29.06.2018 
Wie Anleger von künstlicher Intelligenz profitieren

Maschinen erobern den Finanzmarkt

Von
Getty Images

Lernende Algorithmen erobern den Finanzmarkt und jagen Fondsmanagern die Gewinne ab. Privatanleger können vom Machtwechsel an der Börse profitieren.

Für die folgende Geschichte aus der März-Ausgabe 2018 des manager magazins erhielt unser Autor Mark Böschen den Deutschen Journalistenpreis. Wir veröffentlichen den Siegertext hier noch einmal als Kostprobe unseres Journalismus' "Wirtschaft aus erster Hand". Damit Sie künftig früher bestmöglich informiert sind, empfehlen wir ein Heft-Abo.

Mister Copper hat sein Händchen für den Markt verloren. Sein einst untrügliches Gespür für die Kupferpreise hatte Michael Farmer den Spitznamen eingetragen. 2013 gelang dem Londoner Hedgefondsmanager noch ein Plus von 50 Prozent, er wurde reich und zum Lord geschlagen, auch dank seiner Großspenden an die Konservativen.

Doch Anfang 2018 teilte Farmer seinen Anlegern mit, dass er seine Red-Kite-Fonds restrukturieren müsse: Die Finanzwetten auf Kupfer und andere Metalle funktionierten nicht mehr. Schuld seien algorithmengetriebene Computerfonds.

Die Maschinen-Trader haben den Metallmarkt erobert und Stars wie Farmer binnen kurzer Zeit verdrängt. "Die meisten großen Namen von vor fünf Jahren sind nicht mehr im Geschäft", sagt Christoph Eibl, Gründer und Chef von Tiberius Asset Management in Zug. Die Deutungshoheit gehört nun Quant-Hedgefonds wie Citadel oder Millennium Management: Statt auf Bauchentscheidungen vertrauen sie auf Datenanalysen mithilfe von künstlicher Intelligenz (KI). Der Metallmarkt sei inzwischen regelrecht "von den Quants getrieben", sagt Simon van den Born vom Handelshaus Marex Spectron.

Am Rohstoffmarkt ist es wie beim Schach: Maschinen sind überlegen

So wie beim Schach verlieren heute auch am Rohstoffmarkt die Menschen gegen die Computer. Selbst große Handelshäuser wie Cargill, Louis Dreyfus oder Trafigura, die jahrelang einen schier uneinholbaren Informationsvorsprung besaßen, können nicht mehr mithalten. Die Mitarbeiter des Öl- und Metallhändlers Trafigura (136 Milliarden Dollar Umsatz) schickten Tanker und Frachter um die Welt und wussten stets, wo ein Überangebot die Preise drückt. Der hauseigene Hedgefonds Galena Metals war an der Terminbörse kaum zu schlagen: Bis 2013 erzielte er traumhafte 9,4 Prozent Rendite pro Jahr. 2015 schloss Trafigura die Sparte dann, so wie andere Trader auch.

Die Investments werden nun von selbstlernenden Computerprogrammen gesteuert, die perfekt über alle Warenströme auf den Weltmeeren informiert sind, ohne je eine Ladung Platin aus Südafrika oder ein Barrel Öl aus Venezuela bewegt zu haben. Herr über eines dieser Computernetze ist Tammer Kamel, Gründer und Chef des Researchanbieters Quandl aus Toronto. Der ehemalige Investmentbanker mit den zurückgegelten dunkelblonden Haaren ist ein geschickter Verkäufer. Als er 2012 das Startkapital für Quandl einwarb, erzählte er den Wagniskapitalgebern im Silicon Valley: "Ich werde mit Bloomberg machen, was Wikipedia mit der Encyclopædia Britannica gemacht hat." Solche Sprüche kommen an der Westküste gut an.

Satellitenbilder von den Verladehäfen

Was ein Informationsvorsprung an der Börse wert ist, lernte Kamel als junger Hedgefondsanalyst in Hongkong. Damals schickte ihn sein Boss aufs chinesische Festland. Er sollte Bauern dafür bezahlen, täglich die Lkw zu zählen, die aus den Fabriken kommend an ihren Feldern entlangfuhren. Heute kauft er Satellitenbilder von Rohstoffverladehäfen. Auf die Fotos lässt er dann Programme los, die selbstständig Muster erkennen und immer besser darin werden, Stückgutfrachter und Tanker auf den Aufnahmen zu identifizieren. So kann der Quandl-CEO seinen Kunden jederzeit sagen, wie viel Eisenerz gerade aus den Minen in Australien nach China unterwegs ist. Die meisten Kunden sind Quant-Fonds, die mit künstlicher Intelligenz auf Rohstoffpreise wetten.

Und das ist erst der Anfang. Die lernenden Algorithmen fressen sich längst auch durch andere Märkte. Viele Tage bevor Unternehmen ihre Quartalsberichte veröffentlichen, haben intelligente Programme aus Millionen von Bildern und Datenquellen bereits die Geschäftsentwicklung abgeleitet - und auf einen steigenden oder fallenden Aktienkurs gesetzt. Beim Sportartikler Under Armour gingen Hedgefonds im Sommer 2017 short, nachdem sie Rückgänge bei der Zahl der Stellenanzeigen auf der Internetseite und den Verkaufspreisen der Artikel festgestellt hatten. Das machte sich bezahlt, als der Bericht zum zweiten Quartal den Aktienkurs um 9 Prozent einbrechen ließ. Auch bei Währungen oder Anleihen warten die besten Trader nicht mehr auf offizielle Daten von Statistikämtern oder Notenbanken: "Nowcasts" messen die Wirtschaftsaktivität permanent und live.

