Der Hype um ChatGPT ist aktuell riesig. Der auf künstlicher Intelligenz (KI) basierende Chatbot des US-amerikanischen Unternehmens Open AI hat seit dem Start Ende November 2022 weltweit Hunderte Millionen Nutzer in seinen Bann gezogen. Ob die einfache Beantwortung von Fragen, das Verfassen ganzer Artikel oder sogar das Erstellen wissenschaftlicher Hausarbeiten - die Einsatzmöglichkeiten scheinen fast grenzenlos.

Konkrete Anwendungen künstlicher Intelligenz sind auch in der Finanzbranche schon allgegenwärtig. Und die Bedeutung nimmt spürbar zu. Angesichts der rasant wachsenden Datenmengen, die den Marktteilnehmern tagtäglich zur Verfügung stehen, ist eine Verarbeitung ohne KI-Unterstützung umfänglich de facto nicht mehr möglich. Schließlich können aus den Informationen über Unternehmen und Aktien wertvolle Erkenntnisse zur Optimierung von Anlageentscheidungen gewonnen werden.

Einer aktuellen Studie der Finanzkommunikations-Agentur Edelman Smithfield zufolge halten bereits zwei Drittel der befragten institutionellen Investoren Analysen mittels KI für verlässliche Datenquellen. 34 Prozent der Profianleger nutzen demnach bereits KI, und fast drei Viertel gaben an, dass sie in den kommenden zwei Jahren KI für ihre Analysen nutzen werden. Besonders im Fokus stehen dabei zwei KI-basierte Methoden: Machine Learning (ML) und Natural Language Processing, kurz NLP. Bei ML geht es im Kern darum, mit Hilfe von Algorithmen aus großen, unstrukturierten Datenmengen sinnvolle und relevante Informationen zu extrahieren, indem Regelmäßigkeiten, Wiederholungen oder Ähnlichkeiten maschinell erfasst werden. NLP wiederum stellt einen konkreten Anwendungsbereich von Machine Learning dar. Mit Hilfe von NLP können Texte automatisch analysiert, positive Aussagen von negativen getrennt und somit valide Investitionssignale erzeugt werden.

Entsprechend wird bei diesem Ansatz in die Futures der weltweiten Aktienindizes mit den höchsten Outperformance-Wahrscheinlichkeiten investiert. Die Haltedauer dieser Portfoliopositionen ist dementsprechend kurz und beträgt in der Regel wenige Tage. Anders als im ersten Projekt spielen fundamental-ökonomische Sichtweisen hier keine Rolle. Diese Strategie hat sich ebenfalls in der Praxis bewährt und kann vor allem als marktneutrales Overlay in einem Basisportfolio wie zum Beispiel dem MSCI World mit einer Beimischung umgesetzt werden. Um eine aktive Investmentstrategie auf der Basis von NLP geht es in einem weiteren Forschungsprojekt von Deka und der konzerneigenen IQAM Invest. Die These: Unternehmen und Themen, die häufiger positiv in Nachrichten und Social Media erwähnt werden, ziehen Investoren tendenziell an. Gleichzeitig ist davon auszugehen, dass die entsprechenden Sektoren beziehungsweise assoziierten Themen voraussichtlich outperformen werden.

Deshalb wurden unterschiedliche News-Quellen, darunter auch internationale Nachrichtenagenturen, sowie Unternehmensberichte über einen Zeitraum von drei Jahren ausgewertet und analysiert, die Unternehmen des Index S&P 500 betrafen. Neben der Relevanz eines Nachrichtenartikels für jedes Unternehmen im S&P 500 wurde zusätzlich das Sentiment eines jeden Artikels berechnet. Dabei wurden positiven und negativen Signalwörtern positive und negative Scores zugewiesen. Beispielsweise waren "stabil", "profitabel" oder "Fortschritt" positive Signalwörter. Begriffe wie "Fehler", "Problem", "Engpass" oder "aufgeben" wurden entsprechend negative Scores zugeteilt.

Genutzt wurde dafür - wie auch bei einigen anderen Research-Projekten - eine Methodik aus dem NLP-Bereich, das sogenannte BERT-Modell (Bidirectional Encoder Representations from Transformers).

In diesem Research-Projekt geht es darum, das Sentiment der Pflichtmitteilungen von Unternehmen zu bestimmen. Konkret werden dazu die Lesbarkeit, etwa die Satzlänge, der Anteil der Fachbegriffe sowie das Verhältnis von Zahlen zu Wörtern in der Ad-hoc-Meldung mit Hilfe von NLP analysiert und diese dann automatisch in positiv, negativ oder neutral klassifiziert. Sehr lange Sätze, viele Fachbegriffe und wenige Zahlen in dem Text deuten beispielsweise auf ein negatives Sentiment hin.

Die Beispiele zeigen: Es gibt in diesem Bereich bereits vielversprechende Ansätze und Forschungsprojekte im Assetmanagement, und die Forschung geht mit Hochdruck weiter. Denn der Einsatz von KI- und speziell der Textanalyse - kann durch die Erweiterung um zusätzliche Parameter wichtige Erkenntnisse für die Kapitalanlage bringen. Solche Analysen der Kapitalmarktforschung werden deshalb künftig immer stärker in konkrete Investmentstrategien einfließen.

Unsere Performance-Analysen, auch von Szenarien aus der Vergangenheit, weisen vielversprechende Ergebnisse auf. Dabei können Investoren ML und NLP sowohl im Rahmen eines speziellen KI-Anlagekonzepts nutzen oder als Beimischung in einem breit diversifizierten Anlageansatz. Das gilt sowohl auf Indexebene bei der kurzfristigen Asset-Allokation wie auch bei Timing-Entscheidungen und der strategischen Einzeltitel-Selektion.

Quelle: Börsen-Zeitung