Generation Data #7: KI statt Glaskugel: Wie Machine Learning Börsen-Kipppunkte erkennt

00:00:01: Die Börse liebt einfache Regeln.

00:00:19: Günstige Aktien sind attraktiv, hohe Schulden sind schlecht und wenn ein Faktor gut funktioniert müsste ein bisschen mehr davon eigentlich noch besser sein!

00:00:28: Nur die Börse denkt nicht immer in diese geraden Linie.

00:00:32: Manchmal passiert lange wenig und plötzlich kippt ein Zusammenhang.

00:00:36: Genau diese Kurven versucht Kronia mit Machine Learning zu erkennen, nicht als Autopilot für Stipo sondern als Korrektiv für klassische Modelle!

00:00:45: Unser Thema heute KI statt Glaskugel.

00:00:47: wie viel Machine Learning Börsen-Kipppunkte erkennt?

00:00:52: Ja und wie ihr kennt so eine Maschine wirklich, so einen Punkt.

00:00:54: Was bringt das tatsächlich bei der Performance?

00:00:56: Und wenn KI mitentscheidend ist das systematisches Investieren dann noch doch irgendwann ein Black Box.

00:01:04: Da bespreche ich heute bei Generation Data mit Carsten Rota.

00:01:08: Carsten!

00:01:09: Ich grüße dich.

00:01:10: schön dass du da bist.

00:01:11: Hallo danke, dass ich hier sein darf.

00:01:13: Carston was steht denn auf deiner Visitenkarte für die Funktion?

00:01:16: Für was bist Du verantwortlich?

00:01:21: dass ich mitverantwortlich bin für die Entwicklung der Modelle, die als Fundament unserer Investmentstrategien herhalten und darüber hinaus natürlich auch noch in der Implementierung Portfolkonstruktion im Research-Bereich entlang des Investmentprozesses verantwortlich

00:01:44: sind.

00:01:51: Das klingt verdächtig irgendwie nach Mathematikvorlesung.

00:01:54: Hättest du ein Beispiel, was das eigentlich bedeutet?

00:01:56: Ich gebe meinem Bestes das ohne Mathe zu machen auch wenn es mir als Researcher nicht ganz leicht fällt.

00:02:01: Was sind Nicht-Liniaritäten?

00:02:03: Nicht-liniaritäten bedeutet im Endeffekt dass... Wenn wir einen Faktor haben den du ja schon gesagt hast Peter nehmen wir mal Value Als zum Beispiel ganz klassisch Warren Buffett als klassischer Value Investor.

00:02:14: Wenn wir Value sehen dann denken wir da ist eine Firma die eine Value Attraktivität hat einen gewissen Expected Return hat oder eine Outperformance Potenzial und wenn der Doppel zu hoch ist, würden wir vermuten hey dann wäre es ja auch doppelt so hohes Outperformance-Potenzial.

00:02:30: Das ist aber tatsächlich in der Realität nicht der Fall!

00:02:33: Nicht linearitäten beschreiben also genau dieses Konzept dass dieser Zusammenhang zwischen einer attraktiven Eigenschaft einer Firma und dem gegebenen Outperformancepotential nicht perfekt graflinig.

00:02:47: Hättest du vielleicht ein Beispiel, was nichts mit Börse zu tun hat?

00:02:50: Gehen wir doch vielleicht mal vom Sommer aus.

00:02:51: Der war dieses Jahr sehr heiß!

00:02:53: Was wäre Linearität und was bedeutet Nicht-Linearität?

00:02:57: Genau, Linearitet wäre okay... Wir haben einen heißen Sommer Es scheint die Sonne Und eine Linearität wäre immer wenn die Sonme schreint sind es dreißig Grad oder mehr.

00:03:06: Das hat diesen Sommer überraschend häufig gestimmt.

00:03:08: Heißt aber nicht dass Wenn man einen wunderschönen Herbsttag Oder einen Wunderschön Wintertag hat wo auch die sonne scheint das automatisch wir auch mehr als dreißig Grad haben.

00:03:18: Das ist so ein Beispiel, wo wir genau diese Nichtliniarität haben.

00:03:21: nur bei die Sonne scheint heißt es nicht dass wir immer mehr als Dreißig Grat haben.

