Der Aufstieg KI-gesteuerter Hedgefonds

Künstliche Intelligenz spielt bei der Analyse, dem Handel und dem Risikomanagement von Hedgefonds eine immer wichtigere Rolle. Preqin berichtet, dass die Zahl der Fonds, die KI einsetzen, in den letzten fünf Jahren um 20% gestiegen ist. Die Technologie ermöglicht es den Managern, mehr Daten zu analysieren und schneller zu reagieren, beseitigt jedoch nicht die altbekannten Probleme beim Investieren: unzuverlässige Signale, überlaufene Handelsmärkte und plötzliche Veränderungen im Marktverhalten.

Hedgefonds waren schon immer bestrebt, sich einen Informations- oder Analysevorteil zu verschaffen. Einige verließen sich auf das Urteilsvermögen erfahrener Aktienauswähler. Andere entwickelten makroökonomische Rahmenkonzepte, ereignisorientierte Strategien oder statistische Modelle.

Künstliche Intelligenz setzt die quantitative Tradition fort. Systeme des maschinellen Lernens können große Datensätze auswerten, Muster erkennen und ihre Schlussfolgerungen aktualisieren, sobald neue Informationen vorliegen.

Diese Fähigkeit ist besonders attraktiv in Märkten, in denen mehr Daten anfallen, als ein menschliches Investmentteam allein analysieren kann.

Die Verarbeitung von mehr Informationen ist jedoch nicht gleichbedeutend mit einem genaueren Verständnis der Märkte. KI kann die Suche nach Chancen verbessern, doch die Qualität ihrer Entscheidungen hängt nach wie vor von den Daten, Zielen und Annahmen ab, die in das System integriert sind.

Das quantitative Investieren kam zuerst

Der Einsatz von Computern in der Vermögensverwaltung reicht weiter zurück als das derzeitige Interesse an künstlicher Intelligenz.

Quantitative Hedgefonds wenden seit Jahrzehnten mathematische und statistische Methoden an. Sie suchen nach wiederkehrenden Zusammenhängen zwischen Wertpapieren, wirtschaftlichen Variablen und dem Anlegerverhalten und setzen diese Zusammenhänge anschließend in Handelsregeln um.

Renaissance Technologies wurde zu einem der bekanntesten Beispiele. Die Fonds des Unternehmens stützten sich auf große Datensätze und systematische Modelle statt auf herkömmliche Unternehmensanalysen oder diskretionäre Marktprognosen.

Der Erfolg des Unternehmens trug dazu bei, das quantitative Investieren als eigenständigen und äußerst profitablen Teil der Hedgefonds-Branche zu etablieren.

KI stellt eher eine Weiterentwicklung dieses Ansatzes dar als einen vollständigen Bruch damit. Herkömmliche Modelle gehen oft von Beziehungen aus, die von Forschern ausgewählt wurden. Systeme des maschinellen Lernens können eine breitere Palette von Variablen untersuchen und Muster mit weniger direkten Vorgaben erkennen.

Dies erweitert den analytischen Spielraum. Es kann aber auch dazu führen, dass die daraus resultierende Strategie schwerer zu erklären ist.

Es wird immer schwieriger, den Datenvorteil aufrechtzuerhalten

Die ersten quantitativen Fonds profitierten von Informations- und Rechenkapazitäten, die den meisten Wettbewerbern nicht zur Verfügung standen.

Dieser Vorsprung hat sich verringert.

Marktpreise, Unternehmensberichte, Wirtschaftsdaten und alternative Datensätze stehen mittlerweile einem breiteren Spektrum von Unternehmen zur Verfügung. Durch Cloud-Computing sind die Kosten für die Informationsverarbeitung gesunken, während externe Anbieter fertige Tools für maschinelles Lernen bereitstellen.

Die Hürden für Experimente sind gefallen. Die Hürden für die Erzielung nachhaltiger Anlagerenditen hingegen nicht.

Wenn mehrere Fonds ähnliche Daten anhand vergleichbarer Modelle analysieren, entdecken sie möglicherweise dieselbe Anlagechance. Daraufhin fließt Kapital in die Position, die Kurse passen sich an und die erwartete Rendite sinkt.

Der Vorteil liegt nicht mehr darin, einen Algorithmus zu haben, sondern darin, über bessere Daten, fundiertere Forschungsergebnisse und eine schnellere Umsetzung zu verfügen.

