Theorie und Praxis des quantitativen Investierens, so wie wir es heute verstehen, haben ihren Ursprung in den 1950er Jahren. Den Weg wiesen bekannte akademische Modelle wie Markowitz' Modern Portfolio Theory (1952), das Capital Asset Pricing Model von Sharpe (1964) und die Efficient Market Hypothesis (1970) von Fama – sowie natürlich dessen Zusammenarbeit mit French bei ihrem seminalen Drei-Faktoren-Modell (1992).

Heute entwickelt sich Quant Investing im Hinblick auf seine Relevanz und Komplexität ständig weiter. Praktiker wie LSV, BGI/BlackRock, AQR und unsere eigenen Robeco-Researcher haben zu diesem Bereich beigetragen, und das nach quantitativen Methoden verwaltete Vermögen ist im Laufe der Zeit stetig gewachsen. Ursprünglich als akademische Kuriosität betrachtet, hat sich Quant Investing in den 1990er Jahren durchgesetzt und wird heute als ebenso integraler Bestandteil des Markts angesehen wie sein fundamentales Pendant.

Wir sind überzeugt, dass neue technologische Entwicklungen weiterhin einen der tiefgreifendsten und entscheidendsten Einflüsse auf die Weiterentwicklung des quantitativen Investierens haben werden. Das Tempo dieser Entwicklung (zuletzt in der Datenverarbeitung) wird voraussichtlich in den nächsten 20 Jahren genauso schnell, wenn nicht sogar schneller sein als in den 20 Jahren zuvor. Und wenn wir den enormen Aufstieg der KI hinzunehmen, kann das Tempo unseres Erachtens nur noch zunehmen.

Jetzt ist also ein besonders günstiger Zeitpunkt, um sich Gedanken darüber zu machen, wie sich das Asset Management in den nächsten 20 Jahren entwickeln könnte. Dahinter steht die Überzeugung, dass der technische Fortschritt die Fähigkeit von Quant-Investoren, Alpha zu erzielen und Risiken zu managen, weiter verbessern und die operative Effizienz von Quant-Firmen im Hinblick auf die erzielten Ergebnisse und das Kundenerlebnis steigern wird.

Drei Vorsichtshinweise für den Hobby-Zukunftsforscher: Wir machen dieses Gedankenexperiment im vollen Bewusstsein der Worte von Niels Bohr: „Vorhersagen sind sehr schwierig, vor allem wenn sie die Zukunft betreffen.“ Außerdem beruhen alle hier genannten Hypothesen auf plausiblen, meist vorhersehbaren Trends, also auf „linearen“ Extrapolationen. Wirklich epochale Veränderungen werden definitionsgemäß durch unerwartete, nicht lineare Entwicklungen ausgelöst. Schließlich sind Veränderungen immer mit Risiken und Herausforderungen verbunden, die wir insbesondere in unseren beiden letzten Hypothesen erörtern.

Und jetzt laden Sie den vollständigen Artikel hier herunter, steigen Sie in die Robeco-Zeitmaschine und machen Sie es sich bequem.

Hypothese 1: Fortschrittliche KI- und ML-Modelle
Die Komplexität von Künstlicher Intelligenz (KI) und ihre potenzielle Entwicklung hin zu Artificial General Intelligence (AGI) bedeutet, dass sie die Strategiebildung automatisieren, die Vorhersagegenauigkeit verbessern und die Aufstellung ökonomischer Hypothesen übernehmen könnte, was alles die Erzielung von Alpha ermöglicht.

Hypothese 2: Multimodale Datennutzung
Um sich einen Wettbewerbsvorteil zu verschaffen, werden Quant-Investoren die immer zahlreicher werdenden alternativen Datenquellen nutzen. Dazu gehören Stimmungen in sozialen Medien und Satellitenbilder sowie multimodale Daten aus Text-, Sprach-, Bild- und Videodateien.

Hypothese 3: Schnellere Modellentwicklung und schnelleres Verschwinden von Alpha
Leistungsfähige Algorithmen für die Modellentwicklung werden mehr Alpha ermöglichen, doch die Demokratisierung dieses Prozesses wird zu einem Verschwinden von Alpha führen. Kontinuierliches Quant Research (durch Menschen, KI oder eine Kombination davon) ist der Schlüssel, um der Konkurrenz immer einen Schritt voraus zu sein.

Hypothese 4: Cloud Computing und Quanten-Computing
Cloud Computing wird es Quant-Investoren ermöglichen, große Datenmengen zu verarbeiten, ohne eine eigene Infrastruktur vor Ort zu benötigen, während Quanten-Computing zur Lösung von Problemen beitragen könnte, die heute rechnerisch noch nicht machbar sind.

Hypothese 5: Verbessertes Risikomanagement
Algorithmen und fortschrittliche Analysen könnten Informationen für Echtzeit-Risikobewertungen und realistischere Stresstests schnell verarbeiten. Dazu kombinieren sie historische Daten mit Prognosen und ermöglichen so sofortige Strategieanpassungen.

Hypothese 6: Automatisierung von Regulierungsvorgaben, Prozessen und Compliance
Fortschrittliche Lösungen könnten die Einhaltung der sich weiterentwickelnden Vorschriften erleichtern und das Risiko rechtlicher Probleme verringern. Durch die Automatisierung der Einhaltung von Vorschriften und des Kundenreportings könnten Large Language Models (LLMs) den Unternehmen ermöglichen, die Betriebsausgaben zu senken und/oder bei gleichen Kosten bessere Services anzubieten.

Hypothese 7: Personalisierte Anlageprodukte
KI und ML könnten individuelle Anpassungen auch für einzelne Anleger erschwinglich machen.

Hypothese 8: Verbesserte Kundeninteraktion und Transparenz
Komplexe, benutzerfreundliche Plattformen werden Transparenz in die quantitativen Modelle bringen, die den Investments zugrunde liegen, und so das Vertrauen und Engagement der Kunden fördern. Generative KI könnte Erkenntnisse über Kunden und Kundeninteraktionen liefern.

Hypothese 9: Talentgewinnung und Kompetenzentwicklung
Um mit den neuesten Trends und Technologien Schritt halten zu können, müssen Quant-Firmen in die Gewinnung von Talenten und in kontinuierliche Aus- und Weiterbildung investieren. Darüber hinaus müssen sie gemischte und kollaborative Teams bilden, um diese Herausforderung zu meistern.

Hypothese 10: Umstrukturierung der Branche, Disruption und Herausforderungen