00:03:26: Ja und das passiert eigentlich auch irgendwie an den Aktienmärkten oder Anleger kapiert's manchmal nicht Dass irgendwann der Winter kommt.

00:03:33: Denken wir uns da mal rein wenn billig plötzlich zu billig wird.

00:03:36: also Die klassische Börsenregel lautet ja je günstiger eine Aktie desto attraktiver ist sie Hinklogisch.

00:03:43: aber irgendwann ist sie vielleicht nicht mehr günstig, sondern billig aus gutem Grund.

00:03:48: Wann kippt denn dieser Value-Gedanke?

00:03:50: Das ist eine super spannende Frage und genau an der Stelle hilft uns KI weil das ist nicht eindeutig.

00:03:56: Das ist aber ein super Beispiel was du gerade gebracht hast.

00:03:59: Gerade so etwas wie Verschuldung, Value – was ganz Klassisches!

00:04:02: Wenn wir uns einen kleinen Verschulungsgraden beschäftigen dann ist es im Endeffekt egal ob die Company zu drei Prozent, vier Prozent oder fünf Prozent verschuldet ist.

00:04:11: Das macht im Endeffekt keinen Unterschied.

00:04:13: Aber es gibt diese sogenannten Kipppunkte, die zu finden – das ist eben auch unser Nutzen von KI oder bei Machine Learning im weitesten Sinne, KI so wie's heute genannt wird und da haben wir im Endefekt einen Modell entwickelt schon in den vergangenen Jahren, was uns für unser Modell hilft, diese nicht linearitäten also zu schauen wann dieser Kipppunkt wirklich entsteht zu finden.

00:04:37: Das ist nicht perfekt für jede Aktie, das muss ich dazusagen.

00:04:39: Das hilft uns wirklich auf Modellbasis zu sagen was sind so typischerweise diese, dass es Kipppunkte genannt, für verschiedene Gruppen an Aktien?

00:04:50: Das ist auch nicht perfekt aber für unser Modell selber hilft es uns extrem!

00:04:55: Gehen

00:04:55: wir nochmal in die Historie hier rein, was könnte das bedeuten... Also mir fällt jetzt ganz spontan eine Nokia ein der super Renner war und irgendwann kommt der Kipppunkt und man stellt fest, oh die Konkurrenz sind vielleicht doch kräftiger.

00:05:08: Bist du mit dem Beispiel zufrieden oder hättest du da noch ein anderes Modell?

00:05:12: Ja gerade wenn wir über Verschuldung reden könnten wir zum Beispiel über Oracle reden zurzeit auch eine Firma wo in einer gewissen Art von oder einem gewisser Grad an Verschulungen lange Zeit geduldet wurde und dann aber eben irgendwann nicht mehr.

00:05:25: das heißt auch hier haben wir einen ganz komplexes Zusammenspiel zwischen was ist die Meinung der Marktteilnehmer Und was ist die zukünftige Erwartungshaltung an das Unternehmen?

00:05:37: Das heißt, auch die Betrachtung wann dieser Kipppunkt erreicht hat sehr, sehr dynamisch.

00:05:42: Darum hilft es hier mit einem dynamischen Modell zu arbeiten eben mit Kai.

00:05:46: Also muss ich dann quasi immer die Frage stellen warum funktioniert dort diese schöne Lingiarität, diese Logik?

00:05:52: ein bisschen mehr Schulden gleich ein bisschen riesiger irgendwann nicht mehr?

00:05:56: Schrauben wir doch mal die Maschine auf.

00:05:58: Was bedeutet Machine Learning bei Quonium eigentlich konkret?

00:06:01: Und was gibt ihr Menschen dem Modell vor und was lernt die Maschinen tatsächlich selbst?

00:06:07: Ja, wir sehen Machine Learning oder KI im Investmentprozess als ein zusätzlichem Baustein zu unserem linearen Modell, das wir historisch sehen.

00:06:17: Lineare Modelle geben eine sehr, sehr schönes Fundament für das, was man am Aktienmarkt sehen kann.

00:06:22: eben genau diese Linearität ist sicherlich zu einem gewissen Grad da aber in den Extrem eben nicht.

00:06:27: Und genau da kommt man uns Machine Learning oder KI zum Einsatz, dass wir sagen was nicht erklärt wird durch lineare Modelle.

