die bank 08 // 2017

DIGITALISIERUNG 1 |

DIGITALISIERUNG 1 | Bewährte und neuartige Datenquellen werden automatisch ausgewertet Zeitungsartikel Research-Berichte Blogs Satellitenfotos Automatische Auswertung alternativer Datenquellen Social Media Unternehmensveröffentlichungen Patentanmeldungen Web-Traffic Quelle: Cofinpro AG. ten ausgelastet sind und was sich daran im Vergleich zum Vorquartal verändert hat. Aufschlussreich sind auch Patentanmeldungen. Eine Antwort auf die Frage, in welche Richtung die Technologie eines Unternehmens wie zum Beispiel Siemens geht, könnte die systematische Auswertung von Patentdatenbanken liefern. Welche Patente haben der Konzern oder seine Töchter in den vergangenen Jahren angemeldet? Ist möglicherweise viel Know-how in die Optimierung von Windturbinen geflossen oder in eine neue Technologie für Komponenten der Batterieherstellung? Kleinste Informationen helfen, das Mosaik, welche Produkte in Zukunft auf den Markt kommen könnten, zusammenzusetzen. Die Research-Teams großer US-Fondsgesellschaften nutzen diese Instrumente bereits. Zudem werten ihre Machine-Learning-Anwendungen den Web Traffic aus. Algorithmen analysieren also beispielsweise den Verkehr auf den Seiten großer Online-Einzelhändler wie Amazon, um daraus Aussagen über das Kaufverhalten der Kunden zu treffen – was genauere Umsatzprognosen erlaubt. Ungewöhnliche Bezüge herstellen Doch die lernfähigen Computer können noch mehr: Mit ihrer Hilfe lassen sich auch nichtlineare Zusammenhänge herstellen und neue Muster in Big Data erkennen, die das Portfoliomanagement mit klassischen Methoden niemals entdecken würde. So können möglicherweise Zusammenhänge zwischen Unternehmen, Regionen und Branchen erkannt werden, die nicht über Kurszeitreihen ersichtlich sind. Machine-Learning-Modelle stellen hierbei Zusammenhänge dar, die anhand klassischer Methoden nicht nachvollziehbar sind. Damit gelingt es Asset Managern, herkömmliche Prognosemodelle zu verbessern und den Teil der Rendite, der sich mit bilanziellen Kennzahlen und anderen Faktoren erklären lässt, signifikant zu steigern. Auch in der Portfoliokonstruktion können lernende Maschinen angewendet werden. ÿ 2 Neben dem Auffinden nichtlinearer Zusammenhänge für die Bestimmung von Korrelationen können um Machine Learning ergänzte Portfoliomodelle selbstlernende Korrelationen verwenden. Damit gelingt es, wesentlich schneller auf Marktveränderungen zu reagieren als mit bisher genutzten, statischen oder bedingten Korrelationen. So können robustere Portfolios konstruiert, automatisiert und überwacht werden sowie Empfehlungen für strategische und taktische Anpassungen der Portfolioallokationen erstellt werden. Machine-Learning-Systeme beschleunigen aufgrund ihres selbstlernenden Charakters nicht nur die Portfoliooptimierung, sie ermöglichen auch die Berücksichtigung komplexer Nebenbedingungen, wie beispielsweise gesetzliche Vorgaben und Anlagerichtlinien. Das letzte Wort hat der Mensch Schon heute ist es möglich, ohne menschliche Hilfe mit Machine-Learning-Systemen Anlageentscheidungen zu treffen und Aktien zu kaufen oder zu verkaufen. Dennoch wird der Portfoliomanager die letzte Instanz bleiben – hebt er sich doch durch seine Kreativität sowie durch eigenständiges Planen und Entscheiden von der Maschine ab. Es muss auch bedacht werden, dass es sich bei Machine Learning nicht um eine magische Blackbox handelt, die auf Knopfdruck einen Fonds verwaltet, sondern um Modelle, die mit Korrelationen und Wahrscheinlichkeiten arbeiten. Auch regulatorische Vorgaben wie die nachvollziehbare Dokumentation von Entscheidungen im Handel mit Wertpapieren und ein bedingtes Vertrauen in die Technik werden dafür sorgen, dass selbstlernende Anwendungen Entscheidungen lediglich vorbereiten werden, während der Mensch weiterhin die finalen Entschlüsse trifft. KVGen sollten möglichst zeitnah mit der Umsetzung von 82 08 // 2017

