Credit Suisse: Der Aufstieg der Maschinen

Wir stecken mitten in einem „technologischen Tsunami“, der in seiner Wirkung in nichts der industriellen Revolution des 19. Jahrhunderts nachstehen wird. Ein wichtiges Merkmal dieser Entwicklung ist der zunehmend schnellere technische Fortschritt und der damit verbundene Einfluss auf viele Lebensbereiche. Maschinen gewinnen immer mehr an Relevanz und sind zunehmend in der Lage, Menschen in komplexen Situationen zu ersetzen. Maschinen haben die Fähigkeit, riesige Datenmengen schneller und effizienter zu analysieren als es uns jemals möglich sein wird.

Künstliche Intelligenz oder Computersysteme, welche in der Lage sind, Aufgaben ohne direkte Anweisung von Menschen auszuführen sind klar auf dem Vormarsch. Künstliche Intelligenz wird zunehmend auch in Bereichen wie zum Beispiel Gesundheitswesen oder Umweltschutz zum Einsatz kommen. Künstliche Intelligenz wird definiert als die Simulation von menschlichen Prozessen mit Maschinen: Die Prozesse beinhalten u.a. das Lernen, die Fähigkeit, Schlüsse zu ziehen, sowie die Selbstkorrektur.

Die Leistungsfähigkeit von Computern hat sich von 2000 bis heute um einen Faktor von 170 vervielfacht; gleichzeitig haben sich die Kosten für 1GB Speicher von USD 11 auf USD 0,02 pulverisiert. Unter anderem sind dadurch 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 in verschiedenen Gebieten eingesetzt werden. 
 Mögliche Datenquellen für eine Prognose von Finanzdaten sind beispielsweise 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. 

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 lassen sich überwachtes und nicht-überwachtes Machine Learning unterscheiden. Bei letzterem überlässt man der Maschine das Finden von Mustern, ohne spezifische Algorithmen vorzugeben. 

Es gibt bereits einen Index, der die Erträge von solchen „Machine Learning “-Investmentstrategien zusammenfasst. Wenn die Daten auch nicht perfekt sind so zeigt sich doch, dass hier ein großes Potenzial schlummert. Die wirkliche Stärke dieses Ansatzes liegt nicht in einem wundersam „intelligenten“ Model, das aus bestehenden Daten bessere Schlüsse zieht. Nein, dies wäre am Ende nur ein sogenanntes „Overfitting“, d.h. 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 und Feeds von sozialen Netzwerken etc,; und der Fähigkeit diese Daten in Bezug auf ökonomisch relevante Größen zu setzten (z.B. Satellitenbilder von Parkplätzen großer Einkaufscenter und der abgeleiteten besseren Vorhersage von Einzelhandelsergebnissen).  

Es ist nicht sehr verwegen zu behaupten, dass sich Machine Learning weiterentwickeln wird und in der nicht allzu fernen 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, Risikorichtlinien usw. gegenüber. In der Vergangenheit konnten Fondsmanager durch persönliche Merkmale wie zum Beispiel ihrer Qualifikationen und jeweiligen Erfahrung beurteilt werden. Aber es ist ungleich schwieriger, die Vollständigkeit von Datenmengen oder die Fähigkeit von Algorithmen abzuschätzen. 

Mit dem technologischen Fortschritt entsteht ein neues Zeitalter der Automatisierung mit zunehmend intelligenteren Robotersystemen in immer mehr Bereichen – in Fabriken, aber auch Privathaushalten, Krankenhäusern und Büros. Automatisierung und künstliche Intelligenz schaffen in zunehmendem Maße neue Möglichkeiten zur Reduzierung der Kosten und Steigerung der Effizienz. Unternehmen verstehen zunehmend, welche Vorteile Robotik, Automatisierung und künstliche Intelligenz bieten. Deshalb ist es wahrscheinlich, dass sie in immer stärker eingesetzt werden und die Wachstumsraten von Unternehmen mit gut differenzierten Technologien und Dienstleistungen weiter steigen. 

Das Liquid Alternatives Team der Credit Suisse beschäftigt sich im Rahmen ihres Investitionsauftrages für Kunden mit diesen aufkommenden Strategien und Algorithmen, wie auch mit (alternativen) Risikoprämien, um so Kunden Zugang zu diesem neuen, diversifizierenden Anlagen zu geben. 

Der Artikel ist eine Zusammenfassung von „Rise of the Machines“