Einer auf künstlicher Intelligenz basierenden Anlagestrategie kann es dauerhaft gelingen, eine Outperformance zu erreichen. Davon ist David Wright überzeugt, Leiter Quantitative Investments bei Pictet Asset Management. Er verweist auf ein hauseigenes KI-Modell, das im Aktienfonds Pictet – Quest AI-Driven Global Equities zum Einsatz kommt. Dort streben die Portfoliomanager nach Kosten eine jährliche Outperformance zum MSCI World von 1,5 Prozentpunkten an.

"Die Mehrrendite ist überraschend robust", sagt Wright im Interview mit FONDS professionell, das in voller Länge in Ausgabe 2/2026 erschienen ist. "Ein Beispiel: Wenn wir unser Modell mit den Daten der Jahre 2000 bis 2015 füttern, ist das Alpha nicht ganz so hoch wie mit aktuelleren Daten, aber immer noch deutlich vorhanden. Das spricht schon für eine gewisse Persistenz." Es gebe viele gut untersuchte und bekannte Indikatoren, die heute kaum noch Mehrwert liefern würden. "Aber Machine Learning findet offensichtlich weitere vielversprechende Kombinationen – und kreiert so einen neuen Typus Alpha", so Wright.

"Das Alpha ist das Ergebnis Hunderter kleiner Wetten"
Der erst Ende März 2024 lancierte Publikumsfonds, der von einer KI gesteuert wird, verwaltet bereits rund drei Milliarden Euro. Das dahinterstehende Modell prognostiziert die Entwicklung der Kurse für alle Aktien aus dem Anlageuniversum auf Sicht von 20 Tagen. Die KI werde bewusst mit recht traditionellen Fundamental- und Finanzdaten trainiert, beispielsweise mit Kursen, Bilanzkennzahlen, Analystenprognosen oder Daten zur Positionierung von Investoren, erläutert Wright. "Viele andere Quant-Manager ziehen auch alternative Daten wie Social-Media-Postings heran. Diese sind allerdings nicht für alle Unternehmen verfügbar – und nur für einen überschaubaren Zeitraum." Seinen Kollegen und ihm sei es aber wichtig, dass die KI mehrere Jahrzehnte zurückblicken könne und so verschiedenste Konjunkturzyklen und ökonomische Umfelder kennenlerne. "Das macht ihre Aussagen viel robuster", meint er.

Die Portfoliozusammensetzung des Fonds unterscheidet sich auf den ersten Blick gar nicht wesentlich vom MSCI World. "Wir möchten fast ausschließlich aktienspezifische Risiken eingehen", betont der Pictet-Manager. "Mit Blick auf Sektoren, Länder oder Regionen soll der Fonds im Vergleich zur Benchmark neutral aufgestellt sein. Das gilt auch hinsichtlich des Anlagestils, wir möchten also keinen Fokus auf Faktoren wie Momentum, Quality oder Value." Das KI-Modell prognostiziere deshalb auch nicht die absolute Performance, sondern den "Specific Return", also die um Sektor-, Länder- und andere Risiken bereinigte Rendite. "Das Alpha ist daher das Ergebnis Hunderter kleiner Wetten", so Wright.

"Bei einem echten Bruch kann es schwierig werden"
Doch was müsste passieren, damit das Alpha spürbar negativ wird? "Problematisch wird es vor allem dann, wenn es zu einem abrupten Wechsel des Regimes an den Märkten kommt", sagt der Manager. "Abgesehen davon zeigen unsere Simulationen und auch der echte Track Record, dass unsere Outperformance relativ stabil ist. Egal ob die Märkte steigen oder fallen, die Volatilität hoch oder niedrig ist, am Markt klare Trends vorherrschen oder es seitwärts geht: Wir können in allen Umfeldern Alpha generieren. Bei einem echten Bruch, wenn plötzlich jede Stabilität abhandenkommt, kann es aber schwierig werden."

In den hauseigenen Simulationen würden sich zwei Situationen mit drei bis vier Prozent Underperformance zeigen: zu Beginn der globalen Finanzkrise 2008 und beim Ausbruch der Covid-19-Pandemie 2020. "Nach der Lehman-Pleite froren hochliquide Märkte plötzlich ein", erinnert Wright. "Und 2020 fand etwas statt, was ich als den Wechsel von einem 'High Information'- zu einem 'No Information'-Regime beschreiben würde." Keiner habe mehr gewusst, was los sei. "Da stieß die KI an ihre Grenzen, weil ein Umfeld vorherrschte, in dem sie sich nicht zurechtfand." Es habe in diesen Szenarien dann etwa neun bis zwölf Monate gedauert, bis sich die Performance wieder erholt hatte.

"Je mehr Signale man hat, umso besser kann das System damit arbeiten"
Wright betont, es sei wichtig, sich nicht auf dem Erreichten auszuruhen, sondern der KI ständig neuen Input zu geben. "Als das Modell live ging, haben wir etwa 250 verschiedene Signale eingesetzt, mittlerweile sind es rund 400", sagt er. Dies sei ein großer Unterschied zu klassischen Quant-Strategien: "Dort stellen meist 50 bis 60 Signale die Obergrenze dar, weil der Einfluss eines zusätzlichen Signals dann ziemlich klein wäre. Es braucht einen gewissen Fokus: Ein neues Signal kommt nur in Frage, wenn es wenig korreliert zu den anderen ist und auch für sich alleine einen Mehrwert liefern würde." Der KI dagegen könne man Tausende unterschiedliche Datenreihen füttern. "Das Modell würde einfach die nutzen, die es als sinnvoll erachtet, und die anderen runterstufen oder ignorieren."

Research sei nach wie vor wichtig, aber nicht nur die Qualität spiele eine Rolle, sondern auch die Quantität: "50 bis 100 schwache Signale können eine bessere Wirkung auf das Gesamtportfolio haben als drei oder vier richtig gute", so Wright. "Die wahre Macht des Machine Learning liegt darin, herauszufinden, wie die unterschiedlichen Signale miteinander interagieren. Je mehr Signale man hat, umso besser kann das System damit arbeiten." (bm)

Im vollständigen Interview, das in FONDS professionell 2/2026 ab Seite 116 erschienen ist, erläutert David Wright zahlreiche weitere Details des Anlagemodells. Angemeldete Nutzer können den Beitrag auch hier im E-Magazin abrufen.