KI im Finanzbereich

00:00:00: Herzlich willkommen zum Investors Talk Impulse für Ihre Geldanlage. Hier hören Sie, was die

00:00:07: Finanzwelt bewegt und wie Expertinnen und Experten der NordLB den Kapitalmarkt analysieren.

00:00:12: Noch ein kurzer Hinweis, bevor es losgeht.

00:00:18: Die in diesem Podcast besprochenen Aktien,

00:00:21: Fonds und Finanzprodukte stellen keine Kauf- oder Anlageempfehlungen dar. Die NordLB haftet nicht

00:00:27: für etwaige Verluste, die dadurch entstehen, dass im Podcast genannte Gedanken und Ideen ohne

00:00:32: individuelle Beratung und Empfehlung umgesetzt werden. Herzlich willkommen, liebe Zuhörerinnen und

00:00:37: Zuhörer, zu einer neuen Folge unseres NordLB Podcast Investors Talk Impulse für Ihre Geldanlage.

00:00:42: Ich bin Marcel Leist, Portfolium Manager aus dem Portfolium Generationenmanagement. Und ich

00:00:47: habe mir heute natürlich wieder Gäste eingeladen. Zum einen ist es Ron Große, Leiter Portfolium

00:00:53: Generationenmanagement. Und einen, auf den ich mich besonders heute freue, einen externen Gast,

00:00:58: den wir uns heute eingeladen haben. Das ist Hans Jörg von Mettenheim. Er ist Professor an der

00:01:02: E-Pack Business School in Paris und leidet dort das Department für Ökonomie und Finance. Und unser

00:01:08: Thema heute und passender kann es eigentlich gar nicht sein, soll sein künstliche Intelligenz und

00:01:14: das Zusammenspiel mit dem Finanzmarkt, in dem Finanzbereich. Da wollen wir ein bisschen reingucken,

00:01:18: zum einen, wie ist es eigentlich entstanden, wie ist da so die Historie, wie ist der heutige

00:01:24: Stand und auch ein Ausblickwagen zu diesem Themenbereich. Was geht da eigentlich, was kann

00:01:29: man heute damit schon machen? Und wie gesagt, da haben wir die perfekten Gäste heute für hier

00:01:34: im Podcast und wir starten dann auch ein Stück weit rein. Hans Jörg, magst du ein bisschen was

00:01:41: zu deiner Person vielleicht am Anfang erzählen und dann einen Einblick darin geben zum Thema

00:01:46: Historie, Künstliche Intelligenz im Finanzmarktbereich. Wie bist du vielleicht auch dazu gekommen? Und

00:01:52: wie hat sich das eigentlich in der Historie entwickelt zu dem Stand, wo wir heute sind? Das

00:01:57: würde uns und unsere Zuhörerinnen und Zuhörer, glaube ich, brennen interessieren. Ja, Marcel,

00:02:01: vielen Dank. Dann gehe ich erstmal, sag ich mal, auf meine eigene persönliche Historie ein. Also in

00:02:07: der Tat mittlerweile beschäftige ich mich seit über 20 Jahren mit künstlicher Intelligenz und zwar

00:02:13: bevorzugt mit der Methode der künstlichen neuronalen Netze, auch Artificial Neural Networks genannt

00:02:19: im Englischen. Dieses Stichwort findet man immer wieder mal und habe diesen Bereich mittlerweile

00:02:25: in Forschung und Praxis aus vielen verschiedenen Perspektiven beleuchtet. Wenn man jetzt mal 20

00:02:32: Jahre zurück denkt, dann waren natürlich die Datensätze deutlich kleiner. Die Hardware, die man

00:02:38: vielleicht dann auch als Masterstudierender oder als Doktorant zur Verfügung hatte, war natürlich

00:02:43: auch deutlich geringer ausgeprägt, als das, was einem heute so zur Verfügung steht. Algorithmen

00:02:50: waren ein Stück weit schwieriger zu implementieren, sodass man sieht, da hat sich schon einiges getan.

