datenmengen (z.B. Fundamentaldaten der Unternehmen, makroökonomische Daten und Stimmungsindikatoren) analysiert und Wahrscheinlichkeiten für zukünftige Kursbewegungen ausgegeben. Diese ergeben für uns dann idealerweise wertvolle Hinweise, welche Aktien aufgrund ihrer fundamentalen Situation von vornherein besser gemieden werden sollten.