Revolution in der Portfoliooptimierung? Wie Künstliche Intelligenz die Anlagewelt verändern könnte

Von Dr. Simon Broda und Dr. Patrick Walker

Traditionelle Ansätze der Portfoliooptimierung basieren auf Schätzungen der Renditeverteilungen und Kovarianzmatrizen, sind jedoch oft fehleranfällig. Ein vom IFZ in Zusammenarbeit mit der OLZ durchgeführtes Forschungsprojekt nutzt maschinelles Lernen, um diesen ersten Schritt zu umgehen und direkt aus den Daten optimale Portfoliogewichte zu lernen. Durch den Einsatz von Deep Reinforcement Learning erzielt das Modell beeindruckende Ergebnisse. In der untersuchten Periode von November 2017 bis August 2023 erzielte das neue Modell eine beeindruckende Gesamtrendite (nach Kosten) von 148.7%, während ein gleichgewichtetes Portfolio der fünf Anlageklassen nur 31.0% erzielte. Ist das der Start einer Revolution? Im heutigen Blog zeigen wir die ersten Erkenntnisse auf und zeigen, in welchen Bereichen wir noch Verbesserungspotenzial sehen.

Das IFZ hat sich im vergangenen Jahr gemeinsam mit der OLZ AG erfolgreich für ein Innosuisse Innovationsprojekt beworben, um an Finanzmarkt-Anwendungen des Reinforcement Learning, einem Teilgebiet der künstlichen Intelligenz, zu forschen.
Das Ziel dieses Projekts ist es, zu evaluieren wie die Asset Allokation von Pensionskassen in Bezug auf Wertentwicklung und gleichzeitige Absicherung des Deckungsgrads mittels Reinforcement Learning optimiert werden kann. Diese Klasse der Algorithmen bildet ein recht neues Teilgebiet der künstlichen Intelligenz und findet bereits in zahlreichen Branchen Anwendung.

«Technischer» Hintergrund des Projekts
Üblicherweise werden systematische Anlageentscheidungen in der Asset Allokation und in der Portfoliooptimierung in zwei Schritten getroffen: Zuerst wird die gemeinsame Verteilung der zukünftigen Renditen der Anlageinstrumente geschätzt. Im einfachsten Fall, zurückgehend auf Harry Markowitz (1952), ist dies eine multivariate Normalverteilung, die durch den Erwartungswert und die Kovarianzmatrix bereits vollständig bestimmt ist. Aufgrund dieser geschätzten Verteilung werden in einem zweiten Schritt die optimalen Portfoliogewichte bestimmt. Optimalität bezieht sich hierbei oft auf das sog. Mean-Variance Kriterium, welches auf einen Trade-Off zwischen erwarteter Rendite und tolerierbarem Risiko hinausläuft. Es sind jedoch auch andere Kriterien möglich, z.B. die Minimierung der Schwankungsbreite des Portfolios (Minimum-Variance) oder das Ausbalancieren der Risikobeiträge der einzelnen Anlageinstrumente (Risk Parity).
Der oben beschriebene erste Schritt dieser Vorgehensweise ist in der Praxis mit einigen Problemen behaftet. Insbesondere erfordert er eine Reihe von Annahmen, etwa bezüglich der Verteilungsfamilie der Renditen oder der zeitlichen Entwicklung der Volatilität. Jede Annahme birgt aber das Risiko, dass sie in der Praxis nicht erfüllt ist. Selbst bei Korrektheit der Annahmen kann die Schätzung der Verteilung, konkret etwa der Kovarianzmatrix, problematisch sein, insbesondere wenn das Anlageuniversum gross ist und nur eine begrenze Menge an Daten zu Verfügung stehen. Üblicherweise werden diese Schwachstellen des Mean-Variance Ansatzes durch eine Vielzahl verschiedener Hilfsmittel wie Shrinkage-Schätzer, Regularisierung und ein gut durchdachtes Design der Nebenbedingungen adressiert.
Der neuartige Ansatz dieses Forschungsprojektes ist es hingegen, diesen ersten Schritt der Schätzung der Verteilung vollständig zu umgehen, und die optimalen Portfoliogewichte stattdessen direkt aus den Daten zu lernen. Dies wird möglich durch den Einsatz von maschinellem Lernen, der Basis moderner künstlicher Intelligenz. Wir bedienen uns des sogenannten Deep Reinforcement Learnings – einer revolutionären Technik, die es KI-Modellen ermöglicht, in anspruchsvollen Spielen wie Go oder Schach übermenschliche Leistungen zu erbringen und vielen Bereichen Anwendungen findet, so z.B. bei der Entwicklung von selbstfahrenden Auto, von Robotern, oder auch bei der Diagnose und Behandlung von Krankheiten. Diese Technologie befähigt unsere Modelle, sich in dynamischen Umgebungen wie dem Finanzmarkt eigenständig zurechtzufinden und kontinuierlich aus ihren Fehlern zu lernen.
Im ersten Teil unseres Forschungsprojekts konzentrieren wir uns auf die optimale Allokation zwischen verschiedenen Anlageklassen mithilfe von liquiden ETFs: Aktien (Vanguard Total Stock Market ETF), Immobilien (Vanguard Real Estate Index ETF), Anleihen (iShares Core U.S. Aggregate Bond ETF), Rohstoffe (Invesco DB Commodity Index ETF), sowie Gold (Spotpreis). Mittels dieser Instrumente wird der Grossteil des Anlageuniversums eines typischen institutionellen Investors repräsentiert. Anlagen in Private Equity oder sonstigen alternativen Anlagen sind nicht berücksichtigt, da hierzu keine ausreichenden Datenreihen verfügbar sind.