00:02:57: Aber letztlich die Probleme, die wir uns anschauen, die sind irgendwie immer noch ähnlich. Also wir

00:03:04: haben Finanzmarktdaten, das können beispielsweise Preise sein, das können fundamental Daten sein,

00:03:09: das können auch, sag ich mal, vollkommen anders geartete Daten sein, sogenanntes Alternative Data,

00:03:15: wie beispielsweise Satellitenbilder oder vielleicht auch News oder vielleicht auch Aufnahmen von

00:03:21: Pressekonferenzen. Und diese Daten, die versuchen wir eben zu verarbeiten, um dann eine Aussage über

00:03:28: die Zukunft zu treffen. So, bevor wir uns da zu tief reinbegeben, klar, es ist schwer Aussagen

00:03:35: über die Zukunft zu treffen, das ist, sag ich mal, ein Spruch, der ja in verschiedensten Varianten

00:03:39: schon lange kursiert. Aber, sag ich mal, wir versuchen aus dem vorhandenen Daten und mit

00:03:47: den entsprechenden zur Verfügung stehen Algorithmen das Beste zu machen. Und es ist

00:03:53: natürlich sehr interessant, diese Bereiche einerseits aus der akademischen Forschung heraus zu

00:04:00: betrachten. Das gibt einem Freiraum, sag ich mal, in die verschiedensten Richtungen zu denken. Aber

00:04:07: dann letztlich braucht es auch die Anwendung. Denn man kann natürlich in beliebig viele

00:04:12: Richtungen denken, wenn man es jetzt nicht testet, wenn man das nicht an den Märkten ausprobiert

00:04:18: oder diese Information, die man zusätzlich generiert, keinen Nutzen entfaltet, dann ist es natürlich

00:04:24: auch ein bisschen leer als Betätigung. So, insofern mag ich diese Mischung sehr gern einerseits

00:04:32: der akademische Bereich an der E-Pack Business School in Paris jetzt, habe vorher an der

00:04:38: Leibniz Universität in Hannover, war ich tätig und parallel dazu auch die Beratungspraxis,

00:04:46: also wirklich solche Modelle einzuführen, zu nutzen und eben zu schauen, was bringt das an den

00:04:54: Märkten da draußen. Und jetzt Marcel, hattest du ja auch die Historie der künstlichen Intelligenz

00:05:01: angesprochen. Und ich finde es auch für mich selbst immer wieder erstaunlich, zurückzuschauen,

00:05:07: dass dieses Hype-Thema im Grunde genommen schon sehr alt ist. Und zwar durchaus 70 Jahre alt,

00:05:16: wenn man an die ersten Versuche von Frank Rosenblatt, so hieß der Ingenieur und Forscher damals,

00:05:22: zurückdenkt, der eben, naja, neuronale Netze, also schon durchaus die Struktur, die wir heute

00:05:28: kennen, mit sehr einfachen, sehr primitiven Methoden modelliert hat in den 40er und 50er Jahren.

00:05:37: Und das aus meiner Sicht Interessante ist, dass das, was wir heute machen, gar nicht so

00:05:44: unterschiedlich ist, im Vergleich zu dem, was vor 70 Jahren bereits geschah. Das heißt, wir

00:05:51: verfügen über eine jahrzehntelange Erfahrung, über ein halbes Jahrhundert Erfahrung, Algorithmen,

00:05:59: Methoden, wie neuronale Netze gebaut werden können. Und was sich heute geändert hat und vielleicht

00:06:06: auch ein Stück weit der Grund für den Hype, den wir sehen, das ist im Prinzip die Weite verfügbar.

00:06:14: Und zwar verfügbarkeit auf mehreren Ebenen. Denken wir erstmal an die Datenmengen. Daten

00:06:23: lassen sich heutzutage sehr leicht generieren. Es ist eher das Problem, dass wir zu viele Daten

00:06:31: haben. Wir können ohne Probleme Dutzende von Terabyte an Daten generieren. Die Datenbanken,

00:06:37: die wir nutzen, umfassen mittlerweile mehrere Peter-Bite. Man muss sich erst mal an diese

00:06:42: Einheit gewöhnen, nicht? Also ein Peter-Bite, das sind 1000 Terabyte, nur für die Forschung. Das sind

00:06:47: also sehr, sehr große Datenmengen, aus denen wir letztlich auswählen müssen. Wir haben also eher

00:06:52: die Qual der Wahl im Vergleich zur Zeit davor, wo es durchaus schwieriger war, an bestimmte

00:06:59: Datensätze zu kommen. Das heißt, wir haben diesen Aspekt der Daten. Jeder kann heutzutage relativ

