Schnell gelesen:
- Das Modell von MDT lernt Muster aus historischen Daten und wird laufend besser. Daraus ergibt sich ein klarer Vorteil bei Erfahrung und Genauigkeit.
- Der „Glass Box“-Ansatz gehört zu den wichtigsten Grundsätzen der Anlagephilosophie von MDT Advisers und zeigt die Verpflichtung des Unternehmens, seine quantitativen Modellen transparent zu machen.
- Large Language Models wie ChatGPT werden derzeit nicht für die Titelauswahl verwendet, aber das Team steht dieser Möglichkeit in der Zukunft offen gegenüber.
Die Evolution quantitativer Strategien
Seit dem Einstieg in den quantitativen Investmentbereich im Jahr 2002 hat Mahr eine dramatische Veränderung bei der Ausgereiftheit und den Fähigkeiten quantitativer Strategien erlebt. Fortschritte in den Bereichen Rechenleistung, Datenverfügbarkeit und Algorithmen haben die Möglichkeiten grundlegend verändert.
„Die Arten von Strategien und die Ausgereiftheit der ausführbaren Strategien sind im Laufe der Jahre nahezu explodiert, unterstützt durch die begünstigenden Faktoren bei Verarbeitung und Datenverfügbarkeit“, so Mahr.
Bei MDT wird diese Entwicklung beispielhaft durch eine strategische Verlagerung von der traditionellen Faktor-Gewichtung, bei der die Portfolios durch Bevorzugung einer relativ kleinen Auswahl finanzieller Merkmale wie Value oder Quality aufgebaut wurden, hin zu einem dynamischeren und anpassungsfähigeren Modellierungsansatz, der eine größere Anzahl von Faktoren nutzt, veranschaulicht.
„Es gab eine Formel, die eine kleine Anzahl von Merkmalen verwendet hat, und die Portfolios wurden dementsprechend gewichtet. Diese Strategien haben recht überzeugende Ergebnisse geliefert, aber es kam zu Konzentrationen“, sagt Mahr.
Um den Einschränkungen der statischen Faktormodelle zu begegnen, führte MDT 2001 ein selbst entwickeltes Entscheidungsbaum-Framework ein. Dieser Ansatz, der auf maschinellem Lernen basiert, verwendet eine Reihe von binären Fragen (mit Ja/Nein-Antworten), um Unternehmensmerkmale zu bewerten und Alpha-Prognosen zu erstellen. Das Modell passt seine Fragefolge auf der Grundlage des jeweiligen Unternehmenskontextes und der erreichten Antworten an, was eine differenziertere und präzisere Titelauswahl ermöglicht. In der Versicherungsbranche werden Entscheidungsbäume verwendet, um die Risikofaktoren zu bestimmen, die die Lebenserwartung einer Person am besten vorhersagen.
Bei MDT verwenden wir seit 2001 Tools für maschinelles Lernen, sodass wir gegenüber anderen Unternehmen, die neu auf dem Gebiet sind, einen 24-jährigen Vorsprung haben.
„Anstatt nach Risikofaktoren für die Lebenserwartung zu fragen, fragen wir nach den Unternehmensmerkmalen. Und je nachdem, wie diese Fragen beantwortet werden, entwickelt sich die Fragestellung basierend auf den für Unternehmenstypen relevanten Aspekten weiter“, so Mahr.
Diese Entscheidungsbaummethodik basiert auf maschinellem Lernen, einer Untergruppe von künstlicher Intelligenz, mit der das Modell von MDT Muster aus historischen Daten lernen und im Laufe besser werden kann. MDT ist der Ansicht, dadurch einen deutlichen Vorteil sowohl im Hinblick auf Erfahrung als auch Genauigkeit zu erhalten.
„Bei MDT verwenden wir seit 2001 Tools für maschinelles Lernen, sodass wir gegenüber anderen Unternehmen, die neu auf dem Gebiet sind, einen 24-jährigen Vorsprung haben“, so Mahr. „In den letzten 24 Jahren haben wir sehr viel darüber gelernt, welche Vorteile diese sehr, sehr leistungsstarken, aber auch sehr schwer zu bedienenden Algorithmen in einem unübersichtlichen Datenraum, z. B. bei der Prognose von Aktienrenditen, bieten – und noch viel wichtiger, welche möglichen Gefahren mit ihnen verbunden sind.“
Ein Blick in die Glass Box: Transparenz bei der quantitativen Modellierung
Einer der wichtigsten Grundsätze der Anlagephilosophie von MDT Advisers ist die Verpflichtung des Unternehmens zur Transparenz in seinen quantitativen Modellen. Mahr bezeichnet dies als „Glass Box“-Ansatz – ein bewusster Kontrast zur undurchsichtigen „Black Box“, die häufig mit maschinellem Lernen im Finanzwesen verbunden ist.
