GenAI stellt quantitative Fonds vor ein Dilemma

Neuauflage von Plato

Verfolger: 0

GenAI stellt quantitative Fonds vor ein Dilemma: PlatoBlockchain Data Intelligence. Vertikale Suche. Ai.

Quantitative Fonds sind seit langem die größten Nutzer künstlicher Intelligenz in der Welt der Vermögensverwaltung. Das Aufkommen der generativen KI könnte jedoch traditionelle, auf Fundamentaldaten basierende Vermögensverwalter gegenüber den Quants begünstigen.

Dies ist die Sorge, die mehrere Quant-Fondsmanager und Datenanbieter in Asien geäußert haben DigFin.

„KI-Anwendungen im Finanzwesen sind immer noch selten“, sagte ein Quant-Manager. „Datenwissenschaftler wenden es nicht auf Kapitalmärkte an. Aber wenn diese Instrumente zum Handel mit Aktien genutzt werden, wird das die Landschaft verändern. Es wird neue Gewinner und Verlierer geben.“

Was ist ein Quant?

Quants kaufen und verkaufen Aktien auf der Grundlage enormer Rechenleistung und maßgeschneiderter Softwareprogramme, die Anlagestrategien modellieren. Der Aufstieg der Quants fiel mit dem jahrzehntelangen Rückgang der Zinssätze und dem Aufstieg passiver Anlagen zusammen – zwei Trends, die die aktive Aktienauswahl durch Menschen zu einem zunehmend weniger wettbewerbsfähigen Geschäft gemacht haben.

Der Einsatz algorithmischer oder systematisch programmierter Geschäfte hat zu einer Branche „systematischer Investitionen“ geführt, in der Unternehmen Plattformen mit Einzelstrategiemanagern betreiben, die eine bestimmte Strategie oder einen bestimmten „Faktor“ (z. B. Zinssätze oder die Volatilität eines Marktes) verfolgen.

Solche Anleger sind nicht daran interessiert, Aktionäre zu sein, sondern nur daran, schnell Aktien zu kaufen und zu verkaufen, um Strategien voranzutreiben: Long/Short, marktneutral, statistische Arbitrage, ereignisgesteuert. Es gibt Überschneidungen mit der Welt des Hochfrequenzhandels, wobei die Gemeinsamkeit darin besteht, dass Geschäfte rein numerisch konzipiert und gesteuert werden.

KI-Oldtimer

Diese Ideen sind nicht neu, aber die Verfügbarkeit von Rechenleistung und großen Datenmengen hat den Aufstieg der Quants in den letzten zwei Jahrzehnten vorangetrieben. In den letzten zehn Jahren waren Quants die ersten Anwender neuer KI-Techniken wie maschinellem Lernen und der Nutzung neuronaler Netze. Sie wurden zu unersättlichen Konsumenten alternativer Daten, beispielsweise Stimmungsanalysen aus Social-Media-Feeds.

Das größte Problem bei Quant-Investoren war die „Erklärbarkeit“, ein neuerer Begriff für KI, der auf die „Black Box“ der Quants zurückgeht. Der Zusammenbruch von Long-Term Capital Management im Jahr 1998 verdeutlicht dieses Risiko, insbesondere da Quants typischerweise gehebelt werden.

Doch seitdem haben sich Quant-Shops wie Citadel, DE Shaw, Man AHL, Millennium Management, Renaissance Technologies und Two Sigma zu den größten und einflussreichsten Buy-Side-Firmen an der Wall Street entwickelt. Ihr Erfolg hat traditionelle Fondshäuser wie BlackRock oder Fidelity dazu veranlasst, eigene quantitative Strategien auf den Markt zu bringen.

Sie sind auch auf Märkten außerhalb der USA tätig, wo sie Liquidität, Handelsinfrastruktur mit geringer Latenz und Absicherungsinstrumente (wie ETFs oder Terminkontrakte, die lokale Marktindizes nachbilden) vorfinden. Japan war der größte Markt im asiatisch-pazifischen Raum, aber Indien ist jetzt ein wichtiger Markt. (Ein Problem in Asien ist die Willkür der Regulierungsbehörden, wie das jüngste Leerverkaufsverbot Südkoreas und die zunehmende Einmischung der Regierung in China belegen.)

Quantenfonds sind daher nicht nur einflussreiche Apex-Raubtiere: Sie stehen auch an vorderster Front bei der Einführung neuer digitaler Technologien.

Geben Sie GenAI ein

Das macht die neuen Entwicklungen in der KI zu einem Rätsel für Quants.

Diese Firmen werden natürlich in vollem Umfang Large-Language-Modelle (LLMs) nutzen, die durch generative vortrainierte Transformatoren ermöglicht werden.