Selbst geschützte Informationen behalten ihren Wert nicht auf unbestimmte Zeit. Sobald Wettbewerber erkennen, dass ein bestimmter Datensatz nützliche Informationen enthält, werden sie versuchen, diese zu reproduzieren.

KI kann Entdeckungen beschleunigen. Sie kann aber auch das Verschwinden der entdeckten Chance beschleunigen.

Alternative Daten erweitern den Horizont

KI-gesteuerte Fonds können Informationen verarbeiten, die bei der herkömmlichen Anlageanalyse möglicherweise übersehen werden.

Satellitenbilder können Aufschluss über die Aktivität in Fabriken, Häfen oder auf Parkplätzen von Autohäusern geben. Online-Preise können frühe Anzeichen für eine Inflation liefern. Versanddaten können Veränderungen in den Handelsströmen aufzeigen, während Stellenanzeigen Hinweise darauf geben können, wo Unternehmen expandieren.

Mithilfe der Verarbeitung natürlicher Sprache können Fonds Unternehmensberichte, Gewinnbekanntgaben, Nachrichtenberichte und Aktivitäten in den sozialen Medien in großem Umfang analysieren.

Diese Quellen können Führungskräften dabei helfen, Entwicklungen zu erkennen, bevor sie in herkömmlichen Jahresabschlüssen zum Ausdruck kommen.

Außerdem verursachen sie erhebliche Störgeräusche.

Die Stimmung in den sozialen Medien lässt sich manipulieren. Satellitenbeobachtungen müssen interpretiert werden. Eine Zunahme der Online-Diskussionen kann eher auf Kontroversen als auf wirtschaftliche Stärke hindeuten.

Alternative Daten müssen daher anhand realer wirtschaftlicher Ergebnisse überprüft werden. Die Neuartigkeit eines Datensatzes ist kein Beweis dafür, dass er ein gewinnbringendes Signal enthält.

Je mehr Informationen ein Modell verarbeitet, desto wichtiger ist es, nützliche Abweichungen von Zufälligkeiten zu unterscheiden.

„Vorhersage“ bleibt ein gefährliches Wort

KI-Hedgefonds werden oft so beschrieben, dass sie Marktbewegungen mit außergewöhnlicher Genauigkeit vorhersagen.

Diese Behauptung übertreibt die Funktionsweise der meisten Systeme.

Modelle des maschinellen Lernens schätzen Wahrscheinlichkeiten in der Regel auf der Grundlage von Zusammenhängen, die in historischen Daten festgestellt wurden. Sie können erkennen, dass auf bestimmte Kombinationen aus Kursen, Volatilität und Handelsaktivität in der Vergangenheit ein bestimmtes Ergebnis folgte.

Diese Zusammenhänge sind keine Naturgesetze.

Märkte passen sich an. Anleger reagieren aufeinander, Vorschriften ändern sich und wirtschaftliche Rahmenbedingungen verschieben sich. Sobald ein Muster allgemein erkannt wird, kann der Handel selbst dazu führen, dass es an Stärke verliert oder sich umkehrt.

Ein Modell, das in einer Phase niedriger Zinsen trainiert wurde, könnte Schwierigkeiten haben, wenn die Kreditkosten stark ansteigen. Zusammenhänge, die auf liquiden Märkten gelten, können in einer Krise wegfallen.

KI kann Prognosen detaillierter gestalten und häufiger aktualisieren. Sie kann jedoch nicht garantieren, dass die Zukunft den Daten entspricht, mit denen sie trainiert wurde.

Bridgewater veranschaulicht eine andere Anwendungsmöglichkeit

Bridgewater Associates ist in erster Linie für systematische Makro-Investitionen bekannt und weniger dafür, als rein KI-gesteuerter Hedgefonds zu agieren.

Sein Anlageprozess stützt sich seit langem auf klare Regeln, wirtschaftliche Zusammenhänge und umfassende Datenanalysen. KI kann diese Struktur unterstützen, indem sie den Analysten dabei hilft, Informationen auszuwerten, Hypothesen zu überprüfen und das Portfoliorisiko zu überwachen.

Diese Unterscheidung ist wichtig.

Einige Hedgefonds nutzen maschinelles Lernen, um direkt Handelsgeschäfte zu generieren. Andere setzen es als einen von mehreren Faktoren innerhalb eines umfassenderen Anlagekonzepts ein. KI kann bei der Analyse, der Ausführung oder dem Risikomanagement helfen, ohne dabei das gesamte Portfolio zu steuern.

