Ludovic Chappex

Nachrichten aus der Wirtschaftspresse verschlingen, Trends in sozialen Netzwerken scannen, Geschäftsberichte von Unternehmen unter die Lupe nehmen: Ob dieses allseits bekannte Ritual eifriger Anleger bald schon Geschichte sein wird? Durch ihre fulminanten Fortschritte stellt künstliche Intelligenz (KI) jeden Tag etwas mehr ihrer phänomenalen Fähigkeit unter Beweis, eine enorme Flut von Informationen zu analysieren und zu verarbeiten – sehr viel schneller und effizienter, als dies dem menschlichen Gehirn möglich ist. Das Wunder geschieht durch sogenanntes Natural Language Processing (NLP), die Verarbeitung von natürlicher Sprache. Das ist ein Teilbereich der KI, der maschinelles Lernen nutzt, um die Struktur und den Sinn eines Textes zu verstehen.

In der Finanzwelt bietet diese Technologie die Möglichkeit, quasi in Echtzeit die Marktstimmung zu analysieren, also die allgemeine Einstellung von Anlegern zu einem Vermögenswert oder auch zum Markt insgesamt. Lässt sich so auch die Entwicklung der Börsenkurse vorhersagen?

Die ersten Ergebnisse scheinen darauf hinzudeuten. Die amerikanische Notenbank (Fed) hat gerade erst einen Indikator namens Twitter Financial Sentiment Index (TFSI) erarbeitet, um die Stimmung der Märkte zu messen. Im vergangenen Mai veröffentlichte die Fed auf ihrer Website eine Studie mit dem Titel «More than Words: Twitter Chatter and Financial Market Sentiment». Darin heisst es: «Wir entwickeln eine neue Kennzahl für die Stimmung der Finanz- und Kreditmärkte, indem wir die Verarbeitung von natürlicher Sprache auf Twitter-Daten anwenden (…). Wir zeigen, dass sich durch die Finanzstimmung auf Twitter während der Nacht Börsenrenditen am nächsten Tag vorhersagen lassen. Insbesondere zeigen wir, dass der Index Informationen enthält, die dabei helfen, Änderungen in der Ausrichtung der amerikanischen Geldpolitik vorherzusagen: Eine Verschlechterung der Finanzstimmung auf Twitter am Tag vor der Veröffentlichung der Mitteilung des FOMC (Anm. d. R.: Federal Open Market Committee der Fed) sagt das Ausmass restriktiver Schocks der Geldpolitik voraus.»

Andere Arbeiten ähnlicher Art bewerten die Analyse der Marktstimmung anhand von Presseartikeln positiv. Die von der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW) 2022 veröffentlichte Studie «Using Financial News Sentiment for Stock Price Direction Prediction» untersucht die Verarbeitung von natürlicher Sprache, um die Stimmung in den Nachrichten herauszufiltern und die Entwicklung des S&P 500 Index vorherzusagen. Die Ergebnisse zeigten, so die Autoren, «dass Stimmungsbarometer, die auf dem Inhalt von Nachrichten basieren, besonders nützlich sind, um die Richtung von Aktienkursen vorherzusagen.»

Mehrere Technologieunternehmen sind auf diesen Zug aufgesprungen und bieten ihren Kunden – Banken, Hedgefonds oder Pensionsfonds – schlüsselfertige Programme für die Analyse der Marktstimmung mittels KI an. Die kalifornische Firma Marketpsych (Interview mit ihrem CEO) oder das hispanoamerikanische Unternehmen Ravenpack gehören zu den Vorreitern und massgebenden Grössen in diesem Bereich. 

Konkret konzentrieren sich diese Unternehmen auf Millionen von Nachrichten aus Wirtschaftsmedien, Blogs oder sozialen Netzwerken und verarbeiten diesen Datenstrom zu Indizes, die von Anlegern ausgewertet werden können. Die erste Herausforderung besteht darin, eine vernünftige Datenbasis anhand von Quellen zu erstellen, die für verlässlich befunden werden. Anschliessend gilt es, mithilfe von Schlüsselbegriffen wie Inflation, Arbeitslosigkeit, Corona oder Rezession ein Thema oder auch mehrere zu definieren. Alle diese verschiedenen Themen werden von den Programmen für die Verarbeitung von natürlicher Sprache automatisch erkannt. Danach erstellen die Programme dann Statistiken oder Zusammenfassungen. Dahinter steht die Idee, eine Bewertung der positiven, neutralen oder negativen Einstellungen der Öffentlichkeit zu einem Thema oder einem bestimmten Unternehmen zu erhalten. Ravenpack nimmt für sich in Anspruch, quasi in Echtzeit ein Abbild des Marktes liefern zu können: «Die Maschine kann in weniger als einer halben Sekunde Daten sammeln, auswerten und dem Kunden eine Analyse liefern», erklärt Armando Gonzalez, CEO von Ravenpack.

