KI-gestützte Analysen für die Vermögensverwaltung

Künstliche Intelligenz verschafft Vermögensverwaltern Zugang zu mehr Daten, schnelleren Analysen und immer detaillierteren Einblicken in die Kundenportfolios. Ihr Wert lässt sich jedoch nicht an der Menge der Informationen messen, die sie verarbeiten kann. Die eigentliche Herausforderung besteht darin, ob Unternehmen diese Informationen in bessere Entscheidungen umsetzen können, ohne dabei die Rechenschaftspflicht, die Sicherheit oder das Vertrauen der Kunden zu beeinträchtigen.

KI-gestützte Analysen gehen mittlerweile weit über die einfachen Portfolioempfehlungen der ersten Generation von Robo-Advisern hinaus. Vermögensverwalter nutzen die Technologie heute, um Risiken zu überwachen, Finanzdaten zusammenzuführen, Märkte zu analysieren und Veränderungen in der Situation ihrer Kunden zu erkennen.

Das Ausmaß der damit verbundenen Chancen ist beträchtlich. PwC schätzt, dass künstliche Intelligenz der Weltwirtschaft bis 2030 bis zu $15,7 Billionen hinzufügen könnte. Finanzdienstleistungen dürften zu den am stärksten betroffenen Branchen gehören, da ein Großteil ihrer Arbeit darauf beruht, Daten zu analysieren, Muster zu erkennen und Entscheidungen unter Unsicherheit zu treffen.

Dennoch beseitigt die Technologie die Unsicherheit beim Investieren nicht. Sie verändert lediglich, wie schnell institutionelle Anleger diese Unsicherheit bewerten können.

Von automatisierten Portfolios bis hin zur Analyseinfrastruktur

Die ersten Anwendungen von KI in der Vermögensverwaltung waren relativ begrenzt. Robo-Advisor nutzten Algorithmen, um die Risikotoleranz zu bewerten, Portfolios zusammenzustellen und die Bestände nach vordefinierten Regeln neu auszurichten.

Diese Plattformen senkten die Kosten für die grundlegende Vermögensverwaltung und machten diversifizierte Portfolios einem breiteren Kundenkreis zugänglich. Ihre Analysefähigkeiten beschränkten sich jedoch im Allgemeinen auf strukturierte Finanzinformationen und standardisierte Anlagemodelle.

Heutige Systeme decken ein breiteres Spektrum an Aufgaben ab. Sie können Portfoliodaten mit Marktpreisen, Unternehmensberichten, Wirtschaftsindikatoren, Nachrichtenberichten und anderen externen Informationen kombinieren. Dank der Verarbeitung natürlicher Sprache sind sie in der Lage, Texte zu analysieren, während Modelle des maschinellen Lernens nach Zusammenhängen suchen, die mit herkömmlichen Analysemethoden nur schwer zu erkennen sind.

Dadurch entsteht ein dynamischerer Anlageprozess. Anstatt sich hauptsächlich auf regelmäßige Portfolioüberprüfungen zu verlassen, können Berater die Engagements und Risikofaktoren überwachen, sobald neue Informationen vorliegen.

Diese Unterscheidung ist wichtig. KI ist nicht mehr nur ein automatisierter Vertriebskanal. Sie wird zunehmend zu einem Bestandteil der analytischen Infrastruktur, die hinter Anlageentscheidungen steht.

BlackRock verdeutlicht das Ausmaß dieses Wandels

Die Aladdin-Plattform von BlackRock wird häufig als Beispiel für ein technologieorientiertes Portfoliomanagement angeführt. Das System vereint Portfolioanalyse, Risikoüberwachung, Handel und operative Tools in einer einzigen Umgebung.

Aladdin ist nicht einfach nur ein KI-Produkt und liefert auch keine eigenständigen Marktprognosen. Seine Bedeutung liegt in der Integration großer Mengen von Anlagedaten in ein einheitliches Analysegerüst.

Portfoliomanager können die Plattform nutzen, um zu untersuchen, wie sich Änderungen der Zinssätze, Wechselkurse oder Vermögenspreise auf verschiedene Positionen auswirken könnten. Sie können Szenarien durchspielen, Konzentrationen überwachen und Risiken in Portfolios bewerten, die mehrere Anlageklassen umfassen.

Maschinelles Lernen kann diese Möglichkeiten erweitern, indem es Muster in historischen Daten und Echtzeitinformationen erkennt. Die daraus resultierende Analyse kann Investmentteams dabei helfen, Schwachstellen früher zu erkennen oder ein breiteres Spektrum möglicher Ergebnisse zu vergleichen.