Der Ansatz von Bridgewater verdeutlicht, wie Technologie eine etablierte Anlagephilosophie stärken kann, anstatt sie zu ersetzen.

Ein klarer Rahmen kann es zudem erleichtern, automatisierte Analysen zu hinterfragen. Wenn die Schlussfolgerung eines Modells im Widerspruch zum Verständnis des Fonds hinsichtlich der wirtschaftlichen Rahmenbedingungen steht, können Forscher diese Diskrepanz untersuchen.

KI ist am nützlichsten, wenn sie nicht nur Antworten, sondern auch Fragen liefert.

Geschwindigkeit verändert das Kräfteverhältnis

Systeme mit maschinellem Lernen können große Datensätze wesentlich schneller verarbeiten als menschliche Analysten.

Dies spielt bei Strategien eine Rolle, bei denen Informationen schnell an Wert verlieren. Fonds können eine Gewinnmitteilung analysieren, deren Wortlaut bewerten und Handelsgeschäfte tätigen, noch bevor ein traditionelles Research-Team seine Auswertung abgeschlossen hat.

Algorithmen können zudem Tausende von Wertpapieren überwachen und Positionen anpassen, wenn sich Kurse, Korrelationen oder die Volatilität ändern.

Eine solche Geschwindigkeit bringt nur dann einen Vorteil, wenn das Signal zuverlässig ist und die Ausführungskosten unter Kontrolle gehalten werden.

Zu häufiges Handeln kann die Rendite durch Gebühren, Spreads und Marktauswirkungen schmälern. Schnelle Reaktionen können zudem Fehler verstärken, wenn ein Modell neue Informationen falsch interpretiert.

Ein falsches Signal, auf das innerhalb von Millisekunden reagiert wird, bleibt falsch.

Hedgefonds müssen daher entscheiden, welche Ergebnisse sofort umgesetzt werden müssen und welche weiteren Prüfungen durchlaufen sollten.

Das schnellste Modell ist nicht unbedingt das rentabelste.

KI beseitigt menschliche Voreingenommenheit nicht

Befürworter argumentieren oft, dass KI zu objektiveren Anlageentscheidungen führt, indem sie Emotionen und Intuition in den Hintergrund rückt.

Er kann bestimmte Verhaltensfehler eindämmen. Ein Algorithmus gerät nach einem Kursrückgang nicht in Panik, entwickelt keine Vorliebe für ein bestimmtes Unternehmen und ändert seine Strategie auch nicht aufgrund eines überzeugenden Vorstandsvorsitzenden.

Doch Models übernehmen die Entscheidungen ihrer Designer.

Die Forscher wählen die Daten aus, legen das Ziel fest und entscheiden, wie das System Rendite und Risiko gegeneinander abwägen soll. Außerdem legen sie fest, welcher historische Zeitraum relevant ist und wie fehlgeschlagene Prognosen behandelt werden.

Verzerrungen können daher eher durch die Modellkonstruktion als durch die Emotionen eines Portfoliomanagers entstehen.

Zudem besteht die Gefahr einer Automatisierungsverzerrung. Mitarbeiter verlassen sich möglicherweise auf ein komplexes System, weil dessen Ergebnisse wissenschaftlich erscheinen, selbst wenn die zugrunde liegenden Annahmen unzulänglich sind.

Das menschliche Urteilsvermögen ist nicht verschwunden. Es hat sich in die Konzeption, Interpretation und Überwachung des Modells verlagert.

Leistungsversprechen erfordern stichhaltigere Belege

Branchenberichten zufolge übertreffen KI-gesteuerte Hedgefonds traditionelle Fonds um durchschnittlich 5%.

Bei solchen Vergleichen ist Vorsicht geboten.

Der Begriff „KI-gesteuerter Fonds“ ist nicht einheitlich definiert. Ein Fondsmanager nutzt maschinelles Lernen möglicherweise für den Portfolioaufbau, während ein anderer es ausschließlich für die Orderausführung oder die Risikoüberwachung einsetzt.

Die Wertentwicklung hängt zudem von der Strategie, dem Marktumfeld, dem Hebel und dem Betrachtungszeitraum ab.

