Hipster versus Quant, Daten versus theoretische Modelle, induktive versus deduktive Methode? Die Frage nach dem Primat der Methodik ist so alt wie die Wissenschaften selbst. Ausgelöst durch Erfolge von maschinellem Lernen in anderen Industrien hat der von Breiman (2001) ausgerufene Kulturkampf zwischen daten- und modellgetriebener Statistik nun auch das Asset-Management erreicht. Welche Aufgabe(n) kann maschinelles Lernen im Asset-Management übernehmen? Dieser Frage wird in meinem neuen Aufsatz für das Frankfurter AI Institut nachgegangen.
Ich beschränke mich dabei auf den Bereich des Portfoliomanagements und klammere andere Anwendungen („Business Analytics“) aus. Hier unterscheidet sich die Asset Management Industrie (bis auf regulatorische Auflagen) nur unwesentlich von anderen Industrien. Mögliche Anwendungsgebiete sind das automatisierte Lesen von Lebensläufen, legalen Dokumenten und Rechnungen oder die Klassifizierung von Kunden und die Berechnung eines „customer lifetime value“. Darüber hinaus werden die spezifischen Eigenschaften und die damit einhergehenden Herausforderungen bei der Analyse von ökonomischen Daten im Hinblick auf die Methodenwahl diskutiert.
Um das Thema neben Quant und Hipster auch einer möglichst breiten Zuhörerschaft zugänglich zu machen, habe ich weitgehend auf formale Darstellungen verzichtet und eine Vielzahl von Beispielen eingearbeitet. Bis auf wenige zitierte Ausnahmen verarbeitet dieser Aufsatz sowohl meine persönlichen Erfahrungen und Ideen, als auch die Ergebnisse vieler Gespräche der letzten Monate mit „peers“ in London, Frankfurt und New.