00:06:34: Darauf trainieren wir.

00:06:36: unsere KI-Komponente bedeutet je besser unser Modell funktioniert, unser lineares ich sage mal je effizienter, je logischer der Markt funktioniert.

00:06:46: das heißt dass er billig wirklich als gut sieht ja als Opportunity, dass er Momentum als positiv sieht eine gute Qualität als positiv sieht, je mehr er das macht, desto besser erklärt unser lineares Modell was an den Märkten passiert.

00:07:00: Desto weniger brauchen wir die KI-Komponente.

00:07:03: Je weniger unser lineares Modell erklärt desto mehr erklärt unsere Maschinenlearning Komponenten.

00:07:10: Was mich jetzt da interessiert ist normalerweise bekommen die Bischine auch historische Daten?

00:07:15: Ja Aber er sucht ja aus dem Jetzt-Bereich, aus den jetzt Daten eigentlich ein zukünftiges Ereignis.

00:07:20: Also ihr wollt ja früher dran sein als vielleicht andere Investoren?

00:07:24: Woher weiß ich diese Erkenntnis?

00:07:25: und was ist digitaler Kaffeesatz?

00:07:27: also woher wisst ihr eigentlich dass der Computer einen echten Zusammenhang entdeckt hat und nicht nur sehr intelligent historische Zusammenhänge nachzeichnet.

00:07:35: Ja das machen wir natürlich durch unseren robusten Researchprozess, der dahinter steht.

00:07:40: Und jetzt gibt es ja schon einiges an Research in dem KI Bereich für Investmentprozesse und dem schließen wir uns natürlich an.

00:07:48: Das heißt, wir haben ein Trainingsset und du hast es ja schon gesagt historische Daten.

00:07:52: Wir haben den Trainingssett am Anfang auf dem wird trainiert.

00:07:55: das heißt da versuchen wir genau diese Nicht-Liniaritäten zu erkennen Und dann nutzen wir einen Datenset was er noch nicht gesehen hat und schauen uns an.

00:08:03: okay passt dieser Zusammenhang denn für etwas was die Maschinen noch nicht kennt?

00:08:08: Deswegen ist zum Beispiel Arbeit mit sowas wie large language models chat gpt Klot etc.

00:08:15: sehr herausfordernd, weil die natürlich genau auf allen Daten schon trainiert sind wenn man sie out of the box kauft.

00:08:21: Das machen wir eben anders.

00:08:22: Wir haben das klare Training Sample und wir haben das Validation Set Auf den wir dann validieren und verifizieren.

00:08:29: Sind die Zusammenhänge wirklich sinnvoll Und halten Sie für zukünftige Prognosen?

00:08:34: Und

00:08:35: nur wenn wir hier was Robustes sehen?

00:08:38: JGPT, Claude.

00:08:39: Ich bin selber immer überrascht.

00:08:41: Man guckt rein.

00:08:42: Es war alles in Ordnung.

00:08:43: Plötzlich kommt ein neues Modell.

00:08:44: Irgendwie sieht alles anders aus?

00:08:46: Was macht ihr beim Modellwechsel?

00:08:48: Genau!

00:08:48: Also wir haben natürlich Research um unsere Modelle zu verfeinern.

00:08:51: jetzt was bei uns dahinter liegt ist kein large Language Model wie bei Claude oder JG Pt sondern bei uns gibt es einen Boosty-Modell das quasi hier die Arbeit übernimmt die Zusammenhänge zu erkennen oder wahlweise auch ein Neuronales Netz und da sind wir auch der eigene Herr unseres Modells.

00:09:07: Das ist, glaube ich hier ganz wichtig an der Stelle zu sagen.

00:09:09: Das heißt wir wissen bei uns ganz genau was auch unter der Haube passiert.

00:09:14: Das ist gut!

00:09:15: Dadurch könnt ihr auch quasi... Wir wollen das nennen Overfitting verhindern als ein Modell dass die Vergangenheit perfekt erklären kann aber naja in den nächsten Marktphase vielleicht komplett versagt.

00:09:25: also was für dich die Definition von overfitting?

00:09:28: Genau so wie du es gerade beschrieben hast.

00:09:30: Wir haben die perfekten Erklärgehalt in der Vergangen- heit und dann kommt der erste Monat und das Modell schlägt die Hände über dem Kopf zusammen und sagt, oh jetzt weiß ich nicht mehr weiter.

