Fundspec > Deutschland > Interviews > «Maschinelles Lernen wird in den kommenden Jahren eine wichtige Rolle spielen»

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

Andrea Nardon
Andrea Nardon
Partner, Head of Quant
Sarasin & Partners LLP, London sarasinandpartners.com

29. Mai 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

Zur Person

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.