Künstliche Intelligenz (KI) und Machine Learning zur Aktienanalyse

Börsenkurse sind bestimmt durch den Durchschnitt der teilweise subjektiven Meinung aller Marktteilnehmer zu einem bestimmten Unternehmen. Da diese Meinung meist von der objektiven Realität eines Unternehmens abweicht, entsteht eine Bewertungslücke (Valueation Gap), die sich im Laufe der Zeit ausgleicht. (Brandes, C. H. Value Investing Today. McGraw Hill, 1998)

Deutliche, langfristige Lücken werden von Value Analysten geprüft. Aktive Trader nutzen vor allem kurzfristige, psychologische Abweichungen von der realen Bewertung eines Unternehmens aus, um diese spontane DiskrepanzBewertungs evtl. mit einem Hebel für sich zu nutzen.

An dieser Stelle ist die Frage berechtigt, ob Computer diese Differenz leichter und schneller bewerten können, als Menschen.

Was ist eine künstliche Intelligenz?

Künstliche Intelligenz (KI) und Machine Learning sind im Forschungsgebiet der Informatik Anwendungen, die es ermöglichen sollen, das menschliche Gehirn nachzubilden. Sie entstehen mit dem Ziel, die menschliche Intelligenz in vielen Bereichen zu ersetzen oder zu unterstützen. Kern der Technologie ist es, durch selbstlernende Netze standardisierte Prozesse zu automatisieren.

Beide Ansätze sind keine neuen Gedanken für unsere Welt. Durch die exponentiell steigende Computer- und Serverleistung sind jedoch vor allem in den letzten zehn Jahren neue Anwendungstiefen der Technologien möglich.

Transparent werden die ersten Erfolge bereits im Bereich der Spiele, die durch standardisierte Regeln und Spielfelder klar abgesteckt sind. Googles DeepMind sorgte im Jahr 2018 bereits für große Aufregung, indem ihre künstliche Intelligenz binnen weniger Stunden Training durch Spiel mit sich selbst in der Lage war etablierte Computer und Großmeister der komplexen Spiele Go, Shogi und Schach zu schlagen.

Selbst noch komplexere Spiele, wie das Multiplayer-Spiel Dota 2, werden bereits auf einem Spizenniveau von OpenAI gespielt. Und zwar mit außergewöhnlichen Methoden, die selbst Profis zum Staunen bringen.

Anwendung von KIs im Finanzbereich

Tatsächlich werden künstliche Intelligenzen im Finanzsektor bereits verwendet. Die bekannten Anwendungsbereiche konzentrieren sich vor allem auf folgende Bereiche:

• Datenüberwachung: KIs beobachten, analysieren Datenbestände und übernehmen Qualitätsmessungen, um menschliches Verhalten zu überprüfen.
• Kreditwürdigkeit: Die Daten, um die Kreditwürdigkeit von Kunden und Partnern zu berechnen, sind bereits klar definiert. Jedes Unternehmen hat jedoch andere Erfahrungen und Ziele in ihrem jeweiligen Akzeptanzbereich. Künstliche Intelligenzen finden heraus, welche Datensets in welchem Zusammenspiel relevant sind, um die Entscheidung über die Kreditwürdigkeit eines Unternehmens oder einer Person zu treffen.
• Trading-Signale: Während Trader häufig eigene Trading-Signale anhand bestehender Indikatoren entwickeln, erstellen KIs diese Modelle vollkommen selbstständig und übernehmen die Forschungsarbeit der Suche nach eigenen Indikatoren-Sets.
• Handel: Welche Strategie und welcher Zeitpunkt zum Aktientrade sind die richigen? Iceberg oder Bulk Order? KIs haben bereits den optimalen Handelsrhytmus für verschiedene Zeitpunkte und Kurssituationen berechnet und sind im Einsatz.

Nutzen von künstlichen Intelligenzen in der Aktienanalyse

Die Betrachtung der Möglichkeiten und des Aufwands für den Einsatz von KIs in der Aktienanalysen zeigt neue Herausforderungen für IT-Spezialisten. Um den tatsächlichen, objektiven Wert einer Aktie zu berechnen, bedarf es seither komplexes Wissen zur Bilanzierung, einen strategischen Weitblick auf das Geschäftsfeld eines Unternehmens und damit auch die Fähigkeit, das Management zu offenen Fragen zu konsultieren.

