DIGITALISIERUNG EFFIZIENZGEWINNE UND PERFORMANCE-VORTEILE DURCH MACHINE LEARNING Die finale Entscheidung trifft der Mensch Mit ihren aktiv gemanagten Fonds stehen die Kapitalverwaltungsgesellschaften unter doppeltem Druck: Zum einen sind die Produkte im Vergleich zu den börsengehandelten Indexfonds (ETF) zu teuer, zum anderen fällt es den Portfoliomanagern immer schwerer, ihre Benchmark zu schlagen. Mithilfe von Machine Learning könnten aktive Fonds für den Endkunden attraktiver und günstiger werden. Ansätze auf der Basis von Big Data verbessern hierbei die Effizienz. Was für manche noch wie Zukunftsmusik klingt, ist heute längst möglich: Ein Programm wertet Millionen von Informationen aus dem Internet aus, die die Aktien-, Renten-, Rohstoff- und Devisenmärkte ebenso beeinflussen können wie die Stimmungen von Hedgefonds und anderen institutionellen Akteuren. Die Maschine lernt eigenständig dazu, ohne explizit auf eine Vorgehensweise programmiert zu werden. Je mehr Daten sie prüft, desto bessere Prognosen kann sie abgeben. Theoretisch könnte sie einen Fonds sogar alleine managen. Stattdessen empfiehlt die Machine-Learning-Anwendung aber nur eine Handlung. An letzter Stelle steht – auch aufgrund der gesetzlich geforderten Nachvollziehbarkeit im Handel mit Wertpapieren – der Portfoliomanager. Der Mensch entscheidet darüber, ob er den Ratschlag für plausibel hält und eine Order platziert. Derzeit setzen nur wenige Anbieter aktiv gemanagter Fonds auf Machine Learning. Doch in etwa fünf Jahren wird es selbstverständlich sein, dass selbstlernende Maschinen den Fondsmanager bei seiner Arbeit unterstützen. Damit entstehen neuartige Prognosemodelle, die auf der Auswertung öffentlich zugänglicher Informationen wie Zeitungsartikeln, Blog- und Twitter-Beiträgen beruhen. In den USA arbeiten oder experimentieren bereits große Fondsgesellschaften und Banken wie BlackRock, Goldman Sachs und JP Morgan mit den Modellen, während es in Deutschland bislang zumeist nur wenige Nischenanbieter sind. Das wird sich bald ändern. Die Voraussetzungen für einen operativen Einsatz von Machine Learning sind bereits erfüllt: Im Zeitalter von Big Data verzeichnet das Datenvolumen exponentielles Wachstum. Die technologischen Möglichkeiten entwickeln sich rasant – das gilt für die Rechnerleistung, die Speicherkapazität, die Verfügbarkeit der Daten und die Verarbeitungsmöglichkeiten in der Cloud. Zudem sind die Kosten für das Speichern und Bearbeiten der Daten erheblich gesunken. Asset Manager kämpfen an mehreren Fronten Die KVGen werden sich die Chancen, die sich mit dem Einsatz von Machine Learning ergeben, nicht entgehen lassen. Denn sie begegnen damit mehreren aktuellen Herausforderungen. So reduziert erstens das zunehmende Volumen an ETFs das traditionell margenstarke Geschäft mit aktiven Fonds, da die Verwaltungsgebühren schrumpfen und das Volumen aktiver Publikumsfonds sinkt. Dieser Effekt wird verstärkt durch neue Kostentransparenzanforderungen aus der MiFID II. Zweitens stehen die Anbieter im Spannungsfeld zwischen den sinkenden Margen und dem Kostendruck durch gestiegene Ausgaben für Regulatorik und Systeminfrastruktur. Überdies haben einzelne Wettbewerber ihre Betriebskosten bereits mit Machine Learning reduziert, was den Druck auf die anderen Anbieter verstärkt. Eine weitere Herausforderung besteht im Informationsnachteil der Gesellschaften. Die meisten Asset Manager werten das stetig steigende Datenvolumen bisher nicht aus. Ihnen fehlen geeignete Software und die dazugehörige