Das Modell verdeutlicht zudem, warum die Größe eine Rolle spielt. Große Vermögensverwalter haben Zugang zu umfangreichen Datensätzen, spezialisiertem Personal und dem Kapital, das für den Aufbau ausgefeilter Systeme erforderlich ist. Kleinere Vermögensverwalter können sich ähnliche Fähigkeiten eher über externe Technologieanbieter erschließen.

Mehr Daten, aber nicht unbedingt mehr Klarheit

Laut Statista wurde erwartet, dass der weltweite Markt für KI im Finanzsektor zwischen 2021 und 2025 jährlich um etwa 23% wachsen würde. Dieses Wachstum spiegelt sowohl den technologischen Fortschritt als auch das Bestreben der Finanzinstitute wider, mehr Wert aus ihren vorhandenen Daten zu schöpfen.

KI-Systeme können Informationen aus Quellen verarbeiten, die bisher nur schwer in die Portfolioanalyse einbezogen werden konnten. Dazu zählen unter anderem die Stimmung in den sozialen Medien, geopolitische Entwicklungen, Satellitenbilder und unstrukturierte Unternehmensveröffentlichungen.

Solche Informationen können die Anlageanalyse bereichern. Sie können aber auch zu Unklarheiten führen.

Aktivitäten in den sozialen Medien spiegeln möglicherweise eher kurzfristige Stimmungen wider als grundlegende Veränderungen. Bei der Analyse von Nachrichten kann der Kontext falsch interpretiert werden. Geopolitische Ereignisse haben selten eine einzige, vorhersehbare Auswirkung auf die Märkte.

Die Fähigkeit, mehr Informationen zu verarbeiten, sollte daher nicht mit der Fähigkeit verwechselt werden, genaue Prognosen zu erstellen. Modelle können Zusammenhänge aufzeigen, die bei einer Änderung der Marktbedingungen nicht mehr bestehen. Sie können zudem präzise numerische Ergebnisse für Annahmen liefern, die nach wie vor mit großer Unsicherheit behaftet sind.

Der Wert der KI liegt zum Teil darin, den Analysebereich zu erweitern. Die Verantwortung für die Beurteilung, welche Informationen relevant sind, liegt weiterhin beim Anlageexperten.

Echtzeitanalysen verändern das Tempo der Entscheidungsfindung

Herkömmliche Vermögensverwaltungsprozesse stützen sich häufig auf monatliche oder vierteljährliche Berichte. Dies kann dazu führen, dass Berater und Kunden mit Informationen arbeiten, die bereits veraltet sind.

KI-gestützte Systeme können Portfolios kontinuierlich analysieren. Veränderungen bei den Marktpreisen, der Volatilität oder den Korrelationen lassen sich fast sofort in den Risikobewertungen berücksichtigen.

Dadurch könnten Unternehmen möglicherweise schneller auf aufkommende Probleme reagieren. Ein solches System könnte erkennen, dass mehrere scheinbar unabhängige Anlagen demselben Zins-, Währungs- oder Liquiditätsrisiko ausgesetzt sind. Es könnte zudem feststellen, dass das Portfolio eines Kunden nach einer starken Marktbewegung die vereinbarten Grenzen überschritten hat.

Schnelligkeit ist nützlich, kann aber auch Druck ausüben, zu handeln, obwohl Zurückhaltung vorzuziehen wäre.

Langfristige Anleger müssen nicht auf jede Veränderung der Marktbedingungen mit Handelsgeschäften reagieren. Häufige Benachrichtigungen können zu unnötigen Eingriffen verleiten und eine sorgfältig ausgearbeitete Strategie untergraben.

Vermögensverwalter müssen daher zwischen Informationen, die Maßnahmen erfordern, und Informationen, die lediglich die kurzfristige Volatilität beschreiben, unterscheiden.

Personalisierung geht über Risikobogen hinaus

Eines der wichtigsten Argumente für KI ist, dass sie eine individuellere Anlageberatung ermöglichen kann.

Bei der herkömmlichen Portfoliozusammenstellung werden Kunden häufig anhand von Alter, Vermögen und Risikobereitschaft in allgemeine Kategorien eingeteilt. KI-Systeme können potenziell ein viel breiteres Spektrum an Variablen berücksichtigen, darunter Einkommen, Ausgabeverhalten, Liquiditätsbedarf, steuerliche Situation und den Zeitpunkt künftiger finanzieller Verpflichtungen.

Das Ergebnis könnte ein Portfolio sein, das besser auf die tatsächlichen Lebensumstände eines Kunden zugeschnitten ist.

