Das menschliche Gesicht von KI-gestützten Investitionen

Alexandra Nagy verdankt der künstlichen Intelligenz auf ihrem Karriereweg mehr als nur ein bisschen, aber ebenso viel hat die QuestAI Strategie – eine auf künstlicher Intelligenz beruhende quantitative Strategie – Alexandra Nagy zu verdanken.

Alexandra Nagy, heute Investmentmanagerin, kam 2021 als Trainee zu Pictet Group Risk, wo sie dem Quantitative Strategieteam unter der Leitung von Stéphane Daul, Senior Investment Manager, zugeteilt wurde. Das passte von Anfang an perfekt: Das Quant Team war gerade dabei, ein KI-Investment-Modell zu entwickeln, und Alexandra Nagy ist Physikerin mit akademischem Hintergrund in maschinellem Lernen.

Das Modell, an dem das Team arbeitete, nutzte KI, um Millionen von marktbezogenen Datenpunkten zu durchforsten und Wege zu finden, um bei einem bestimmten Risikoniveau zusätzliche Renditen aus einem Portfolio zu erzielen. Zu den frühen Arbeiten des Teams verfasste Alexandra Nagy zusammen mit Stéphane Daul und einem weiteren Kollegen, Thibault Jaisson, eine wissenschaftliche Abhandlung, die die theoretische Grundlage der QuestAI Strategie bildete: „Performance Attribution of Machine Learning Methods for Stock Returns Prediction“ (Performancequellenanalyse von Methoden des maschinellen Lernens für die Vorhersage von Aktienrenditen).

Die Abhandlung war von entscheidender Bedeutung, da unser Quantitative Strategieteam schon früh erkannte, dass es nicht ausreicht, einfach nur ein „Blackbox“ ML-Modell mit vorgegebenen Eingaben zu erstellen, das genaue Prognosen für die Aktienentwicklung liefert.

Das Team wusste auch, dass es für eine erfolgreiche Anwendung von KI auf eine Anlagestrategie in der Lage sein musste, zu bestimmen, woher die prognostizierte Performance kommt. Mit anderen Worten, man muss im Detail wissen, wie das Modell seine Aktienempfehlungen generiert.

Hier kam Alexandra Nagy ins Spiel.

In ihrer Doktorarbeit beschäftigte sie sich mit der Beschleunigung von Trainingsverfahren für maschinelles Lernen, die es ermöglichten, immer komplexere Modelle zu trainieren – was in einer Zeit, in der unsere Quant-Experten die Komplexität ihrer eigenen Modelle erhöhten, unerlässlich war.

Alexandra Nagy promovierte an der Ecole Polytechnique Fédérale de Lausanne (EPFL) über maschinelles Lernen und Quantenphysik, nachdem sie als Forscherin am CERN, dem weltgrössten Labor für Teilchenphysik in der Nähe von Genf, gearbeitet hatte. Am CERN entwickelte sie umfangreiche Simulationen, bearbeitete riesigie Datensätze und entwickelte mathematische Lösungen für hochkomplexe, unsichere Systeme.

Aber die Arbeit war rein theoretisch. Sie war auf der Suche nach praktischen Anwendungen, und das führte sie zu Pictet.

Ihre Erfahrung war perfekt für die Art von Forschung, auf die sich unser Quantitative Team konzentrierte: aus Unmengen von Daten präzise Prognosen über die künftige Entwicklung von Aktien abzuleiten.

„Wir verwenden zum Beispiel IBES-Daten, die die Gewinnprognosen der Analysten und die Stimmung gegenüber den Unternehmen erfassen“, erklärt sie. „Das hilft unseren Modellen, subtile Signale und Trends zu erkennen, die in Preis- oder Volumendaten allein nicht sofort sichtbar sind.“

Das Team hat sich für einen Modellierungsansatz entschieden, der als „Boosted Trees“ (verstärkter Entscheidungsbaum) bezeichnet wird. Dabei werden mehrere Entscheidungsbäume erstellt, das heisst Modelle, die wie Flussdiagramme strukturiert sind, und dann werden durch wiederholtes Training die Bäume in den Bereichen ermittelt und verbessert, in denen ihre Vorhersagekraft am schwächsten ist.

„Das ist wie ein Besuch beim Optiker“, sagt Alexandra Nagy. „Mit jeder Linse wird versucht, das Sehvermögen ein bisschen mehr zu schärfen, bis die richtige Sehstärke gefunden ist.“

Auch wenn Alexandra Nagys Arbeit mit dem Team so wichtig war, dass sie sogar die wissenschaftliche Abhandlung mitverfasste, die das Fundament von QuestAI bildet, verliess sie Pictet und wechselte in das Quantitative Research Team einer anderen Investmentfirma.

