ansa capital management GmbH

Wie LLM - Large Language Modelle bei der Long-Short-Aktienselektion unterstützen

4. März 2024 (Anzeige)

Die Weltwirtschaft steht vor großen Herausforderungen. In diesem Umfeld sind innovative und marktunabhängige Fonds-Strategien ein zentrales Element, um echte Diversifikation zu ermöglichen. Investoren fordern einen echten Mehrwert bei aktiven Strategien, gerade im Bereich der Liquid Alternatives.

 

 

Kevin Jörg
Senior-Portfoliomanager
ansa capital management GmbH

Der Einsatz von Künstlicher Intelligenz (KI) im Fondsmanagement ist ein solcher Mehrwert und eine vielversprechende Lösung für mehr Innovation. Teilgebiete der KI, wie Machine Learning, können in einzelnen Schritten des Investmentprozesses helfen, bessere Signale bei der Identifikation von attraktiven bzw. weniger attraktiven Wertpapieren zu generieren. Eine Entscheidungsunterstützung durch Künstliche Intelligenz.

Der Schlüssel zum Erfolg liegt in der bewussten und kosteneffizienten Nutzung von KI-Technologien. Ein tiefes Verständnis davon, was die Maschine tun soll – ist Grundvoraussetzung für den Erfolg. Durch die Kombination menschlicher Expertise in Verbindung mit neuen Methoden der Datenanalyse kann, je nach Fonds-Strategie, eine „bessere“ Performance erzielt werden. Das ist wichtig, um auch in schwierigen Marktphasen das gewählte Risikoprofil auf Kundenseite sicherzustellen.

Gerade für quantitative Asset Manager, die seit Jahrzehnten mit großen Datenmengen arbeiten, ergeben sich mit dem Einzug der KI in den Investmentprozess neue Chancen. Als Pionier auf dem Gebiet der Implementierung von KI in Investmentprozesse für institutionelle und private Kunden sehen wir uns bei ansa als Lösungsanbieter und Wissensgeber gleichzeitig. Wir setzen Machine Learning aktiv ein, um mit Hilfe eines eigenen „Glass Box“ Algorithmus komplexe Zusammenhänge zwischen Eigenschaften von Unternehmen und der entsprechenden Aktienkursentwicklung zu identifizieren.

Dazu trainieren wir die „Maschine“ mit einem Trainingsdatensatz von Fundamentaldaten 10.000er Aktien, um Muster und Wirkungszusammenhänge zu erkennen. Mit einfachen Grafiken wie „Heatmaps“ können diese visualisiert werden, um zu verstehen, wie wir eine Aktie einschätzen. Um transparente, regelbasierte Strategien auf Dauer erfolgreich zu managen sind dynamische Modelle essenziell. Diese „lernen“ mit jedem neuen Beobachtungspunkt kontinuierlich dazu. Das ist wichtig, um sich auf komplexere Finanzmärkte einzustellen zu können.

Mit dem Blick in die Zukunft der KI wird deutlich, dass das „Werkzeug“ Machine Learning eine immer wichtigere Rolle bei der Analyse und Selektion von Wertpapieren spielen wird. Durch die Fähigkeit, große Mengen an Daten schnell zu analysieren und komplexe Muster und nicht-lineare Zusammenhänge zu erkennen, werden KI-Modelle im Fondsmanagement unterstützen, um eine bessere Prognosegüte zu erzeugen.

Ein Beispiel: LLM – Large Language Modelle wie ChatGPT

In der Welt der Sprachmodelle gibt es in der jüngsten Vergangenheit bedeutende Fortschritte. Sogenannte „LLM“ - Large Language Modelle wie ChatGPT oder BARD erobern die Welt. Jeder Mensch ist in der Lage via Chat per Frage/Antwort mit einem LLM zu kommunizieren. Diese neuen Modelle haben die Fähigkeit Sprache auf eine inhärente Weise zu verstehen und zu verarbeiten. Das bietet enorme Chancen bei der Verarbeitung und Analyse großer „Textdateien“. Grundvoraussetzung ist aber auch das Wissen über die Grenzen eines Sprachmodells.

Wir nutzen LLMs um öffentliche Finanzberichte von Unternehmen – sogenannte „Earnings Calls“ systematisch auszuwerten. Ziel ist die Analyse der „Stimmungslage – das Sentiment“ im jeweiligen Finanzbericht und die Identifikation einer Kausalität zwischen Sentiment und Aktienkursentwicklung. Dazu speisen wir das Modell mit allen verfügbaren Finanzberichten einer Firma wie z.B. Apple mit dem Ziel, die Stimmung in ein positives, negatives oder neutrales Sentiment zu klassifizieren.

Die aus diesen Analysen abgeleiteten Sentiment Scores integrieren wir als zusätzlichen Informationspunkt in unserer Aktienselektionsmodell. Aufgrund der gigantischen Menge an Textdateien aus mehreren Zehntausend Finanzberichten sind einige Zwischenschritte bei der Arbeit mit LLMs notwendig. Im ersten Schritt unterteilen wir die Earnings Calls in Paragrafen und geben dem Modell die Aufgabe einer Klassifizierung der Paragrafen in positives, negatives oder neutrales Sentiment.

