Mit künstlicher Intelligenz zu besseren Anlageprozessen

Der Start von ChatGPT im November 2022 war so etwas wie eine Zeitenwende. Er weckte ein riesiges Interesse an generativer künstlicher Intelligenz (KI) und den Möglichkeiten, die sie bietet. Führende Unternehmen in praktisch jeder Branche weltweit bewerten nun, welche Auswirkungen KI auf ihr Geschäft haben könnte. Die Vermögensverwaltung ist da keine Ausnahme.

Diese Beliebtheit ist zwar relativ neu, KI an sich ist für T. Rowe Price aber nichts Neues. In den letzten sechs Jahren haben wir kontinuierlich in Kapazitäten in den Bereichen Datenwissenschaft und maschinelles Lernen investiert, um unser Geschäft zu unterstützen und möglichst positive Ergebnisse für Kunden zu erzielen. Auf dieser Reise haben wir erforscht, wie KI genutzt werden kann, um unseren Anlageexperten einen schnellen, direkten Zugang zum Wissensschatz unseres Unternehmens bieten zu können, der auf Fundamentalanalysen und Erlerntem aus Jahrzehnten aufbaut.

Unser Ansatz setzt deshalb auf „Intelligent Augmentation“ (IA). Anstatt Entscheidungsprozesse zu automatisieren, wollen wir unsere Entscheidungsträger mit zusätzlichen Daten und Erkenntnissen, die den bestehenden Anlageprozess um neue Perspektiven erweitern, zu besseren Entscheidungen befähigen. Wir sind überzeugt, dass dieser Ansatz unsere Arbeitsweise revolutionieren und die Ergebnisse, die wir für unsere Kunden erzielen, verbessern kann.

Neben den Vorzügen der generativen KI tragen unsere leistungsfähigen, kooperativen Research-Ansätze unseres Erachtens zur Beschleunigung des Lernprozesses bei. Unser Ansatz bringt leitende Mitarbeiter, Portfoliomanager, Analysten, Datenwissenschaftler, Software-Ingenieure sowie User Experience Designer, die sich mit der Nutzererfahrung befassen, auf eine wirklich kooperative Weise zusammen. Durch die Förderung des kollektiven Lernens versetzt er uns in die Lage, uns effektiv in dem sich rasch wandelnden Feld der KI-Technologie zu bewegen und zurechtzufinden.

Ein Modell für „Intelligent Augmentation“

In letzter Zeit hat sich unsere Data Insights Group auf das Potenzial großer Sprachmodelle (Large Language Models, LLMs) konzentriert, die Bereitstellung von Daten und Erkenntnissen für unsere Portfoliomanager und Analysten zu verbessern. LLMs – mit dem bekanntesten Beispiel ChatGPT – sind computergestützte Sprachmodelle, die mithilfe gewaltiger Textmengen dazu trainiert werden, auf Anfragen oder Anweisungen menschenähnliche Antworten zu geben.

Die Fähigkeit von LLMs, gewaltige Datenmengen innerhalb kürzester Zeit zu analysieren, könnte sich als wertvoll erweisen. Die Menge an Informationen, die für jede potenzielle Anlage, die wir analysieren, verfügbar ist, ist gewaltig und wächst immer weiter. Angesichts der riesigen Mengen an frei verfügbaren Analysen und des umfassenden Wissens, das wir aus unseren internen Research-Plattformen gewinnen, werden Technologien wie die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) ein unverzichtbares Hilfsmittel für Analysten, um Informationen abzufragen und nutzbar zu machen.

Um diese Herausforderung zu meistern, entwickelt unsere Data Insights Group aktuell eine Lösung, die alle Daten und Analysen, die wir über viele Jahre hinweg angesammelt haben, zusammenführt, um diese Informationen für den jeweiligen Anlageberater deutlich besser zugänglich und einfacher abfragbar zu machen.

Eine Lösung, die ein LLM nutzt und auf die Bedürfnisse unserer Analysten und Portfoliomanager zugeschnitten ist, eignet sich für mehrere Arten der Verwendung: Verbrauch, Charakterisierung und Erstellung.

Verbrauch: Dies hat damit zu tun, wie Daten und Erkenntnisse für Analysen abgefragt werden. Der Verbrauch bietet kurz- bis mittelfristig das größte Potenzial für Produktivitätssteigerungen. Ein Anlageanalyst könnte ein LLM dazu verwenden, mehr über eine potenzielle Anlage in Erfahrung zu bringen. Das LLM vereinfacht dies, indem es eine Vielzahl von Informationsquellen zügig analysiert und zusammenfasst.

