Weltweiter Aufschwung im KI-gestützten Portfoliomanagement

Künstliche Intelligenz wird immer stärker in das Portfoliomanagement integriert und unterstützt Investmentfirmen dabei, Märkte zu analysieren, Risiken zu überwachen und Dienstleistungen auf einzelne Kunden zuzuschneiden. Ihr Reiz liegt in der Fähigkeit, große Informationsmengen schneller zu verarbeiten als herkömmliche Research-Teams, doch die Technologie ersetzt nicht die Grundsätze, auf denen Portfolios aufbauen. Asset-Allokation, Diversifizierung, Bewertung und Risikokontrolle bleiben von zentraler Bedeutung; KI verändert lediglich die Geschwindigkeit und den Umfang, in dem diese umgesetzt werden können.

Deloitte stellte fest, dass etwa 60% der befragten Vermögensverwaltungsgesellschaften KI in bescheidenem Umfang bei datenbezogenen Vertriebsaktivitäten einsetzten, während nur 11% den Einsatz als umfangreich bezeichneten. Die Zahlen deuten darauf hin, dass die Branche die Experimentierphase hinter sich lässt, ohne jedoch bereits eine vollständige Integration erreicht zu haben. Die meisten Unternehmen übertragen Portfolioentscheidungen nicht an autonome Systeme. Sie setzen KI gezielt in den Bereichen Research, Kundenkommunikation, Compliance und operative Prozesse ein, wo sich die Vorteile deutlicher messen lassen.

Die Automatisierung kam vor der künstlichen Intelligenz

Das Portfoliomanagement begann bereits lange vor der aktuellen Welle der generativen KI mit dem Einsatz von Technologie. Quantitative Fonds nutzten statistische Modelle, um Muster zu erkennen, während algorithmische Handelssysteme die Ausführung automatisierten und die Zeitspanne zwischen einem Anlagesignal und einer Transaktion verkürzten. Robo-Advisor machten später ähnliche Prinzipien für Privatanleger zugänglich, indem sie digitale Fragebögen, Modellportfolios und automatische Neugewichtung nutzten, um eine grundlegende Anlageverwaltung zu geringeren Kosten anzubieten.

Wealthfront wurde zu einem der bekanntesten Beispiele für diesen Wandel, nachdem das Unternehmen 2008 gegründet wurde und 2011 automatisiertes Investieren einführte. Die Plattform stellt Portfolios aus börsengehandelten Fonds zusammen, passt die Allokationen entsprechend dem Risikoprofil des Kunden an und automatisiert Funktionen wie das Rebalancing und das Steuerverlust-Harvesting. Die Bedeutung des Modells liegt weniger in der Vorhersage von Marktentwicklungen als vielmehr in der Standardisierung eines Prozesses, der zuvor einen höheren personellen Aufwand erforderte, wodurch das Unternehmen einen großen Kundenstamm zu relativ geringen Kosten bedienen kann.

Die Unterscheidung zwischen Automatisierung und künstlicher Intelligenz ist wichtig, da die Begriffe oft synonym verwendet werden. Ein regelbasiertes System kann ein Portfolio neu ausrichten, ohne aus neuen Daten zu lernen, während ein Modell auf Basis von maschinellem Lernen seine Schlussfolgerungen an veränderte Marktbedingungen anpassen kann. Beide können die Effizienz steigern, bringen jedoch unterschiedliche Annahmen und Risiken mit sich.

KI erweitert das Analysefeld

Moderne Investmentteams müssen Unternehmensberichte, Konjunkturdaten, Marktkurse, Nachrichten, Analysen und immer größere Mengen alternativer Daten verarbeiten. Künstliche Intelligenz kann diese Informationen strukturieren, ungewöhnliche Muster erkennen und auf Entwicklungen hinweisen, die andernfalls möglicherweise übersehen würden. Systeme zur Verarbeitung natürlicher Sprache können Gewinnbekanntgaben oder behördliche Meldungen auswerten, während Modelle des maschinellen Lernens Zusammenhänge zwischen Tausenden von Wertpapieren und Wirtschaftsvariablen vergleichen können.

Diese Funktionen können die Analyse verbessern, indem sie Portfoliomanagern dabei helfen, mehr Hypothesen zu überprüfen und mehr Positionen zu überwachen. Ein System kann beispielsweise erkennen, dass mehrere Positionen, die auf den ersten Blick diversifiziert erscheinen, demselben Zins-, Währungs- oder Lieferkettenrisiko ausgesetzt sind. Außerdem kann es diese Einschätzungen häufiger aktualisieren, als dies bei einer vierteljährlichen Portfolioüberprüfung möglich wäre.

