Königsdisziplin Taktische Asset-Allokation – KI eröffnet neue Möglichkeiten

Institutionelle Anleger wie Pensionskassen, Versicherungen und Versorgungswerke stehen vor einer doppelten Herausforderung: Sie müssen langfristig stabile, wettbewerbsfähige Renditen erzielen und gleichzeitig über kurzfristige Berichtsperioden strenge regulatorische oder statutarische Vorgaben erfüllen. Dafür benötigen sie Risikoprämien vor allem aus Aktienanlagen. Die Übernahme von Aktienrisiko muss jedoch kontrolliert erfolgen, so dass zwischenzeitliche Verluste möglichst begrenzt und die Vorgaben erfüllt bleiben.

Die taktische Steuerung der Aktienquote ist seit rund 20 Jahren Teil der Wertschöpfung im institutionellen Asset Management. Frühe quantitative Ansätze zur taktischen Asset-Allokation (TAA) nutzen ökonometrische Modelle, die in der Regel nur eine begrenzte Anzahl von taktischen Impulsgebern verarbeiten konnten. Heute ermöglichen die Methoden des maschinellen Lernens (ML), aus sehr großen Datenmengen sich verändernde, komplexe Wirkungszusammenhänge zu lernen. In Verbindung mit nahezu unbegrenzter Rechenkapazität in der Cloud, eröffnet dies neue Wege für Mehrwerte in der TAA.

Am Kapitalmarkt stehen sich Rationalität und Psychologie gegenüber

Die Preisbildung am Aktienmarkt enthält rationale und psychologische Elemente. Einerseits verarbeiten die Marktteilnehmer fundamentale Informationen über Unternehmen, betrachten makroökonomische Rahmenbedingungen und bilden Erwartungen hinsichtlich zukünftiger Entwicklungen, zum Beispiel zu Konjunktur, Zinsniveaus und Zinsdifferenzen. Daraus leiten sie rational und analytisch ihren Risikoappetit und ihre Nachfrage nach Aktien ab. Andererseits reagieren Anleger auf bestimmte plötzliche Marktunsicherheiten eher „aus dem Bauch heraus“ und adjustieren intuitiv ihren Risikoappetit sowie ihre Portfolios. In diesem Spannungsfeld zwischen rationaler Anlagebewertung und Verhaltenspsychologie bewegen sich Kurse und Risikoprämien am Aktienmarkt. Wirksame Entscheidungsprozesse zur taktischen Aktienquotensteuerung sollten Informationsträger aus beiden Welten – der rationalen und der psychologischen – verarbeiten.

Das Fast-and-Slow-Modell

Wohlspezifizierte KI-Modelle sind in der Lage, Informationen aus der Tiefe von großen und heterogenen Datensätzen zu extrahieren. Zudem können sie mit nichtlinearen Beziehungen und Strukturbrüchen besser umgehen, als es ökonometrische Regressionsmodelle vermögen. Das KI-basierte Fast-and-Slow-Modell zur taktischen Aktienquotensteuerung bildet – in Anlehnung an den von Nobelpreisträger Daniel Kahneman geprägten Dualismus aus schnellem Denken („Thinking Fast“) und langsamem Denken („Thinking Slow“) – das dynamische Wechselspiel zwischen rationalen und psychologischen Treibern des aggregierten Risikoappetits ab. Die Reaktionen der Marktteilnehmer auf plötzliche Unsicherheiten reflektieren das intuitive Fast‑System, ihr Investitionsverhalten auf Basis fundamentaler Entwicklungen das analytische Slow‑System.

Fast-and-Slow nutzt Methoden des ML, um aus kurzfristiger Marktvolatilität einerseits und fundamentalen Trends andererseits Signale für die erwartete Aktienmarktrendite in Echtzeit abzuleiten. Hierzu extrahiert die KI gezielt Informationen aus der Tiefe eines breiten und heterogenen Datensatzes, an dem traditionelle ökonometrische Modelle scheitern würden. Die implementierten ML-Verfahren verarbeiten nichtlineare Interaktionen und Strukturbrüche im Informationsraum. Sie können selbst in den typischerweise stark verrauschten Finanzmarktdaten robuste Signale identifizieren. Durch die ganzheitliche Analyse der Unsicherheiten am aktuellen Datenrand und gleichermaßen der Treiber langfristiger Erwartungen ist Fast-and-Slow ist der Lage, Marktzyklen besser zu klassifizieren als traditionelle Verfahren.