„Wir bezeichnen unsere Anlagestrategien gerne als ‚Glass Box‘, als Glaskasten. Im Inneren arbeitet ein komplizierter Mechanismus, aber wir können die Vorgänge sehen“, sagt Mahr. „Wir können sehen, wie das Ganze funktioniert, und verstehen, was die Entscheidungsfindung im Alltag vorantreibt.“
Diese Transparenz ist nicht nur ein philosophisches Konzept, sie wird operational umgesetzt. Das Anlageteam von MDT führt rigorose Analysen durch, um Faktoren zu identifizieren, die Alpha generieren können. Diese Ideen stammen sowohl aus der wissenschaftlichen Literatur als auch aus jahrzehntelanger Beobachtung aus erster Hand in allen Phasen des Marktzyklus. MDT nutzt seine Erfahrung aus mehr als 30 Jahren Umgang mit Strategien, um seine Modelle kontinuierlich zu verfeinern und weiterzuentwickeln. Sobald ein neuer Faktor vorgeschlagen und implementiert wurde, wird er in das Entscheidungsbaummodell integriert, das dann seinen Nutzen rein mechanisch bewertet. Auf der Grundlage dieser Informationen bestimmt das Team, ob der Faktor einen bedeutenden Beitrag zur Renditeprognose leistet. Ist das nicht der Fall, wird er verzerrungsfrei ausgeschlossen. Dieser Prozess stellt sicher, dass nur datenorientierte, empirisch validierte Parameter im Portfolioaufbau verwendet werden. Der „Glass Box“-Ansatz ermöglicht es MDT jedoch auch, die anhaltende Relevanz bereits genutzter Faktoren zu überwachen. Wenn ein Faktor seine Prognosekraft zu verlieren scheint, überprüft das Team mit Analysen, ober er weiterhin Mehrwert liefert. Das Team beurteilt, ob sich das Entfernen des Faktors auf die Performance, das Risiko oder die Konsistenz der Renditen des Portfolios auswirken würde.
„Wenn wir das Gefühl haben, dass ein Faktor seine Leistungsfähigkeit verliert… führen wir eine Analyseprojekt durch und fragen: ‚Was wäre, wenn wir diesen Faktor nicht mehr verwenden würden?‘… Wenn wir feststellen, dass wir einen Faktor aus dem Modell entfernen können und dieses Vorgehen im Laufe der Jahrzehnte nur sehr geringe oder keine Auswirkungen auf die Portfolioergebnisse hätte, erhalten wir ein hohes Maß an Gewissheit, dass wir diesen Faktor nicht mehr verwenden müssen“, so Mahr.
Dieser iterative, datenorientierte Verfeinerungsprozess ist für den Erfolg von MDT von zentraler Bedeutung. Das Team ist überzeugt, dass das Unternehmen mit dieser Vorgehensweise ein hohes Maß an Modellintegrität aufrecht erhalten und sich gleichzeitig an Veränderungen in der Marktdynamik anpassen kann, ohne Kompromisse bei der Aussagekraft oder Kontrolle eingehen zu müssen.
Die Entwicklung der Märkte und ein Blick in die Zukunft
Mahr hat in den letzten Jahren erhebliche Veränderungen der Marktstruktur beobachtet – Veränderungen, die sich auf die Umsetzung quantitativer Strategien ausgewirkt haben. Im Vergleich zur Lage vor einem Jahrzehnt fühlen sich die Märkte heute grundlegend anders, obwohl die genauen Ursachen immer noch komplex und vielschichtig sind.
„Etwas fühlt sich so an, als hätte sich in den letzten paar Jahren ein Schalter umgelegt. Ich wünschte, ich wüsste genau, was es war“, so Mahr. „Es könnte die zunehmende Verbreitung von Pod Shops sein. Es könnte sein, dass wir im Aktienbereich einen Wendepunkt beim passiven Management erreicht haben. Es könnte die Zunahmen des Retail-Tradings, von Meme-Aktien oder von Robinhood sein. Oder es könnten alle diese Dinge zusammen sein.“
Anstatt zu versuchen, eine einzige Ursache zu identifizieren, betont Mahr, wie wichtig es ist, aktive Strategien zu pflegen, die darauf ausgelegt sind, Ineffizienzen unabhängig von ihrer Herkunft zu monetarisieren.
„Die gute Nachricht ist, dass wir nicht wissen müssen, was dahinter steckt. Wichtig ist, dass wir aktive Strategien haben, die Ineffizienzen ausnutzen können, wenn sie auftreten.“
Mit Blick auf die Zukunft sieht Mahr künstliche Intelligenz als viel versprechendes Entwicklungsfeld für Pioniere, insbesondere im Hinblick auf das Potenzial von KI, die Produktivität zu steigern und Ideen zu generieren. Zwar verwendet MDT derzeit keine Large Language Models wie ChatGPT für die Titelauswahl, Mahr kann eine solche Entwicklung für die Zukunft aber nicht ausschließen.
„Es wird wahrscheinlich noch lange dauern, bis wir uns von Large Language Models Aktien für das Portfolio vorschlagen lassen, aber es ist wichtig, diesen Möglichkeiten gegenüber offen zu sein. Computer werden einfach immer schneller“, so Mahr.
Trotz der Herausforderungen und Unwägbarkeiten empfindet Mahr die Dynamik der Märkte als motivierend. Der ständige Datenzufluss, unerwartete makroökonomische Entwicklungen und Veränderungen im Anlegerverhalten sorgen dafür, dass das quantitative Investieren attraktiv bleibt.
„Es gibt ständig neue Informationen. Auf makroökonomischer Ebene gibt es immer unvorhergesehene Wendungen und bisher unbekannte Risiken, die plötzlich auftreten“, sagt Mahr. „Aus meiner Sicht habe ich ein großartiges und wirklich spannendes Feld gefunden, um meine technischen Kenntnisse anzuwenden.“
Die quantitative „Glass Box“ bei MDT Advisers
To listen to Dan Mahr’s full interview with Ted Seides, click here
Share:
BD016937