Erfolgreiche Fonds können ihre Methoden veröffentlichen, während gescheiterte Fonds aus den Datenbanken verschwinden. Dies führt zu einem Überlebensverzerrungseffekt und kann dazu führen, dass die historischen Ergebnisse besser aussehen, als sie tatsächlich waren.

KI kann bei einigen Strategien zu einer überdurchschnittlichen Performance beitragen. Sie ist jedoch kein Renditefaktor an sich.

Anleger müssen verstehen, wie sich die Technologie auf den Anlageprozess auswirkt und ob der behauptete Vorteil Transaktionskosten, sich verändernde Märkte und den Wettbewerb überstanden hat.

Der Einsatz von maschinellem Lernen sollte nicht zu einer Absenkung der Sorgfaltsstandards führen.

Das Modellrisiko wird zum Anlagerisiko

Jeder quantitative Fonds ist einem Modellrisiko ausgesetzt: der Möglichkeit, dass seine Darstellung des Marktes unvollständig oder falsch ist.

KI kann dieses Problem noch verschärfen, da sich komplexe Systeme auf eine Weise verhalten können, die schwer vorhersehbar ist.

Ein Modell kann während der Testphase gute Ergebnisse liefern, weil es zufällige Muster in historischen Daten erkannt hat. Dies wird als Überanpassung bezeichnet. Die Strategie erscheint präzise, bis sie auf Informationen stößt, die sie zuvor noch nicht gesehen hat.

Modelle können sich zudem im Zuge sich ändernder Marktbedingungen allmählich verschlechtern. Ein Signal kann zwar weiterhin profitabel sein, aber an Stärke verlieren, was dazu führt, dass das System mehr Risiko eingeht, um die gleiche Rendite zu erzielen.

Hedgefonds müssen überwachen, ob die aktuellen Ergebnisse weiterhin mit den ursprünglichen Analysen übereinstimmen.

Eine unabhängige Validierung ist unerlässlich. Das Team, das ein Modell entwickelt, sollte nicht allein darüber entscheiden, ob dieses zuverlässig ist.

Fondsmanager benötigen zudem klare Schwellenwerte, um das Risiko zu reduzieren oder eine Strategie zu beenden.

Ein Modell sollte nicht allein deshalb verteidigt werden, weil es zu komplex ist, um es zu verstehen.

Überfüllte Modelle können die Märkte verstärken

Die Zunahme des KI-gesteuerten Handels könnte sich über einzelne Fonds hinaus auf das Marktverhalten auswirken.

Wenn mehrere Modelle auf dieselben Signale reagieren, kann es vorkommen, dass sie zu ähnlichen Zeitpunkten kaufen und verkaufen. Dies kann zu überfüllten Positionen und starken Kursschwankungen führen, sobald sich die Marktbedingungen umkehren.

Eine Strategie kann den Anschein erwecken, diversifiziert zu sein, weil sie mit vielen Wertpapieren handelt. In Wirklichkeit hängen ihre Positionen jedoch möglicherweise von demselben zugrunde liegenden Faktor ab wie die Positionen anderer quantitativer Fonds.

Diese verborgene Konzentration wird in Stresssituationen sichtbar.

Ein erzwungener Schuldenabbau kann diesen Effekt noch verstärken. Wenn die Verluste steigen oder die Volatilität zunimmt, können Risikosysteme von mehreren Fonds verlangen, ihr Engagement gleichzeitig zu reduzieren.

Jeder Fonds mag aus seiner eigenen Perspektive rational handeln, trägt dabei jedoch zur Instabilität des gesamten Marktes bei.

KI führt nicht zwangsläufig zu diesem Verhalten, doch eine stärkere Automatisierung und die Ähnlichkeit der Modelle können es beschleunigen.

Risikomanager müssen daher nicht nur berücksichtigen, welche Informationen ihr eigenes System enthält, sondern auch, wie Wettbewerber auf dieselben Informationen reagieren könnten.

Das Risikomanagement ist einer der stärksten Anwendungsbereiche

KI könnte im Risikomanagement deutlichere Vorteile bieten als bei der Marktprognose.

Systeme können Portfolioengagements überwachen, ungewöhnliche Korrelationen erkennen und Veränderungen der Liquidität identifizieren. Sie können analysieren, wie scheinbar unabhängige Positionen auf denselben Schock reagieren könnten.

Maschinelles Lernen kann Fonds zudem dabei helfen, ein breiteres Spektrum an Szenarien zu testen und Schwachstellen zu identifizieren, die bei herkömmlichen Risikokategorien übersehen werden.

