Investieren mit künstlicher Intelligenz: So funktioniert’s

Die Menge an Daten steigt. Und unsere Fähigkeit, mit diesen Daten umzugehen, ebenso. Nicht nur durch Menschen, sondern viel mehr durch eigenständig entscheidende Computer.

Aber was steckt hinter den Begriffen "Künstliche Intelligenz" und "Big Data"? Welche Chancen und Hürden gibt es und wie kannst du beide fürs Investieren nutzen?

Die Antworten darauf gibt es in diesem Artikel.

Außerdem erfährst du (mit einem Augenzwinkern):

• meine "geheime" Strategie, wie man mit Instagram die Starbucks-Aktie analysieren kann
• einen Bullshit-Counter, um geschönte Geschäftsberichte zu identifizieren
• ob Britney Spears entscheidend für den Wirtschaftsaufschwung der USA ist - und was dieses kuriose Beispiel über das Investieren verrät

Dieser Artikel ist auch als Podcast verfügbar:

Was steckt hinter den Begriffen "Big Data" und "Künstliche Intelligenz"?

Schauen wir uns zuerst an, was sich hinter den Begriffen "Big Data" und "künstlicher Intelligenz" verbirgt und was diese Begriffe mit der Börse zu tun haben.

Daten: Der wichtigste Rohstoff des 21. Jahrhunderts?

Viele Unternehmen haben es mittlerweile erkannt: Daten sind einer der wichtigsten Rohstoffe des 21. Jahrhunderts, vielleicht sogar der wichtigste.

Ganze Geschäftsmodelle beruhen auf dem Sammeln und Auswerten von Daten.

Beispiel: Facebook. 

​Je besser Facebook dich als Nutzer kennt, desto relevanter wird die ausgespielte Werbung und dementsprechend zahlungsbereiter ist der Werbepartner.

Im ersten Moment ist das eine Win-Win-Win-Situation: Der Nutzer erhält relevantere Werbung & Beiträge. Der Werbepartner erreicht potentielle Kunden deutlich besser. Facebook verdient mehr Geld (und erfreut damit die Aktionäre).

Auch andere Unternehmen möchten den Kunden kennenlernen, um damit das Kundenerlebnis zu verbessern. Fragen, die sich ein Online-Händler stellt, sind unter anderem:

• Welche Produkte kauft der Kunde?
• In welcher Frequenz kauft der Kunde?
• Was kaufen andere Kunden, die diese Produkte auch gekauft haben?

Der wirtschaftliche Nutzen ist unbestritten. Auch der Nutzen für Kunden durch bessere Produkte und Dienstleistungen ist - zumindest kurzfristig und in den meisten Fällen - gegeben.

Mittlerweile werden aber vor allem die Nachteile diskutiert, die sich daraus ergeben: Mangelnde Privatsphäre, Risiko durch mögliche Sicherheitslücken oder die Gefahr sich eigene Filterblasen aufzubauen.

Das Beispiel zeigt aber: Wirtschaftlich ist es sinnvoll Daten zu sammeln. Nicht nur über Menschen, sondern überall - auch über Aktien, wie wir gleich sehen werden.

Der Begriff "Big Data" bezeichnet das Sammeln all solcher Datenmengen.

Was eine "künstliche Intelligenz" wirklich ist

Nun könnte man Menschen daran setzen, diese Datenmengen zu analysieren und Auffälligkeiten, Zusammenhänge und Erkenntnisse herauszufiltern.

Das Problem: Es kostet enorm viel Zeit und ist fehleranfällig - mehr dazu gleich.

Die Lösung: Künstliche Intelligenzen.

Der Begriff "künstliche Intelligenz" wird heute allerdings inflationär benutzt. Viele Dinge, denen eine Intelligenz zugesprochen wird (welche nicht einmal klar definiert ist), beruhen lediglich auf statistischen Methoden und Modellen. 

Diese gibt es schon seit Jahrzehnten. Erst jetzt haben wir aber die Rechenleistungen, um diese schnell und kostengünstig anwenden zu können. Wir können dabei von Algorithmen sprechen.

Das macht "künstliche Intelligenzen" nicht weniger effektiv. Es hilft aber zu verstehen, was wirklich hinter diesem Buzzword steckt.

Künstliche Intelligenzen beruhen dabei in der Regel auf maschinellem Lernen ("machine learning"). Dabei wird ein Algorithmus so trainiert, dass er in der Lage ist, ein bestimmtes Ergebnis durch eigene Entscheidungen zu erreichen. Wie genau das funktioniert, zeige ich dir gleich.

