Die generative künstliche Intelligenz (generative KI) kann gleich auf fünf Wegen für Anleger nützlich sein, hiess es kürzlich in einem britischen Anlegermagazin: Sie hilft bei der Budgetplanung, bei der Planung der mittel- und langfristigen Sparziele, beim Wissen über Geldthemen, bei Spielen rund um Geldanlagen und bei Simulationen, wie man am besten über seine Schulden und ihre Rückzahlungen verhandelt. «KI und auch maschinelles Lernen (ML) bestehen aus verschiedensten Tools und Algorithmen, welche seit längerem in der Geldanlage eingesetzt werden, zum Beispiel Portfoliooptimierung, Risikomanagement, Prognosen und weiteren Anwendungen», erklärt Thomas Ankenbrand, Professor am Institut für Finanzdienstleistungen Zug (IFZ). «Der Nutzen liegt in besseren Resultaten, zum Beispiel in Portfoliooptimierung und Risikomanagement, oder in kosteneffizienteren Leistungserstellungen.»
Vielfältige Nutzungsmöglichkeiten
Ob die KI in allen Anwendungsbereichen erfolgreich genutzt wird, ist eine andere Frage. «Generative KI in dieser Ausprägung ist relativ neu, daher können noch nicht alle Möglichkeiten abgeschätzt werden», sagt Ankenbrand weiter. «In unserem Team haben wir zwei Prototypen gebaut: einen für die Anlageberatung und einen für die Investmentanalyse im Asset-Management. Beide konnten die technische Machbarkeit aufzeigen.» Da die Komplexität von KI und Geldanlagen nicht zu unterschätzen ist, sollte man jedoch nur Tools einsetzen, die man versteht.
«KI ist eine Technologie, die über alle Sektoren ausgerollt wird», erklärt Peter Schwendner, Leiter Institut für Wealth und Asset Management an der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW). «Je schematischer und weniger zufallsbehaftet der Erfolg einer Aufgabe ist, desto besser ist sie für eine Lösung mittels KI geeignet.» Der Investmenterfolg basiere dagegen auf wenigen Entscheidungen – vor allem in der Asset-Allokation – und sehr viel Zufall. «Aktuell ist die Investition in Sektoren, die von KI profitieren können, daher interessanter als die Investition mit KI», folgert Schwendner.
Für das Investieren mit KI gibt es gemäss Schwendner mehrere Anwendungsebenen: Beispielsweise bei der Bestimmung der Ziele und Rahmenbedingungen, der Einzeltitelauswahl, der Asset-Allokation, der Umsetzung und Überwachung sowie beim Reporting und Feedback-Loop. «Bei allen diesen Ebenen kann man KI anwenden», so Schwendner. «Dass man auf einer einzelnen Ebene plötzlich eine exponentielle Verbesserung erhält, ist nicht zu erwarten. Wohl aber in der Konsistenz, Geschwindigkeit und Bandbreite.» Konkret heisst das: Die Konsistenz in der Betrachtung vieler Querschnittsdaten, beispielsweise bei vielen Einzeltiteln, und gleichzeitig die Möglichkeit, auf der Makroebene auf neue Rahmenbedingungen zu reagieren, ist laut Schwendner ein grosser Vorteil gegenüber einem festen regelbasierten oder diskretionären Verfahren.
Langfristig besser als die Kundenberater
Ein weiteres Beispiel ist laut Schwendner die Analyse vieler einzelner Nachrichten, entweder zur Bestimmung des Marktsentiments oder für die Einzeltitelauswahl. Dies geschieht in der Regel über Transformer-basierte NLP-(Natural-Language-Processing-)Techniken. «Die sogenannte Entity Recognition (NER) kann Firmen, Personen oder Organisationen identifizieren und Wissensgraphen strukturieren», erklärt Schwendner. «Das Topic Modelling kann dagegen Nachrichtenströme live analysieren, um herauszufinden, welche Themen den Markt bewegen. Schliesslich können Nachrichten auch zusammengefasst, kondensiert und verifiziert werden.»
Für Privatanleger bietet KI zwei Möglichkeiten, findet daher auch Johannes Höllerich, Dozent an der ZHAW. «Einerseits eröffnen sich Anlagechancen in Unternehmen und Sektoren, die direkt von KI profitieren. Anderseits können Privatanleger bereits heute Large Language Models (LLMs) wie Chat GPT als Sparringspartner bei Anlageentscheidungen einsetzen.» Obwohl solche Modelle keine konkreten Anlageempfehlungen geben würden, bieten sie Unterstützung, beispielsweise bei der strategischen Asset-Allokation oder Vorsorgeplanung. «Mit vergleichsweise geringem Aufwand lassen sich zudem individuelle Chatbots auf Grundlage dieser LLMs entwickeln, welche persönliche Anlageziele, finanzielle Rahmenbedingungen und individuelle Anforderungen berücksichtigen», so Höllerich weiter. «Auch in der Aktienanalyse sind LLMs hilfreich, da sie beispielsweise Geschäftsberichte schnell zusammenfassen und interpretieren können.»
«Langfristig ist die Frage, in welchem Interesse die Entscheidungen getroffen werden, interessanter als die Frage, wer die Entscheidungen trifft», sagt Schwendner mit Blick auf die kommenden Entwicklungen. «Wenn man einen automatisierten Recommender einer Bank, der nur die Produkte dieser Bank empfehlen kann, mit einem menschlichen Honorarberater vergleicht, der nur im Kundeninteresse arbeitet, wird der Honorarberater vermutlich einen besseren Rat geben können. Wenn es aber umgekehrt aussieht, also ein ausschliesslich im Kundeninteresse arbeitender KI-Agent mit der Technologie des Jahres 2030 und Zugriff auf alle öffentlich verfügbaren Daten gegen einen herkömmlich ausgebildeten Bankberater antritt, könnte es für den Bankberater eng werden.»