Wir stecken mitten in einem „technologischen Tsunami“, der in seiner Wirkung der industriellen Revolution des 19. Jahrhunderts in nichts nachstehen wird. Die Leistungsfähigkeit von Computern hat sich seit dem Jahr 2000 bis heute um einen Faktor von 170 vervielfacht; gleichzeitig haben sich die Kosten für 1GB Speicher in der gleichen Zeit von 11,00 US-Dollar auf 0,02 US-Dollar pulverisiert. Dadurch sind unter anderem komplexere Daten schneller und mit weniger Fehlern behaftet auswertbar und interpretierbar geworden, als dies ein Mensch alleine könnte. Diese Entwicklungen machen auch in der Finanzindustrie Fortschritte und können inzwischen schon in verschiedenen Gebieten eingesetzt werden.
Datenquellen für eine Prognose von Finanzdaten können sein: Soziale Medien, Satellitenbilder und auch Temperaturaufnahmen. Die schiere Datenmenge stellt hohe Anforderungen, um die Prognosefähigkeit von technologie-getriebenen Investitionsstrategien hoch zu halten. Sie wird von dem Volumen, der Unterschiedlichkeit der Quellen, der Geschwindigkeit und der Exaktheit beeinflusst. Profis reden hier von den „4 V“ – volume, variety, velocity and veracity.
Um damit umgehen zu können, wird ein Prozess verwendet, der sich „Machine Learning“ nennt. Dabei werden Muster von und Beziehungen zwischen Daten hergestellt, welche dann wiederum Prognosen für neue Daten erlauben. Hierbei lässt sich überwachtes und nicht-überwachtes Machine Learning unterscheiden. Bei letzterem überlässt man der Maschine das Finden von Mustern, ohne spezifische Algorithmen vorzugeben.
Um nun analog einer Sektor-Einteilung im Aktienbereich eine Orientierungshilfe zu bekommen, haben wir eine Matrix aus Big Data vs. Structured Data sowie aus künstlicher Intelligenz (AI) vs. Non-AI erstellt. Dies erlaubt eine Einteilung der verschiedenen Ansätze und die Analyse, wo der technologische Fortschritt tatsächlich einen Investment-Mehrwert generieren konnte. Die nachfolgende Grafik fasst die Ergebnisse zusammen. Dabei nimmt von links nach rechts der Einsatz von fortgeschrittenen Techniken der Datenverwendung zu; von unten nach oben wiederum steigen die „4 V“ der Datenmenge.
Es gibt bereits einen Index, der die Erträge von solchen „Machine Learning“-Investmentstrategien zusammenfasst. Wenn die Daten auch nicht perfekt sind und mit einer Prise Salz interpretiert werden müssen, so zeigt sich doch, dass hier ein Potenzial schlummert, das sich weiterzuverfolgen lohnt. Die wirkliche Stärke dieses Ansatzes liegt nicht in einem wundersam „intelligenten“ Modell, das aus bestehenden Daten bessere Schlüsse zieht. Nein, dies wäre am Ende nur ein sogenanntes „Overfitting“, das heißt, ein zu genaues Nachbilden der Daten mit wenig Vorhersagekraft.
Die tatsächliche Stärke liegt im Zugang zu immer größeren Datenmengen – und nicht nur Finanzdaten, sondern auch Temperaturdaten, Satellitenbilder oder Feeds von sozialen Netzwerken etc. – sowie der Fähigkeit diese Daten in Bezug auf ökonomisch relevante Größen zu setzen (zum Beispiel Satellitenbilder von Parkplätzen großer Einkaufscenter und der daraus ableitbaren besseren Vorhersage von Einzelhandelsergebnissen).
Es ist nicht sehr verwegen zu behaupten, dass sich Machine Learning weiterentwickeln wird und in nicht allzu ferner Zukunft einen wichtigen Platz in der Allokation eines diversifizierten Investors einnehmen wird. Den zweifellos interessanten Opportunitäten stehen aber auch Herausforderungen in der Formulierung der Investitionsziele, von Risikorichtlinien usw. gegenüber.
Das Liquid Alternatives Team der Credit Suisse beschäftigt sich im Rahmen ihres Investitionsauftrags für Kunden mit diesen aufkommenden Strategien und Algorithmen, wie auch mit (alternativen) Risikoprämien, um so Investoren Zugang zu diesen neuen, diversifizierenden Anlagen zu geben.
---
*) Dirk Wieringa ist Direktor bei der Credit Suisse AG und greift auf 19 Jahre Berufserfahrung im Finanzsektor zurück. Er sprach über das Thema beim 148. Hedgework am 12. September in Frankfurt am Main. Seit 2011 leitet er das Team AI Advisory, mit dem Fokus auf professioneller Beratung institutioneller wie auch privater UHNWI-Kunden im Bereich der Alternativen Anlagen. Zuvor verwaltete er über sechs Jahre das mehrere Milliarden schwere Portfolio der liquiden Alternativen Anlagen innerhalb der Vermögensverwaltung der Credit Suisse. Von 2002 bis 2005 verantwortete Wieringa bei der Winterthur Versicherung den Aufbau der Eigenanlagen des Unternehmens im Hedgefonds-Bereich. Er hält einen MBA/Finance der Universität St. Gallen (,,HSG“) und einen CEMS Master in IBA. Wieringa ist zudem CFA Charterholder.
Der Artikel ist eine Zusammenfassung von „Rise of the Machines“;
Autoren: Ryan Bennet und Ekaterina Sirotyuk,
beide Credit Suisse, IS&P Liquid Alternatives
Wichtige Hinweise:
Bei diesem Dokument handelt es sich um Marketingmaterial, das ausschließlich zu Werbezwecken verbreitet wird. Es darf nicht als unabhängige Wertpapieranalyse gelesen werden. Es stellt weder ein Angebot, noch eine Empfehlung zum Erwerb oder Verkauf von Finanzinstrumenten oder Bankdienstleistungen dar und entbindet den Empfänger nicht von seiner eigenen Beurteilung. Insbesondere ist dem Empfänger empfohlen, gegebenenfalls unter Einschaltung eines Beraters, die Informationen in Bezug auf die Vereinbarkeit mit seinen eigenen Verhältnissen, auf juristische, regulatorische, steuerliche, u.a. Konsequenzen zu prüfen.
Copyright © 2017 Credit Suisse Group AG und / oder mit ihr verbundene Unternehmen. Alle Rechte vorbehalten.