Algorithmen an der Börse: Der Status Quo

Auch zu Unternehmen, Aktien und den Finanzmärkten fallen viele Daten an. Nicht nur Zahlen, sondern auch andere Daten, die verwertet werden können.

Diese Daten können ausgewertet werden und (a) deine Anlageentscheidung unterstützen oder (b) komplett eigenständig von Algorithmen genutzt werden, um Anlageentscheidungen zu treffen.

Bei Algorithmen denken wir zuerst an Hochfrequenzhandel: Ein Wertpapier wird in ein paar Millisekunden gekauft, 7 Sekunden gehalten und direkt weiterverkauft.

Ja, das gibt es, aber es ist nur ein kleiner Teil. Ein Algorithmus kann genauso gut für längere Horizonte genutzt werden, also auch für Buy-and-Hold-Anleger.

Der Anteil des Marktvolumens, der in den USA aktuell von Algorithmen gehandelt wird, liegt laut Glantz & Kissel bei ca. 85%.

Dabei gibt es unterschiedliche Definitionen, was ein Algorithmus ist: Auch ein Orderzusatz wie "Kaufe die Aktie, wenn sie unter 80€ fällt" wird vom Algorithmus ausgeführt. Genauso ein ETF-Sparplanauftrag.

Es gibt also eine gewisse Unschärfe beim Messen des Algorithmus-Volumens an den Finanzmärkten, klar ist aber: Der Anteil ist erstaunlich groß.

Daraus ergeben sich zwei wichtige Fragestellungen für uns:

1. Welche Auswirkungen hat ein wachsender Anteil von Algorithmen auf die Finanzmärkte?
2. Lohnt es sich für dich auf Investmentlösungen mit künstlicher Intelligenz zu setzen und wenn ja, wie machst du das?

Hier konzentrieren wir uns auf die 2. Frage. Schauen wir uns also an, was künstliche Intelligenzen heute möglich machen.

7 künstliche Intelligenzen im Alltag und die Funktionsweise dahinter

Künstliche Intelligenz sorgen regelmäßig für neue Schlagzeilen. Dazu gehören unter anderem:

• Roboter, die eigenständig laufen können
• Sprachassistenten von Google, Amazon ("Alexa") und Apple ("Siri"), die Sprache erkennen, verarbeiten und beantworten
• Programme, die Krebs besser erkennen können als renommierte Ärzte

• Programme, die Rechtstexte schneller und besser auf Sinnhaftigkeit überprüfen können als Juristen
• Bilderkennung (inklusive Erkennen von Texten, Gesichtsausdrücken, Gegenständen und mehr)
• selbstfahrende Autos, die weniger Unfälle bauen als Menschen
• Empfehlungen bei YouTube, Spotify, Netflix und Amazon basierend auf deiner Historie

Es gibt mittlerweile unzählige von Anwendungsfällen, in denen künstliche Intelligenzen unser Leben beeinflussen - oftmals ohne, dass wir es merken.

In den Details sind diese Mechnaismen sehr unterschiedlich, sie funktionieren aber nach dem gleichen Schema:

Ein konkretes Beispiel: Selbstfahrende Autos

Diese fünf Schritte durchläuft ein Algorithmus für selbstfahrende Autos schemenhaft (und selbstverständlich stark vereinfacht).

Input: Signale von außen, die durch Sensoren aufgenommen werden.

Gewünschte Ergebnisse: Das Auto soll nirgendwo gegen fahren, die Geschwindigkeit nicht überschreiten, Gefahren frühzeitig erkennen etc.

Training: Der Algorithmus erhält 10.000 Situationen als Trainingsinput, zu denen die jeweils richtige Aktion angegeben ist ("Fahre nach links", "bremse ab", "beschleunige" usw.). Der Algorithmus versucht nun Muster herauszufinden, wann eine Situation mit welcher Aktion beantwortet werden soll.

Test: Nach dem Training erhält der Algorithmus weitere Situationen, die er eigenständig mit einer Aktion beantworten soll. Daran lässt sich erkennen, wie gut der Algorithmus ist.

Maschinelles Lernen: Mit jedem Datenpunkt und jeder neuen Situation, die das selbstfahrende Auto erlebt, wird es besser in der Entscheidungsfindung.