Doch wie relevant ist die Analyse der Marktstimmung? Kann sie traditionelle Wirtschaftsindikatoren ersetzen? Und vor allem: Welche Vorhersagekraft hat sie wirklich? «Diese Methoden sind seriös», erklärt Norman Schürhoff, Finanzprofessor an der Universität Lausanne und am Swiss Finance Institute. «Es gibt inzwischen zahlreiche Belege, dass Nachrichten und soziale Netzwerke wertvolle Informationen liefern. Aber die Analyse der Marktstimmung darf nicht als Ersatz für fundamentale traditionelle Wirtschaftsindikatoren angesehen werden. Sie stellt eher eine Ergänzung dar und ermöglicht es, die Prognosefähigkeit von Wirtschaftsindikatoren zu verfeinern.»

Diese Meinung teilen auch andere Experten aus akademischen Kreisen, die wir befragt haben, darunter Didier Sornette, emeritierter Professor für Entrepreneurial Risks an der ETH Zürich (ETHZ): «Die Marktstimmung ist wie ein Foto, und zwar ein sehr genaues. Dieses Foto kann dann in das Instrumentarium für die Vorhersage künftiger Kurse und Risiken aufgenommen werden.»

Auch wenn sich Spezialisten über die Bedeutung der Marktstimmungsanalyse einig sind, heben alle hervor, welche zentrale Rolle die Qualität der von KI verarbeiteten Daten spielt. Der CEO von Ravenpack, Armando Gonzalez, stimmt dem durchaus zu: «Die Speicherkapazitäten und die Schnelligkeit von Computern haben riesige Fortschritte gemacht. Doch die Herausforderung bleibt, die richtigen Daten zu isolieren. Richtige Daten sind die Basis für die gesamte Modellierung.» 

« Die Qualität der Quelle ist entscheidend. Wenn Sie ohne Urteilsvermögen Informationen auf Basis des Durchschnitts aller Influencer bündeln, verlieren Sie Geld »

Norman Schürhoff, Finanzprofessor an der Universität Lausanne und am Swiss Finance Institute

Einfach nur alles aufzusaugen, was in den sozialen Netzwerken gesagt wird, ist zum Scheitern verurteilt. Norman Schürhoff hat eine Studie mit dem Titel «Finfluencers» (Anm. d. R.: eine Zusammenziehung der Begriffe Financial Influencers) geleitet, die am 25. April dieses Jahres vom Swiss Finance Institute veröffentlicht wurde und über dieses Phänomen berichtet. Hiernach sind 56 Prozent der Influencer nicht kompetent genug, um Kurse vorherzusagen, was zu monatlichen Renditen von -2,3 Prozent führt, und nur 28 Prozent sind kompetent und erzielen Renditen von+2,6 Prozent. «Empfehlungen von unqualifizierten Finfluencers führen im Regelfall zu übertrieben optimistischen Überzeugungen und zu anhaltenden Abweichungen in den Überzeugungen der Follower», schreiben die Autoren der Studie. Auf diese Weise verursachen Finfluencers überzogene Transaktionen und ineffiziente Preise.

«Die Qualität der Quelle ist entscheidend», resümiert Norman Schürhoff. «Wenn Sie ohne Urteilsvermögen Informationen auf Basis des Durchschnitts aller Influencer bündeln, verlieren Sie Geld. Doch wenn Sie die besten Influencer als Quellen wählen und diese Informationen mithilfe von NLP filtern, ist das Ergebnis überzeugend.» Schürhoff führt weiter aus: «Insgesamt ist die Vorhersagekraft sozialer Netzwerke zwar stärker von Zufällen beeinflusst als bei Artikeln aus der Wirtschaftspresse, aber unsere Studie zeigt, dass man mit der richtigen Methodik wertvolle Informationen gewinnen kann.»

Neben der sorgfältigen Auswahl von Daten liefert die grosse Menge an Informationen zusammen mit einer maximalen Nutzung von NLP-Programmen am Ende die beste Performance: «Unsere Forschungsarbeiten belegen, dass je mehr Daten Sie aggregieren – sofern Sie die richtigen Daten wählen – und je mehr Sie verschiedene NLP-Programme verwenden, desto höher ist die Chance auf Outperformance», erläutert Matthias Uhl, Head Analytics & Quant Modelling bei der UBS, der zudem als Dozent an der Universität Zürich und am Swiss Finance Institute tätig ist.

