1. Der allgemeine Einfluss von KI und Machine Learning auf das Trading
Künstliche Intelligenz (KI) ermöglicht es Maschinen, an die Stelle von Menschen zu treten. In den 1980er-Jahren standen Expertensysteme und Fuzzylogik im Mittelpunkt der KI-Forschung. Mit sinkenden Kosten für Rechenleistung wurde es wirtschaftlich machbar, Maschinen für große Optimierungsprobleme einzusetzen. Dank der Fortschritte bei Hard- und Software konzentriert sich die KI heute auf neuronale Netze und andere Lernverfahren, um Prädiktoren — auch Features oder Faktoren genannt — zu identifizieren und zu analysieren, die ökonomischen Wert besitzen und sich zusammen mit Klassifikatoren zu profitablen Modellen verarbeiten lassen. Diese Art von KI-Anwendung wird häufig als Machine Learning (ML) bezeichnet.
Methoden zur Entwicklung KI-basierter Handelsstrategien — sowohl für kurzfristige Zeitrahmen als auch für längerfristige Investments — werden immer beliebter, und einige Hedgefonds sind auf diesem Gebiet besonders aktiv. Die breite Übernahme dieser neuen Technologie verläuft jedoch aus verschiedenen Gründen schleppend; der wichtigste davon: KI erfordert Investitionen in neue Werkzeuge und in menschliche Expertise. Die Mehrheit der Fonds setzt auf Fundamentalanalyse, weil die Manager genau das in ihren MBA-Studiengängen lernen. Hedgefonds, die sich ausschließlich auf künstliche Intelligenz stützen, gibt es nur wenige. Zwar nimmt die KI-Nutzung im Retail-Bereich zu, doch die meisten Trader verlassen sich weiterhin auf Methoden aus der Mitte des zwanzigsten Jahrhunderts wie die klassische technische Analyse — weil sie leicht zu verstehen und anzuwenden sind.
Wichtig ist auch: KI und ML kommen nicht nur bei der Strategieentwicklung zum Einsatz, sondern etwa auch beim Bau von Algorithmen zur Liquiditätssuche oder bei Portfolioempfehlungen für Kunden. Je mehr sich KI-Anwendungen durchsetzen, desto weniger Menschen sind an Handels- und Anlageentscheidungen beteiligt — mit Folgen für Märkte und Kursbewegungen. Für Aussagen über die Gesamtwirkung dieser neuen Technologie auf die Branche ist es noch zu früh, doch eine breite KI-Nutzung könnte zu effizienteren Märkten mit über lange Phasen niedriger Volatilität führen, gefolgt von periodischen Volatilitätsspitzen infolge von Regimewechseln. Das ist denkbar, weil der Einfluss der subjektiven menschlichen Informationsinterpretation ebenso abnehmen würde wie das damit verbundene Rauschen. In der Praxis muss sich das allerdings erst noch zeigen.
2. Der Einfluss von KI und Machine Learning auf die Alpha-Generierung
Wer die KI-Technologie versteht und ihre Risiken zu handhaben weiß, hat in der frühen Phase ihrer Verbreitung eine Chance. Ein Problem KI-basierter Handelsmethoden ist, dass sie Modelle liefern können, die schlechter als der Zufall sind. Ich versuche zu erklären, was ich meine: Die klassische technische Analyse ist eine Verluststrategie, weil Techniken auf Basis von Chartmustern und Indikatoren ihre Erträge aus einer Verteilung mit einem Mittelwert von null beziehen — noch vor allen Transaktionskosten. Einige Trader landen naturgemäß am rechten Rand der Verteilung, was den falschen Eindruck erweckt, diese Strategien hätten ökonomischen Wert. An den Futures- und Devisenmärkten ist längerfristige Profitabilität unabhängig vom Ansatz schwer zu erreichen, weil diese Märkte darauf ausgelegt sind, Market Maker zu belohnen. Durch Zufall können manche Trader in gehebelten Märkten jedoch in kurzer Zeit große Gewinne einfahren. Diese Trader schreiben ihren Erfolg dann nicht dem Glück, sondern ihrer Strategie und ihrem Können zu.