Die Nachfrage nach Unterstützung in der Aktienanalyse ist groß. Seither versuchen sich einzelne Marktteilnehmer damit, die Aktienanlage auf ein reines Risikomanagementmodell auf ETF-Basis zu limitieren und scheitern daran, Überrenditen zum Markt zu erzielen. Sie erreichen zwar niedrigere Schwankungen, doch entscheiden nicht Optimal im Bereich der Asset-Auswahl.

Erst wenn diese noch viel wichtigere Seite der Aktienanalyse in Zukunft noch besser automatisiert werden kann, werden Anbieter für “automatische Aktienanlage” langfristig ansprechende Renditen erzielen.

Anwendungsmodell in der Aktienanalyse

Sollte eine künstliche Intelligenz in der Lage sein, die Daten eines Geschäftsberichts inklusive aller Anhänge und verbaler Statements verstehen, können erwartungsgemäß auch ohne Gespräche mit dem Management sehr gute Bewertungsgenauigkeiten erzielt werden. Es ist davon auszugehen, dass Unternehmensnachrichten und AdHoc-Meldungen auch heute schon verstanden werden.

Ein Blick auf die Struktur unterschiedlicher Geschäftsberichte lässt Programmierer im Moment noch vor Überforderung erstarren. Jeder Bericht ist unterschiedlich strukturiert. Einzelne Elemente werden verschieden in den Anhängen dargestellt. Strukturen des Anlagevermögens, der Finanzierung oder der Verbindlichkeiten und Forderungen sind bei jedem Unternehmen anders dargestellt. Hinzu kommen komplexe Gebilde innerhalb der Unternehmen. Dazu gehören Tochtergesellschaften, Beteiligungen und die Gliederung in verschiedene Geschäftsbereiche.

Selbst erfahrene Analysten scheitern immer wieder an der Darstellung dieser Komplexität in ihren Modellen. Das Fondsmanagement der Alpha Star-Fonds ist es mit jahrelanger Erfahrung gelungen, ein standardisiertes Format über verschiedene Unternehmenstypen zu erstellen.

Doch darin liegt nicht die Schwierigkeit. Die große Herausforderung entsteht durch die Interpretation der Positionen im Geschäftsbericht. Welcher Posten der Bilanz, GuV und Cashflow-Rechnung ist wie in das eigene Format zu integrieren? Bei jedem neu betrachteten Unternehmen und mit jeder Änderung der Bilanzierungsregeln ändert sich das Modell. Die künstliche Intelligenz müsste demnach selbstständig in der Lage sein, diese Interpretationen vorzunehmen.

Fazit

Während künstliche Intelligenzen und Anwendungen des Machine Learnings schon in der Lage sind standardisierte Aufgaben zu übernehmen, scheitern sie noch an der Darstellung des komplexen Verständnisses eines Menschen.

Die Anwendungsbereiche und Nutzen der Technologien werden sich in den kommenden Jahren erhöhen und entsprechenden ökonomischen Mehrwert liefern. Die Königsdisziplin der Value Analyse wird jedoch in den nächsten 10 Jahren, bis nach Ray Kurzweil menschliche Rechenleistung erreicht sind, erwartungsgemäß von der Intelligenz des Menschen dominiert werden.

Für klassische Chart-Trader oder News-Trader sehe ich jedoch weniger Chancen auf Erfolge. Mit der steigenden Zahl an KIs in diesem Umfeld werden entstehende technische Ineffizienzen vor von Computer-Lösungen genutzt werden.

Das langfristige Investment in unseren Aktienfonds und Dividendenfonds wird weiterhin von der Produktivitäts- und Effizienzsteigerung des Marktes profitieren. Wer in diesem Zusammenhang besonders aussichtsreiche und günstige Unternehmen findet, kann auch in Zukunft noch mit seinem langfristigen Vermögenswachstum.

War dieser Artikel hilfreich? Bitte bewerten Sie:

Autor des Beitrags "Künstliche Intelligenz (KI) und Machine Learning zur Aktienanalyse":
Alpha Star Management GmbH

Bewertung: 4.7 von 5 bei 309 Bewertungen