Die Ausgabe muss noch interpretiert werden.

Historische Daten enthalten möglicherweise nur wenige Beispiele für schwerwiegende Marktstörungen. Ein Modell kann die Wahrscheinlichkeit extremer Verluste nur auf der Grundlage der ihm zur Verfügung stehenden Ereignisse oder Annahmen abschätzen.

Die Szenarioanalyse sollte daher auch Situationen berücksichtigen, die in den Trainingsdaten nicht vorkommen.

Risikomanagement ist nicht nur eine statistische Übung. Es erfordert Vorstellungskraft dafür, wie Märkte, Gegenparteien und Infrastruktur versagen können.

KI kann die berücksichtigten Fakten erweitern. Sie kann jedoch nicht jede denkbare Krise definieren.

Talente werden zunehmend interdisziplinär

KI-gestütztes Investieren erfordert mehr als nur Softwareentwickler.

Erfolgreiche Teams vereinen Fachwissen in den Bereichen Mathematik, Informatik, Märkte, Portfolioaufbau und Risiko. Ein technisch ausgefeiltes Modell kann scheitern, wenn seine Entwickler die Handelskosten nicht verstehen oder nicht wissen, wie sich die Marktliquidität unter Druck verändert.

Auch Anlageexperten benötigen ausreichende technische Kenntnisse, um das System kritisch zu hinterfragen. Sie sollten verstehen, wie die Daten ausgewählt wurden, was das Modell optimiert und in welchen Bereichen seine Schlussfolgerungen am wenigsten zuverlässig sind.

Der Wettbewerb um diese Talente ist kostspielig.

Hedgefonds rekrutieren Mitarbeiter aus Technologieunternehmen, Hochschulen und spezialisierten Forschungsunternehmen. Die Vergütung kann beträchtlich sein, insbesondere für Mitarbeiter, die Fachkenntnisse im Bereich des maschinellen Lernens mit Erfahrung auf den Finanzmärkten verbinden.

Kleinere Vermögensverwalter könnten Schwierigkeiten haben, mit den Ressourcen großer quantitativer Unternehmen mitzuhalten.

Externe Technologie kann die Lücke zwar verringern, aber sie kann das interne Verständnis nicht ersetzen. Ein Fonds, der sich auf ein System verlässt, das er nicht bewerten kann, hat sich damit kein Anlagevorteil, sondern ein neues operationelles Risiko beschafft.

Ausgaben für Technologie garantieren keine Rendite

Die Investitionen von Hedgefonds in KI-Technologie sollten bis 2025 voraussichtlich $2 Milliarden erreichen.

Die Ausgaben können zu einer besseren Infrastruktur, Forschung und Umsetzung beitragen. Sie können aber auch Projekte finanzieren, aus denen niemals eine tragfähige Strategie hervorgeht.

KI-Initiativen können scheitern, weil die Daten von schlechter Qualität sind, die Forschungsfrage unklar ist oder das Modell in realen Märkten nicht effektiv eingesetzt werden kann.

Ein erfolgreicher Test berücksichtigt nicht automatisch Transaktionskosten, Kapazitätsengpässe oder Veränderungen im Anlegerverhalten.

Fonds sollten Technologieprojekte daher anhand festgelegter Investitions- oder Betriebsergebnisse bewerten.

Ein System, das darauf abzielt, die Ausführungskosten zu senken, lässt sich messen. Ein Modell, das zur Verbesserung der Betrugserkennung entwickelt wurde, lässt sich mit bestehenden Kontrollmechanismen vergleichen. Ein allgemeines Versprechen, die Anlageperformance zu verbessern, lässt sich hingegen viel schwerer bewerten.

Die Ausgereiftheit der Technologie spielt keine Rolle, wenn sie weder die risikobereinigten Renditen verbessert noch messbare Kosten senkt.

Die Unternehmensführung muss mit der zunehmenden Komplexität Schritt halten

Bei KI-gesteuerten Fonds muss die Verantwortung für die Modelle und deren Ergebnisse klar geregelt sein.

Die Geschäftsleitung sollte wissen, wo automatisierte Entscheidungen getroffen werden, welche Systeme Handelsgeschäfte ausführen können und welche Kontrollmechanismen deren Befugnisse einschränken.