00:09:39: Das ist das typisch Overfitting.

00:09:41: Das wollen wir hier nicht.

00:09:42: deswegen machen wir es in den Research Prozess genauso wie es beschrieben hat.

00:09:46: Wir haben ein Training Sample, wir haben das Validation Sample.

00:09:48: Das rollieren wir auch dass wir wirklich sagen wir können auf zehn zwanzig Jahren Historie aufbauen.

00:09:54: Modell gelernt, Modell erkannt oder nicht?

00:09:57: ja dann macht man da einen Greenhaken dran oder ein rotes Kreuz.

00:10:00: Und dann guckt man mal, wie gut das Modell das wirklich gemacht hat und erst wenn es uns konstant über die Historie überzeugt.

00:10:06: Konstanten Mehrwert liefert.

00:10:08: Das ist auch ganz wichtig unsere Erwartungen an das Model erfüllt.

00:10:12: Unsere ökonomischen Erwartung.

00:10:14: nur dann nehmen wir es quasi mit in unseren Modelle

00:10:16: auf.

00:10:17: Es könnte mir natürlich sich überlegen wann ist der Zeitpunkt dass KI alleine ans Depot darf?

00:10:23: Euren Ansatz finde ich interessant!

00:10:24: Erst das klassische Modell danach Machine Learning als Korrektiv.

00:10:27: Wann kommt der Punkt wo ihr der KI zutraut, gleich ein ganzes Depot eigentlich zu verwalten.

00:10:34: Ja ich glaube das steht noch ein bisschen aus dass die KI soweit ist alle zusammenhängen zu erkennen und auch diese fiduciary duty einfach zu erfüllen Die wir ja als asset manager haben.

00:10:46: Diese Sorgfaltspflicht die dahinter steht da sind wir glaube ich noch ein bißchen weit weg weil es gibt die ganzen wemst die kennst du sicherlich auch?

00:10:53: Ja und dann sagt der DKI Du hast natürlich recht!

00:10:56: Du kannst keine zweihundert kilo heben Und sehr man dick daneben und hatten gebrochenen Rücken.

00:11:01: Das ist natürlich so, da wird einfach noch zu viel halluziniert.

00:11:05: Da wird doch zuviel nicht präzise gearbeitet... ...und das ist ja etwas Präzision.

00:11:11: Darauf kommt es im Asset Management an in der Vermögensverwaltung an der Börse.

00:11:15: Da sind sie klein!

00:11:16: Die kleinen Kanten die kleinen Edges wie wir es nennen um Mehrwert zu liefern und die muss man finden.

00:11:22: Und da braucht es die Präzesion.

00:11:23: Jetzt

00:11:24: butter bei die Daten.

00:11:25: Was bringt es eigentlich?

00:11:27: Wir haben jetzt verstanden, wie's funktioniert aber der Anleger stellt natürlich die klassische Frage was bringt Machine Learning tatsächlich?

00:11:34: wirds die Rendite Prognose besser?

00:11:36: sinkt das Risiko oder steigt eigentlich die Performance?

00:11:39: ja eigentlich alles von denen?

00:11:41: tatsächlich ich habe die Zahlen mal mitgebracht.

00:11:43: im europäischen Modellvergleich ein modell klassisch Faktoren versus ein model angereichert mit unserer KI Komponente hat seit wir es live haben, über drei Prozent Edit Value gebracht.

00:11:58: Klingt erst mal nicht so viel aber es hat auch nur zwischen fünf bis zehn Prozent Gewicht im Gesamtmodell.

00:12:05: Das heißt diese fünf bis zehn Prozent Gewichts haben im Endeffekt über die acht Jahre die wir jetzt da sprechen drei bis vier Prozent Mehrwert geliefert und ich finde das ist vom Alpha-Potenzial eine sehr erfolgreiche Geschichte.

00:12:20: Du sagtest Es

00:12:43: war ja im Anfang des Podcasts über Value.

00:12:49: gesprochen über die Welliokomponente und da haben wir genau das gesehen, dass eben diese Linianzusammenhänge nicht mehr gehalten haben.

00:12:56: Das auf Überschuldung proportional sensitiver reagiert wurde.