Wir haben also gesehen, was künstliche Intelligenzen (oder, unsexy formuliert, "statistische Methoden mit hoher Rechenleistung") heute ermöglichen. Aber wie lässt sich das auf Anlageentscheidungen übertragen?

4 Ideen, wie Algorithmen deine Anlageentscheidungen verbessern können

Das Sammeln von Daten und das Auswerten dieser hat schier unendliche Möglichkeiten. Wie lassen sich diese aber auf die Börse übertragen? 

Ich möchte dir vier Ideen vorstellen, wie wir Daten erheben und durch künstliche Intelligenzen Rückschlüsse für unsere Anlageentscheidungen ziehen können.

Idee 1: Bilanzen und GuV analysieren

Nehmen wir an, du möchtest ein Prognosemodell für ein Unternehmen erstellen.

• Umsatz 2017: 20 Mio. Euro
• Umsatz 2018: 40 Mio. Euro
• Umsatz 2019: 60 Mio. Euro
• Umsatz 2020: ?

Welchen Umsatz prognostizierst du für 2020?

Vermutlich 80 Mio. Euro. Du hast - bewusst oder unbewusst - eine lineare Regression vorgenommen, den Trend also linear in die Zukunft fortgeschrieben.

Das ist eine der simpelsten Formen und Anwendungsfälle von datengestützter Analyse: Du hast Daten (Jahresumsätze) und triffst basierend darauf eine Prognose (Jahresumsatz der Zukunft).

Diese Rolle soll eine KI übernehmen - und das ist in diesem Fall sehr simpel. Die Komplexität können wir aber steigern.

Du könntest nicht nur die Umsatzdaten als Input nutzen, sondern alle Daten, die die Bilanz und die Gewinn- und Verlustrechnung hergeben. Und das nicht nur für die letzten 3 Jahre, sondern die letzten 20 Jahre.

Der Algorithmus kann dadurch die Gewinnmargen analysieren, das Verhältnis von Gewinn zu Cashflow untersuchen, Vergleiche zu Mitbewerbern anstellen, die Entwicklung des Aktienkurses verfolgen und mehr.

Welche Hürden es dabei gibt und wie du so etwas umsetzen kannst, zeige ich dir gleich.

Diese zahlenbasierte Auswertung ist der vermutlich offensichtlichste Grundstein der computergestützten Anlageentscheidung. Aber was ist noch möglich?

Idee 2: Stimmungslage durch Textanalyse

Wo gibt es neben Bilanzen und quartalsweise veröffentlichten Gewinn- und Verlustrechnungen noch Informationen zu Aktienunternehmen?

In Analysen, Foren, Nachrichtenportalen und sozialen Netzwerken.

Die Texte, die zu einer Aktie veröffentlicht werden, können einer Sentimentsanalyse unterzogen werden. Beispiel:

Tauchen in einem Text überwiegend Wörter wie "überraschend, positiv, zufrieden, erfolgreich, Steigerung" auf, zeigt sich ein positives Meinungsbild. Bei Wörtern wie "enttäuschend, negativ, unglücklich, Frust, Niederlage, Misserfolg" ist das Gegenteil der Fall.

Ein Beispiel mit einem Textauszug, bei dem darüber berichtet wird, dass ein Mietwagenverleih eine große Bestellung von Teslas wegen Qualitätsmängeln storniert hat:

Das Tool erkennt korrekterweise die negative Stimmung des Textes.

So können heute schon Millionen von Texten aus unterschiedlichsten Quellen analysiert werden, um ein möglichst umfassendes Meinungsbild zu einer Aktie, einer Industrie oder dem gesamten Aktienmarkt zu erhalten. Hier gibt es eine Übersicht solcher Tools (jedoch nicht speziell für den Aktienmarkt).

Idee 3: Nachfrage durch Bildanalyse bestimmen (oder: Starbucks-Becher auf Instagram)

Auch Bilder können Informationen erhalten und stellen für Computer heute keine Unmöglichkeit mehr dar.

Mit der Google Visio​​n API lässt sich die Bilderkennung kostenlos ausprobieren. Ich habe ein Bild von einem Starbucks-Becher an einem Strand analysieren lassen.

Die einzige Information ist wohlgemerkt das Bild - mehr nicht.

Mit einer Gewissheit von 73% erkennt die Software, dass es sich im Vordergrund um ein Getränk handelt.

Attribute wie "Drink", "Iced Coffee" und "Summer" werden dem Bild zugeordnet.