Praxisbeispiel Wizz Air

Dies ist ein Paragraf eines Earnings Calls der Firma Wizz Air vom 25.01.2024.
Das Modell erhält als Input ein System und einen User Prompt, und antwortet dann als Assistent:

### System:

You are a financial analyst. You are provided with a section of the earnings call. You have to classify this earnings call into a neutral, negative or positive sentiment.

### User:

Earnings call section: ```Executive: And we believe strategically lowest cost means, lowest cost prevails in order to be successful with that model. So cost is in focus of the company. We started seeing some decline of ex-fuel cost. And of course, we benefited from the lower fuel cost in the marketplace. Now if you start looking at the underpinning factors affecting your cost performance. you see that the quality of operations has improved tremendously versus where we were a year ago or before.``` What is the sentiment?

### Assistant:

The sentiment is positive

Integration in unseren Investmentprozess

Das Sentiment der Paragrafen wird zu einem „Earnings Call Sentiment Score“ aggregiert und fließt als zusätzlicher Informationspunkt in unser Machine Learning Modell ein. Jeder neue Datenpunkt verbessert die Prognosegüte des Modells, das auf >100 Faktoren basiert.

Ergebnisse des transparenten „Glass Box“ Modells sind bessere Alphaprognosen für ein Universum von mehr als 10.000 globalen Aktien. Aus den Signalen bilden wir ein marktneutrales Fondsportfolio aus ca. 150 Long/Short Aktienpaaren aus globalen Sub-Sektoren. Um das Risikoprofil mit einer Volatilität von 7% p.a. umzusetzen, gewichten wir alle Paare risikoparitätisch. Der marktunabhängige Erfolg der Strategie basiert einzig und allein auf der richtigen Zusammenstellung der Paare gleicher Geschäftsmodelle.  

Mit dem ansa – global Q equity market neutral bieten wir eine marktneutrale Strategie mit einem Ziel-Beta von 0 gegenüber allen traditionellen Anlageklassen. Die Strategie ist damit eine echte Diversifikation in jedem Fondsdepot. Nach knapp 15 Monaten ist das Fondsvolumen auf 25 Mio. Euro gewachsen.

 

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.

Ansprechpartner

David Grünmayer

Director Client Relations

0174 539 3591

E-Mail

Weitere News

10 Gründe für Marktneutrale Strategien und warum sie in jedes Portfolio passen

Seit jeher beschäftigten sich Vermögensverwalter mit der Frage der optimalen Portfolioallokation. Dabei lohnt der Blick über den großen Teich in die USA. Wo genau liegen die Unterschiede in der Zusammenstellung und Gewichtung liquider Assets im Vergleich zu Deutschland?

Weiterlesen

Fundamentale Aktienanalyse in der „Zeit-Lupe“

Vom “Intelligenten Investor” zu modernen Machine-Learning Methoden

Weiterlesen

Disclaimer

Die Angaben auf dieser Website erfolgen nur zu allgemeinen Informationszwecken und stellen weder ein Angebot noch eine Aufforderung zum Kauf oder Verkauf dar, begründen nicht die Tätigung von Transaktionen und/oder den Abschluss von Rechtsgeschäften. Die hier veröffentlichten Informationen sind auch nicht als Anlageempfehlung an Investoren zu verstehen und stellen keine Entscheidungshilfen für rechtliche, steuerrechtliche oder andere Beraterfragen dar. Aufgrund der hier veröffentlichten Informationen allein sollten Sie keine Entscheidung über Anlagen, Rechtsgeschäfte oder Käufe bzw. Verkäufe treffen.

Anlageentscheidungen sollten erst nach der umfassenden Lektüre der aktuellen Versionen des Informationsmaterials und der von den Fondgesellschaften und/oder Banken zur Verfügung gestellten Dokumente (Prospekt, Fondsvertrag, ggf. Kurzprospekt, Jahresbericht und Halbjahresbericht) getätigt werden. Bevor Sie eine Anlageentscheidung treffen, empfehlen wir Ihnen zusätzlich, sich durch einen Fachspezialisten und/oder einen Anlageberater beraten zu lassen. Die auf dieser Website vorgestellten Finanzprodukte sind unter Umständen Personen mit Wohnsitz/Sitz in bestimmten Ländern nicht zugänglich.

Die Inhalte Dritter (gekennzeichnet z.B. durch „Werbung“ oder „Anzeige“) und externer Websites, die über Hyperlinks unserer Seiten erreicht werden können oder die auf die unsere Seiten verweisen, sind fremde Inhalte, auf die die STOCKWAVES Financial Services GmbH als Seitenbetreiberin keinen Einfluss hat und für die die STOCKWAVES Financial Services GmbH keinerlei Gewähr übernimmt. Die STOCKWAVES Financial Services GmbH macht sich die Inhalte Dritter nicht zu Eigen.