Für vermögende Familien kann die individuelle Anpassung auch die Zusammenführung komplexer Vermögensbestände umfassen. Börsennotierte Wertpapiere, private Unternehmen, Immobilien, Verbindlichkeiten und Sammlerstücke können auf mehrere Banken und Rechtsräume verteilt sein. KI-gestützte Plattformen können dabei helfen, diese Informationen zu ordnen und Risiken zu identifizieren, die auf Ebene einzelner Konten nicht erkennbar sind.

Eine individuelle Anpassung setzt jedoch genaue und aktuelle Daten voraus. Werden private Vermögenswerte nur selten bewertet oder sind die Ziele des Kunden nur unzureichend dokumentiert, kann die daraus resultierende Analyse einen falschen Eindruck von Genauigkeit vermitteln.

Ein System kann nur auf der Grundlage der Informationen rechnen, die es erhält. Es kann nicht feststellen, ob ein Kunde wichtige Details verschwiegen hat oder ob die angegebenen Präferenzen seinem Verhalten während einer Marktkrise entsprechen.

Die Automatisierung verändert die Arbeit der Berater

KI kann den Zeitaufwand für Routineaufgaben wie Datenerfassung, Portfolioberichterstattung, Dokumentenklassifizierung und Besprechungsvorbereitung reduzieren.

Dadurch haben Berater mehr Kapazitäten für Tätigkeiten, die sich nur schwer automatisieren lassen: das Erörtern familiärer Prioritäten, das Erläutern von Abwägungen und die Unterstützung der Kunden bei Entscheidungen unter emotionalem Druck.

Diese Umstellung könnte die Produktivität steigern, insbesondere in Unternehmen, in denen hochqualifizierte Berater nach wie vor viel Zeit damit verbringen, Informationen manuell zusammenzustellen.

Dies könnte zudem die Erwartungen der Kunden erhöhen. Wenn die Technologie fast augenblicklich Portfolioübersichten und Marktanalysen erstellen kann, werden die Kunden weniger bereit sein, höhere Gebühren für Verwaltungsaufgaben zu zahlen.

Berater müssen ihren Mehrwert eher durch die Interpretation als durch den Zugang zu Informationen unter Beweis stellen. Ihre Aufgabe wird zunehmend darin bestehen, von KI generierte Schlussfolgerungen zu überprüfen, sie in einen Kontext zu setzen und zu erläutern, warum eine bestimmte Empfehlung für den Kunden geeignet ist.

Dies erfordert andere Kompetenzen. Finanzwissen ist nach wie vor unverzichtbar, doch Berater müssen auch die Annahmen und Grenzen der von ihnen genutzten Systeme verstehen.

Modelle lernen aus unvollständigen Datenreihen

Es wird oft behauptet, dass sich Modelle des maschinellen Lernens kontinuierlich verbessern, je mehr Daten sie verarbeiten. In der Praxis erfolgt diese Verbesserung jedoch weder automatisch noch dauerhaft.

Die Finanzmärkte verändern sich. Vorschriften werden neu gefasst, geldpolitische Rahmenbedingungen verschieben sich und das Anlegerverhalten passt sich an. Ein Zusammenhang, der in historischen Daten zuverlässig erschien, kann sich abschwächen oder umkehren.

Modelle können zudem Verzerrungen aus den Informationen übernehmen, die zu ihrem Training verwendet wurden. Wenn frühere Entscheidungen auf eng gefassten Annahmen zum Kundenverhalten oder zu Risiken beruhten, kann ein KI-System diese Muster in größerem Maßstab reproduzieren.

Dies ist insbesondere bei Eignungsprüfungen und der Kundensegmentierung von Bedeutung. Automatisierte Systeme sollten Kunden nicht aufgrund von Zusammenhängen ausschließen oder benachteiligen, die die Unternehmen nicht erklären oder begründen können.

Regelmäßige Tests sind daher unerlässlich. Vermögensverwalter müssen die Modellergebnisse mit den tatsächlichen Ergebnissen vergleichen, unerwartete Verhaltensweisen untersuchen und entscheiden, wann ein System neu trainiert oder außer Betrieb genommen werden sollte.

Die menschliche Kontrolle sollte sich nicht darauf beschränken, Empfehlungen nach ihrer Erstellung zu genehmigen. Sie muss sich auch auf die Konzeption, die Prüfung und die Steuerung des Analyseprozesses selbst erstrecken.

Die Regulierung wird der Entscheidungskette folgen

Da KI zunehmend an Einfluss gewinnt, werden sich die Regulierungsbehörden voraussichtlich darauf konzentrieren, wie sich automatisierte Ergebnisse auf die Kunden auswirken.

