QUANT 4.0: REVOLUTIONÄRE „SMART FACTORY“ IM ASSET MANAGEMENT.

 

Unsere „Smart Factory“ basiert auf einer Kombination aus Internettechnologie, Big-Data-Analysen und Algorithmen der künstlichen Intelligenz, durch die es gelingt, den gesamten Produktions- (Investment-) prozess zu automatisieren, konfigurieren und systematisieren.

Methoden der Informationstheorie gestalten hochdiversifizierte Anlageuniversen. Machine Learning Algorithmen sorgen für treffsichere Prognosen für viele Tausend Wertpapiere und Märkte. Kombiniert mit „State of the Art“ Risikoschätzungen führt dies zu überdurchschnittlichen Optimierungsergebnissen.

 

Wir arbeiten in unseren Prozessen Risiko-adjustiert, d.h. wir schauen uns das Verhältnis von Return- zu Risikoschätzern an und die Optimierung realisiert die sinnvollste Allokation. Anlagestrategien mit individuellen Nebenbedingungen an das Risiko (Risikobudget) sind möglich und werden insbesondere bei Absolute Return Strategien genutzt. Aus diesem Grund ist es wesentlich, die potentiellen Verluste der Märkte berücksichtigen zu können. Wir setzen auf neueste finanzmathematische Erkenntnisse und evaluieren das Marktrisiko mit dem Risikomaß „Expected Shortfall“. Ein Expected Shortfall von q Prozent entspricht der zu erwartenden Rendite in den schlechtesten q Prozent der Fälle. Im Gegensatz zu Volatilität oder Value at Risk berücksichtigt der Expected Shortfall das Risiko von Extremereignissen und ist somit ein realistisches Maß für die Verluste, die in Krisenszenarien eintreten können.

Wir haben auf Basis von Methoden des „machine learning“ Schätzer entwickelt, mit denen die erwartete Performance eines Marktes über unterschiedliche Zeithorizonte hinweg (z.B. Woche, Monat, Jahr) prognostiziert wird. Die Basis dieser Prognosen bildet das im zu analysierenden Zeithorizont herrschende und automatisch erkannte Marktregime. Im Gegensatz zu gleitenden Durchschnittswerten können regimeorientierte Returnschätzer die Länge des Regimes in qualitativ unterschiedlichen Marktszenarien anpassen. Bei stabilen Märkten kalkulieren sie die Ertragserwartung auf Basis langfristiger Zeithorizonte, in Krisenzeiten auf Basis kurzfristiger. Die einzelnen Ergebnisse werden als Eingangsdaten für Klassifikatoren der Verfahren des „machine learning“ verwendet. So wird bestimmt, ob in einen Markt investiert werden kann oder nicht und welche Rendite für den jeweils nächsten Anlagezeitraum erwartet werden kann.

Investoren suchen nach einem möglichst hoch diversifizierten Universum, um das Risiko von Marktschwankungen schon bei der Portfoliokonstruktion zu minimieren. Um den Aufbau eines Anlageuniversums systematisch gestalten zu können, bedarf es Kriterien, die die Prognosegüte eines Assets auf der einen und den Diversifizierungsgrad eines Universums auf der anderen Seite bestimmen.

Die Prognosegüte eines Assets wird durch das ursprünglich aus der Physik stammende Signal-Rausch-Verhältnis bestimmt. Im Finanzbereich gibt diese Kennzahl die „Reinheit“ der positiven und negativen Regime eines Wertpapiers an. Je höher das Signal-Rausch-Verhältnis, desto einfacher gestalten sich Vorhersagen zu einem Wertpapier.

Der Diversifizierungsgrad eines Universums basiert auf der Messung der Informationen, die sich die Assets eines Anlageuniversums teilen. Assets mit einer hohen Korrelation, wie DAX 30 und CAC 40, teilen sich auch eine große Menge an Informationen – und können somit nur wenig zur Diversifizierung beitragen. Die Aufnahme von Assets mit einer niedrigen Korrelation, wie DAX 30 und MSCI Pakistan, deren Informationsschnittmenge gering ist, erhöht hingegen die Diversifizierung.
Das finale Anlageuniversum kombiniert über einen Algorithmus die Märkte mit höchster Vorhersagbarkeit und dem höchsten Diversifizierungsgrad.

Portfoliokonstruktion ist für uns der Prozess, die individuellen Anlagerestriktionen unserer Kunden zu verstehen und in der Allokationsoptimierung zu berücksichtigen. Diese Restriktionen können sehr vielfältig sein: Fondspreisuntergrenzen, maximale jährliche Drawdowns, individuelle Risikobudgets, Vorgaben zu Märkten und Assetklassen u.v.m.

Unsere Smart Factory erlaubt die Implementierung von jeglichen sinnvollen Restriktionen und ist damit in der Lage, individualisierte Portfoliolösungen zu entwickeln.

Sind Anlagerestriktionen definiert und ein optimales Universum gefunden, berechnen die Algorithmen die optimale Ertrags-Risiko Struktur und damit die für die aktuelle Marktsituation beste Allokation für Ihr Portfolio.

Mit der Infrastruktur Quant 4.0 wird der gesamte Investment-Prozess von GET Capital vollständig automatisiert. Die Wertpapier- und die Portfoliodaten werden über Computerprogramme zusammengetragen und in Datenbanken gesammelt. Im Anschluss werden wichtige Prognosen und Kennzahlen z.B. Performance, Risiko und Ertrag berechnet. Diese Kennzahlen fließen für jedes verwaltete Portfolio in die tägliche Portfoliooptimierung ein. Als letzten Schritt in dieser Kette „produziert“ die Software die Handelsorders zur Umsetzung der optimalen Portfolioallokation und leitet sie nach Überprüfung an den Handelspartner weiter.

Über die jeweiligen Interfaces kann der Prozess gestaltet und neu ausgerichtet werden. Beispielsweise können Nebenbedingungen unserer Kunden verändert, neu definiert oder das Anlageuniversum verändert werden. Dies erfolgt über Software Module, die direkt auf die Portfoliooptimierung eingreifen.

Die Automatisierung und die Flexibilität der Quant 4.0-Produktions-„Straße“ erlauben die Implementierung des individuellen Anforderungskatalogs des Kunden.