Bei KI und ML kommen weitere Effekte hinzu, etwa der Bias-Variance-Trade-off. Data-Mining-Bias kann zu Methoden führen, die an historische Daten überangepasst sind und an neuen Daten scheitern, oder zu Verfahren, die zu simpel sind und entscheidende Signale mit ökonomischem Wert in den Daten übersehen. Dieser Trade-off erzeugt Taktiken, die schlechter als der Zufall sind, und eine negative Schiefe in der Renditeverteilung dieser Trader — noch bevor Transaktionskosten berücksichtigt werden. In der Zeit nach dem Quantitative Easing entsteht daraus ein Gewinnpotenzial für große Fonds und Investoren. Sobald jedoch die schlechter als der Zufall agierenden KI-Trader aus dem Markt gedrängt sind und nur noch jene mit soliden Modellen übrig bleiben, wird sich der Wettbewerb um die Gewinne verschärfen. Ob in diesem Kampf die KI-Trader oder die großen Investoren die Oberhand behalten, lässt sich noch nicht vorhersagen.
Ich möchte außerdem ein verbreitetes Missverständnis in diesem Feld ansprechen: Manche glauben, der Wert liege in den verwendeten ML-Algorithmen. Das ist nicht richtig. Der eigentliche Wert liegt in den eingesetzten Prädiktoren, die oft als Features oder Faktoren bezeichnet werden. ML-Algorithmen können kein Gold finden, wo keines ist. Ein Problem ist, dass die meisten ML-Spezialisten dieselben Prädiktoren nutzen und in einem iterativen Verfahren Modelle bauen, um die besten Ergebnisse zu erzielen. Diese Vorgehensweise leidet unter Data-Mining-Bias und scheitert am Ende. Kurz gesagt entsteht Data-Mining-Bias aus der riskanten Praxis, dieselben Daten mit vielen Modellen wiederzuverwenden, bis die Ergebnisse in Trainings- und Teststichproben zufriedenstellend ausfallen. Nach meinen Untersuchungen auf diesem Gebiet gilt: Wenn ein einfacher Klassifikator wie die binäre logistische Regression mit einem gegebenen Satz von Prädiktoren nicht gut funktioniert, ist die Wahrscheinlichkeit hoch, dass kein ökonomischer Wert vorhanden ist. Der Erfolg hängt daher vom Feature Engineering ab — einer Mischung aus Wissenschaft und Kunst, die Wissen, Erfahrung und Inspiration erfordert, um Features mit ökonomischem Wert zu entwickeln. Nur ein winziger Bruchteil der Experten ist dazu in der Lage.
3. Der Einfluss von KI und Machine Learning auf die technische Analyse
Wir müssen zwischen klassischer und quantitativer technischer Analyse unterscheiden, denn alle Ansätze, die auf der Analyse von Kurs- und Volumenreihen beruhen, fallen in diese Kategorie. Die traditionelle technische Analyse — Chartmuster, einfache Indikatoren, Price-Action-Theorien und dergleichen — war von Anfang an wirkungslos. Abgesehen von einigen wenigen unvollkommenen Initiativen mit begrenztem Umfang legten die Publikationen, die diese Ansätze anpriesen, ihre längerfristigen statistischen Erwartungswerte selten offen; stattdessen versprachen sie lediglich, dass die Befolgung dieser oder jener Regel Gewinnpotenzial biete. Da Gewinne und Verluste am Markt einer statistischen Verteilung folgen, gab es immer einige, die ihr Glück diesen Methoden zuschrieben. Zugleich entstand rund um diese Verfahren eine ganze Branche, weil sie leicht zu erlernen waren. Leider glaubten viele, sie könnten gewinnen, indem sie Taktiken, die alle anderen ebenfalls nutzten, einfach besser anwenden — mit dem Ergebnis eines gewaltigen Vermögenstransfers von diesen naiven Tradern zu Market Makern und anderen gut informierten Profis.
Anfang der 1990er-Jahre entdeckten einige Marktspezialisten, dass eine große Zahl von Retail-Tradern mit diesen simplen Taktiken handelte. Manche bauten Algos und KI-Expertensysteme, um Formationen vorherzusagen und dann gegen sie zu handeln — und erzeugten so eine Volatilität, der die als „schwache Hände" bekannten Retail-Trader nicht gewachsen waren. Im weiteren Sinne lässt sich das Scheitern der traditionellen technischen Analyse darauf zurückführen, dass ab den 1990er-Jahren die starke serielle Korrelation aus den Märkten verschwand. Es war vor allem diese starke serielle Korrelation, die den falschen Eindruck erweckte, die Verfahren seien wirksam. Mit wenigen Ausnahmen tendieren die Märkte heute zur Mittelwertrückkehr, was einfache technische Analysewerkzeuge nutzlos macht. Einige quantitative Werkzeuge dagegen — etwa Mean-Reversion- und Statistical-Arbitrage-Modelle sowie ML-Algorithmen, die Features mit ökonomischem Wert ausnutzen — funktionieren häufig gut.