„Ich stand aber weiterhin in engem Kontakt mit dem Team. Ich habe alle paar Wochen mit Stéphane Daul zu Mittag gegessen“, sagt sie. „Ich wollte sehen, wie sich das Modell entwickelt – ich hatte das Gefühl, das ist ein bisschen mein Baby.“

Als QuestAI eingeführt wurde, bat das Team Alexandra Nagy, zurückzukommen. Für sie war die Rückkehr zu Pictet ein naheliegender nächster Schritt. Die Strategie war von Anfang an ein grosser Erfolg: Innerhalb von 18 Monaten wurde ein Vermögen von 1,7 Mrd. US-Dollar aufgebaut. Alexandra Nagys Erklärung ist ganz einfach: „Die Ergebnisse des Modells deckten sich weitgehend mit dem, was wir erwarteten.“

Die Performance war klar, aber das Modell ist alles andere als einfach. Zum einen wird es auf etwa 400 Merkmale trainiert, die das Team als „Features“ bezeichnet – Merkmale, die sich aus zahllosen Datenreihen ergeben, wie etwa Gewinn je Aktie und Kurs-Buchwert-Verhältnis sowie Daten zur Analystenstimmung.

Das Modell erfasst sowohl einfache als auch komplexere Beziehungen zwischen Merkmalen und Aktienrenditen. Einige dieser Effekte sind linear, das heisst, ein Merkmal hat einen direkten proportionalen Einfluss auf die prognostizierten Erträge. Andere dagegen sind nichtlinear, das heisst, die Effekte sind komplizierter, können aber oft noch mit traditionellen Modellen erfasst werden. Am komplexesten sind die Wechselwirkungen zwischen Merkmalen, bei denen der Einfluss von zwei oder mehr Merkmalen zusammen nur mit fortgeschrittenen KI-Techniken ermittelt werden kann.

Das Team betreibt erheblichen Aufwand, um die Vorhersagen des Modells aufzuschlüsseln und abzuschätzen, wie viel jede dieser Quellen zur endgültigen Prognose beiträgt. Durch die sorgfältige Zuordnung von Teilen der Vorhersage zu verschiedenen Effekten können die Mitglieder des Teams die Signale des Modells besser interpretieren und haben mehr Vertrauen in dessen Empfehlungen.

Doch für die Weiterentwicklung und Verfeinerung des Modells sind immer noch – intelligente und erfahrene – Menschen notwendig. In der Phase des Portfolioaufbaus haben die Manager beispielsweise die Möglichkeit, ihre Positionen anzupassen, wenn sie der Meinung sind, dass die aktuelle Situation eines Unternehmens zu spezifisch ist, um den Vorhersagen des Modells zu vertrauen – beispielsweise bei Fusionen und Übernahmen. Und dann ist da noch die Überwachung des Modells: Bevor eine der vom Modell empfohlenen Transaktionen ausgeführt wird, ist eine Validierung durch die Investmentmanager erforderlich. Sie sind auch unentbehrlich, um etwaige Beschränkungen eines Portfolios festzulegen, zum Beispiel um sicherzustellen, dass eine Strategie faktor-, sektor- und geografisch neutral ist.

Die Entwicklung schreitet unaufhaltsam und kontinuierlich voran.

„Das Modell wird alle drei Monate neu trainiert und aktualisiert, und Neuentwicklungen werden alle sechs bis zehn Monate eingeführt. Wir nehmen uns viel Zeit, um zu verstehen, wie das im Portfolio funktioniert“, sagt Alexandra Nagy. Das ist ein anspruchsvoller Prozess.“

In gewisser Weise hat sich Alexandra Nagys Karriere im Investmentmanagement parallel zum QuestAI-Modell entwickelt. Beides entwickelt sich gemeinsam weiter, wobei sich die KI neben dem aktiven und passiven Management zunehmend als dritter Weg im Investmentbereich etabliert.

Wir gehen davon aus, dass die von KI-gesteuerten Modellen generierte Performance weitgehend unabhängig von derjenigen traditioneller quantitativer oder fundamentaler Ansätze sein wird. In diesem Sinne sehen wir KI als komplementär an – ihr wahrer Wert besteht darin, eine zusätzliche Perspektive zu bieten, die zu einer ausgewogeneren Kapitalallokation beiträgt.

Alexandra Nagy, Investment Manager