Systematische Hedgefonds-Strategien existieren seit Jahren. Sie profitieren vom technologischen Fortschritt und der zunehmenden Datenverfügbarkeit.
Gewisse Hedgefonds nutzen Algorithmen, um Märkte ohne Einfluss menschlicher Emotionen effizient zu analysieren und um zu handeln. Das heisst, sie setzen mathematisch basierte Regeln und Verfahren im Investitionsprozess ein. Mithilfe statistischer Modelle werden attraktive Kauf- und Verkaufsoptionen ermittelt, und automatisierte Risikomodelle bestimmen, ob Positionen eingegangen, erhöht, verringert oder geschlossen werden. Alles ist vollständig automatisiert.
Solche systematischen Investmentansätze sind nichts Neues und wurden durch das Aufkommen von Computern in den 1960er und 1970er Jahren begünstigt. So gründete Ray Dalio bereits im Jahre 1975 Bridgewater Associates. Die Firma verfolgt seit Jahren einen systematischen Investmentansatz. Es werden unzählige Daten analysiert, Marktopportunitäten identifiziert und Investitionsentscheidungen getroffen. Der Ansatz folgt klar definierten Regeln und Algorithmen, um zu verhindern, dass Emotionen wie Angst oder Gier die Entscheidungsfindung beeinflussen. Die gleichzeitige Berücksichtigung verschiedener Märkte, Instrumente und Investmentstile führt zu einer breiten Risikostreuung.
In den 1980er und 1990er Jahren kamen neue systematische Hedgefonds hinzu. Firmen wie Renaissance Technologies oder Citadel wurden damals gegründet und gehören heute ebenfalls zu den etablierten Marktteilnehmern. Sie haben sich über die Jahre ständig weiterentwickelt, verwalten mehrere Milliarden US-Dollar und zählen zu den grössten Hedgefonds weltweit. Sie verarbeiten grosse Datenmengen mit komplexen Algorithmen und profitieren von den Fortschritten im Bereich der Rechenleistung. Die Integration von künstlicher Intelligenz, wie maschinellem Lernen, ist allgegenwärtig.
Die Palette an Methoden im Bereich des maschinellen Lernens ist breit. Sie umfasst unter anderem die Kategorien "überwachtes Lernen" oder "unüberwachtes Lernen".
Überwachtes Lernen - ein Beispiel ist die Regressionsanalyse - wird von systematischen Strategien seit mehreren Jahrzehnten eingesetzt, um möglichst akkurate Marktvorhersagen zu treffen. Diese Modelle konzentrieren sich auf das Erlernen der Beziehungen zwischen Eingabe- und Ausgabedaten, wie das Trainieren von Regressionsmodellen. Sie werden beispielsweise verwendet, um Währungspreise basierend auf bestimmten Parametern wie der Zinsentwicklung, Inflation und Konjunktur vorherzusagen.
Durch die Fortschritte im Bereich der Computertechnologie sowie die Zunahme an verfügbaren Finanzdaten kamen neue Methoden und Modelle im Bereich des unüberwachten Lernens hinzu - unter anderem das Deep Learning. Im Gegensatz zum überwachten Lernen versucht unüberwachtes Lernen, neue Muster in Rohdaten ohne Kennzeichnung zu entdecken. Das heisst, es sucht nicht nach vorgegebenen Preismustern oder Abhängigkeiten, sondern kann mithilfe unterschiedlichster Daten und Deep-Learning-Methoden eine Vielzahl von Zusammenhängen identifizieren.
So werden heute verschiedene Arten maschinellen Lernens eingesetzt, sowohl überwachtes wie auch unüberwachtes Lernen. Beide Lernmethoden haben ihre spezifischen Einsatzbereiche und eignen sich je nach Problemstellung und Datenlage unterschiedlich gut. Während überwachtes Lernen ideal für spezifische, klar definierte Aufgaben ist, bietet unüberwachtes Lernen Flexibilität und die Möglichkeit, neue Muster zu entdecken. Es kann Marktanomalien erkennen, die für menschliche Anleger unsichtbar bleiben.
In jedem Fall muss viel Wert auf die Qualität der Daten gelegt werden, da sie das Fundament systematischer Investmentstrategien bilden. Ohne qualitativ hochwertige Daten ist es unmöglich, effektive Strategien zu entwickeln, zu testen und zu implementieren. Zudem ist es wichtig, eine Überanpassung, auch bekannt als Overfitting, zu vermeiden. Diese tritt auf, wenn eine Strategie zu stark auf historische Daten optimiert wurde, aber Schwierigkeiten hat, zukünftige Daten korrekt zu interpretieren.
Insgesamt ist maschinelles Lernen ein interessantes Werkzeug zur Entwicklung effizienter Handelsstrategien. Die Technologie wird seit vielen Jahren angewendet, ist aus der Finanzindustrie nicht mehr wegzudenken und wird weiter voranschreiten. Die neuen Werkzeuge erfordern Sorgfalt, um Überanpassungen und andere Fallstricke zu vermeiden. Richtig eingesetzt, haben sie aber enormes Potenzial und können andere Investmentansätze sinnvoll ergänzen. Den Nutzen vielfältiger Herangehensweisen kannte schon der US-amerikanische Psychologe Abraham Maslow: "Wenn dein einziges Werkzeug ein Hammer ist, wirst du jedes Problem als Nagel betrachten."
LTCM war ein bekannter Hedgefonds, welcher 1994 von John Meriwether gegründet wurde und renommierte Finanzexperten wie die Nobelpreisträger Myron Scholes und Robert Merton beschäftigte. Ziel des Fonds war es, Preisunterschiede auf dem Anleihemarkt mithilfe hochentwickelter mathematischer Modelle auszunutzen. Die Modelle basierten auf historischen Daten und Annahmen, berücksichtigten aber mögliche Veränderungen in der Marktdynamik unzureichend.
Während der russischen Finanzkrise im Jahre 1998 unterschieden sich die Marktbedingungen plötzlich erheblich von den trainierten Mustern. Der Fonds erlitt massive Verluste und musste durch eine von der US-Notenbank koordinierte Rettungsaktion gestützt werden. Er wurde im Jahre 2000 endgültig aufgelöst.
