Kollaborative Intelligenz
Eine starke Kombination aus menschlichem Verständnis und Spitzentechnologie
Wir bei Unigestion glauben an kollaborative Intelligenz und an die Kraft der Zusammenarbeit von Mensch und Maschine. Wir unterstützen unsere Investmentteams mit Spitzentechnologie, um ein tieferes Verständnis der Finanzmärkte zu erlangen. Dieser kombinierte Ansatz ermöglicht ein effizientes Risikomanagement über unsere Anlagestrategien hinweg, um bessere Resultate für unsere Investoren zu erzielen.
Die Märkte werden immer komplexer, und die Technologie entwickelt sich rasant weiter. Die Art und Weise, wie Menschen interagieren, handeln, arbeiten und konsumieren, hat sich seit einem Jahrzehnt deutlich verändert. In der Finanzwelt hat die technologische Innovation einen digitalen Wirbel ausgelöst, der die Asset Management Industrie transformiert. In diesem schnelllebigen Umfeld müssen wir die Methoden, mit denen wir die Märkte navigieren, ständig anpassen.
Wir kombinieren hochentwickelte, systematische Analysen mit den zukunftsorientierten Erkenntnissen unserer Anlageexperten
Systematische Präzision
Unigestions systematische, modellbasierte Analyse von Anlagen und Märkten bietet eine robuste und wiederholbare Methode zur Risikobewertung. Unsere hochentwickelten, firmeneigenen Tools nutzen einige der neuesten Erkenntnisse im Bereich des maschinellen Lernens und Big Data. Sie ermöglichen es uns, riesige Datenmengen zu verarbeiten – und zwar schnell und oft. Unsere Modelle enthalten auch Strukturen und Prozesse, die emotionale Verzerrungen und eine zu große Abhängigkeit von einzelnen Personen eliminieren.
Die besten Anlageideen kommen jedoch nicht nur von Maschinen. Modelle können zwar Systemwechsel und neue Risikofaktoren erkennen, sind aber schwach in der Interpretation von Daten und der Anpassung an neue Paradigmen. Bestimmte Risiken, wie geopolitische Risiken oder ESG-Themen, erfordern eine menschliche Perspektive, um sie vorherzusehen und zu verstehen. Maschinen können ihre Analyse nur auf historische Daten stützen, so dass beispiellose Ereignisse nicht in einem rein quantitativen Prozess erfasst werden können. Qualitative Analyse und Erfahrung werden in solchen Situationen immer von Nutzen sein.
Menschliche Weisheit
Wir ergänzen unsere systematischen Modelle durch diskretionäre, vorausschauende Analysen innerhalb und zwischen den Anlageklassen. Unsere Anlageteams prüfen die quantitativen Outputs, identifizieren Bereiche zur Verbesserung und ergänzen sie mit ihrer Einschätzung der zukünftigen Risiken. Ihre gemeinsame Erfahrung, ihre Kenntnis der Marktstrukturen und ihre Interpretation von Marktnuancen sind für unsere Risikobewertung von entscheidender Bedeutung. Wir setzen alle unsere diskretionären Ansichten prozessgesteuert und kooperativ um, um menschliche Vorurteile zu minimieren.
Die Analyse der Finanzmärkte ist keine exakte Wissenschaft; sie wird durch menschliches Verhalten beeinflusst, das schwer zu quantifizieren ist. Computer sind hervorragend geeignet, gut formulierte Fragen mit klaren Vorgaben zu beantworten. Menschen spielen weiterhin eine Schlüsselrolle, um die richtigen Fragen zu stellen, die Ergebnisse zu interpretieren und sich an die Entwicklung der Märkte anzupassen. Wir glauben, dass eine Zusammenarbeit zwischen menschlicher Intelligenz und maschinengestützter Analyse zu intelligenteren, schnelleren und besser informierten Investmententscheidungen führt.
Wir glauben, dass eine Zusammenarbeit zwischen menschlicher Intelligenz und maschinengestützter Analyse zu intelligenteren, schnelleren und besser informierten Investmententscheidungen führt.
Kollaborative Intelligenz in der Praxis
Unigestion verwendet bei der Verwaltung seiner Anlagestrategien viele firmeneigene systematische Modelle, aber immer unter der Aufsicht unserer Anlageteams. Unsere Investmentmanager arbeiten gemeinsam mit quantitativen Analysten, um den Wissensaustausch und die Wahrnehmung grundlegender Stimmungsänderungen am Markt zu maximieren. Hier sind einige der Möglichkeiten, wie wir die gemeinsame Intelligenz in unseren Anlageentscheidungsprozessen nutzen:
Dynamisches Risiko-Targeting für das Gesamtportfolio
Ein wesentlicher Aspekt unseres Multi-Asset-Risikomanagement-Prozesses liegt in der Entscheidung, wie viel Risiko wir eingehen. Wir verwenden sowohl systematische als auch qualitative Inputs, um zu bestimmen, ob wir unsere Portfolios mit vollem Risiko führen oder Hedging-Strategien einsetzen.