Änderungen an Modellen müssen vor der Einführung dokumentiert und getestet werden. Datenquellen müssen einer rechtlichen und ethischen Prüfung unterzogen werden, insbesondere wenn sie personenbezogene Daten oder Material betreffen, das nicht für Anlagezwecke erhoben wurde.

Ein weiteres Problem ist die Cybersicherheit. Proprietäre Modelle und Datensätze sind wertvolle Vermögenswerte. Ihr Diebstahl oder ihre Manipulation könnte erheblichen finanziellen Schaden verursachen.

Fonds müssen sich zudem auf technische Ausfälle vorbereiten. Handelssysteme benötigen Sicherheitsvorkehrungen, Verfahren für manuelle Eingriffe und die Fähigkeit, auch dann weiterzuarbeiten, wenn externe Dienste nicht mehr verfügbar sind.

Automatisierung kann menschliche Fehler bei Routineentscheidungen reduzieren. Sie kann jedoch zu größeren Fehlern führen, wenn ein fehlerhafter Prozess in großem Maßstab abläuft.

Die Unternehmensführung entscheidet darüber, ob Geschwindigkeit zu einem Vorteil oder zu einer Schwachstelle wird.

Anleger müssen andere Fragen stellen

Institutionelle Anleger, die einen KI-gesteuerten Hedgefonds bewerten, sollten über die technologischen Aspekte hinausblicken.

Die zentrale Frage ist die Renditequelle.

Anleger müssen verstehen, welche Marktineffizienz die Strategie ausnutzt, warum diese voraussichtlich bestehen bleibt und was zu ihrem Verschwinden führen könnte. Sie sollten die Datenqualität, die Modellvalidierung und die Wertentwicklung des Fonds außerhalb des für die Entwicklung herangezogenen Zeitraums prüfen.

Auch die Kapazität spielt eine Rolle. Eine Strategie mag mit begrenztem Kapital funktionieren, verliert jedoch an Wirksamkeit, wenn das Vermögen wächst und die Handelsgeschäfte den Markt beeinflussen.

Anleger sollten sich fragen, wie schnell sich Modelle ändern, wer diese Änderungen genehmigt und wie Mitarbeiter eingreifen, wenn die Ergebnisse unplausibel erscheinen.

Außerdem müssen sie zwischen einem echten firmeneigenen Vorteil und der Nutzung allgemein verfügbarer Werkzeuge unterscheiden.

Eine beeindruckende Demonstration ist kein Ersatz für einen nachhaltigen Anlageprozess.

Die Zukunft gehört den Hybridfonds, nicht den autonomen Fonds

Es wird prognostiziert, dass die Investitionen in KI im Finanzsektor weiterhin rasant wachsen werden. Gartner geht von einem jährlichen Wachstum von 30% aus, wobei diese Zahl noch überprüft werden muss und sich möglicherweise auf den Finanzdienstleistungsmarkt im weiteren Sinne bezieht.

In den nächsten drei bis fünf Jahren dürfte maschinelles Lernen zu einem festen Bestandteil der Analyse und des Betriebs von Hedgefonds werden.

Das bedeutet jedoch nicht, dass vollständig autonome Fonds den Markt dominieren werden.

Märkte sind adaptive Systeme, die von der Politik, dem Verhalten von Institutionen und Ereignissen geprägt werden, für die es kaum historische Vorbilder gibt. Rein automatisierte Strategien können zwar eine starke Performance erzielen, unterliegen jedoch weiterhin Annahmen, die ohne Vorwarnung scheitern können.

Das nachhaltigere Modell dürfte maschinengestützte Analysen mit menschlicher Forschung und einer konsequenten Aufsicht kombinieren.

Algorithmen können große Datensätze durchsuchen, Positionen überwachen und Handelsgeschäfte ausführen. Portfoliomanager und Risikoteams müssen entscheiden, ob die identifizierten Zusammenhänge wirtschaftlich sinnvoll sind und ob der Fonds auch dann überleben kann, wenn diese Zusammenhänge nicht mehr bestehen.

KI wird das Spektrum der Signale erweitern, auf die Hedgefonds setzen können. Außerdem wird sie dazu führen, dass Strategien schneller kopiert, von vielen Nachahmern übernommen und entkräftet werden.

Die Technologie mag zwar die Investitionsmechanismen verbessern. Sie hebt jedoch weder den Wettbewerb noch die Unsicherheit noch den Marktzyklus auf.

Für Hedgefonds sind dies nach wie vor die schwierigeren Probleme.