Google ist sich ziemlich sicher: Hier handelt es sich um ein Starbucks-Logo.

Und es wird sogar erkannt, dass die Dame im Logo eine Kopfbedeckung trägt.

Was könntest du damit nun anstellen?

Du könntest alle Bilder auf Instagram analysieren lassen, ob darauf ein Starbucks-Becher oder Logo zu sehen ist. Wenn die Zahl stärker steigt, als die Gesamtzahl der Bilder auf Instagram steigt, könnte das ein positives Zeichen für das Image und die Nachfrage von Starbucks sein.

Ich habe keine Ahnung, ob es diesen Zusammenhang gibt. Wenn du es herausfindest, gib mir bitte in den Kommentaren Bescheid. 😉

In jedem Fall zeigt dieses Beispiel, wie man mit kreativen Methoden an Informationen kommen kann, die andere nicht haben.

Idee 4: "Bullshit-Counter" im Geschäftsbericht

Ein weiterer - zugegebenermaßen etwas kreativerer - Anwendungsfall beruht erneut auf der Textanalyse.

Unternehmen sind in der Regel bemüht, sich nach außen möglichst gut darzustellen und Investoren neue Wachstumsstorys zu verkaufen.

Diese können sie durch Buzzwords wie "enormes Potential", "revolutionär" oder eben auch "künstliche Intelligenz" besonders gut verkaufen.

Wie wäre es mit einer Analyse, die Geschäftsberichte auf solche Bullshit-Wörter untersucht und abgleicht, ob eine hohe Anzahl mit einer schlechteren Rendite keinher geht?

Und du könntest noch einen Schritt weitergehen. In einigen Fällen greifen Unternehmen zu buchhalterischen Tricks, die die Zahlen aufhübschen. Wie wäre es mit einer künstlichen Intelligenz, die neue Veröffentlichungen untersucht und eine Wahrscheinlichkeit dafür berechnet, dass stark getrickst wurde?

Das sind vier beispielhafte Ideen - einige realistischer, andere unterhaltsamer - die umgesetzt werden können, um Vorteile bei der Anlageentscheidung zu erzielen. Aber was sind die konkreten Vorteile, die daraus resultieren?

Welche Vorteile bieten Algorithmen beim Investieren?

Es gibt fünf zentrale Vorteile, die das Investieren basierend auf künstlichen Intelligenzen und Algorithmen bietet.

Vorteil 1: Keine Emotionen

Menschen sind anfällig für Emotionen und ​Emotionen und kognitive Verzerrungen. Beide führen dazu, dass Entscheidungen nicht rational getroffen werden (obwohl wir das oft denken), sondern durch andere Faktoren beeinflusst werden.

Eine Maschine kennt diese Emotionen nicht. Sie entscheidet ausschließlich basierend auf den Fakten und Informationen, die ihr zur Verfügung stehen.

Vorteil 2: Mehr Daten

Kleinere Datenmengen können wir beherrschen. Dazu gehört ein grober Überblick über die wichtigsten Aktienkennzahlen, die Bilanz oder die Gewinn- und Verlustrechnung.

Wenn wir noch den Geschäftsbericht dazu nehmen, wird das Ganze aber schon sehr komplex. Nur unter höchster Anstrengung und mit viel Aufwand kann man den Überblick über alle Daten behalten.

Einige Daten, wie bspw. die Bilanzen der letzten 30 Jahre oder Erkenntnisse aus Textanalysen, sind kaum für einen einzelnen Anleger analysierbar. Es wird schlicht zu komplex.

Die Maschine kann diese Komplexität beherrschen und alle zur Verfügung gestellten Daten für die Anlageentscheidung nutzen.

Vorteil 3: Schnelligkeit

Wie lange brauchst du, um...

• die Bilanz, Gewinn- und Verlustrechnung und den Geschäftsbericht durchzulesen?
• die neuesten Nachrichten zu prüfen?
• dir aussagekräftige Kennzahlen zu berechnen?
• die Stimmung in den sozialen Medien zu erfassen?

Die Dinge, für die wir ewig brauchen, braucht eine Maschine in der Regel nur wenige Sekunden. Sie hat einen klaren Geschwindigkeitsvorteil.

Vorteil 4: Statistisches Know How

Statistik ist mehr als nur auf Zahlen zu schauen und sich daraus eine Meinung zu bilden. Sie beruht hier darauf klar messbare Modelle, bspw. zur Prognose des Aktienkurses oder der Geschäftsentwicklung, zu finden.