Mehr Daten führen jedoch nicht automatisch zu besseren Anlageentscheidungen. Märkte enthalten sowohl Rauschen als auch Informationen, und Modelle können Korrelationen identifizieren, die verschwinden, sobald sich die wirtschaftlichen Rahmenbedingungen ändern. Ein System kann zwar eine präzise Antwort liefern, ohne jedoch festzustellen, ob der dahinterstehende Zusammenhang dauerhaft oder wirtschaftlich bedeutsam ist. KI erweitert den Untersuchungsspielraum, doch muss der Portfoliomanager weiterhin entscheiden, welche Faktoren die Kapitalallokation beeinflussen sollen.

Personalisierung lässt sich besser skalieren

KI verändert auch die Art und Weise, wie Unternehmen ihre Portfolios und ihre Kommunikation an einzelne Kunden anpassen. Bei traditionellen Vermögensverwaltungsmodellen werden Anleger häufig nach allgemeinen Kategorien wie Alter, Vermögen und Risikobereitschaft eingeteilt. Fortgeschrittenere Systeme können Cashflows, Verbindlichkeiten, Liquiditätsbedarf, steuerliche Gegebenheiten und geplante finanzielle Verpflichtungen einbeziehen, um ein detaillierteres Bild der Eignung zu erstellen.

Auf diese Weise können Unternehmen möglicherweise erkennen, wenn das Portfolio eines Kunden nicht mehr dessen Lebensumständen entspricht oder wenn Bestände über mehrere Konten hinweg zu einer unbeabsichtigten Konzentration führen. Berater können zudem mithilfe von KI-generierten Zusammenfassungen Besprechungen vorbereiten und die Gespräche auf die für den Kunden relevantesten Entscheidungen konzentrieren, anstatt Zeit mit der manuellen Sammlung von Informationen zu verbringen.

Die Qualität der Personalisierung hängt von der Qualität der zugrunde liegenden Datensätze ab. Viele Unternehmen speichern Kundeninformationen nach wie vor in voneinander getrennten Systemen, während private Vermögenswerte und Familienstrukturen möglicherweise uneinheitlich dokumentiert sind. KI kann die ihr zur Verfügung gestellten Daten zwar analysieren, ist jedoch nicht in der Lage, jede Lücke zu schließen oder zu beurteilen, ob die von einem Kunden geäußerten Präferenzen auch einem starken Markteinbruch standhalten würden. Eine noch so detaillierte Empfehlung kann dennoch ungeeignet sein, wenn sie auf unvollständigen Informationen basiert.

Das Risikomanagement bietet einen überzeugenderen Anwendungsfall

Das Portfoliorisiko ist einer der Bereiche, in denen KI den deutlichsten praktischen Nutzen bieten kann. Mit Hilfe von Machine-Learning-Tools lassen sich Veränderungen bei Volatilität, Korrelation, Liquidität und Portfolionkonzentration überwachen, sodass Unternehmen aufkommende Risiken früher erkennen können. Außerdem können sie die Szenarioanalyse unterstützen, indem sie vergleichen, wie sich verschiedene Vermögenswerte in früheren Phasen von Marktstress verhalten haben.

Solche Instrumente sind wertvoll, da Risiken häufig kategorieübergreifend auftreten, während sie in der herkömmlichen Berichterstattung getrennt behandelt werden. Ein Portfolio kann Aktien, Anleihen und private Anlagen enthalten, die alle von denselben wirtschaftlichen Rahmenbedingungen abhängen, auch wenn sie als unterschiedliche Anlageklassen klassifiziert sind. KI kann dabei helfen, dieses verborgene gemeinsame Risiko aufzudecken, indem sie ein breiteres Spektrum an Zusammenhängen untersucht.

Die historische Analyse stößt jedoch an ihre Grenzen. Modelle, die auf früheren Krisen trainiert wurden, können Ereignisse mit anderen Ursachen oder Marktstrukturen nicht vollständig vorhersagen, während sich Korrelationen oft gerade dann ändern, wenn Anleger sie am dringendsten benötigen. Risikoteams müssen daher die Modellergebnisse mit Stresstests kombinieren, die auf Situationen basieren, die in den verfügbaren Daten nicht vorkommen. KI kann das Warnsystem verbessern, aber sie kann nicht jede plausible Verlustquelle identifizieren.

Kosteneinsparungen hängen von der Neugestaltung ab

Wertpapierfirmen erwarten, dass KI durch die Automatisierung der Dokumentenprüfung, der Berichterstellung, der Datenabgleichung und bestimmter Bereiche der Kundenbetreuung zu Kosteneinsparungen führt. Diese Einsparungen können in Unternehmen, in denen hochqualifizierte Mitarbeiter nach wie vor viel Zeit mit sich wiederholenden Aufgaben verbringen, erheblich sein. Portfoliomanager und Berater könnten sich dann stärker auf die Analyse, die Strategie und die Kundenbeziehungen konzentrieren.