00:13:01: als Beispiel Und genau hier hat Machine Learning die Zusammenhänge, die Nicht-in-Jahren-Zusammenringe komplett richtig interpretiert und hat uns deswegen geholfen deutlich deutlich glatter durch den sogenannten Quantwinter zu kommen.

00:13:16: So muss ich auch mal eine andere Zahl vorstellen.

00:13:18: Ja, wir sprechen jetzt zweieinhalb Jahre.

00:13:20: Die meisten vielleicht seit erst eineinhalb Jahren über KI wirklich im Einsatz und ihr macht das eigentlich schon seit zwei tausend achtzehn.

00:13:27: Damals hat man es einfach anders genannt Neuronale Netze oder sowas?

00:13:29: Wie habt ihr's damals genannt?

00:13:31: Ja bei uns war ganz klassisch die Machine Learning Komponenten.

00:13:34: Das war das Wort bevor alles AI oder KI wurde.

00:13:37: Genau bei uns was klassisches Machine Learning und ist etwas was uns auch schon seit vielen Jahren begleitet.

00:13:43: Machine learning in einer Art in der einen oder anderen Weise.

00:13:46: Gehen wir mal rein noch KI, mit oder ohne Blackbox?

00:13:50: Also ohne geht das wirklich... also zu Blackbox.

00:13:53: Wenn ich als Kunde jetzt frage hey warum steckt genau diese Akt in meinem Portfolio, könnt ihr mir das wirklich erklären welche Faktoren dafür verantwortlich waren und was Maschinen-Learning anschließend verändert hat?

00:14:04: Ja!

00:14:04: Und dass ist ja der Schöne am systematischen Ansatz den wir bei der Quorion haben.

00:14:08: Wir haben genau diese Ich nenne es ganz gerne Decomposition entlang unserer Bausteine unserer Bestandteile des Modells Das heißt dadurch Diese KI-Komponente als zusätzlichen Baustein benutzen, wissen wir ganz genau okay was ist die komponente Value?

00:14:23: Was ist die Komponent Equality?

00:14:24: Was is' die komponentes Momentum und was hat Machine Learning verändert.

00:14:28: Das heißt wir sehen tatsächlich sogar an jeder einzelnen Aktie in unserem kompletten Universum... ...was ist die Einschätzung nur der Machine Learning Komponenten und wie trägt sie zum Gesamtvorkast zur Gesamteinschätzung einer Aktie bei?

00:14:44: sehen wir über unser komplettes Universum, aufgedröselt bis ins kleinste Detail und können dann – ich glaube das ist eben das Schöne wenn es in die Erklärung unserer Performance geht.

00:14:54: Das ist das was wir als Portfoliomanager natürlich zum Schluss machen wollen – Performance!

00:14:59: Wir können in der Performance-Erklärung genau sagen welcher unserer Bestandteile welchen Einfluss hatte um es dem Endkunden zu zeigen.

00:15:08: Also irgendwann kommt eine Entscheidung raus kaufen verkaufen sozusagen.

00:15:11: Das heißt, Machine Learning verändert also nicht nur die Frage Aktie ja oder nein kaufen verkaufen.

00:15:17: Macht die KI aus einem Kaufen manchmal auch ein bisschen kaufen?

00:15:21: Kaufen ja aber noch ein bisschen?

00:15:23: Also legt es auch die Gewichtung dann fest?

00:15:25: Absolut!

00:15:25: Das spielt dann auf jeden Fall in die Gewichtigung mit rein.

00:15:27: Nehmen wir das Beispiel Wir haben eine Aktie, die wir sehr, sehr attraktiv finden.

00:15:31: Die hat gute Value-Komponente, gute Momentumkomponenten, gute Quality-Komponente wäre quasi eine Aktien, soweit es unser Mandat zulässt, quasi übergewichten wollen gegenüber einer Benchmark im Long Only Kontext.

00:15:43: Wenn wir hier eine Maschinenlernenkomponent haben die uns sagt bei der Aktie bitte Vorsicht an der Bahnsteinkante weil sie hat Ausprägung wo wir in der Vergangenheit gesehen haben dass das kritisch werden könnte dann würde sich die Gesamteinschätzung natürlich hier reduzieren und dementsprechend würde sich auch das Gewicht der Aktien unseren Portfolio mit reduzieren.