Der Analyst kann daraufhin im Dialog mit dem LLM die Anfrage immer weiter verfeinern. Dadurch könnte der Analyst mehr Zeit für die gezielte Beurteilung der unterscheidungskräftigen Faktoren für die einzelnen Unternehmen aufwenden, aus denen sich gute langfristige Anlageperspektiven ergeben könnten – durch Fundamentalanalysen, Faktoranalysen oder Erkenntnisse aus Gesprächen mit den Unternehmensführungen.

Charakterisierung: Dieser Begriff bezeichnet die Fähigkeit von KI, unstrukturierte Daten (wie Texte oder Bilder) zu analysieren, um komplexe, aber nützliche Muster zu entdecken, die ansonsten schwer erkennbar wären. Zum Beispiel haben Datenwissenschaftler die Abschlüsse von Unternehmen aus mehreren Jahren und die darin verwendete Ausdrucksweise untersucht. Sie stellten eine Korrelation zwischen leichten Veränderungen in der Häufigkeit von negativen oder positiven Wörtern in diesen Berichten und den darauf folgenden Aktienerträgen fest. Gewaltiges Potenzial erkennen wir darüber hinaus in der Fähigkeit von KI, in Sekundenschnelle zu analysieren, wie sich die Stimmung gegenüber einer Aktie mit der Zeit verändert hat, und dies mit mehreren Datenquellen zu vergleichen.

Erstellung: Dieser Begriff bezeichnet die Art und Weise, wie LLM auch genutzt werden könnten, um Inhalte zu entwickeln, unter anderem Erkenntnisse, Updates zu Anlagen, Besprechungsnotizen und andere Arten von schriftlichen Unterlagen. Wenn Aspekte der Erstellung von Inhalten automatisiert werden, die bislang von Hand erledigt wurden, können sich Analysten mehr auf werthaltigere Analysen und die Entscheidungsfindung konzentrieren.

Menschliche Entscheidungen verbessern, nicht ersetzen

KI-gestützte Tools besitzen zwar beträchtliches Potenzial, Aufgaben zu automatisieren, und könnten unseren Portfoliomanagern und Analysten helfen, umfassendere, fundiertere Erkenntnisse zu erlangen. Doch wir sind uns auch der potenziellen Risiken bewusst und wissen, dass der Mensch für die Überwachung und das Management dieser Prozesse unverzichtbar bleibt.

Ein solches Risiko hat mit der Objektivität und bestimmten Arten von Verzerrungen („Biases“) zu tun. KI greift auf gewaltige Mengen von Informationen zu, kann aber nicht bestimmen, wie zuverlässig diese Informationen sind. Falls die von einem KI-gestützten Tool genutzten Daten verzerrt oder nicht objektiv sind, werden die Algorithmen, die mithilfe dieser Daten erzeugt werden, auch verzerrt oder nicht objektiv sein. Sogar die Art, wie eine Frage, eine sogenannte „Anweisung“, für ein KI-Tool formuliert wird, kann bereits zu einer Verhaltensverzerrung führen. Eine negativ formulierte Anweisung – wie „finde Lücken in meiner These“ – erhöht zum Beispiel das Risiko einer negativ verzerrten Antwort, die durch die Fakten gar nicht untermauert wird.

Ein weiteres Risiko betrifft die Transparenz. KI-Modelle können komplex und undurchsichtig sein, sodass es schwierig wird, die Grundlage für eine Antwort ausfindig zu machen. Dies wird zweifellos ein Aspekt sein, der im Zuge der weiteren Entwicklung dieser Möglichkeiten von den Regulierern sehr genau geprüft werden muss. Wir sind uns auch der Datenschutz- und Sicherheitsrisiken bewusst, wenn große Datenmengen beim Trainieren und der Nutzung von KI-Modellen eingesetzt werden.

Diese Risiken mahnen zur Vorsicht bei der Verwendung von KI und der Anwendung der Ergebnisse, während unsere Teams daran arbeiten, das Potenzial der KI freizusetzen. Schließlich sind wir überzeugt, dass bei Anlageprozessen, die durch KI erweitert und verbessert werden, der Mensch für ein erfolgreiches aktives Management die Aufsicht und Kontrolle behalten muss.

Unser bevorzugter Entwicklungsweg sieht vor, KI dazu zu verwenden, dass wir als Menschen bessere Entscheidungen treffen, Prozesse effizienter werden und Mitarbeiter in wichtigen Funktionen sich mehr auf die Aufgaben mit dem größten Wertschöpfungspotenzial konzentrieren können. Die Reise, die wir vor sechs Jahren mit einem auf enge Kooperation setzenden Team aus Datenwissenschaftlern und Anlageexperten begannen, hat uns an einen Punkt geführt, an dem wir das gewaltige Potenzial dieser sich rasch wandelnden Landschaft nutzen können.