Die größten Stolpersteine beim Einsatz von KI „Zentral ist, dass viele KI-Ansätze im Investmentkontext – insbesondere solche, die stark kursgetrieben und überwiegend auf vergangenheitsbezogene Preisdaten trainiert sind – dazu neigen, Zufallsmuster zu lernen.“ In Backtests erscheine dies oft als Prognosefähigkeit, „ist aber häufig das Ergebnis von Data Snooping, Multiple Testing und Curve Fitting“. Je größer der Suchraum, desto höher die Wahrscheinlichkeit, dass ein scheinbar gutes Ergebnis rein zufallsgetrieben entsteht“, so Murg. Hinzu kommen praktische Hürden: „Transaktionskosten, Slippage, Kapazitätsgrenzen, Latenzen, Datenverfügbarkeit in Echtzeit sowie organisatorische Reibung werden oft unterschätzt.“ Bei generativer KI treten zusätzliche Risiken auf: „Halluzinationen, inkonsistente Begründungen, schwer auditierbare Outputs“. Daher sind Faktenchecks, Logging und klare Verantwortlichkeiten erforderlich. Punkto LLMs warnt Hornuf: „Ohne eine finanzielle Grundbildung gibt man die falschen Prompts ein und erhält keine sinnvolle Anlageberatung.“ bereinigung, Anomalie-Erkennung, Signalextraktion sowie die NLP-basierte Verarbeitung von Textdaten. Auch im Risikomanagement könne KI Muster in Volatilität, Korrelationen und Liquidität identifizieren und damit Stress- und Szenarioanalysen unterstützen. „Ein weiteres Feld mit hoher Praxisreife ist die Optimierung der Handelsausführung (Execution) und die Abschätzung von Market Impact bzw. Slippage, weil Zielgrößen operativ messbar sind“, so Murg. Unersetzlich bleiben Menschen hingegen „dort, wo Treuhandlogik, normative Abwägungen und echte Unsicherheit dominieren: bei der Definition von Anlagezielen und Risikobudgets, beim Umgang mit Interessenskonflikten, bei der Mandatsauslegung sowie bei verantwortungsvoller Kommunikation gegenüber Kunden und Aufsicht“. Gerade in Phasen von Strukturbrüchen steige der Wert menschlicher Urteilsfähigkeit, da historische Muster an Aussagekraft verlieren. Einsatz im Fondsmanagement Auch in der Praxis großer Asset Manager steht nicht die Automatisierung von Anlageentscheidungen im Vordergrund. „Bei Raiffeisen Capital Management nutzen wir Künstliche Intelligenz inzwischen als wichtigen Bestandteil unserer Analyse- und Researchprozesse, wobei stets der verantwortungsvolle, regulierungskonforme und risikobewusste Einsatz im Vordergrund steht“, so Karin Kunrath, Chief Investment Officer, Raiffeisen Capital Management. KI verarbeitet, klassifiziert und wertet große Mengen an Markt-, Unternehmens- und Makrodaten aus und die Algorithmen erkennen Muster, Zusammenhänge und Ausreißer, „die dem Menschen aufgrund der Datenfülle oft verborgen bleiben“. Die Vorteile, die sich durch den Einsatz von KI ergeben, sind schnellere Recherchen, bessere Datenqualität und frühere Trenderkennung, wobei der aktuelle Stand von einer starken Professionalisierung der Werkzeuge geprägt sei. „Heute kann KI Sentimentanalysen in Echtzeit durchführen, komplexe Dokumente automatisiert zusammenfassen, Anomalien in Unternehmensdaten erkennen und Szenarien simulieren.“ Gleichzeitig betont Kunrath aber klare Grenzen beim Einsatz von KI: „Modelle können zwar Muster erkennen, aber nicht ökonomische Logik ersetzen. Marktregimewechsel, geopolitische Schocks oder unerwartete politische Entscheidungen sind Bereiche, in denen Erfahrung, Einschätzungskraft und Kontextwissen des Menschen unverzichtbar bleiben“, so Kunrath. Prognosekraft bleibt begrenzt „Wir haben inzwischen 32 unterschiedliche Large-Language-Modelle (LLMs) untersucht. Dabei ist uns noch bewusster geworden, dass diese Modelle nicht speziell für die Anlageberatung entwickelt wurden und bei Renditetests unter einem sogenannten LookAhead-Bias leiden“, erklärt Lars Hornuf, Professor für Betriebswirtschaftslehre an der Technischen Universität Dresden. LLMs wissen, wie sich bestimmte Portfolios in der Vergangenheit entwickelt haben und stimmten darauf ihre Empfehlungen ab. „In der Rückschau fallen diese Empfehlungen daher nahezu zwangsläufig sehr gut aus“, beschreibt Hornuf. Daher differenziert Hornuf klar zwischen dem klassischen maschinellen Lernen und LLMs: „Klassische Machine-Learning-Verfahren können das Portfolio-Management deutlich gezielter unterstützen, während LLMs vor allem darauf trainiert sind, Texte zu erzeugen, die Nutzer mit hoher Wahrscheinlichkeit lesen möchten und gut nachvollziehen können. Besonders spannend wird es dort, wo beide Ansätze zusammenkommen. Klassisches maschinelles Lernen optimiert die Portfolios und die LLMs übernehmen die verständliche Kommunikation der Ergebnisse gegenüber den Kunden“. „Klassisches maschinelles Lernen optimiert die Portfolios, die LLMs übernehmen die Kommunikation gegenüber den Kunden.“ Lars Hornuf, Technische Universität Dresden „Transaktionskosten, Slippage, Kapazitätsgrenzen, Latenzen, Datenverfügbarkeit in Echtzeit sowie organisatorische Reibung werden in der Praxis oft unterschätzt.“ Michael Murg, FH JOANNEUM Ausgabe Nr. 1/2026 – GELD-MAGAZIN . 13
RkJQdWJsaXNoZXIy MzgxOTU=