Die Einsparungen ergeben sich nicht automatisch, da Unternehmen zunächst in Dateninfrastruktur, Cybersicherheit, Systemintegration und Mitarbeiterschulungen investieren müssen, bevor die Technologie effektiv eingesetzt werden kann. Eine KI-Anwendung, die auf fragmentierten Datenbanken aufsetzt, kann eine weitere Komplexitätsebene schaffen, anstatt eine zu beseitigen. Externe Anbieter bringen zudem Lizenzkosten und Abhängigkeiten mit sich, die im Zusammenhang mit den erwarteten Effizienzgewinnen abgewogen werden müssen.

Die überzeugendsten Business Cases basieren auf einem klar definierten Prozess und einem messbaren Ergebnis. Die Verkürzung der für die Erstellung eines Portfolioberichts benötigten Zeit lässt sich ebenso quantifizieren wie die Verringerung der Anzahl falscher Compliance-Warnmeldungen. Ein weit gefasstes Ziel, das Anlagemanagement mithilfe von KI zu transformieren, lässt sich hingegen schwerer überprüfen und führt eher zu kostspieligen Experimenten ohne klare Rendite.

Das menschliche Urteilsvermögen tritt deutlicher zutage

KI wird oft als Mittel dargestellt, um Emotionen und menschliche Voreingenommenheit aus Anlageentscheidungen zu verbannen. Systematische Regeln können in der Tat verhindern, dass ein Portfoliomanager eine Strategie aufgrund kurzfristiger Ängste aufgibt oder sich an eine bestimmte Anlage bindet. Modelle spiegeln jedoch nach wie vor menschliche Entscheidungen hinsichtlich der Daten, Ziele und Rahmenbedingungen wider, die zu ihrer Erstellung herangezogen wurden.

Forscher entscheiden, welcher historische Zeitraum maßgeblich ist, wie das Risiko gemessen werden soll und welche Ergebnisse das System optimieren soll. Eine Verzerrung kann daher eher durch die Modellgestaltung als durch die Intuition eines Händlers entstehen. Auch Mitarbeiter können eine „Automatisierungsverzerrung“ entwickeln und eine Empfehlung akzeptieren, weil sie mathematisch ausgefeilt erscheint, selbst wenn ihre Annahmen schwach sind.

Die Rolle des Portfoliomanagers besteht nun darin, die Ergebnisse zu interpretieren und zu hinterfragen. Fachleute müssen das System gut genug verstehen, um zu erkennen, wann ein Ergebnis im Widerspruch zur wirtschaftlichen Logik steht, wann die Daten unzuverlässig sind oder wann sich ein Modell aufgrund veränderter Marktbedingungen als weniger relevant erwiesen hat. Das menschliche Urteilsvermögen ist aus dem Prozess nicht verschwunden; es konzentriert sich nun darauf, zu entscheiden, wann man sich nicht an die Maschine halten sollte.

Die Verordnung folgt dem Beschluss

Das KI-gestützte Portfoliomanagement unterliegt denselben Eignungs-, Treue- und Offenlegungspflichten wie die herkömmliche Beratung. Ein Unternehmen kann die Verantwortung nicht auf einen Algorithmus abwälzen, wenn eine Empfehlung unangemessen ist oder ein Modell zu einem schädlichen Ergebnis führt. Die Aufsichtsbehörden werden von den Instituten erwarten, dass sie dokumentieren, wie Systeme Entscheidungen beeinflussen und wer für deren Genehmigung verantwortlich bleibt.

Erklärbarkeit gewinnt besonders dann an Bedeutung, wenn KI Auswirkungen auf einen einzelnen Kunden hat. Anleger müssen zwar nicht jede technische Berechnung verstehen, sollten aber eine verständliche Erklärung dafür erhalten, warum ein Portfolio oder eine Empfehlung geeignet ist. Hochkomplexe Modelle bieten zwar möglicherweise geringfügige Verbesserungen bei der Vorhersageleistung, erschweren jedoch gleichzeitig diese Erklärung.

Unternehmen stehen daher vor einem Zielkonflikt zwischen Komplexität und Kontrolle. In manchen Anwendungsfällen kann ein einfacheres Modell, das für Mitarbeiter und Aufsichtsbehörden nachvollziehbar ist, nützlicher sein als ein präziseres System, dessen Funktionsweise sich nicht zuverlässig erklären oder hinterfragen lässt.

Sicherheitsaspekte schränken die Geschwindigkeit der Einführung ein

KI-gesteuerte Portfoliosysteme erfordern den Zugriff auf sensible Markt-, Kunden- und Transaktionsdaten. Dies birgt Risiken in Bezug auf Vertraulichkeit, Cybersicherheit und den Einsatz externer Technologieanbieter. Vermögensverwaltungsunterlagen können Aufschluss über Familienstrukturen, geschäftliche Interessen, steuerliche Verhältnisse und geplante Transaktionen geben, wodurch eine Datenpanne besonders schwerwiegende Folgen haben kann.