00:07:06: leicht zu geringen Kosten oder vielleicht auch gratis an sehr interessante Daten kommen. Der zweite

00:07:15: Aspekt, der sich geändert hat, ist die verfügbare Hardware. Das heißt, mit Grafikkarten, die jeder

00:07:23: in seinen Rechner stecken kann, können wir sehr, sehr interessante Modelle bauen. Auch das, was

00:07:31: wir heutzutage als large Language-Modell kennen, was ChatGPT bekannt gemacht hat, das ist heutzutage

00:07:39: für jeden verfügbar. Vielleicht nicht genau in dieser Leistungsfähigkeit, aber auch da werden

00:07:45: entsprechende Fortschritte festgestellt. Aber das kann im Prinzip jeder machen. Das ist jetzt, man

00:07:51: braucht da jetzt keinen Supercomputer mehr für 100.000 oder Millionen Euro. Hardware für einige 100

00:08:01: Euro, wenige 1.000 Euro steht uns zur Verfügung und ist vollkommen ausreichend dafür. Der dritte

00:08:08: Punkt, vielleicht der Wichtigste sogar, ist die Software, der Fortschritt der Verfügbarkeit der

00:08:16: Algorithmen. Es geht nicht so sehr darum, was wir da genau berechnen. Diese Algorithmen sind

00:08:22: eigentlich schon ganz gut bekannt. Klar gibt es da auch Fortschritte, aber es geht insbesondere

00:08:27: darum, dass diese Algorithmen in gut nutzbaren und optimierten Bibliotheken zur Verfügung stehen.

00:08:35: Das heißt, wenn ich auch einfach nur 20 Jahre zurückdenke, da wurde noch sehr viel von Hand

00:08:42: kodiert. Da musste ich also wirklich einzelne Algorithmen Schritt für Schritt entwickeln. Und

00:08:50: das ist natürlich auch sehr lehrreich und sehr interessant. Aber wenn ich jetzt einfach nur die

00:08:54: Methode, das Verfahren nutzen möchte, dann ist es natürlich schon sehr interessant zu sehen,

00:09:00: okay, ich kann das eben auch an einem Nachmittag einfach mal testen, ob dann die Ergebnisse so

00:09:05: toll sind. Das ist eine andere Frage, aber ich kann es sehr leicht testen. Ich muss nicht mehr

00:09:10: Wochen oder Monate meiner Zeit investieren, sondern ein Nachmittag reicht aus. Ja, das ist

00:09:16: vielleicht in der Nutschall so, dass was sich geändert hat und ein kurzer Rückblick auf die

00:09:22: Entwicklung. Ja, vielen Dank schon mal dafür. Und man kann natürlich auch festhalten, dass das

00:09:27: Thema ja viel mehr auch medial, sage ich mal, den Vordergrund natürlich gerückt ist und die

00:09:31: Verfügbarkeit sicherlich zugenommen hat für solche Modelle und dass ich eben auch mehr dafür

00:09:38: interessiere, mehr damit beschäftigen. Hardware-Verfügbarkeit, das denke ich dann immer in

00:09:42: Nvidia, an die ganz großen Rechner, die dann doch sehr, sehr teuer sind, aber dass man das eben

00:09:47: auch mit kleinerem Budget gut umsetzen kann. Auch das ist ja eine gute Erkenntnis und sollte

00:09:52: auch dann für die weiteren Trends sicherlich hilfreich sein. Vielleicht kurze Frage an dich, Ron.

00:10:00: Wir hatten ja gerade über die Historie gesprochen, wie das im Finanzmarktbereich entstanden ist und

00:10:06: welche Möglichkeiten man heute hat im Vergleich zu früher. Wie hat das dann quasi im Finanzbereich

00:10:13: vielleicht auch mehr Einfluss gewonnen, dieses Thema Künstler-Digenz und Datenmodelle? Magst

00:10:18: uns da vielleicht nochmal einen kurzen, kurzen Rückblick zu geben. Ja, vielen Dank Marcel.

00:10:22: Vielen Dank, dass ich heute mit euch gemeinsam, mit dir gemeinsam und Hans Jörg mich mal über

00:10:28: das Thema Künstler-Digenz und Historie-Entwicklung austauschen darf. Vielen Dank dafür. Das ist

00:10:34: unglaublich spannend. Bevor ich da eine Frage beantworte, fällt mir eine Frage direkt an Hans

00:10:37: Jörg nochmal ein. Nämlich, wie fühlt sich das eigentlich an, wenn man über 20 Jahre in diesem

00:10:44: Segment tätig ist und auf einmal spricht jeder von Large Language-Modellen. Was macht es mit dir?