Erste Ergebnisse: Gesamtrendite von 148.7% statt 31%
Die Ergebnisse unseres neuartigen K.I. Ansatzes sind sehr vielversprechend: In der untersuchten Periode von November 2017 bis August 2023 erzielte unser Modell (OLZ Reinforcement Learning Allokation) eine beeindruckende Gesamtrendite (nach Kosten) von 148.7%, während ein gleichgewichtetes Portfolio der fünf Anlageklassen nur 31.0% erzielte. Ein typisches Pensionskassen-Portfolio (30% Aktien, 30% festverzinsliche Wertpapiere, 30% Immobilien und 10% Rohstoffe) erzielte sogar nur eine kumulierte Rendite von 20.6%. Die Wertentwicklung unserer Strategie, dargestellt in Abbildung 1, übertrifft somit deutlich die beiden Benchmarks.

Abbildung 1: Wertentwicklung der OLZ Reinforcement Learning Allokation und Vergleich zur gleichgewichteten Allokation und einer typischen PK Allokation.

Da die Volatilität aller drei Portfolios recht ähnlich ist (12.3% im Vergleich zu 11.5% bzw. 13.8%), ergibt sich für die künstliche Intelligenz ein hervorragendes Sharpe Ratio von 1.37, welches signifikant höher ist als das der Vergleichsindizes (0.41 bzw. 0.24). Betrachtet man den Maximum Drawdown, also den grösstmöglichen Verlust im Anlagezeitraum, so erzielte unser Modell mit -17.5% ein deutlich besseres Worst-case Szenario als die Vergleichsportfolios (Gleichgewichtetes Portfolio -22.9%, PK-Portfolio -27.6%). Auch im Vergleich zur vermeintlich sichersten Anlageklasse der festverzinslichen Wertpapiere (-21.7%) wurde ein besserer Kapitalerhalt erzielt. Interessanterweise bevorzugt die künstliche Intelligenz über weite Teile der Analyseperiode eine überdurchschnittlich hohe Allokation in Gold, insbesondere während der Corona-Pandemie.

Weiteres Vorgehen
Trotz dieser vielversprechenden Ergebnisse stehen wir noch vor einigen Herausforderungen, bevor aus dieser hochinnovativen Strategie ein marktfähiges Anlageprodukt entwickelt werden kann. Gemeinsam mit unserem Praxispartner arbeiten wir daran, die Robustheit unseres Modells weiter zu verbessern und es widerstandsfähiger gegenüber Veränderungen der Datengrundlage zu machen. Zudem arbeiten wir weiterhin daran, Allokationen mit höherer praktischer Relevanz zu generieren, z.B. indem den einzelnen Anlageklassen realistische Bandbreiten zugewiesen werden. Hiermit wollen wir sicherstellen, dass unsere von künstlicher Intelligenz entwickelten Lösungen alle Anlagerestriktionen einer Pensionskasse vollständig erfüllen.
Im weiteren Verlauf des Projekts sollen zudem Portfolios auf Einzelaktien optimiert werden, sodass die künstliche Intelligenz fortwährend aus einer Vielzahl von Marktinformationen lernt ein optimales Portfolio zu konstruieren. Über diese und weitere Entwicklungen werden wir Sie in den nächsten Monaten auf dem Laufenden halten.