Machine Learning & Black Swans

Die Black Swans wurden 2007 von Nassim Taleb definiert als Ereignisse, die sich durch ihre Seltenheit und Unvorhersehbarkeit, die Schwere ihrer Folgen und die Tendenz auszeichnen, sie im Nachhinein zu rationalisieren.

In der Finanzwelt haben diese Ereignisse die Eigenschaft, exogen sein zu können: Naturereignisse, Pandemie, Krieg, aber auch von den Finanzmärkten selbst in Form spekulativer Blasen erzeugt werden zu können. Die Wirtschafts- und Finanzmärkte haben so mehrere globale Ereignisse dieser Art erlebt, zum Beispiel die Immobilienblase von 2008, die oft in die Kategorie der Black Swans eingeordnet wird. Die Unvorhersehbarkeit dieser Blasen beruht darauf, zu bestimmen, ob sie tatsächlich existieren oder nicht, ihre Entwicklung und ihre Fähigkeit zu platzen zu messen und vor allem ihre potenziellen Auswirkungen auf die Märkte und die Wirtschaft.

Der Einbruch von ChatGPT-4 im Jahr 2023 stellte einen Wendepunkt im Verständnis der Möglichkeiten der KI und in der Beschleunigung der bis dahin eingesetzten Werkzeuge dar. In der Marktfinanzierung erlaubte die rasche Entwicklung neuer Vorrichtungen, Algorithmen zu verallgemeinern und auszuweiten, die zum Teil bereits fortgeschritten waren (Hochfrequenzhandel, Robo-Advisory, Web Scraping), wobei sich auch die Zahl der im Bereich aktiven Akteure vervielfachte. Während der Schwerpunkt zunächst auf der massiven Verarbeitung von Dokumenten, der Synthese und dem Umschreiben durch Large Language Models (LLM) lag, wird die Intelligenz heute zunehmend in der Anlage selbst eingesetzt, wobei insbesondere die Prinzipien des Machine Learning angewandt werden.

Die Machine-Learning-Algorithmen sind darauf ausgelegt, auf der Basis riesiger Volumen von Finanzdaten zu lernen, Trends zu identifizieren und Vorhersagen oder Entscheide ohne menschliches Eingreifen oder mit begrenztem menschlichem Eingreifen zu formulieren. Doch so beeindruckend sie auch sein mag, die Fähigkeit der KI, die Auswirkungen besonderer Ereignisse vorherzusagen oder abzumildern, ist nicht gesichert. Dies hängt sowohl mit dem per Definition unvorhersehbaren Charakter des Black Swan zusammen, als auch mit den Merkmalen des Lernens.

Denn das allgemeine Ziel des Lernens besteht darin, die Entropie zu minimieren, damit die vorhergesagte Verteilung der beobachteten Verteilung möglichst nahekommt, wodurch es dazu neigt, die Ausreisser (Outliers) gesondert zu behandeln oder zu ignorieren, seien sie aberrant oder schwer zu erklären. Das Lernen ist zudem abhängig vom Zugang zu und der Länge der historischen Daten, von ihrer Verfügbarkeit je nach Bereich, aber auch von der Hypothese, dass die massiv verwendeten vergangenen Daten es erlauben, Trends mit einer gewissen prädiktiven Kraft zu bestimmen. Schliesslich besteht ein wichtiger Teil der Feinabstimmung darin, das «Overfitting» zu vermeiden, das heisst zu funktionieren, indem man die Trainingsdaten zulasten der Vorhersagefähigkeit begünstigt. Dies führt naturgemäss dazu, die besonderen Ereignisse, die nicht in den Durchschnitt fallen, auszuklammern oder zu minimieren.

Die Merkmale des Lernens, ob überwacht oder unüberwacht, werfen die Frage nach der Erzeugung einer besonderen Blase und nach der Selbstproduktion eines Black Swan neuer Art durch die Vervielfachung automatisierter Akteure auf, deren Vielfalt vorgetäuscht wäre. Gemäss den von Shannon aufgestellten Prinzipien bedeutet die Zahl und Vervielfachung der Akteure nicht, dass es mehr Information gibt, noch dass diese differenziert wäre. Dies wird durch das Paradox des von Shannon 1948 erfundenen Spiels veranschaulicht, das einen diskreten universellen Prädiktor schafft, der aus den Verzerrungen der bereitgestellten Information Nutzen zieht (in diesem Fall ein Experimentator, der Zahlen erzeugt, die in Wirklichkeit nicht zufällig sind). Der erleichterte Zugang zu fortgeschrittenen Algorithmen bewirkt eine Vervielfachung der Akteure, doch diese riskieren, die Informationen auf ähnliche Weise zu verarbeiten. Es ist wahrscheinlich, dass diese Akteure, indem sie ähnliche Hypothesen aufstellen und im Wesentlichen die gleichen Daten und die gleichen Algorithmen verwenden, ähnliche Ergebnisse erzielen und die gleichen Vorhersagen verstärken, wodurch sie die Arbitragemöglichkeiten einschränken. Eine Parallele lässt sich zum Hochfrequenzhandel ziehen, der eine signifikante Outperformance erlaubte, solange die Zahl der Akteure begrenzt war.

Man kann sich dann fragen, ob die Verwendung von Lernmodellen es erlaubt, eine bessere Effizienz der Märkte zu erzielen, indem man die Akteure vervielfacht, oder im Gegenteil das Risiko der Ineffizienz erhöht, indem man künstlich geklonte Akteure reproduziert. Das Paradox wäre dann, dass die Reife der KI-gestützten Anlage am Ende die Verzerrungen reproduziert, die den Indexanlagen vorgeworfen werden: übermässige Konzentration, Angst vor der Bildung einer Blase, Herdenverhalten. Sie trägt jedoch a priori nicht die gleichen wesentlichen Nachteile, die mit diesen Indexfonds verbunden sind: fehlende Outperformance, fehlende Flexibilität und die Unmöglichkeit, von Chancen am Markt zu profitieren.

Thierry Vessereau stiess im Juli 2019 zur BCGE Asset Management als institutioneller Manager für die passiven und aktiven Fonds der Palette Synchrony. Zuvor arbeitete er von 2005 bis 2019 bei der Bank Pictet & Cie als Projekt- und Entwicklungsleiter, danach als Anlagespezialist des Bereichs Indexation der Pictet Asset Management. Thierry Vessereau ist Inhaber eines Masters in Informatikwissenschaften und Doktor der Wirtschaftswissenschaften.