Würde am Ende die KI ein Vermögen machen, sofern man den Rechner mit vernünftigen Daten fütterte? Amit Goyal, Finanzprofessor an der Universität Lausanne, bezweifelt das. «Ob mit oder ohne diese Technologien, bleibt eine grundlegende Frage: Ist es überhaupt möglich, Kurse vorherzusagen? Nach Einschätzung mehrerer Nobelpreisträger für Wirtschaftswissenschaften ist es nicht möglich, die Entwicklung von Kursen an den Märkten vorherzusagen. Das ist ein Thema, das weiterhin für Diskussionen unter Wirtschaftswissenschaftlern sorgt.»

«In der Wissenschaft gibt es keinen Konsens über irgendetwas», lacht Didier Sornette. «Wir haben alle unsere eigenen Ansichten!» Der ETH-Professor ist relativ zurückhaltend, was diese neuen Programme betrifft: «KI und maschinelles Lernen sind sehr viel leistungsfähiger geworden, doch die daraus resultierende Verbesserung ist mehr quantitativer als qualitativer Natur. KI kann immer weiter in die Tiefe gehende Analysen liefern, aber letztendlich entschlüsselt KI nur die Dummheit (oder Intelligenz) der Menge.»

Je nachdem, ob man Kurse kurz- oder langfristig vorhersagen will, bestehen jeweils andere Herausforderungen. «Kurzfristig dominiert das Verhalten! Je kurzfristiger, desto weniger sensibel ist die Kursabweichung gegenüber Fundamentaldaten», fasst Julien Leegenhoek, Gründer und CEO des Genfer Unternehmens Taranis, zusammen. Die Firma ist auf die Analyse von alternativen Daten (darunter die Marktstimmung) anhand von KI spezialisiert.

Matthias Uhl von der UBS weist seinerseits nachdrücklich auf die Bedeutung von wirtschaftlichen Fundamentaldaten in einem langfristigen Anlagehorizont hin: «Ein Asset-Manager braucht Indikatoren, die für einen oder auch zwei Wirtschaftszyklen verlässlich sind. Ich habe noch keinen Indikator für die Marktstimmung gesehen, der auf sozialen Netzwerken beruhte und über einen so langen Zeitraum zuverlässig war. Daher ist es für Anleger wichtig, sich nicht auf ein bestimmtes Spezialgebiet zu beschränken.» In diesem Zusammenhang erzählt Matthias Uhl folgende Anekdote: «Ich unterrichte Studierende, die zum Teil Experten in KI sind; einige beherrschen maschinelles Lernen, das auf den Finanzbereich angewandt wird. Aber dieselben Studierenden haben mitunter keine Ahnung, wie die Wirtschaft funktioniert. Aber das ist genauso wichtig, wenn Sie die Märkte schlagen wollen.»

Eine weitere Hürde bei diesen Technologien liegt paradoxerweise in ihrer Verbreitung. Beim Anlegen geht es darum, Informationen zu besitzen, die andere nicht oder noch nicht haben. Nun bringen immer mehr Unternehmen ihre Lösungen auf den Markt, ganz zu schweigen von KI-Programmen, die ohne Weiteres für jedermann zugänglich sind.

Man nehme nur ChatGPT: In seiner aktuellen Version liefert der berühmte Chatbot verblüffende Ergebnisse beim Stock Picking auf Basis der Marktstimmung. Doch diese Dienste richten sich an Milliarden von potenziellen Anlegern. Unter diesen Bedingungen ist es schwieriger, immer einen Schritt voraus zu sein. Matthias Uhl von der UBS zieht eine interessante Parallele: «Schauen Sie sich das KGV (Kurs-Gewinn-Verhältnis) an, das die meisten Anleger auch heute noch beachten. Die Nützlichkeit dieses Indikators hat in den letzten Jahrzehnten immer mehr abgenommen, während er sich in den 1970er- und 1980er-Jahren als wertvoller Indikator erwiesen hat.»

Und wie geht es weiter? «Künftig wird eine Analyse der Marktstimmung auch durch die Verarbeitung von Videos erfolgen», sagt Armando Gonzalez, CEO von Ravenpack. Dahinter stehe die Idee, bestimmte Verhaltensweisen erkennen zu können. «Im nächsten Schritt wird es um die Stimmen- und Videoanalyse von Verhaltenssignalen bei CEOs und Zentralbanken gehen», meint auch Norman Schürhoff von der Universität Lausanne. «Methoden des maschinellen Lernens werden entwickelt, um Beweggründe von Menschen zu verstehen und aufzudecken. Diese Art von Forschung kann bei langfristigen Prognosen helfen.»