Erfahrung. Die Vorteile aus der Nutzung von Big Data werden in Deutschland im Asset Management noch zu wenig genutzt, Machine Learning ist in der Anwendung weitgehend unbekannt. Mithilfe von Machine-Learning-Anwendungen könnten die KVGen ihren Informationsnachteil jedoch in einen Vorsprung umkehren – in das Quäntchen mehr Wissen, das die Performance eines Fonds steigern und seine Überrendite im Vergleich zur Benchmark ausmachen kann. ÿ 1 Es gilt das Motto: Der frühe Vogel fängt den Wurm. Schneiden die Vorreiter in Sachen Machine Learning besser ab als ihre – sich nur auf das klassische Portfoliomanagement verlassenden – Konkurrenten, werden sie jene unter Druck setzen, eigene Informationslücken mit maschineller Hilfe auszugleichen. Auf diese Weise entwickeln sich durch Machine Learning unterstützte Strategien mittelfristig zum Marktstandard, und die anfängliche Überrendite wird zum Normalfall. Trotzdem werden die individualisierten Daten und Prognosemodelle der Ersten die Benchmark weiterhin übertreffen, lernen doch ihre Computermodelle unentwegt selbstständig dazu. 80 08 // 2017
DIGITALISIERUNG Textmining-Tools analysieren täglich Millionen Texte Wie sieht der Informationsvorteil aus, den ein Asset Manager mit Machine-Learning-Anwendungen erzielen kann? Zum einen könnte er größere Datenmengen schneller verarbeiten als bisher, mehr Unternehmen beobachten und seine Effizienz im Research damit erheblich steigern. Zum anderen könnte er neuartige, bislang ungenutzte Datenquellen anzapfen. Üblicherweise verbringen die Analysten der KVGen viele Stunden damit, Artikel, Studien und Unternehmensmeldungen zu lesen und manuell auszuwerten. Ganz zu schweigen davon, welche Informationsfülle aus den sozialen Medien ihnen dabei entgeht. Die Textmining-Technologie kann helfen: Diese Werkzeuge analysieren täglich Millionen von Texten: Zeitungsartikel aus Deutschland oder vom anderen Ende der Welt, Research-Berichte, Blogs, Tweets oder Forenbeiträge. Emotionen beeinflussen die Entwicklung der Märkte heutzutage stärker denn je, und Textmining-Tools helfen, sie durch Sentiment-Analyse zu ergründen. Zwar wird eine Prognose bei politischen Ereignissen wie dem Brexit und der US-Wahl schwierig bleiben, aber in wirtschaftlichen Zusammenhängen ist sie möglich. Die Textmining-Technologie filtert aus Texten Stimmungen ebenso wie Informationen und erkennt, ob ein Beitrag positiv oder negativ über ein Ereignis berichtet. Zudem könnte sie den Analysten vorschlagen, was diese zunächst lesen sollen und worauf sie verzichten können, weil sie die Informationen bereits anderswo gefunden haben. Satellitenfotos und Patentanmeldungen prüfen Ein Beispiel aus den USA für neuartige, mit Machine Learning auswertbare Daten sind Satellitenfotos von den Parkplätzen großer Einzelhandelsunternehmen. Wer etwa prognostizieren möchte, wie sich die Umsätze bei Wal- Mart im vergangenen Quartal entwickelt haben, lässt Algorithmen berechnen, wie stark die Parkplätze vor den einzelnen Supermärk- 08 // 2017 81
NR. 8 August 2017 ZEITSCHRIFT FÜR
EDITORIAL » Nicht alles, was digit
54 Abwarten ist keine Option IT-Com
NEWS & TRENDS VIEL STRESS, ABER AUC
MARKT fördern und gefährdete Unte
MARKT einem eigenständigen Regelwe
MARKT 1 | Top 5 der Institutsgruppe
MARKT Rang • 19 Institut Deutsche
MARKT Rang Institut Bilanzsumme in
MARKT Rang Institut Bilanzsumme in
MARKT Die französischen Banken ope
MARKT Seydler und den Düsseldorfer
MARKT Wie stehen die Chancen in Deu
MARKT Die Blockchain gilt bereits a
Laden...
Laden...
Laden...