KI-Revolution: Asset Manager finden Alpha in eigenen Daten

Führende Asset Manager wie BlackRock und Balyasny revolutionieren ihre Strategien zur Alpha-Generierung, indem sie Künstliche Intelligenz (KI) einsetzen, um ihre eigenen internen Daten zu analysieren. Dieser Paradigmenwechsel erfolgt, da traditionelle und alternative externe Datenquellen zunehmend von KI-Systemen commoditisiert werden und der Wettbewerbsvorteil nun in der intelligenten Erschließung firmeneigener Informationen liegt.

Der Wandel im Alpha-Suchen: Von extern zu intern

Jahrelang verschafften sich anspruchsvolle Asset Manager einen Vorteil durch einzigartige Informationen, die nicht aus traditionellen Marktquellen stammten. Hedgefonds und andere Akteure konnten Quartalsergebnisse und Rohstoffpreise besser vorhersagen, indem sie sogenannte alternative Daten nutzten – aggregierte Kreditkartenbelege, Einzelhandelsfrequenz, die über Mobiltelefone verfolgt wurde, und Satellitenbilder von Erntefeldern. Diese Quellen wurden jedoch so weit verbreitet, dass sie zu einer Grundvoraussetzung statt eines Differenzierungsmerkmals wurden. Asset Manager investierten daraufhin Ressourcen in die Suche nach neuen, obskuren Datenquellen.

Der Aufstieg großer Sprachmodelle (LLMs) hat diesen Vorsprung nun weiter geschmälert. Da Top-Fonds so viele öffentlich verfügbare Daten wie möglich mit KI aufsaugen, sehen Investoren den nächsten marktschlagenden Vorteil darin, die eigene Forschung, Kommunikation und historischen Entscheidungen nach Signalen zu durchsuchen, auf die Wettbewerber keinen Zugriff haben.

BlackRock und die interne Datenrevolution

BlackRock, der weltweit größte Asset Manager mit einem verwalteten Vermögen von 14 Billionen US-Dollar, hat seine KI-Agenten bereits intern eingesetzt, um potenzielle Investmentsignale zu finden. Jacob Bowers, Vice President of Quantitative Research bei BlackRock, erklärte auf der Future Alpha Konferenz in New York, dass KI "hervorragend darin ist, unstrukturierte Daten zu strukturieren", und "einige der besten unstrukturierten Daten, die man hat, sind intern."

Die einst hochmodernen, öffentlich zugänglichen Daten seien durch KI "commoditisiert" worden, so Bowers. BlackRock durchsucht interne Kommunikationen zwischen Investmentexperten und alte Berichte über Chancen, um neue Erkenntnisse zu gewinnen. Die Fülle an Daten innerhalb langjähriger Asset Manager ist bekannt; ein Bericht der Beratungsfirma Opimas aus dem Jahr 2019 prognostizierte bereits, dass Fonds ihre Daten irgendwann verkaufen würden, um zusätzliche Einnahmen zu generieren. Robert Frey, ein ehemaliger Geschäftsführer von Renaissance Technologies, betonte, dass der größte Vorteil seines ehemaligen Arbeitgebers dessen "massive Datenbibliothek" sei, die über Jahrzehnte des Handels gesammelt wurde.

Balyasny's fortschrittliche KI-Forschungsmaschine

Auch Balyasny Asset Management, ein Unternehmen mit 33 Milliarden US-Dollar verwaltetem Vermögen, setzt auf interne Datenanalyse mittels KI. Andrew Gelfand, ein Quant bei Balyasny, der sich auf Alpha-Capture konzentriert, berichtete auf der Future Alpha Konferenz, dass das Unternehmen bereits früher versucht hatte, unstrukturierte Daten innerhalb der firmeneigenen Systeme zu monetarisieren. Jüngste KI-Fortschritte haben diese Aufgabe jedoch wesentlich fruchtbarer gemacht.

Balyasny hat ein hochentwickeltes KI-Forschungssystem auf Basis von OpenAI's GPT-5.3 Modellen entwickelt. Dieses System nutzt eine mehrschichtige Architektur, die GPT-5.3-Codex-Spark mit spezialisierten Bewertungsrahmen und Agenten-Workflows kombiniert. Analysten des Unternehmens sind angehalten, ihre Forschungsergebnisse und Notizen in ein Portal einzugeben, auf das Gelfands Team zugreifen kann. Dies liefert der KI eine enorme Menge an Texten, die sie nach potenziellen Investmentsignalen durchsuchen kann. Die GPT-5.3-Modelle haben kürzlich bemerkenswerte Fähigkeiten gezeigt, darunter das Übertreffen menschlicher Baselines beim OSWorld-Benchmark mit einer Punktzahl von 75 % und die Vorbereitung auf einen Start mit einem Kontextfenster von 1 Million Token.

Das System von Balyasny geht über einfache Automatisierung hinaus. Agenten-Workflows ermöglichen es der KI, Investmentforschung in sequentielle Aufgaben zu zerlegen, ähnlich wie ein menschlicher Analyst. Es kann Markttrends identifizieren, unterstützende Daten sammeln, Korrelationen analysieren, Risiken bewerten und schließlich Investmentthesen generieren – alles mit minimalem menschlichem Eingriff. Ein strenger Bewertungsrahmen ist dabei entscheidend, um die finanzielle Solidität der KI-Empfehlungen zu gewährleisten.

Die Bedeutung von hochwertigen Daten und menschlicher Expertise

Diese Art des internen Data Mining erfordert erstklassige Daten, aus denen die KIs lernen können – die Gedanken und Prozesse erfahrener Investoren auf ihrem Höhepunkt. Obwohl Fonds möglicherweise mehr interne Daten besitzen, als ein Mensch in seinem Leben verarbeiten könnte, benötigen KI-Agenten ständig neue Informationen, um mit einer sich wandelnden Welt und sich entwickelnden Märkten Schritt zu halten.

Mike Daylamani, der bei Engineers Gate ein Team leitet, das fundamentales und systematisches Investieren verbindet, betonte auf der Konferenz: "Man braucht qualitativ hochwertige Ausgangsdaten", womit er die Datenfeeds meinte, die Quants zum Aufbau ihrer Modelle verwenden. Letztendlich sei das Investieren "ein kreatives Unterfangen". Die menschliche Expertise und die Qualität der internen Daten bleiben somit entscheidend für den Erfolg der KI-gestützten Alpha-Generierung.