Regimeklassifikation statt Punktprognosen

Im Kern des -Modells steht nicht die Prognose einer Rendite, sondern die Klassifikation des jeweils wahrscheinlicheren Regimes: Bullen- oder Bärenmarkt. Diese binäre Einordnung hat sich als stabileres und verlässlicheres Prognoseziel erwiesen, weil sie weniger vom unvermeidlichen Rauschen kurzfristiger Kursbewegungen abhängig ist. Ein dynamischer Algorithmus generiert hierfür die Trainingslabels, indem er 30 Tage in die Zukunft blickt, Marktkontexte bewertet und zu häufige Regimewechsel bestraft. Dieses Vorgehen ermöglicht es, die spätere Umsetzung der Signale – etwa über Futures in einem Overlay – schon beim Training der KI zu berücksichtigen. Handelskosten, Liquidität, Bandbreiten der Aktienquote und gewünschtes aktives Risiko fließen direkt ein.

Ein Ensemble tausender Modelle – wie ein Expertenrat

Die Prognosearchitektur besteht aus tausenden, bewusst einfach gehaltenen Submodellen, die jeweils nur einen Teil des Informationsraums abdecken. Jeden Tag stimmen die besten 15 Prozent dieser Modelle ab, ob sie ein bullisches oder bärisches Umfeld erwarten. Das Ergebnis ist eine breit diversifizierte, datengestützte Einordnung des vorherrschenden Sentiments. Diese Ensemble-Architektur erweist sich in der Praxis als robust. Sie erkennt nichtlineare Muster, bleibt aber stabil gegenüber Datenrauschen – ein entscheidender Vorteil in einem Umfeld, in dem die Signale notorisch schwach sind.

Nachdem Fast-and-Slow in umfangreichen Test mit Daten, die nicht für Trainingszwecke der KI genutzt wurden, seine Leistungsfähigkeit eindrücklich unter Beweis gestellt hat, wird es in ersten Mandaten für institutionellen Anleger eingesetzt.

Out-of-Sample- Backtest: Performance der Risk-On/Off-Strategie im Vergleich zum MSCI World Total Return Index

^{Quelle: Ultramarin}

^{Ergebnis einer „Out-of-Sample“-Simulation einer Risk-on/-off-Strategie vs. MSCI World (in USD) auf Basis des „Fast-and-Slow"-Signals. Die Strategie investiert im Fall einer Bullenmarkt-Prognose in den Index, im Fall einer Bärenmarkt-Prognose in Cash (3-Monats-Zinssatz). Auf diese Weise erzielt die Strategie eine substanzielle Outperformance von mehr als 2 % p. a. bei einer um fast 3 Prozentpunkte geringeren Volatilität. Der maximale Drawdown wird von 34 %auf 22,5 % reduziert.}

^{Quelle: Ultramarin}

Transparenz als Vertrauensfaktor

Für professionelle Investoren ist die Erklärbarkeit der Empfehlungen einer KI nahezu genauso wichtig wie ihre Performance. Genau hier setzt der Fast‑and‑Slow‑Ansatz auf modernste Methoden der Explainable AI wie SHAP und SHAP‑IQ. Damit lässt sich für jede Klassifikation exakt nachvollziehen, welche Merkmale in welchen Kombinationen sie getragen haben. Nutzer sehen so nicht nur das Ergebnis, sondern verstehen die Logik des Modells.

KI wird zur Schlüsselkompetenz im Asset Management

Die Kapitalmärkte werden zunehmend komplexer, volatiler und datenreicher. Zugleich steigen die regulatorischen Anforderungen und der Wunsch institutioneller Anleger nach nachvollziehbaren Entscheidungsmodellen für taktisches Risikomanagement auf der Ebene von Anlageklassen. Hier eröffnet KI vollkommen neue Perspektiven. Modelle wie Fast-and-Slow gewinnen Signale aus großen, heterogenen und verrauschten Informationsräumen und sind durch ihre konzeptionelle Mächtigkeit traditionellen Modellen in der „Königsdisziplin“ TAA überlegen. Fehlende Transparenz ist dabei kein Thema. KI wird zu einer strategischen Fähigkeit auf allen Ebenen der Wertschöpfung im Asset Management.