Vermögensverwalter: KI-Hedgefonds versprechen Gewinne in allen Marktphasen

Wer Borno Janekovic zuhört, muss eigentlich argwöhnisch werden. Janekovic ist seit etwas mehr als einem Jahr Chef von Omphalos Fund, eines Hedgefondsanbieters mit Sitz in Luxemburg und einem Büro in Warschau. Und Janekovic sagt: Sein Fonds „Omphalos“ solle immer steigen – egal, wie der Markt läuft. „Wenn der Aktienmarkt fällt, steigt der Wert des Fonds“, sagt Janekovic. Wenn er stagniere, lege der Fonds zu. Und wenn die Kurse stiegen, ziehe der Fonds idealerweise mit. Ein Träumer? Zumindest die vergangenen drei Jahre scheinen dem Manager Recht zu geben. Laut dem aktuellen Faktenblatt von Ende August schloss der Fonds seit seinem Start Anfang 2022 in nur zwei Monaten im Minus. Die Performance ähnelt einer Geraden. Die jährliche Durchschnittsrendite in Dollar: 12,4 Prozent. » Lesen Sie auch: Billionen-Dollar-Markt MSCI – „Wir bauen unsere ‚Index Fabrik‘ immer weiter aus“ Es gibt aber noch mehr Besonderheiten: So beschäftigt der Fonds nach eigenen Angaben gerade einmal gut zwei Dutzend Mitarbeiter. Den Handel mit Aktien, Währungen und Rohstoffen übernehmen Hunderte mechanische Agenten, gesteuert von Künstlicher Intelligenz (KI). „Die Maschine kauft und verkauft seit drei Jahren und neun Monaten, ohne dass ein Mensch eingreifen musste“, sagt Janekovic. Mit dieser personellen und technologischen Aufstellung ist Janekovic’ Hedgefonds in der Branche eine Ausnahme. Laut Magnus Burkl, Partner bei der Strategieberatung Oliver Wyman, nutzen viele klassische Portfoliomanager generative KI inzwischen zwar in nahezu allen Bereichen – etwa um Finanzkennzahlen zu analysieren oder Jahresberichte zusammenzufassen. „Die allermeisten Investmentfonds sind aber nicht so weit, dass Künstliche Intelligenz die Anlageentscheidung allein trifft“, sagt Burkl. Omphalos steht für eine neue Generation von Fonds, die teils überraschend erfolgreich sind. Ihre Manager lassen sich von der Maschine nicht nur unterstützen, sie überlassen ihr die Entscheidungsgewalt. Übernimmt KI also bald das Fondsmanagement? Günter Jäger, Chef des Liechtensteiner Vermögensverwalters Plexus Investments, sammelt KI-basierte Anlagestrategien seit einigen Jahren in einem Index. Aktuell enthält der Korb zwei Dutzend Fonds und Zertifikate – darunter auch einige Hedgefonds. „Fonds, bei denen KI entscheidet, sind noch kein Mainstream, aber ein Trend“, sagt Jäger. Das Interesse von Investoren wachse, vor allem unter institutionellen Anlegern. Privatkunden würden folgen. Laut einer Mitte September veröffentlichten Umfrage des Hedgefondsverbands Aima erwartet mehr als die Hälfte der institutionellen Investoren, dass generative KI in den kommenden drei Jahren die Renditen zumindest einiger Hedgefonds verbessert. Während ein auf sogenanntem maschinellen Lernen basierendes KI-Modell Daten analysiert und Vorhersagen ableitet, erzeugt generative KI neue Inhalte wie Texte, Bilder und Videos. Fondsmanager erwarteten, dass generative KI für den Investmentprozess immer wichtiger werde, heißt es in der Studie. Menschliche Entscheidungen beim Handel und dem Risikomanagement blieben aber essenziell. Von den Fonds in Jägers Index haben über die vergangenen zwölf Monate 40 Prozent ihren Vergleichswert geschlagen. Dem Vermögensverwalter zufolge schwankt die Quote zwischen 40 und 50 Prozent. „Für einen noch jungen Ansatz ist das sehr gut“, sagt Jäger. „In Auswertungen zu traditionell gemanagten Investmentfonds ist die Quote nicht besser.