DIGITALISIERUNG 2 | Funktionsweise von Machine Learning im Portfoliomanagement im Überblick (angelehnt an Forrester) neue Trainingsdaten aber mittelfristig werden selbstlernende Computer die klassischen Prognosemodelle standardmäßig ergänzen. Sie werden die Arbeit im Research erleichtern und dessen Effizienz steigern, indem sie große Datenmengen auswerten. Die Vorreiter in Sachen Machine Learning werden auf diese Weise einen Informationsvorsprung erhalten und damit eine Überrendite erzielen. Dies sowie die Möglichkeit, robustere Portfolios zu konstruieren, im Kombination mit langfristig geringeren Kosten werden die Attraktivität aktiv verwalteter Publikumsfonds steigern. Asset Manager tun deshalb gut daran, so bald wie möglich Experimentierfelder für die Entwicklung ihrer Machine-Learning- Prototypen zu schaffen. Autoren: Maximilian Kütemeyer, CFA und Expert Consultant, und Daniel Spitschan, Senior Expert Consultant, beide bei Cofinpro. Machine-Learning- Modell Live-Daten initiales Modell angepasstes Modell kontinuierliches Lernen Überwachungsdaten Restriktionen z. B. Anlagerichtlinien Inputanalyse angepasstes Verhalten initiales Verhalten Handlung und Ergebnis Empfehlungen/ Investmentsignal initialer Aufbau und erste Iteration Feedback-Lernprozess im Betrieb Quelle: Cofinpro AG. Machine Learning beginnen, und zwar in interdisziplinären Teams aus den Bereichen Portfoliomanagement, Mathematik, Statistik, Technologie, Data Science und Digitalisierung. Aufgrund der individuellen Parametrisierung für die Prognosemodelle im Portfoliomanagement ist es erforderlich, tiefgehende Kenntnisse aufzubauen. Orientieren können sich die Experten dazu an erprobten Vorgehensweisen für Digitalisierungsvorhaben. Da die Technologie für die Institute neu ist, sollten die neue Soft- und Hardware unabhängig von den bestehenden Strukturen in einer unabhängigen Laborumgebung eingeführt werden, die Spielraum für Experimente bietet – ohne Beschränkungen in punkto Programmiersprachen und Budgetverwendung. Bei der Entwicklungsarbeit ist agiles Vorgehen gefragt. Das bedeutet, dass die KVGen diverse Machine-Learning-Modelle konstruieren müssen, bis sie sich für eines entscheiden, in das sie investieren wollen. Dabei zielführend ist eine Kombination aus BML (Build-Measure-Learn) und einem Standard- Prozess-Modell für Data Mining, wie CRISP- DM. Erst sollte ein vergleichsweise einfaches Modell aufgebaut werden, dann getestet, die Ergebnisse evaluiert und Erkenntnisse daraus gezogen werden, die wiederum in das nächste, verfeinerte Modell fließen. Gegebenenfalls wird der Anwendungsfall sogar ganz verworfen. In einem iterativen Vorgehen nähert sich ein Projektteam so den gewünschten Eigenschaften einer Machine-Learning-Anwendung. Am Ende des Prozesses steht ein ausgereiftes System, das in die Infrastruktur der Bank integriert werden kann. FAZIT Noch sind Machine-Learning-Systeme bei deutschen KVGen ein Nischenthema, 08 // 2017 83