Wann ist die Künstliche Intelligenz besser als der Mensch?

Die Ergebnisse sind so realitätsnah, dass ein Laie kaum einen Unterschied zwischen den Originalen und den KI-Werken erkennen kann. Im Strategie-Brettspiel Go hat die KI den koreanischen Weltmeister deutlich geschlagen, und auch Profi-Pokerspieler oder Kampfpiloten kommen bei den neuen Gegnern ins Schwitzen.

Im Finanzbereich ist die Künstliche Intelligenz noch verdeckter unterwegs als in den allgemeinen Lebensbereichen. Und kaum jemand, der mit KI arbeitet, möchte darüber sprechen oder Ergebnisse publizieren. Doch die Forschung läuft auf Hochtouren.
KI-Programme bieten weitaus mehr Möglichkeiten als einfach nur selbstständig auf Nachrichten zu reagieren und Aktien schnell zu kaufen oder zu verkaufen. Durch die rasant steigende Verarbeitungskapazität der Rechner und die enorme Masse an verfügbaren Daten kann die Künstliche Intelligenz eingesetzt werden, um Unternehmen zu bewerten, in ihrer Ähnlichkeit zu identifizieren, künftige „Gewinneraktien“ vorherzusagen, Portfolien zu optimieren und kritische Textpassagen zu erkennen.

KI-Programme verbessern sich durch ständiges Training. Im Gegensatz zum Menschen müssen sie aber deutlich mehr Beispiele verarbeiten, um Fortschritte zu erzielen. Ein Kind lernt nach einmal Anfassen, dass die Herdplatte heiß ist, oder erkennt Hund und Katze nach einigen Beispielen. Eine KI hingegen benötigt Millionen oder gar Milliarden Trainingsbeispiele, bis sie ein Modell entwickelt hat, das zuverlässig Gesetzmäßigkeiten erkennt. Zudem müssen die Daten „sauber“ zur Verfügung stehen und die Muster müssen über die Zeit gleich bleiben. Bei einem Brettspiel gelten die Spielregeln bis zum Ende, an der Börse jedoch ist jeder Tag anders, weil die Anzahl der Einflussfaktoren sehr groß ist. Zum Beispiel können sich die Rechnungslegung oder die Börsengesetzgebung ändern.

Die Schwäche der KI beim Lernen ist gleichzeitig ihre Stärke. Die Künstliche Intelligenz benötigt mehr Daten als ein Mensch, sie kann diese aber auch schneller und in deutlich größerem Umfang verarbeiten und speichern. Die Künstliche Intelligenz verfügt über ein ausgeprägtes Gedächtnis. Ein weiterer wesentlicher Vorteil ist, dass KI-Programme gegenüber dem Menschen in der Lage sind, aus riesigen Datenmengen komplexe Muster und Nichtlinearitäten herauszufiltern. Maschinen sind zudem frei von Emotionen, werden niemals müde oder unkonzentriert in ihrer Arbeit.

Das Neuronale Netz funktioniert analog zum menschlichen Gehirn und besteht im Allgemeinen aus drei Ebenen. In der Eingabeschicht werden die Daten aufgenommen. In einer oder mehreren Zwischenschichten werden die Daten verarbeitet, und in der dritten Schicht als Ergebnis ausgegeben.

Die Schichten bestehen aus miteinander verbundenen Berechnungseinheiten (Neuronen).
Diese Neuronen erkennen bestimmte Details aus den eingegebenen Daten. Zum Beispiel könnte ein Neuron einen Zusammenhang zwischen Umsatz und Gewinn beobachten, ein anderes identifiziert eine besonders hohe Ausprägung von Wachstum, Marge oder Marktanteil. Die Informationen der Neuronen werden über Verbindungen weitergeleitet und nach ihrer Bedeutung gewichtet. Das Gesamtmodell entsteht im Zusammenspiel aller Neuronen und verbessert sich, indem es anhand von echten Trainingsbeispielen lernt. Dazu wiederholt es ständig die Durchläufe und ändert schrittweise die Gewichte, bis das finale Modell feststeht.

ACATIS setzt Künstliche Intelligenz bereits in drei Fonds ein. Bei einem Fonds, der mit einem Convolutional Neural Network (CNN) arbeitet, übernimmt die KI die Vorauswahl der Titel, bei den beiden anderen erfolgen sowohl die Titelselektion als auch die Portfoliozusammenstellung zu 100 Prozent durch die Künstliche Intelligenz.
ACATIS entwickelt seinen Code stetig weiter und forscht zurzeit an vier Projekten:
Beim ersten Projekt werden verschiedene Unternehmenskennzahlen über einen bestimmten Zeitablauf paarweise miteinander verglichen. Ein zweiter Forschungsschwerpunkt ist die Bilanz als Bild. Hier werden die Unternehmensbilanzen mittels Bilderkennung analysiert. Im dritten Projekt befassen wir uns mit Methoden der Texterkennung und betrachten damit die Proxy-Statements zur Management-Bezahlung. Im vierten Projekt entwickeln wir Anlagestrategien auf Basis von Entscheidungsbäumen.

Das maschinelle Lernen und die Künstliche Intelligenz stellen für uns die nächste Entwicklungsstufe im Bereich des computergestützten Investierens dar. Die Herausforderungen sind groß, aber langfristig wird das Asset Management um die KI nicht herumkommen, da sie ein großes Analysepotenzial bietet. In der Investmentbranche werden sich zwei Extreme herausbilden: Die Asset Manager, die Künstliche Intelligenz und fortschrittliche Technologien einsetzen und ein paar wirklich gute menschliche Asset Manager. Dazwischen wird nicht viel übrig bleiben.

7. Mai 2018