Die Quant-Geschichte beginnt vielleicht schon 1936. Mit der „Turingmaschine“ legte der britische Mathematiker Alan Turing den Grundstein für die Idee, dass Maschinen bestimmte intellektuelle Aufgaben durch Berechnungen ausführen können. Seine Pionier-Arbeit half im zweiten Weltkrieg bei der Entschlüsselung des Enigma-Geheimcodes der deutschen Wehrmacht. Die Turing-Maschine war so groß wir eine kleine Lagerhalle. Im Film „The Imitation Game“ (2014; mit Benedict Cumberbatch) ist dies ganz wunderbar mitzuerleben.

Über den ersten Chatbot „ELIZA“ 1966, den ersten Erfolg einer Künstlichen Intelligenz im Schach 1997 und die bis heute enorm gewachsene Rechen-Power hält der technologische Fortschritt Einzug. Mit verantwortlich sind hierbei bekannte Firmen wie NVIDIA. Komplexe Berechnungen laufen heute über dafür besonders geeignete Grafikarten und Computer-Chips, die 10.000-mal kleiner sind als ein menschliches Haar. TSMC (Taiwan Semiconductor Manufacturing Company) stellt 92 % aller weltweiten Hochleistungschips für die globale Elektronik her. Ein Ende des Wachstums und der damit verbundenen Rechenpower ist noch nicht in Sicht.

Übersicht 1: Die Geschichte der Künstlichen Intelligenz

Quelle: Buch: „Richtig Texten mit K”, Seiten 22ff Kai Spriestersbach, 2023

Die Geschichte des fundamentalen Investierens

Schon seit dem zweiten Weltkrieg handeln die besten Investoren auf Basis von fundamentalen Kennzahlen. Das wohl bekannteste Werk zu dieser Idee ist „The intelligent Investor“ von Benjamin Graham – nicht nur Warren Buffet sagt, er habe fast alles aus diesem Buch gelernt. Die Kernidee war damals und bleibt bis heute, dass es eben nicht egal ist, wie sich Bewertung oder Profitabilität eines Unternehmens entwickeln.

Die Grund-Idee des quantitativen Investierens

Quantitative Investoren nutzen diese Idee systematisch. Mithilfe von Datenbanken werden Kennzahlen im Stile von Buffet und Graham für tausende von Wertpapieren objektiv ausgewertet. Die Analyse von fundamentalen Informationen bildet weiterhin die Grundlage, um bessere Prognosen für bessere Anlageentscheidungen zu treffen. Durch die Verwendung von Algorithmen und statistischen Methoden können Portfolios effizient verwaltet und Risiken minimiert werden. Es geht um die regelmäßige Replizierung kluger Anlageentscheidungen. 

Faktor-Modelle der 2000er: Neue Methoden - Bessere Renditen?

Die Idee ist nicht neu. Schon seit den 1990er Jahren werden Portfolios erfolgreich mit sogenannten Faktoransätzen verwaltet. Aus der wissenschaftlichen Welt kommt die Idee sogenannter „Risikofaktoren“, die mit einer Überrendite belohnt werden. Mit simplen Regeln werden hierbei fundamentale Kennzahlen von Unternehmen ausgewertet. So wird zum Beispiel beim sehr bekannten Value-Faktor unterstellt, dass die Attraktivität eines Titels mit höherer Bewertung sinkt – also je günstiger die Aktie, desto höher die zu erwartende Rendite. Einen Zusammenhang, den schon Graham identifizierte.

Smart-ETFs: Das nächste Level?

Sollte man also einfach in Smart-Beta ETFs investieren und auf komplexe Systeme verzichten? Sicherlich nicht! Wir sind überzeugt: Ansätze, die mit sehr simplen Regeln frei verfügbare Daten auswerten, können nach vorne keine herausragende Rendite mehr erzielen – die Underperformance vieler Faktoransätze in den letzten 10 Jahren ist mindestens ein Vorbote.
Deswegen braucht intelligentes Investieren neue Ideen.

Machine Learning: Von der Black-Box zur Glass-Box

Mit dem Einzug von Machine Learning in das Asset Management wird es in der Zukunft darum gehen, aus den gleichen Informationen intelligentere Entscheidungen abzuleiten. Neue Methoden decken neue Wirkungszusammenhänge und Muster auf. Dabei kommt es darauf an, das Modell zu verstehen und ihm die richtigen Daten zur Verfügung zu stellen. Der Erfolg basiert auf dem Zusammenspiel von Menschen, Daten und Maschine.