Vielleicht sagen dir die lineare Regression, multivariate Analysen und das Bestimmtheitsmaß recht wenig. Die Maschine kennt diese aber und kann große Daten schnell mit statistischem Know How auswerten.

Vorteil 5: Weniger Zeitaufwand

Ein Vorteil, der auch beim passiven Investieren nach dem Buy-and-hold Prinzip (vor allem durch ETFs) zum Vorschein kommt, zeigt sich hier:

Statt selbst viele Stunden und Tage in eine Aktienanalyse zu investieren, kannst du diese Aufgabe an eine Maschine abgeben und mit deiner Zeit etwas anderes anfangen:

Dich entspannten, Netflix gucken, Sport machen oder arbeiten, um die nächste Aktie kaufen zu können. 😉

Achtung: Diese Hürden gibt es

Damit haben wir einige Vorteile besprochen. Aber zu einem objektiven Bild gehört auch der Blick auf Nachteile und Hürden, die damit einhergehen.

Nachteil 1: Menschen entscheiden über Input

Egal, wie wir es drehen und wenden: Der Mensch spielt in der Gleichung immer noch eine Rolle.

Denn der Mensch entscheidet darüber, welche Informationen sich der Algorithmus überhaupt anschauen soll.

Ist das KGV relevant? Ist das Sentiment relevant? Wurden relevante Daten vergessen? Sind zu viele Daten enthalten (ja, auch das kann problematisch sein)?

Wie lang sind Daten überhaupt relevant? Gelten die Zusammenhänge von vor 50 Jahren noch heute? Sind die Zusammenhänge der letzten 3 Jahre repräsentativ oder Ausreißer, bspw. eine Spekulationsblase?

Diese Entscheidungen muss vorher ein Mensch treffen, der genauso fehleranfällig ist wie Menschen, die ihre Anlageentscheidung treffen.

Nachteil 2: Zu viele oder zu wenig Daten

Das richtige Aufsetzen eines Modells, das zuverlässig funktioniert, ist in der Vorstellung schwieriger als gedacht.

Es kann sein, dass zu wenig Daten vorhanden sind und falsche Schlussfolgerungen aus den Daten gezogen werden.

Als Beispiel: Der Zusammenhang von Eiscreme-Verkäufen und Waldbränden.

Die Kurven liegen wunderbar übereinander.

Der Grund ist aber natürlich nicht, dass mehr Verkäufe von Eiscreme zu mehr Waldbränden führen und umgekehrt. Der Grund ist eine Variable, die hier nicht auftaucht: Die Temperatur.

Wenn eine wichtige Variable fehlt können falsche Schlussfolgerungen entstehen.

Nicht zuletzt bedienen sich Crash-Propheten auch gern an diesem Trick: Sie suchen sich in dem Meer von Daten irgendeinen Graphen, den sie über den aktuellen Kursverlauf legen können und begründen damit ihre Thesen. 

Es ist immer möglich, eine Statistik so umzuformen, dass sie 1:1 über eine andere Linie passt. Den Wahrheitsgehalt erhöht das nicht, wie ich im Artikel Das Scheitern der Crash-Propheten gezeigt habe.

Fun Fact: Seit Britney Spears das Lied "Work Bitch" veröffentlicht hat sind die Arbeitslosenraten in den USA stetig gesunken.

Was für eine Wirkung!

Auch zu viele Daten können schädlich sein und führen zum Overfitting Bias: Der Algorithmus hat zu viele Daten und konzentriert sich auf Details, die verhindern, dass er die übergeordneten Muster erkennt.

Du siehst also: Es ist gar nicht so leicht, einen vernünftigen Algorithmus aufzusetzen. Mit steigender Komplexität steigt der Schwierigkeitsgrad.

Nachteil 3: Schwer umsetzbar als Privatanleger

Klassische Anlagestrategien wie das Value Investing, Dividendenstrategien oder das Investieren in ETFs ist als Privatanleger zu beherrschen.

Das Investieren mit künstlichen Intelligenz ist allerdings deutlich schwieriger, wie dir die beiden vorherigen Nachteile zeigen.

Schauen wir uns also abschließend an, welche Möglichkeiten du hast, um mehr Daten durch Algorithmen in deine Anlageentscheidung zu implementieren.