Bestehende Verpflichtungen entfallen nicht, nur weil eine Empfehlung durch einen Algorithmus gestützt wird. Unternehmen müssen weiterhin sicherstellen, dass die Beratung angemessen ist, die Kommunikation klar erfolgt und die Kundendaten geschützt sind.

Außerdem muss geklärt werden, wer die Verantwortung trägt, wenn eine KI-gestützte Entscheidung Schaden verursacht. Die Verantwortung kann sich auf den Vermögensverwalter, den Softwareanbieter, den Datenlieferanten und die Mitarbeiter, die das System nutzen, verteilen.

Aufgrund dieser Komplexität kommt der Dokumentation eine wichtige Rolle zu. Unternehmen sollten darlegen können, welche Daten verwendet wurden, wie sich ein Ergebnis auf die endgültige Empfehlung ausgewirkt hat und an welcher Stelle menschliches Urteilsvermögen in den Prozess eingeflossen ist.

Bei komplexen Modellen ist eine vollständige technische Transparenz möglicherweise nicht immer gegeben. Dennoch sollte ein Vermögensverwalter in der Lage sein, verständlich darzulegen, warum eine bestimmte Entscheidung getroffen wurde.

Kunden müssen nicht jede Zeile Code verstehen. Sie müssen jedoch wissen, auf welcher Grundlage ihr Geld verwaltet wird.

Sicherheitsaspekte schränken die Experimentierfreudigkeit ein

KI-Analysen sind auf den Zugriff auf detaillierte Finanz- und personenbezogene Daten angewiesen. Genau jene Daten, die einen Dienst nützlicher machen, machen ihn gleichzeitig auch sensibler.

Vermögensverwalter müssen berücksichtigen, wo Informationen gespeichert sind, welche Systeme darauf zugreifen können und ob externe KI-Anbieter Kundendaten zur Verbesserung ihrer eigenen Modelle nutzen.

Cybersicherheit ist nur ein Teil des Problems. Unternehmen sind zudem Risiken durch versehentliche Offenlegung, falsche Zugriffsberechtigungen und Mitarbeiter ausgesetzt, die vertrauliche Informationen in ungeeignete Tools eingeben.

Privatkunden im Bereich der Vermögensverwaltung können Anteile an Familienunternehmen, Treuhandvermögen und künftigen Transaktionen halten, die der Öffentlichkeit nicht bekannt sind. Ein Datenleck kann geschäftliche, rechtliche und persönliche Folgen nach sich ziehen, die weit über den Wert des betroffenen Kontos hinausgehen.

Institutionen benötigen daher strenge Kontrollen hinsichtlich der zugelassenen Systeme und der erlaubten Anwendungsfälle. Experimente dürfen nicht auf Kosten der Vertraulichkeit gehen.

Der Wettbewerbsvorteil liegt nun in der Umsetzung

Gartner prognostiziert, dass bis 2026 75% der Anlagestrategien auf KI-Analysen basieren werden. Die genaue Zahl muss noch überprüft werden, doch die Tendenz ist plausibel: Automatisierte Analysen setzen sich im Finanzdienstleistungssektor zunehmend durch.

Da der Zugang zu KI-Tools immer breiter wird, wird die Technologie selbst immer weniger zur Differenzierung beitragen. Konkurrierende Unternehmen könnten ähnliche Modelle, Marktdaten und externe Plattformen nutzen.

Der Vorteil ergibt sich aus der Umsetzung.

Vermögensverwalter mit konsolidierten Daten, erfahrenen Beratern und klaren Führungsstrukturen sind besser aufgestellt, um KI effektiv zu nutzen. Unternehmen, die mit fragmentierten Datenbeständen und schlecht integrierten Systemen arbeiten, laufen Gefahr, bestehende Schwachstellen lediglich zu automatisieren.

Es ist unwahrscheinlich, dass die erfolgreichsten Institute Anlageentscheidungen vollständig an Maschinen delegieren werden. Ebenso wenig werden sie KI als bloße Zierde einer traditionellen Dienstleistung betrachten.

Sie werden die Technologie gezielt einsetzen: zur Organisation von Informationen, zur Prüfung von Portfolios, zur Risikoüberwachung und zur Vorbereitung der Berater auf fundiertere Gespräche mit den Kunden.

KI-gestützte Analysen können die Vermögensverwaltung schneller, reaktionsfähiger und präziser machen. Sie können jedoch nicht entscheiden, welche finanziellen Ziele für eine Familie am wichtigsten sind oder wie viel Unsicherheit ein Kunde tatsächlich bereit ist zu akzeptieren.

Das sind nach wie vor Ermessensfragen. Der Zweck besserer Analysen besteht nicht darin, dieses Ermessen zu ersetzen, sondern ihm eine solidere Grundlage zu geben.