Das Asset Management wird in Zukunft stark von Künstlicher Intelligenz geprägt sein

Immer mehr institutionelle Investoren setzen auf Handelssysteme, die von Algorithmen gesteuert werden. Diese Systeme zeichnen sich durch ihre schnelle Reaktionsfähigkeit auf globale Ereignisse und plötzliche Marktschwankungen aus. Dennoch verlassen sich Vermögensverwalter und Kreditinstitute zu 70 bis 80 Prozent auf diskretionäre Ansätze im Portfoliomanagement und verzichten dabei auf quantitative Modelle und den Einsatz von KI-Systemen. Ein Grund dafür ist, dass viele Werterhaltungsmodelle und Kurs-Sicherungsmaßnahmen um die Jahrtausendwende nicht richtig funktionierten. Dies hat dazu geführt, dass Finanzdienstleister bei Überwachungsmechanismen sehr vorsichtig geworden sind. Die Herausforderung für solche Systeme besteht darin, relevante Daten zu sammeln und zu interpretieren. Die globalen Finanzmärkte produzieren enorme Mengen an Informationen, von Handelsvolumina einzelner Aktien bis hin zu globalen Wirtschaftsindikatoren. Um daraus fundierte Anlageentscheidungen abzuleiten, sind entsprechende Ressourcen und Expertise bei der Entwicklung solcher Modelle erforderlich. Professor Dr. Daniel Schallmo von der W & S Portfoliomanagement GmbH erklärt: „Das ist genau das Thema, an dem wir arbeiten. Wir merken auch, dass die Bereitschaft, innovative Technologien zu nutzen, steigt – gerade nach einem so schwierigen Jahr wie dem vergangenen.“ Agile Methoden bieten einen Lösungsansatz für einige dieser Herausforderungen. Um schnell und effizient auf Veränderungen in der Marktlandschaft reagieren zu können, ist es notwendig, dass Innovationen und technologische Fortschritte in kurzen Prozessketten praktisch umgesetzt werden. Neben Agilität trägt die Implementierung quantitativer Methoden erheblich zur Bewältigung der Herausforderungen im Portfoliomanagement bei. Die quantitative Analyse nutzt mathematische und statistische Modelle, um Muster in großen Datenmengen zu erkennen und Vorhersagen zu treffen. Mit dieser Methode können Portfoliomanager systematisch die Risiken und Erträge verschiedener Anlagestrategien bewerten und fundierte Entscheidungen treffen. Künstliche Intelligenz bietet zusätzliche Möglichkeiten. Maschinelles Lernen als Teilbereich der KI ermöglicht es, Daten zu filtern und komplexe Muster und Zusammenhänge zwischen verschiedenen Datensätzen zu erkennen. Künstliche Intelligenz kann auch genutzt werden, um Handelsstrategien zu optimieren, Trends in verschiedenen Sektoren vorherzusagen und operative Prozesse zu automatisieren.