So kannst du künstliche Intelligenzen für deine Geldanlage nutzen

Es gibt drei zentrale Wege, wie du künstliche Intelligenzen - oder, wie es hier mehr Sinn macht, "quantitative Analysemethoden" - für deine Geldanlage nutzen kannst.

Strategie 1: Eigene quantitative Anlagestrategie

Der erste Weg ist das Aufsetzen einer eigenen, möglichst quantitativ geprägten Strategie.

Im Optimalfall bist du Data Scientist, kennst dich bestens mit der Aktienanalyse aus und kannst deinen eigenen Algorithmus konstruieren.

Das wird allerdings bei den wenigsten Privatanlegern der Fall sein.

Eine Alternative, die eher einen "Small Data" Ansatz darstellt, ist ein Investieren nach klar definierten Kriterien.

Du könntest beispielhaft festlegen: Investiere, wenn...

• das Kurs-Gewinn-Verhältnis unter 20 ist
• ein Gewinnwachstum von mind. 10% pro Jahr prognostiziert wird
• der Verschuldungsgrad maximal bei 50% liegt

(Hier erfährst du mehr über die 15 wichtigsten Aktienkennzahlen.)

Was hier fehlt: Der "Big Data" Ansatz und das maschinelle Lernen, bei dem die Strategie automatisch von einer künstlichen Intelligenz weiterentwickelt werden würde.

Strategie 2: Smart Beta ETFs

Wenn dir Fähigkeiten und die Zeit fehlen, können ETFs dir helfen. Vor allem Smart Beta ETFs.

Dabei werden Faktoren, die rendite- und/oder sicherheitssteigernd wirken, genutzt, um damit automatisiert Aktienkörbe zusammenzustellen und per ETF als kaufbares Anlageinstrument zu verpacken.

Im Grunde ist auch das kein eigenständig lernender KI-Ansatz. Es ist jedoch ein automatisierter Prozess, der auf fundierten Kriterien beruht und, sollten Erkenntnisse dazu kommen, angepasst wird.

Diese Anlagestrategie lässt sich entspannt und zu sehr geringen Kosten umsetzen. Mehr erfährst du im Artikel "Die Wahrheit über Smart Beta ETFs".

Übrigens: Du kannst auch in ETFs investieren, die in Unternehmen investieren, die künstliche Intelligenz einsetzen. Das ist aber ein anderer Ansatz als der, den wir hier besprechen.

Strategie 3: Investmentfonds

Der genaueste Weg, um künstliche Intelligenz in deine Geldanlage zu integrieren, sind aktiv gemanagte Fonds. Diese haben die Kapazitäten, Fähigkeiten und Rechenleistungen, um dir Produkte dazu anzubieten.

Aber auch wenn sie die beste Möglichkeit sind, um basierend auf KI investieren zu können, haben Investmentfonds ein paar Nachteile:

1. Sie sind in der Regel deutlich teurer als ETFs. Wenn du 2% höhere jährliche Kosten hast, muss die Strategie allein 2% pro Jahr mehr erwirtschaften, um gleich auf zu sein.
2. Du hast deutlich weniger Transparenz in den Prozess, wie der Algorithmus eines Fonds investiert (was aber in gewisser Weise ein "Nachteil" ist, den eine Strategie mit künstlicher Intelligenz immer mit sich bringt)

Fazit: Ein Megatrend mit viel Potential, der die Finanzmärkte verändert

Das Investieren mit künstlicher Intelligenz und "Big Data" als Fundament wird uns auch in Zukunft beschäftigen. Es bietet zahlreiche hochinteressante Anwendungsfälle.

Die Möglichkeiten, wie du als Laie diese umsetzen kannst, sind ohne Tools, eigenes Know How und teure Fonds bisher jedoch stark eingeschränkt.

Neben dem eigenen Nutzen steht noch die spannende Frage im Raum: Wie verändern sich die Börsen, wenn in Zukunft mehr Algorithmen agieren?

Was bedeutet dieser Trend für die Effizienz von Märkten? Kommt es öfters zu sogenannten Flash-Crashs? Erhöhen oder verschlechtern sich die Chancen von Stock-Pickern?

Diese Frage werden wir in Zukunft noch auf dem Blog und dem Podcast behandeln.

Und wer weiß: Vielleicht wird den Beitrag dann ja schon eine künstliche Intelligenz schreiben. 😉

PS: Wenn du keine neuen Artikel verpassen möchtest, trag unten einfach deine E-Mail Adresse ein und bleib auf dem Laufenden.