00:10:50: Ja, Ron. Vielen Dank für diese Frage. Also klar, das ist natürlich eine Bestätigung,

00:10:56: dessen was man über Jahrzehnte so fabriziert hat, wenn das plötzlich in aller Munde ist,

00:11:02: wenn dieses Thema also gehypt wird. Das ist also auch ein schönes Smalltalk-Thema. Man darf natürlich

00:11:09: nicht vergessen, es ist nicht das erste Mal, dass künstliche Intelligenz so stark gehypt wird.

00:11:14: Das heißt, das sind im Prinzip so Phasen hin und wieder gibt es mal eine Anwendung, von der man

00:11:19: auch vielleicht nicht wirklich sagen kann, wieso genau die diesen Hype auslöst. Das war jetzt bei

00:11:25: den Large Language-Modellen ChatGPT. Es war dann auf einmal verfügbar, aber wir haben ähnliche

00:11:31: Hypes im Bereich Machine Learning auch schon in der Vergangenheit erlebt. Das heißt, man muss da so

00:11:37: ein bisschen vorsichtig sein, auch würde ich sagen, denn der Hype der App auch wieder ab. Wir

00:11:43: machen das durchgängig, ob Hype oder nicht und bleiben eben bei dieser Methodik, bei diesen

00:11:50: sehr interessanten Verfahren unabhängig vom Hype. Das ist vielleicht auch etwas, was man im Kopf

00:11:55: behalten sollte. Ich kam deswegen auf die Frage, Hans Hürg, weil ich denke immer, wir waren ja

00:12:01: relativ frühzeitig auch dran bei dem Thema und haben entdeckt, welche Möglichkeiten uns zur

00:12:07: Verfügung stehen und wenn dann jeder redet davon, dann denkt man, verliert man irgendwie die Lust.

00:12:13: Das ist aber nicht der Fall. Gott sei Dank, nicht der Fall. Wir sehen ja auch bei dem Thema,

00:12:17: das nimmt ja auch richtig Fahrt auf. Das hatten wir auch in unserem Jahresausblick 2024 gesagt.

00:12:23: Wir stehen erst völlig am Anfang, weil wir

00:12:26: das Thema künstliche Intelligenz im Grunde genommen in jede Branche jetzt oder in jeder

00:12:31: Branche einzughält. Und das wird im Grunde genommen Volkswirtschaften verändern. Also

00:12:38: wir sind da einen absoluten Strukturbruch im Moment drin, wenn man das global mal betrachtet.

00:12:44: Um auf deine Frage nochmal zurückzukommen Marcel, Hans Jürg und ich, wir wurden so ein

00:12:49: bisschen verkuppelt 2017 von unserem Kollegen Tobias Basse in dessen Wohnzimmer wir heute im

00:12:56: Grunde genommen sind und weil wir uns die Frage gestellt haben, wie können wir im Grunde genommen

00:13:00: unsere Anlageentscheidungen und den Anlageerfolg für unsere Kundinnen und Kunden verbessern. Und

00:13:08: uns fällt natürlich da immer einfach ein, wir müssten eigentlich noch disziplinierter sein in

00:13:14: der Anlageentscheidungen. Und mir fiel dann sofort ein, ich beschäftige mich ja mit dem Thema

00:13:21: Behaviour Finance, also Börsenpsychologie schon seit vielen Jahren, seit über zwei Jahrzehnten

00:13:26: mittlerweile. Und da kommt KI dann in Spiel und Hans Jürg, weil ich gefragt habe mehr,

00:13:31: wie könnten wir eigentlich die Behaviour Finance im Grunde genommen operationalisieren aus den

00:13:36: vielen Daten, die wir haben, zum Beispiel aus Sentiment umfragen, wie können wir diese übertragen,

00:13:42: zum Beispiel ins Portfoliomanagement und demnach eben auch den Anlageerfolg unserer Kundinnen

00:13:48: und Kunden verbessern. So sind wir mal zusammengekommen und haben dann eben versucht, das über

