Künstliche Intelligenz: Effizienzsteigerung in der Obligationenanlage

Baloise Asset Management
19. November 2020
Blogbeitrag
Baloise Asset Management nutzt gezielt Künstliche Intelligenz (KI) für die Optimierung von Anlageentscheiden.

Das Fixed Income-Team verwaltet ein Obligationenportfolio von CHF 42 Mrd. und profitiert von der Leistungsstärke der Algorithmen für die Vorhersage von Kreditspreads. So trägt KI dazu bei, das Anlagevermögen noch besser im Sinne der Kunden zu bewirtschaften.

Optimierung von Anlageentscheiden

Im Management eines Obligationenportfolios ist die realistische Einschätzung des Kreditspreads für die Titelselektion und die Wahl des Ein- und Ausstiegszeitpunktes zentral – und damit für den Erfolg des Portfolios ausschlaggebend.

Baloise Asset Management verfügt über ein Obligationenportfolio von CHF 42 Mrd. Angesichts des schwierigen Marktumfelds mit Tiefstzinsen ist das Beschreiten neuer Wege wesentlich für das erfolgreiche und aktive Bewirtschaften der anvertrauten Vermögenswerte. So besteht eine intensive Kooperation mit dem Start-up Brainalyzed. Baloise Asset Management entwickelte beispielsweise auf der KI-Plattform von Brainalyzed ein eigenes Modell für die Vorhersage von Kreditspreads.

Vorhersagemodell: Entwicklung und Einsatz

  • Baloise Asset Management untersucht im eigenen Modell nicht einzelne Unternehmens-Spreads, sondern analysiert den Kreditspread des Index Barclays Global Aggregate Corporate OAS («Option Adjusted Spread») «LGCPOAS-Index». Dieser Index fasst die Kreditspreads von globalen festverzinslichen Unternehmensanleihen im Bereich Investmentgrade zusammen und spiegelt somit die Stimmung am Obligationen Markt wider.
     
  • Die Vorhersage der Entwicklung des «LGCPOAS-Indices» erfolgt mit Künstlicher Intelligenz (KI). Diese basiert auf Algorithmen, die Muster und Gesetzmässigkeiten in grossen Datenmengen erkennen. Konkret werden mit Hilfe sogenannter Neuronaler Netzwerke Informationen aus grossen Datenbeständen generiert und Prognosen getroffen. Vereinfacht dargestellt fliessen die Informationen in Neuronalen Netzen von der Eingabe (Input Layer) über eine oder mehrere Zwischenschichten (Hidden Layer) bis hin zur Ausgabe (Output Layer). Die Ausgabe ist in unserem Fall die Vorhersage des «LGCPOAS-Indices» für die nächsten 10 Tage.

    Je gezielter die Eingabe erfolgt, desto besser die Vorhersage. Das Fixed Income-Team entwickelte ein Modell mit 13 Inputwerten, welche Einfluss auf die Entwicklung des «LGCPOAS-Indices» haben. Einer davon ist z.B. der Goldpreis.

Index-Vorhersage vom 01.06 bis 28.10.2020

grafik_1
Die blaue Linie zeigt den effektiven Verlauf des Indices. Die Linie in Magenta zeigt die Vorhersage des «LGCPOAS Index» für die nächsten 10 Tage durch das Modell. Per Ende Oktober 2020 erwartet das Modell eine Seitwärtsbewegung der Kreditspreads (Quelle: Bloomberg / Baloise Asset Management).
grafik_2
Die grünen Brains erfüllen die Kriterien der Performance-Parameter und werden für die Vorhersage des Zielwertes einbezogen (Quelle: Brainalyzed).

Wertvolle KI-Unterstützung

Die Nutzung von KI unterstützt das Portfolio Management von Baloise Asset Management in der aktiven Bewirtschaftung von Anleihenportfolios. KI liefert als Ergänzung zu aktuellen Einschätzungen zeitnahe und wertvolle Informationen bei der Einschätzung von Kreditspreads im Anlageuniversum.

Autorin

Nisha Nicotra

Nisha Nicotra_Portrait_20190527-DSCF3782-4

Senior Portfolio Manager Fixed Income, Baloise Asset Management

Disclaimer

Baloise Asset Management AG übernimmt keine Gewähr für die verwendeten Kennzahlen und Performance-Angaben. Der Inhalt der Publikation beinhaltet Meinungen zur Marktentwicklung und dient ausschliesslich zu Informationszwecken und dient nicht der Anlageberatung. Insbesondere stellen die Informationen in keiner Weise ein Kaufangebot, eine Anlageempfehlung oder eine Entscheidungshilfe in rechtlichen, steuerlichen, wirtschaftlichen oder anderen Belangen dar. Es wird keine Haftung für Verluste oder entgangene Gewinne übernommen, die aus einer Nutzung der Informationen entstehen könnten.