Wegen der großen Bandbreite an Modellen und weil die meisten geheim gehalten werden, dürfte sich diese Art von Arbitrage bei KI und ML kaum wiederholen. Das Kernproblem dieser neuen Technologie ist jedoch nicht der Bestätigungsfehler wie bei der klassischen technischen Analyse, sondern der Data-Mining-Bias.
Den Markt zu beobachten und auf Charts zu starren, wird meiner Meinung nach zunehmend obsolet. Die Zukunft des Tradings liegt in der Echtzeit-Informationsverarbeitung, der Modellentwicklung und der Validierung. Der Hedgefonds der Zukunft wird sich nicht auf Chartanalyse stützen. Manche tun es weiterhin, weil sie an einem Scheideweg stehen, an dem alte und neue Wege aufeinanderprallen. Viele Trader, die mit KI nicht vertraut sind, werden künftig kaum konkurrieren können und sich zurückziehen.
4. Gewinner und Verlierer der neuen Trading-Technologie
Der Einsatz künstlicher Intelligenz wird das Trading auf vielfältige Weise revolutionieren — und das geschieht bereits. Investoren könnten bald feststellen, dass die mittelfristigen Renditen deutlich niedriger ausfallen als erwartet, sobald der gegenwärtige, durch QE erzeugte Trend endet. Tritt dieses Szenario ein, werden Anleger auf die traditionelle Methode zurückgreifen müssen: einen fähigen Finanzberater zu finden, der eine Portfoliomischung empfiehlt und Aktien auswählt, die an Wert gewinnen. In manchen Fällen wird dieser Berater ein KI-Programm sein, und der Vorgang wird online ablaufen.
Trader müssen sich mit dieser neuen Technologie vertraut machen. Die meisten kämpfen noch mit veralteten Ansätzen und hoffen, dass „Buy the Dip" noch ein paar Jahre funktioniert und Gewinne liefert.
Eines der Probleme ist das Moral-Hazard-Verhalten, das die Zentralbank mit ihrer direkten Unterstützung der Finanzmärkte in den vergangenen acht Jahren gefördert hat. Viele Trader und Investoren halten Bärenmärkte inzwischen für unmöglich, weil die Zentralbank ja da sein werde, um ihre Verluste auf die Allgemeinheit abzuwälzen, während sie ihre Gewinne behalten. Die Mehrheit der Marktteilnehmer ist daher auf den nächsten großen Regimewechsel am Markt nicht vorbereitet und könnte katastrophale Verluste erleiden.
Es gibt zahlreiche Online-Ressourcen, um Machine Learning, künstliche Intelligenz und Trading zu lernen. Der beste Weg dorthin führt über einige praktische Problemstellungen. Ich glaube allerdings, dass die meisten Trader die Umstellung nicht schaffen werden. Die Kombination von Fähigkeiten, die zum Verständnis und Einsatz von KI nötig ist, sortiert 95 % der Trader aus, die es gewohnt sind, Linien in Charts zu zeichnen und gleitende Durchschnitte zu beobachten.
Anleger sollten selbst recherchieren und den Rat eines professionellen Finanzberaters einholen, der mit diesen neuen Entwicklungen vertraut ist. Jeder Anleger hat ein eigenes Risikoprofil, weshalb sich pauschale Empfehlungen verbieten. Schon bald wird es eine Fülle von Robo-Advisors geben, und einen zu finden, der zu den eigenen Anforderungen und Zielen passt, könnte schwierig werden.
Wer mit ML und KI und ihren Anwendungen in Trading und Investment nicht vertraut ist, fährt womöglich besser damit, einen sachkundigen Profi zu konsultieren, statt sich gleich durch Bücher und Artikel zu arbeiten — das kann folgen, sobald die Grundlagen sitzen.