Der heilige Gral für Quants wird darin bestehen, LLMs in Vorhersagewerkzeuge umzuwandeln. Ein Mensch interagiert mit seinen Computerfreunden, um Muster in Zeitreihen und anderen Datensätzen zu erkennen. Tatsächlich tun Quants dies bereits, aber LLMs sollten den Prozess intuitiver machen, nicht-textuelle Daten besser integrieren und es Entwicklern ermöglichen, Modelle viel schneller zu erstellen.

Quant-Shops werden genAI auch für alltäglichere Zwecke nutzen, etwa um zu lernen, wie man regulatorische Berichte schreibt, Gewinnberichte interpretiert oder Pitch-Decks durchsieht. Kunden-Onboarding und andere Backoffice-Funktionen können weiter automatisiert werden.

Aber es ist nichts Mysteriöses daran, dass ein Quant-Shop diese Dinge tut, denn es ist dasselbe, wofür alle anderen genAI verwenden werden.

Jeder macht es

Der Unterschied liegt in der Entwicklung prädiktiver Investitionsmodelle und Ausführungsalgorithmen. Das ist es, was Quants so besonders macht, aber die ersten Anzeichen deuten darauf hin, dass genAI es traditionellen Vermögensverwaltern auch ermöglichen wird, diese Dinge zu tun. Das Gleiche gilt für Manager von Private-Equity-Fonds – ein bekanntermaßen nicht automatisiertes Geschäft, das LLMs nutzen könnte, um Anlageentscheidungen systemischer und datengesteuerter zu treffen.

Vermögensverwalter werden alle mit Fragen zu LLMs und ihrer Tendenz, Dinge zu erfinden, konfrontiert sein. Produkte wie ChatGPT von OpenAI sind die ultimative Blackbox. Obwohl Quant-Fonds bei der Vorhersage von Strategien auf KI angewiesen sind, werden diese immer noch von lizenzierten Fachleuten verwaltet, die die Auswirkungen einer Handelsidee verstehen. Bei genAI-Tools ist das nicht der Fall.

Prompt Engineering kann einen Mehrwert schaffen, indem es einen Teil dieser Transparenz bietet, indem es die LLMs befragt, um ein Gefühl für ihre Prozesse und die Faktoren und Quellen zu gewinnen, die zur Entscheidungsfindung herangezogen wurden. Es ist theoretisch möglich, dass LLMs eines Tages transparenter und verantwortungsbewusster sein werden als Menschen.

Obwohl die Idee, Investitionen der Maschine zu übergeben, eine gute Schlagzeile ist, werden Quants LLMs wahrscheinlich auf spezifischere Weise nutzen.

Sie benötigen beispielsweise Tools zur Ermittlung der tatsächlichen Reibungskosten eines Handels, was eine gründliche Untersuchung der Mikromarktstrukturen erfordert. Eine typische Messgröße zur Bewertung der Leistung eines Händlers wird „Implementierungsdefizit“ genannt, um herauszufinden, wie genau er sich an das Budget für einen bestimmten Handel hält. Solche Algorithmen werden bereits immer ausgefeilter, da Unternehmen tagsüber nach Momenten suchen, in denen die Liquidität reif ist oder in denen sie handeln können, ohne ihre Hand preiszugeben.

Dabei geht es darum, Marktsignale zu finden, was den Kern der Mission eines Quants darstellt. Es ist wahrscheinlich, dass Quant-Shops genAI nutzen werden, um bessere Methoden zur Vorhersage der besten Zeiten und Orte für die Ausführung eines Handels zu entwickeln.

Das ist immer noch sehr nützlich, aber es ist nicht so, als würde jemand dem Terminator die Autoschlüssel geben. KI überwindet auch nicht die größten Hürden auf asiatischen Märkten, nämlich das Fehlen von Absicherungsinstrumenten und die hohen Kosten für die Absicherung, wenn ein Vertrag verfügbar ist.

Noch wichtiger ist, dass dies nicht spezifisch für Quants ist. Auch große traditionelle Buy-Side nutzen diese Ausführungsalgorithmen, unabhängig davon, ob sie intern oder von einem Sell-Side-Broker entwickelt wurden.

Die existenzielle Frage für Quants ist, wie sie ihren Vorsprung behalten können, wenn GenAI-Tools fundamentalen Vermögensverwaltern vieles von dem, was sie leisten, leichter zugänglich machen können. Quant-Shops meiden das Rampenlicht zum Teil, weil sie ihre KI-Modelle und Ausführungsalgorithmen als Geheimrezepte betrachten. Könnte genAI diese in Waren umwandeln? Wie differenziert ist Ihr Prompt Engineering?

Wie ein Quant es ausdrückte: „KI ist seit Jahren Teil unseres Werkzeugkastens. GenAI beseitigt die Hürden nicht, aber es wird den grundlegenden aktiven Managern mehr Nutzen bringen, indem es sie bei der Aggregation und Analyse von Daten effizienter macht. Sobald diese Firmen die Renditetreiber verstehen, werden sie zu unseren Konkurrenten.“