Bei ansa capital verstehen wir uns als fundamentale „Quants“. Auch mit Unterstützung durch KI setzen wir auf nachvollziehbare und transparente Investment-Prozesse. Black-Box Algorithmen mit vielversprechenden, aber nicht nachvollziehbaren Ergebnissen kommen bei uns nicht zur Anwendung. Wir wollen sehr genau verstehen, warum wir eine Aktie „long“ oder „short“ gehen. Damit scheiden z.B. neuronale Netze aus. Unser „Glass-Box“ Modell erkennt nicht nur neue Zusammenhänge, sondern visualisiert diese auch. Der aktive Portfolio Manager bleibt somit im Fahrersitz und wir sind in der Lage unsere Anlageentscheidungen unseren Investoren zu kommunizieren.

Machine Learning: Neue Methoden – neue Erkenntnisse

Beispiel: Gewinnrevisionen von Aktiengesellschaften

Ein wichtiger Datenpunkt vieler quantitativer Modelle ist bspw. die „Gewinnrevision“ einer Firma. Darunter versteht man die Veränderung der Analysteneinschätzungen in Relation zum Ergebnis eines Unternehmens in der jüngeren Vergangenheit. Der Datenpunkt „Gewinnrevision“ summiert alle Analysten-Einschätzungen pro Unternehmen auf. Je positiver die Analysten, desto besser die erwartete Rendite – so oder so ähnlich handeln „klassische“ lineare Quant-Modelle.

Übersicht 2 zeigt das Ergebnis unseres Glass-Box" Modells “. Die erwartete (Über-)Rendite eines Titels ist auf der y-, die Gewinnrevisionen auf der x-Achse aufgetragen. Die blaue Linie zeigt den Zusammenhang, den das Modell auf Basis von Millionen historischer Beobachtungen ermittelt. Deutlich wird, dass man eben nicht die Aktien mit den allerbesten Revisionen – also die „Superstar Titel“ – kaufen sollte, da diese zu stark „gehypt“ sein könnte und zu negativen Renditen führt.

Übersicht 2

Titel mit überdurchschnittlich guten, aber eben nicht spektakulären, Gewinnrevisionen, sind für uns potenzielle Long-Kandidaten. Ein klassischer Faktorinvestor – wie in der gestrichelten Linie gezeigt - kann qua seines linearen Instrumentariums allerdings nicht von dieser Erkenntnis profitieren. Mit simplen Zusammenhängen und ohne Machine Learning kann die Komplexität des Marktes nicht mehr abgebildet werden.

Beispiel: Die Gefahr bei der Investition in Value-Aktien

Der Faktor „Value“ gehört zu den bekanntesten Faktoren. Börsenlegenden wie Warren Buffet nutzen diesen Investitions-Stil seit Jahrzehnten, um langfristig überdurchschnittliche Renditen zu erzielen. Unterbewertete Aktien zu kaufen und dann irgendwann teuer zu verkaufen – klingt zu einfach, um wahr zu sein. Zur Wahrheit gehört: Es geht oft um sehr wenige Aktien und einen sehr langen Anlagehorizont.

Systematische Strategien haben das Ziel, positive Rendite zu erzielen, indem sie Long-Positionen in „günstigen“ Titeln und Short-Positionen in „teuren“ Titeln aufbauen. Doch was ist „teuer“ und sind teure Aktien immer schlecht?

Mit Blick auf die letzten 10 Jahre ergibt sich ein anderes Bild. Schließlich sind es die teuersten Mega-Cap Tech Aktien, die wir heute aufgrund ihrer beachtlichen Performance „Magnificient 7“ nennen. Wichtig scheint nicht allein, ob ein Unternehmen teuer bewertet ist, sondern ob es aus gutem Grund teuer ist – wie immer zahlt sich Qualität aus. 

Übersicht 3 zeigt die Ergebnisse unseres Glass-Box Machine-Learning Modells. Sie zeigt den Zusammenhang zwischen Bewertung, Profitabilität und erwarteter Rendite eines Unternehmens in Form einer Heat-Map. Je grüner die Fläche auf der Heat-Map, desto attraktiver ist eine Aktie als Long-Kandidat für uns. Die Flächen ergeben sich aus unzähligen historischen Beobachtungen, aus denen das Modell „gelernt“ hat.