Beispielsweise versuchen wir bei vorgesehenen Ereignissen wie Zentralbanksitzungen unsere Portfolios von Risiken zu entschärfen, wenn wir glauben, dass die Märkte die Wahrscheinlichkeit eines negativen Ergebnisses unterschätzen. Wir sind in der Lage, das Leverage der Portfolios nach dem Ereignis schnell wieder zu aktivieren, um von der Reaktion des Marktes zu profitieren. Es ist schwierig, diese Art von Ereignissen systematisch zu erfassen, daher verlassen wir uns auf das Urteilsvermögen und die Erfahrung unseres Teams.
So haben wir zum Beispiel eine hohe Wahrscheinlichkeit von Marktvolatilität um das Brexit-Referendum herum erwartet. Daher haben wir das Risiko reduziert, indem wir unsere Cash-Position vor der Abstimmung erhöhten. Wir haben ausserdem einige Call-Optionen auf europäische Indizes gekauft, die sich in einem positiven Marktumfeld bewähren würden.
Risiken innerhalb und über Anlageklassen hinweg verstehen
Wir setzen auch auf kollaborative Intelligenz, wenn wir den relativen Wert zwischen und innerhalb von Anlageklassen ermitteln. Unsere makrorisikobasierte Asset-Allokation wird in erster Linie durch einen systematischen Prozess bestimmt, aber wir überwachen auch genau das Marktrisiko mit Hilfe qualitativer Techniken. So beurteilen wir beispielsweise die aktuelle Preisgestaltung, um Fehleinschätzungen des Tail-Risikos zu vermeiden, und überwachen die Marktpositionierung, um Overcrowding zu erkennen. Wir haben zahlreiche Tools zur Strukturierung unserer qualitativen Bewertungen entwickelt:
- Carry-Analyse auf historischer und Querschnittsebene zur Anlagenbewertung.
- Verfolgung der Marktpositionierung durch Analyse des Betas verschiedener Strategien und Daten der Commodity Futures Trading Commission (CFTC).
- Analyse der Aussagen von G10-Zentralbanken und Erstellung eines “Herzschlag-Monitors“ für wichtige Institutionen.
- Überwachung des Cross-Asset-Verhaltens durch globale Asset Korrelationen und Sharpe-Ratio Analyse.
Auch hier sind unsere Investmentteams bei der Interpretation der Daten und der Bewertung der Auswirkungen auf die Portfolioallokation kritisch.
Aktienrisiko verstehen
Unser Aktienprozess beginnt mit einem systematischen Screening-Modell, das die Aktien nach Kriterien wie Preisstabilität, Diversifizierung, Ertragsqualität und Liquidität sortiert. Die Automatisierung dieses ersten Screenings ermöglicht es uns, die Skalierbarkeit zu erhöhen und die Ressourcen unseres Teams gezielter einzusetzen. Eine systematische Analyse liefert jedoch nicht die gesamte Übersicht über künftige Risiken. Aus diesem Grund haben wir in jeder Phase des Anlageprozesses eine diskretionäre Risikobewertung eingebettet. Wir führen eine eingehende Analyse von Top-Down- und unternehmensspezifischen Risiken durch, die schwer zu modellieren sind:
| Top-down | Unternehmensspezifisch |
|
|
Diese menschliche Einsicht und Validierung ermöglicht es uns, neue Risiken zu antizipieren und unsere Portfolios entsprechend anzupassen. Ein wichtiges Beispiel ist die Einbeziehung des Kohlenstoffrisikos in unseren 360-Grad-Risikomanagement-Prozess. Die Kohlenstoffemissionen sind jetzt weltweit vorrangig aufgrund eines stärkeren Bewusstseins der Investoren und der regulatorischen Veränderungen. Dies war eindeutig nicht immer so und ist ein Risiko, das systematische Modelle nur schwer vorhersehen können.
Verwandte Inhalte
Mit Kunden über Technologie zusammenarbeiten
Wir nutzen auch kollaborative Intelligenz, um gemeinsam maßgeschneiderte Lösungen für unsere Kunden zu entwickeln. Das Teilen unserer Asset-Allokations- und Risikomanagementmodelle mit unseren Kunden ist der Kern eines offenen und transparenten Dialogs. Dadurch können wir jede mögliche Diskrepanz zwischen ihrem Portfoliorisikoprofil und ihren Anlagezielen hervorheben. Wir können auch die Auswirkungen ihrer Präferenzen auf Risiko, Liquidität und erwartete Renditen aufzeigen und dabei alle regulatorischen oder ESG-Vorgaben berücksichtigen. Dies wird immer wichtiger, da die Anleger zunehmend in anspruchsvollere Anlageklassen wechseln, um ihre Anlageziele zu erreichen.
