Die Grundfrage jedes Anlegers
Wie viel in Aktien, wie viel in Obligationen, wie viel in Gold? Die Aufteilung auf Anlageklassen, die sogenannte Asset Allocation, gehört zu den wichtigsten Entscheiden jeder Anlagestrategie. Seit über 70 Jahren gilt dafür ein Ansatz als Standard, der auf den Nobelpreisträger Harry Markowitz zurückgeht. Er verlangt zwei Schritte: Zuerst wird geschätzt, welche Renditen und Schwankungen von jeder Anlageklasse zu erwarten sind und wie sich die Anlagen gegenseitig beeinflussen. Daraus wird dann die optimale Mischung berechnet. Die Schwäche liegt im ersten Schritt. Zukünftige Renditen lassen sich nur ungenau schätzen, und schon kleine Schätzfehler können zu stark verzerrten Portfolios führen, ohne dass dies auf den ersten Blick sichtbar wäre.
Die Idee: Direkt aus Erfahrung lernen
Das Forschungsteam mit Dr. Simon Broda (Institut für Finanzdienstleistungen Zug IFZ der Hochschule Luzern), Prof. Dr. Gianluca De Nard (Universität Liechtenstein und Universität Zürich) und Dr. Patrick Walker (OLZ AG und Universität Zürich) hat einen anderen Weg gewählt. Ihr Modell ist ein einfacher Ansatz aus dem Reinforcement Learning. Dabei lernt ein Computerprogramm nicht aus vorgegebenen Lösungen, sondern aus den Ergebnissen seiner eigenen Entscheidungen: Es probiert auf historischen Daten Aufteilungen aus, erhält als Rückmeldung, wie gut diese Rendite und Risiko ausbalanciert haben, und passt sein Verhalten Schritt für Schritt an.
Der Unterschied zum klassischen Vorgehen lässt sich an einer einfachen Frage zeigen. Der klassische Ansatz fragt: Welche Rendite wird Gold nächstes Jahr bringen? Das neue Modell fragt: Wenn die Zinsen steigen und die Märkte nervös sind, welche Mischung hat sich in solchen Lagen bewährt? Der fehleranfällige Umweg über die Prognose entfällt.
Als Grundlage dienen dem Modell die Kursentwicklung und Risikoeigenschaften der Anlageklassen sowie wirtschaftliche Indikatoren wie Zinsen, Inflation, Arbeitslosigkeit oder die Marktvolatilität. Daraus leitet es einmal pro Monat eine neue Aufteilung ab. Untersucht wurden sechs breite, vorwiegend US-amerikanische Anlageklassen, die sich alle günstig über börsengehandelte Indexfonds (ETFs) abbilden lassen: Aktien, Gold, kotierte Immobilien, Rohstoffe, Staatsanleihen und Unternehmensanleihen (Abbildung 1).
Warum ein einfacher Ansatz genügt
Bekannt geworden ist Reinforcement Learning durch Programme, die Schach oder Go meistern. Solche Systeme sind aufwendig, weil jeder Zug die weitere Partie verändert. An den Finanzmärkten ist das anders: Ein Anleger, dessen Handelsvolumen im Verhältnis zum Markt klein ist, beeinflusst die Kurse nicht. Seine Entscheidung von heute verändert die Ausgangslage von morgen also nicht. Die Forschenden nutzen dies und behandeln jeden Monat als eigenständige Entscheidung. So kommt das Modell ohne die aufwendige Maschinerie üblicher Reinforcement-Learning-Systeme aus und lässt sich schlank und schnell trainieren.
Hinzu kommt ein zweiter Kniff: Das Modell beginnt nicht bei null, sondern startet bei der klassischen Markowitz-Lösung und versucht, diese anhand der Daten schrittweise zu verbessern.