Übersicht 3

Im Rahmen der Intuition zeigt sich, dass teure Titel durchaus attraktiv sein können, solange sie profitabel sind. Das ist eine wichtige Erkenntnis, die im klassische Value-Investing oft übersehen wird. Lediglich sehr „teure“ und nicht profitable Titel (Hype-Kandidaten) – sollte man meiden. 

Fazit

Moderne Machine-Learning Methoden ermöglichen uns, aus den gleichen Informationen bessere Signale und damit performantere Strategien zu entwickeln. Sie stellen damit eine starke Weiterentwicklung im quantitativen Asset Management dar. Sie grenzen sich stark von vergangenen Smart-Beta oder Multi-Faktor-Strategien ab. 

ansa capital gehört als deutsche Quant Fondsboutique zu den Pionieren bei dem Einsatz von Machine-Learning in der Asset Management Branche. Wir setzen auf neue und innovative Verfahren, die explizit entwickelt wurden, um die volle Transparenz der Anlageentscheidungen zu gewährleisten. Unsere „Glass-Box“ macht Investitionsentscheidungen nachvollziehbar. Das nennen wir die Evolution von fundamentaler quantitativer Aktienselektion. Wie behalten „das Steuer in der Hand“.

 

Disclaimer:

Dieses Dokument dient unter anderem als Werbemitteilung.

Dieser Bericht dient ausschließlich der Information und enthält kein Angebot zum Kauf oder eine Aufforderung zur Abgabe eines Kaufangebotes für das vorgestellte Produkt und darf nicht zum Zwecke eines Angebotes oder einer Kaufaufforderung verwendet werden. In die Zukunft gerichtete Voraussagen und Angaben basieren auf Annahmen. Da sämtliche Annahmen, Voraussagen und Angaben nur die derzeitige Auffassung über künftige Ereignisse wiedergeben, enthalten sie natürlich Risiken und Unsicherheiten. Angaben zur historischen Performance können nicht im Sinne eines Versprechens oder einer Garantie über die zukünftige Performance herangezogen werden. Investoren sollten sich bewusst sein, dass die tatsächliche Performance erheblich von vergangenen Ereignissen abweichen kann. Insbesondere, wenn sich die Performance-Ergebnisse auf einen Zeitraum von unter zwölf Monaten beziehen (Angabe von Year-to-date-Performance, Fondsauflage vor weniger als 12 Monaten), sind diese aufgrund des kurzen Vergleichszeitraums kein Indikator für künftige Ergebnisse. Die bei Zeichnungen und Rücknahmen von Anteilen anfallenden Provisionen sowie Kosten werden in der dargestellten Performance nicht berücksichtigt. Alleinige Grundlage für den Anteilserwerb sind die Verkaufsunterlagen zu diesem Fonds. Alle Informationen sind sorgfältig und nach bestem Wissen erhoben worden, jedoch kann keine Gewähr übernommen werden. 

ansa ist Unterzeichner der Principles for Responsible Investment (PRI) und hat sich verpflichtet, bei der Generierung von Anlageentscheidungen einen nachhaltigen Ansatz zu verfolgen. Absolute- und Total-Return-Strategien werden von ansa hauptsächlich über liquide Derivate auf Aktienindizes, Zinsen, Rohstoffe und Währungen umgesetzt. Für diese Produkte sind derzeit nur begrenzte Informationen über implizite Nachhaltigkeitsrisiken und Möglichkeiten zur Auswahl zwischen Alternativen verfügbar. Dementsprechend berücksichtigt ansa bei der Umsetzung von Absolute- und Total Return-Strategien derzeit nicht explizit mögliche negative Auswirkungen auf Nachhaltigkeitsfaktoren. Gerne diskutieren wir mit unseren Kunden, wie nachhaltige Investmentansätze unter Berücksichtigung ihrer Anlagerestriktionen und -ziele umgesetzt werden können. Darüber hinaus beobachtet ansa weiterhin den Markt und wird auch Nachhaltigkeitsfaktoren in seine Strategien implementieren, sobald zusätzliche Informationen und alternative Anlageprodukte, die für die Strategieumsetzung von ansa geeignet sind, verfügbar werden.