Der Aufstieg der Quant-Hedgefonds
1969 - 1988
1969
Helmut Weymar gründet die Commodities Corporation.
1982
Ray Dalio beginnt, Bridgewater Associates zu einem regelbasierten Fonds umzubauen.
1987
Michael Adam, David Harding und Martin Lueck gründen AHL, den erfolgreichsten Trendfolger. Daraus entstehen Man AHL, Winton Capital und Aspect Capital.
1988
James Simons startet den Medallion Fund, David Shaw den Anbieter D. E. Shaw & Co.
1998 - 2007
1998
Cliff Asness gründet Applied Quantitative Research (AQR).
2001
John Overdeck und David Siegel folgen mit Two Sigma.
2007
Ein Quant-Beben führt zu großen Kapitalverlusten und der Schließung von Quant-Abteilungen bei Investmentbanken.
2007
Igor Tulchinsky spaltet WorldQuant von Millennium Management ab und setzt stark auf maschinelles Lernen.
2007
Michael Kharitonov und Jon McAuliffe gründen Voleon, einen der ersten vollständig von KI gesteuerten Hedgefonds.
2009 - 2017
2009
Ted Bailey filtert mit Dataminr Investmentsignale aus sozialen Netzwerken.
2011
Tammer Kamel erschließt mit dem KI-Fonds Quandl neue Datenquellen; acht der zehn größten Hedgefonds werden Kunden.
2014
Man-AHL-Fondsmanager Nick Granger lässt KI selbstständig investieren.
2017
Acatis-Gründer Hendrik Leber und KI-Pionier Jürgen Schmidhuber starten den ersten deutschen voll KI-gesteuerten Fonds.

Wer künftig Toprenditen einfahren möchte, kommt an den intelligenten Quant-Profis, die KI auf vielfältige Weise in ihre Investmentstrategien einbauen, kaum noch vorbei. Man muss nur die richtigen erwischen. Denn ahnungslos eingesetzt, kann sich die lernende Software zerstörerisch auf ein Portfolio auswirken.

KI liefert zunächst einmal nur die Sensoren, um wertvolle Signale in dem täglichen Datenwust aufzuspüren. Allerdings würden diese Signale von vielen Nebengeräuschen überlagert, erklärt Geoffrey Duncombe, der als Chefanlagestratege bei Two Sigma mehr als 35 Milliarden Dollar für die Kunden anlegt: "Die meisten neuen Daten haben keinen ökonomischen Wert. Das sind Teenagervideos und Katzenfotos."

Das digitale Gold aufzustöbern ist eine Aufgabe für quantitative Hedgefonds, die oft Hunderte von Wissenschaftlern zum Entwickeln und Testen von Investmenthypothesen beschäftigen. 2017 durchbrachen die Quants erstmals die Anlageschwelle von einer Billion Dollar. Die fünf weltgrößten Hedgefonds sind mittlerweile Quants: Bridgewater Associates, AQR, Man Group, Renaissance Technologies und Two Sigma.

Dieser Siegeszug gehe zulasten herkömmlicher Anbieter und werde sich fortsetzen, glaubt Hans-Olov Bornemann, der seit elf Jahren einen Quant-Fonds für die Bank SEB führt.

Die börsennotierte Londoner Man Group hat lernende Maschinen bereits mit Milliarden an Kapital ausgestattet und lässt sie laufen. 2014 begann Fondsmanager Nick Granger, einen kleinen Teil des Kapitals aus seinem AHL Dimension Fund in solche Strategien zu investieren. 2015 waren die Algorithmen schon für die Hälfte der 5 Prozent Rendite verantwortlich.

Es folgte ein Kundenansturm, der das Kapital des Fonds mehr als verfünffachte, auf zuletzt gut fünf Milliarden Dollar. Grangers Lohn: Im Juli 2017 stieg er zum Chefanlagestrategen von Man AHL auf. Immer mehr seiner Fonds setzten KI ein, verloren zwischenzeitlich aber auch Geld. Ihre Crashresistenz müssen die Maschinen erst noch beweisen.

Denn das radikale Umsteuern von Boom auf Bust könnte ihnen schwerfallen, warnt Paul Skiba, oberster Risikomanager bei Berlin Portfolio Management. "Mit Veränderungen können KI-Modelle schlecht umgehen, weil das Gelernte so stark mit Daten unterfüttert ist."

Viele KI-Verfahren basieren auf der Annahme, dass gleiche Eingaben immer zu den gleichen Ergebnissen führen. Ein selbstfahrendes Auto soll schließlich lernen, bei jedem Stoppschild zu halten. An der Börse seien die Zeichen aber uneindeutig, warnt Quant-Manager Bornemann: Meist steige der Dollar, wenn der Fed-Zins klettert. Falls nicht, wie derzeit, verwirrt das die Maschinen.

1 | 3

Mehr zum Thema