00:16:03: Jetzt komme ich mal wieder zum Menschen zurück.

00:16:05: Das heißt, wird der Form Manager zum Algorithmus aufpassen?

00:16:10: Also wenn Machine Learning eigentlich immer leistungsfähiger wird.

00:16:13: Davon wird ja vermutlich auszugehen zu sein.

00:16:16: Wird der Form-Manager irgendwann nur noch zum Aufpasser des Algorithmes oder bleibt der Mensch der eigentliche Entscheide?

00:16:21: und ich freue mich schon auf dieses Wortspiel.

00:16:23: also wieviel AI setzt ihr da rein?

00:16:26: und AI würde ich diesmal übersetzen mit Analogeintelligenz.

00:16:30: Ja, ist eine sehr gute Frage.

00:16:32: Ich bin bei dir, ich glaube Machine Learning AI KI wie auch immer wir es jetzt nennen wollen wird eigentlich ja von Tag zu Tag besser und leistungsfähiger.

00:16:41: Ich habe aber auch schon gesagt bis es wirklich in die Richtung einer Portfolioentscheidung geht da sind wir noch ein ganz schönes Stückchen von weg.

00:16:49: Warum ist das so?

00:16:50: Ich glaube das sind mehrere Komponenten.

00:16:52: zum einen ist es das Halluzinieren was wir schon immer hatten dass vielleicht dann doch etwas sich ausgedacht wird was gar nicht so da ist.

00:16:59: Zum anderen ist es die Präzision.

00:17:01: und zum dritten ist es der gesunde Menschenverstand.

00:17:03: Und den hat die KI im wahrsten Sinne des Wortes ja noch nicht, den gesunden Menschenverstand.

00:17:08: Das heißt bei uns der Portfoliomanager ist eben nicht nur der Wächter über den Algorithmus, über unser systematischem Prozess sondern wacht natürlich auch über das Risikomanagement in dem Portfolio.

00:17:19: Das heisst schönes Beispiel sind dann die Krise Russland-Ukraine.

00:17:24: Ja das ist etwas was glaube ich die Leute so nicht haben kommen sehen.

00:17:27: Da muss man eingreifen, da muss man auch menschlichen Verstand haben.

00:17:31: was macht man dann.

00:17:32: Und diese Krisen die haben wir ja vermehrt Geopolitische Krisen sind derzeit eigentlich fast überall und da braucht es einfach noch den gesunden Menschenverstand auf der Portfolio Management Seite Auf der Research Seite wo ich natürlich eher herkomme da geht's vor allem um die Ideen und Ideengenerierung also das Kreativsein.

00:17:51: Was ist die nächste Beschreibung der Charakteristiker?

00:17:55: Was gute Firmen ausmacht brauchen wir ganz definitiv den Menschen, der mit guten Ideen und kreativen Ideen kommt um Prozesse besser zu machen.

00:18:05: Wenn das irgendwann publik ist, kannst du die KI wieder?

00:18:08: Aber da müssen wir erst mal hinkommen!

00:18:09: Kommen wir zur Schlussfrage.

00:18:11: Karsten, ich danke schonmal.

00:18:12: Machen wir zum Schluss die Generation Data Takeaway Message fast doch noch einmal zusammen.

00:18:17: Was kann Maschinenlearning an der Börse heute tatsächlich besser als klassische Modelle?

00:18:21: Und was kann es ausdrücklich nicht?

00:18:24: Es kann definitiv unterstützen Es kann nicht linearitäten erkennen und im Prozess über Konfidenzen ausbessern.

00:18:33: Definitiv!

00:18:34: Was kann es noch nicht?

00:18:36: Es kann auch nicht eigenständig Portfolien verwalten, es sollte noch nicht eigenständig Investmententscheidung treffen.

00:18:42: Da haben wir viele Gründe für die Sorgfaltspflicht, die Präzision aber auch die Ideen der Nervierung sind hier definitiv zu nennen.

00:18:49: Zu gespitzt gesagt besserer Kurvenleser-Ja Glaskubel Nein

00:18:53: So wird das stehen lassen.

00:18:55: Das war Generation Data, der Podcast über Daten, KI und systematisches Investieren.

00:19:01: Carsten, ich danke dir!

00:19:03: Schönen

00:19:15: Dank!