«Maschinelles Lernen wird in den kommenden Jahren eine wichtige Rolle spielen»

29.05.2019
Herr Nardon, maschinelles Lernen ist zusammen mit künstlicher Intelligenz zu einem Schlagwort geworden. Können Sie uns in wenigen Worten sagen, was es ist und wie Investoren davon profitieren können?
Es ist durchaus wahr, dass sich die Aufmerksamkeit der Medien bei Investitionen von Smart Beta zu maschinellem Lernen verlagert hat. Alle reden und schreiben darüber, aber immer noch benutzen es nur sehr wenige Menschen. Maschinelles Lernen ist eine Anwendung der künstlichen Intelligenz, die auf dem Konzept basiert, dass wir die Maschine auf viele Daten zugreifen und daraus lernen lassen sollten. Es ist eine sehr allgemeine Beschreibung, welche die grosse Anzahl von Modellen widerspiegelt, die in das maschinelle Lernen eingebettet sind. Die meisten dieser Modelle hatten unglaubliche Ergebnisse in anderen Bereichen wie zum Beispiel der Medizin, aber wenn es um Finanzen geht, gibt es noch viel zu tun. Als Quant Investmentmanager bin ich natürlich begierig darauf, jedes mögliche Werkzeug in die Hände zu bekommen, das mir helfen kann, meine Ziele schneller und besser als die anderen zu erreichen, so dass ich zwangsläufig auf maschinelles Lernen als einen Weg zur Verbesserung meines Handels und mehr im Allgemeinen meiner Aktienauswahl setze. Die Ergebnisse sind bisher gemischt. Der Erfolg beruht auf der Fähigkeit, Signale und Eingaben zu identifizieren, die eine Vorhersagekraft haben, und wenn die Beziehungen zwischen diesen Variablen nicht linear sind und daher für unsere Augen nicht leicht lesbar sind, dann sollte uns ein maschineller Lernalgorithmus helfen können. Wie ich bereits sagte, scheinen einige Modelle sehr leistungsfähig zu sein und einen Mehrwert zu schaffen, andere etwas weniger.
Was sind die grössten Herausforderungen des maschinellen Lernens, insbesondere beim Handel?
Es gibt mehrere Herausforderungen, einige technische und andere sind philosophischer Art. Ein wichtiger Aspekt des maschinellen Lernens ist, dass wir den Computer die Beziehungen zwischen Ein- und Ausgängen lernen lassen. Die erste Herausforderung besteht darin, dass das Ergebnis für konventionelle Investoren schwer zu akzeptieren sein kann. Was wäre, wenn sich die Reihenfolge der Prioritäten beim Umgang mit Signalen völlig von der Logik unterscheidet, die wir durch jahrelanges Handeln und jahrelanges Studium von Lehrbüchern gelernt haben? Was, wenn das Modell vorschlägt, dass das, was wir bis heute geglaubt haben, tatsächlich nicht funktioniert und stattdessen etwas anderes, was für uns unlogisch ist, besser funktioniert, was tun sie dann? Folgen sie diesem Modell unabhängig von der Logik oder verlassen sie es einfach? Es gibt kein Recht oder Unrecht, aber es liegt am Einzelnen, beim Unternehmen zu entscheiden. Das ist aber eine entscheidende Herausforderung.
Setzen Sie bei Sarasin maschinelles Lernen ein?
Ja, das tun wir. Wir arbeiten sehr intensiv daran, die alten Modelle in maschinelle Lernprobleme umzuschreiben, um zu sehen, ob wir sie verbessern können. Wir haben ein Long/Short-Programm, bei dem eine Strategie auf einem maschinelles-Lernen-Modell basiert und das sehr gut funktioniert. Ich glaube nicht, dass wir uns in Zukunft ausschliesslich auf maschinelles Lernen verlassen werden, aber es wird sicherlich in den kommenden Jahren eine wichtige Rolle spielen.
Schliesslich beschäftigen immer mehr Vermögensverwalter einen Informatiker. Was ist Ihre Meinung zu alternativen Daten?
Es gibt keinen einzigen Tag, an dem ich keinen Anruf von jemandem erhalte, der versucht, mir einen alternativen Datensatz zu verkaufen. Es ist verrückt. Lassen Sie mich also nur klarstellen, dass Daten für einen Quant Daten sind. Es gibt keinen Unterschied zwischen dem Preis eines Wertpapiers, seiner Fundamentaldaten oder den Zeitreihen der Kreditkartenausgaben. Daten sind Daten. Wir alle stehen in einem fairen Markt im Wettbewerb. Es ist unglaublich schwierig geworden, einen Vorsprung aufzubauen, da wir alle - so ziemlich - auf die gleichen Informationen zugreifen können. Daher ist es offensichtlich, dass es von grossem Interesse ist, ein neues Modellierungswerkzeug oder einen neuen Datensatz zu testen. Eine «Alternative», die nicht üblich ist, ist jedoch keine notwendige Wertschöpfung. Kreditkartenausgaben können Einblicke in die Verbraucheraktivitäten geben, aber das ist nur ein Aspekt, daher denke ich, dass es nicht die Antwort ist, Modelle nur auf alternativen Daten aufzubauen.
Link zum Disclaimer
Andrea Nardon ist seit über 20 Jahren als Quant Portfolio Manager und Researcher tätig. Er studierte Wirtschaftswissenschaften an der Universität von Venedig, wo er über ein Jahr an der Fakultät für Mathematik mit Schwerpunkt auf Anwendungen von neuronalen Netzen und «Neuro Fuzzy Logic» für Finanzzeitreihen arbeitete. Nardon leitet derzeit mehrere Projekte zu «Artificial Intelligence» (Künstliche Intelligenz) und «Machine Learning» (Maschinelles Lernen). Zudem kodiert er in mehreren Programmiersprachen.