Unternehmen benötigen klare Regeln, die festlegen, welche Systeme auf Kundendaten zugreifen dürfen, wo die Daten verarbeitet werden und ob externe Anbieter sie zum Trainieren anderer Modelle nutzen dürfen. Außerdem muss verhindert werden, dass Mitarbeiter vertrauliche Informationen in Tools eingeben, die nicht für den Einsatz im Finanzbereich zugelassen sind.

Cybersicherheit ist nur ein Teil des Problems. Unternehmen müssen sich auf fehlerhafte Ergebnisse, Dienstunterbrechungen und die Möglichkeit einstellen, dass ein Modell durch verfälschte Daten manipuliert wird. Operative Widerstandsfähigkeit setzt die Fähigkeit voraus, ein Problem zu erkennen und den Betrieb aufrechtzuerhalten, wenn automatisierte Systeme nicht verfügbar sind.

Der Wettbewerbsvorteil verlagert sich in Richtung Umsetzung

KI-Tools werden immer breiter verfügbar, wodurch die Wahrscheinlichkeit sinkt, dass der Zugang zu dieser Technologie allein einen dauerhaften Wettbewerbsvorteil verschafft. Konkurrierende Unternehmen können sich ähnliche Modelle, Rechenkapazitäten und Marktdaten beschaffen, was bedeutet, dass die Differenzierung zunehmend von firmeneigenen Informationen, einer effektiven Integration und der Qualität der menschlichen Aufsicht abhängen wird.

Große Institute können von umfangreichen Datensätzen und Spezialistenteams profitieren, während kleinere Unternehmen sich über externe Plattformen fortschrittliche Funktionen erschließen können. Letztere erhalten Zugang zu geringeren Kosten, geben jedoch einen Teil der Kontrolle über die Infrastruktur und die Modellgestaltung ab. In beiden Fällen hängt der Wert des Systems davon ab, ob es in den Anlageprozess eingebettet ist und nicht nur als eigenständige Funktion hinzugefügt wird.

Die jüngste Studie von PwC zum Thema Vermögens- und Asset-Management kommt zu dem Schluss, dass führende Unternehmen Technologien wie KI und fortschrittliche Analysemethoden in den Kernbereich von Anlage, Vertrieb und Kundenbetreuung integrieren, anstatt sie lediglich als Hilfsmittel einzusetzen. Diese Unterscheidung verdeutlicht die nächste Phase der Einführung: Wettbewerbsvorteile ergeben sich aus der Neugestaltung von Arbeitsabläufen und Entscheidungsprozessen rund um die Technologie – und nicht aus der bloßen Ankündigung, dass KI zum Einsatz kommt.

Das Portfoliomanagement ist nach wie vor ein Unterfangen, das von Unsicherheit geprägt ist

In den nächsten drei bis fünf Jahren wird sich der Einsatz von KI in den Bereichen Forschung, Risikomanagement, Kundenservice und Portfoliomanagement weiter ausbreiten. Tools zur Verarbeitung natürlicher Sprache werden den Zugang zu Informationen verbessern, während Modelle des maschinellen Lernens Unternehmen dabei helfen werden, größere und komplexere Portfolios zu überwachen. Diese Entwicklungen dürften dazu führen, dass Investmentgesellschaften schneller und skalierbarer werden.

Sie werden die Märkte nicht vorhersehbar machen. Preise spiegeln sich ändernde Erwartungen, politische Entscheidungen und menschliches Verhalten wider, während Zusammenhänge, die sich aus historischen Daten ableiten lassen, an Bedeutung verlieren können, sobald Anleger beginnen, auf deren Grundlage zu handeln. KI mag zwar die Wahrscheinlichkeit einer fundierten Entscheidung erhöhen, kann jedoch weder das Ergebnis garantieren noch bestimmen, welche Risiken ein Anleger eingehen sollte.

Das glaubwürdigste Modell ist daher weder vollautomatisiert noch vollständig vom individuellen Urteilsvermögen abhängig. Maschinen können Informationen verarbeiten, Muster erkennen und Portfolioregeln durchsetzen, während Menschen beurteilen, ob das Ergebnis wirtschaftlich sinnvoll ist und für den Kunden weiterhin angemessen bleibt. KI verändert die Abläufe im Portfoliomanagement, doch disziplinierte Vermögensallokation, klare Verantwortlichkeiten und ein Verständnis für Unsicherheiten werden auch weiterhin darüber entscheiden, ob diese Abläufe zu besseren Anlageergebnissen führen.