Was KI bei der Diversifikation tatsächlich leistet

Diversifikation ist die Idee, Risiken so zu streuen, dass ein Verlust in einer Anlage nicht das gesamte Portfolio belastet. Künstliche Intelligenz verändert daran nichts Grundlegendes, sondern erweitert die Werkzeuge, mit denen Abhängigkeiten zwischen Anlageklassen gemessen werden.

Was Modelle tatsächlich tun

Verfahren des maschinellen Lernens suchen in historischen Daten nach Mustern: Welche Anlageklassen bewegen sich gemeinsam, wann löst sich dieser Zusammenhang auf, welche versteckten Faktoren treiben mehrere Werte gleichzeitig? Ein clustering-basiertes Modell kann Anlageklassen in Gruppen einteilen, die sich ähnlich verhalten. Ein optimierungsbasierter Anslag kann Gewichtungen vorschlagen, die eine gewünschte Risikogröße minimieren.

Was sie voraussetzen

Jedes Modell braucht eine Datenbasis – und die ist immer rückwärtsgerichtet. Wer Diversifikation für eine Zukunft berechnen will, die sich wie die Vergangenheit verhält, erhält plausible Ergebnisse. In Krisen, in denen gerade die historischen Muster brechen, versagen die gleichen Modelle jedoch regelmäßig.

Wie man Ergebnisse liest

Eine sinnvolle Einordnung fragt nach drei Dingen: Welche Daten wurden verwendet, über welchen Zeitraum? Welche Annahmen stehen hinter dem Modell? Und werden die Ergebnisse als Szenario oder als Vorhersage dargestellt? Wer diese drei Fragen beantworten kann, kann Aussagen zur Diversifikation deutlich besser einordnen.

Was KI nicht leistet

KI sagt nicht voraus, wann eine Krise kommt. Sie misst, wie verteilt Risiken heute sind, und wie empfindlich das Portfolio auf Veränderungen reagiert. Das ist nützlich – aber es ist keine Versicherung gegen das Unerwartete.

Einordnung statt Vorhersage: Der Wert eines Modells zeigt sich erst, wenn man seine Grenzen mit nennt.