Machine Learning in Automated Asset Management Processes 4.1

• Published in: Die Unternehmung (Bern) Vol. 75; no. 3; pp. 411 - 431
• Main Authors: Becker, Marcus, Beketov, Mikhail, Wittke, Manuel
• Format: Journal Article
• Language: English
• Published: Baden-Baden Nomos Verlagsgesellschaft mbH 01-01-2021; Nomos Verlagsgesellschaft mbH und Co KG
• Subjects: Algorithms; Artikel; Asset management; Automation; Data mining; Machine learning
• ISSN: 0042-059X; 2942-318X
• DOI: 10.5771/0042-059X-2021-3-411

The traditional (human driven) process of Asset Management has become automatized by algorithmic decision trading with so called Robo Advisors (RAs). With an increasing amount of publicly available financial data, the foundation for applying machine learning (ML) algorithms has been paved. We examine the question in which process steps of automated investment advice ML algorithms could be applied and investigate which implementations have already been placed on the market. As the following study shows, (surprisingly) ML is globally still under its development phase in Robo Advisory. German and Swiss FinTech companies thereby contribute about a third to the ML solutions in our sample. The most promising technique is the usage of Text Mining for sentiment analyses, which can be used for monitoring and rebalancing purposes or future performance forecasting. Furthermore, Text Mining algorithms can be helpful for reducing information asymmetries. Embedded into early warning systems, the derived sentiment scores can be used for hedging against future price losses. This approach would be inevitably linked to an increased access of highly sensible data. Furthermore, we try to provide an explanation for the lack of acceptance of the application of ML in RA distributions. Possible reasons for this can be found in the current MiFID II regulations, which are not specified for ML. Based on these insights, we formulate first recommendations for both the provider of RA solutions as well as for the regulator.
Der traditionelle (eher menschlich geprägte) Prozess der Vermögensverwaltung wird immer weiter durch algorithmisch getriebene Entscheidungsprozesse automatisiert. Diese können entweder vollständig automatisiert sein, so genannte „Robo Advisor“ (RA), oder teilweise automatisiert, als hybrider Ansatz zum traditionellen Anlageprozess. Mit einer ansteigenden Menge verfügbarer Finanzdaten wurde die Grundlage für die Anwendung von Machine Learning (ML) im Bereich Robo Advisory gelegt. Wir gehen der Frage nach in welchen einzelnen Prozessschritten der automatisierten Anlageberatung ML-Algorithmen Anwendung finden können und analysieren, welche Implementierungen bereits am Markt platziert wurden. Wie die zugrundeliegende Studie zeigt, befindet sich die Anwendung von ML global (überraschenderweise) noch in der Entwicklungsphase. Deutsche und schweizerische FinTechs nehmen dabei knapp ein Drittel der ML Lösungen in unserer Stichprobe ein. Eine vielversprechende Technik stellt die Anwendung von Text Mining Algorithmen in Sentiment-Analysen dar, die zu Monitoring- und Rebalancing-Zwecken oder zur Vorhersage zukünftiger Renditen eingesetzt werden können. Darüber hinaus können Text Mining Algorithmen zum Abbau von Informationsasymmetrien genutzt werden. Eingebettet in Frühwarnsystemen können die abgeleiteten Sentiment Scores zur Absicherung künftiger Preisverluste eingesetzt werden. Dieser Ansatz wäre unweigerlich mit einem verstärkten Zugriff auf hochsensible Daten verbunden. Darüber hinaus versuchen wir einen Erklärungsansatz für die mangelnde Akzeptanz der Anwendung von ML in RA-Distributionen zu liefern. Mögliche Gründe hierfür finden sich in den nicht für ML spezifizierten MiFID II Regularien. Daraus formulieren wir erste Handlungsempfehlungen sowohl für den Anbieter von RA-Lösungen als auch für den Regulator.