“ In dem Index sind nur solche Fonds enthalten, bei denen KI eine zentrale Rolle bei der Anlagestrategie spielt. Hedgefonds veröffentlichen ihre Renditen jedoch meist nicht öffentlich. Deshalb ist der Index auf die Daten der Anbieter angewiesen und daher nicht vollständig. Aktuell würden am Markt nur wenige große KI-Fonds wahrgenommen, sagt Jäger. Start-ups würden teilweise schnell wieder aufgeben, auch wenn sich das Angebot derzeit stabilisiere. „Wenn die Rendite hinter dem Markt zurückbleibt, können KI-Fonds-Anbieter das oft nicht im Detail erklären“, sagt Jäger. Das könne vor allem für junge Firmen ein Problem werden. Omphalos Fund wurde von einem Trio um den Manager Pawel Skrzypek gegründet, der Fonds, für den Skrzypek maßgeblich verantwortlich ist, vor gut drei Jahren aufgelegt. Janekovic kam im Mai 2024 dazu. Der Name des Unternehmens und des Fonds geht auf einen in der Antike als heilig geltenden Kultstein in Delphi zurück, der als Mittelpunkt der Welt galt. Ende August verwaltete der Fonds 24 Millionen US-Dollar, er ist damit vergleichsweise klein. Das Produkt ist ein sogenannter „Multi-Strat“-Hedgefonds, der mehrere etablierte Hedgefondsstrategien einsetzt und dabei sowohl Long- als auch Short-Positionen eingeht. Für Long-Positionen werden schlicht Wertpapiere gekauft in der Hoffnung, dass ihr Kurs steigt. Mit Short-Positionen, auch „Leerverkäufe“ genannt, wetten Anleger auf fallende Kurse etwa einer Aktie. Der Fonds richtet sich vor allem an institutionelle Investoren wie Family-Offices oder Stiftungen. Die Idee beschreibt Janekovic, der zuvor Manager beim US-Fondsanbieter Franklin Templeton war, so: Der Fonds setzt auf Hunderte unabhängige, einzeln programmierte digitale Händler, sogenannte Handelsagenten. Jeder dieser digitalen Händler ist auf eine spezielle Anlage – zum Beispiel die Apple-Aktie – sowie eine gängige Hedgefondsstrategie spezialisiert. Er wird zunächst mit Finanzdaten der vergangenen zwei Jahrzehnte trainiert. So solle jeder Agent vergleichsweise zuverlässig vorhersagen, wie sich eine Anlage in den nächsten Stunden entwickelt. Das Prinzip basiert auf maschinellem Lernen, einem Teilbereich der KI. Sind die Agenten im simulierten Training erfolgreich genug, werden sie mit Anlegergeld ausgestattet und für den Fonds eingesetzt. Pro Monat kommen laut Janekovic so etwa 50 neue digitale Agenten zum Fonds hinzu. „Menschen glauben immer, dass sie im Recht sind, sie haben Emotionen und ein Ego“, sagt Janekovic. „Die Maschine hat kein Ego.“ Omphalos setzt dabei auf den Erfolg vieler kleiner Wetten. Janekovic spricht von einer volumengewichteten Trefferquote von 60 Prozent. Die einzelnen KI-Agenten würden also im Schnitt sechs von zehn Wetten gewinnen. „Das ist wie bei einer Münze, die aber in 60 Prozent der Fälle auf einer Seite landet“, sagt Janekovic. „Wir müssen möglichst viele dieser Münzwürfe mit kleinem Einsatz durchführen.“ Unabhängig überprüfen lässt sich diese Trefferquote allerdings nicht. Insgesamt kommt der Fonds nach Unternehmensangaben derzeit auf 15.000 Trades pro Monat. Die Investments würden im Schnitt nach drei bis vier Tagen wieder aufgelöst. Weiche ein Agent vom statistisch erwarteten Verhalten ab, etwa bei hohen Verlusten, würden die digitalen Händler einzeln ausgetauscht, sagt Janekovic. Auch klassische Investmentfonds, sogenannte Long-only-Fonds, setzen inzwischen auf KI-Entscheidungen. Michael Geke, Gründer der Investmentfirma Quantmade, sagt: „Wenn eine Aktie fällt, suchen wir gezielt nach dem Umkehrpunkt, wann sie wieder anfängt zu steigen.“ Anders als der Omphalos-Fonds investiert Gekes „Quantmade AI Quant Fund“ ausschließlich in große US-Aktien. Für die Rendite soll es auch bei diesem Fonds keine große Rolle spielen, wie sich die Märkte entwickeln. „Für uns zählt die Volatilität der Einzeltitel“, sagt Geke. Die Anlageentscheidungen: rein maschinell. Mit der Strategie verbundene Anlageprodukte verwalten inzwischen mehr als 200 Millionen Euro. Seit Anfang Mai wird die KI-Strategie auch an Privatanleger vermarktet. Seit 2021 kommen vergleichbare Strategien von Quantmade nach eigenen Angaben auf eine jährliche Rendite von durchschnittlich 8,8 Prozent. Ähnlich wie bei Omphalos basieren die Aktienprognosen laut Geke auf einem Machine-Learning-Modell. Dabei würden simple Börsendaten wie etwa Höchst-, Tiefst-, und Schlusskurse der Titel in den vergangenen eineinhalb Jahrzehnten verwendet – und daraus werde eine Vorhersage für die kommenden zehn Tage abgeleitet. Wenn das KI-basierte Modell eine Wahrscheinlichkeit von 70 bis 80 Prozent ausgebe, dass eine Aktie künftig über ihrem aktuellen Kurs notiert, werde eine Kauforder erzeugt. Die durchschnittliche Haltedauer der Titel betrage fünf bis 20 Tage. Geke sagt: „Zehn Tage kann man definitiv prognostizieren.“ Doch ist das alles wirklich so einfach? Felix Fernandez hält mit seiner Skepsis nicht hinter dem Berg. Er ist Partner des Schweizer Vermögensverwalters Adaptivv, der darauf spezialisiert ist, mit mathematischen Methoden Schwankungen in den Portfolios von institutionellen Investoren zu minimieren. Er hält den Ansatz, Anlageentscheidungen in die Hände von Machine-Learning-Algorithmen zu geben, für „kritisch“. Fernandez erläutert: „Bei neuronalen Netzwerken geht es im Kern darum, ein Netzwerk mithilfe von Daten so zu trainieren, dass es aus den Daten bestimmte Regeln ableitet.“ Das Problem: Die Finanzmärkte bewegten sich aufgrund der Vielzahl von Akteuren und Treibern von Kauf- und Verkaufsentscheidungen auf längere Sicht meistens zufällig. Der Vermögensverwalter argumentiert, die Finanzmärkte seien ähnlich wie das Wetter ein stochastisch geprägtes System. Und ähnlich wie beim Wetter gebe es einen begrenzten Zeitraum, in dem es möglich sei, mit mathematischen Methoden Aussagen über die Wahrscheinlichkeit einer zukünftigen Entwicklung zu treffen. Über diesen Zeitraum hinaus kämen so viele verschiedene Einflussfaktoren zusammen, dass eine Vorhersage kaum möglich sei. Beim Wetter etwa seien verlässliche Prognosen mehrere Tage im Voraus möglich, an den Finanzmärkten im Sekundenbereich. „Deswegen gibt es erfolgreiche Hochfrequenzhändler“, sagt Fernandez. Auf längere Frist gebe es bei einem zufälligen System wie dem Finanzmarkt „kaum persistente Muster und keine Regeln, die man für Vorhersagen nutzen kann“, ist der Adaptivv-Chef überzeugt. Mit wachsender Rechenleistung können die Vorhersageinstrumente immer größere Datenmengen verarbeiten, was ihre Qualität allerdings nicht zwingend verbessert – sondern womöglich sogar verschlechtert: Experten sprechen von „Overfitting“, von „Überanpassung“, einem grundsätzlichen Problem von Machine-Learning-Modellen. Sind sie zu genau auf ihre Trainingsdaten abgestimmt, liefern sie zum Beispiel im simulierten Umfeld präzise Vorhersagen. Bei der Analyse unbekannter Daten aber schneiden sie häufig schlecht ab. Der Algorithmus beginnt, die Trainingsdaten auswendig zu lernen – anstatt allgemeine Muster zu erlernen. „Wer neuronale Netzwerke mit Millionen von Parametern füttert, betreibt Overfitting auf Steroiden“, sagt Fernandez. „Man macht etwas potenziell Falsches – und davon tendenziell viel.“ Auch Omphalos-Manager Janekovic ist sich des Problems bewusst. Die Agenten des Modells würden immer nur in kleinen Zeitabschnitten der Datenreihe trainiert, aus einzelnen Abschnitten werde zudem eine neue, nicht reale Vergangenheit aufgebaut. Janekovic sagt: „Wichtig ist es, ein Overfitting zu vermeiden.“ Oliver-Wyman-Berater Burkl sieht indes derzeit keine Anzeichen, dass KI die Hedgefondsmanager überflüssig macht. „Aktuell wird der KI-Fortschritt bei Hedgefonds eher dafür genutzt, noch mehr Daten zu analysieren“, sagt Burkl. Die Hauptaufgabe von Portfoliomanagern bei großen Quant-Hedgefonds sei es, den eigenen Modellen zu zeigen, wo neue Arbitrage-Möglichkeiten liegen. „Ab dem Zeitpunkt, zu dem KI diese Arbitrage-Möglichkeiten selbst findet, könnte man von einer Disruption sprechen“, sagt Burkl. Burkl glaubt allerdings nicht, dass KI auch das Portfoliomanagement klassischer Investmentfonds übernehmen wird. Bei diesen Fonds investieren Fondsmanager in Titel, von denen sie besonders überzeugt sind – wetten aber in der Regel nicht dagegen. Generative KI-Modelle seien nicht transparent genug, um ihnen eine derartige Investmententscheidung zu übertragen, ergänzt Burkl. Man sei noch sehr weit davon entfernt, dass „jeder Portfoliomanager durch einen KI-Bot ersetzt“ werde. Mehr: Kernfusion, Quantencomputer, KI – wie die Forschungs-Milliarden eingesetzt werden