00:13:55: das Risikomanagement Modelle zu entwickeln, um Anlageentscheidungen noch disziplinierter,

00:14:00: noch besser zu machen. So, das ist erstmal die erste Sicht. So sind wir mal gestartet 2017 in

00:14:06: unserem gemeinsamen Wirken und haben dann unter anderem eben Modelle zum Risikomanagement,

00:14:13: zur Absicherung von, sagen wir mal, Aktien, Quoten, Temporär, mal entwickelt. Wir haben

00:14:18: gemeinsam Sentiment, Indicator Romeo entwickelt, der im Grunde genommen Sentiment Daten umfragen

00:14:26: auswertet und dort auch ein Signal gibt, ob man jetzt investieren oder deinvestieren sollte als

00:14:33: Investor. So und jetzt mit diesen Datenmengen und mit den zur Verfügung stehenden Mitteln,

00:14:39: haben wir eben die Gelegenheit, das auch gut auszuwerten. So sind wir im Grunde genommen

00:14:44: zusammengekommen, das ist die eine Sicht und die andere Sicht ist aber nämlich welche Auswirkungen

00:14:50: hat das auf das Investieren auf der einen Seite und auf die Investments auf der anderen Seite und

00:14:56: da können wir im Grunde genommen uns jede Branche angucken. Also du hattest ja mal gesagt, im Grunde

00:15:02: genommen, der erste Blick sind immer die Hardwarehersteller, also TSMC zum Beispiel oder im

00:15:08: Chiphersteller, Highlighterhersteller oder so Chip Designer wie Nvidia oder ARM. Das ist der erste

00:15:16: Fokus und der zweite Fokus wird dann sein, wo hält KI, Künstliche Intelligenz im Grunde genommen,

00:15:21: Einzug in der Branche und was verändert sich volkswirtschaftlich? Das sind spannende Themen,

00:15:26: weil wir wissen, dass wir natürlich erst einmal Investitionen haben in KI, in Hardware, in Ausrüstung,

00:15:33: die werden zunehmen und letztlich wird es dazu führen, dass im Grunde genommen Produktivität

00:15:39: gesteigert wird und die Effizienzen im Grunde genommen in Unternehmen geroben werden. Da kann

00:15:44: man sich im Grunde genommen jede Branche angucken. Ja vielen Dank Ron, auch für deinen Einblick und

00:15:48: für die Historie und ja wir sind ja schon mittendrin quasi im aktuellen Umfeld, wo wir uns

00:15:54: bewegen, wo wir gerade sind. Jeder redet davon, Hype, viel schonmal das Wort. Ein spannendes,

00:16:02: sehr sehr spannendes Thema wird auch sicherlich in vielen vielen Brongen schon einzugehalten.

00:16:06: Mal gucken, wann so ein, vielleicht ein Hype auch mal wieder abflacht. Das war, das ist richtig

00:16:10: gestichwort. Meistens ist es ja tatsächlich so, dass das passieren wird. Aber das Thema der Datenzentren

00:16:17: jetzt aufgebaut werden, das Thema, dass man diese Daten ja irgendwie nutzen will, dass man dafür

00:16:21: jetzt sehr viel Geld in die Hand nimmt, das investiert. Der Trend ist ja da und dann will

00:16:26: es natürlich auch genutzt werden und dann versucht man natürlich auch alle Brongen in

00:16:30: irgendeiner Weise damit mal zu bedienen und zu gucken, wo kann man eigentlich das Thema

00:16:35: Künstlingeinsetzen. Da sind wir dabei im Thema, wo stehen wir heute und was ist eigentlich der,

00:16:40: hört doch der Ausblick nach vorne. Wie kann man diese KI-Modelle, diese großen Datenmengen nutzen,

00:16:47: natürlich vor allen Dingen auch im Finanzmarktbereich, was ja unser Thema heute ist und zu sagen,

00:16:52: was gibt es so auch vielleicht allgemein für Trends. Noch mal im Thema Künstlingeins Hans Jörg,

00:16:56: da bist du ja tief drin und sicherlich am Puls der Zeit vielleicht magst du uns da einfach

00:16:59: noch mal einen Einblick geben in das Thema. Ja, sehr gerne Marcel. Was man beobachtet,

00:17:07: wie du es gesagt hast, ist ein Hype mit überzogenen Erwartungen. Das heißt, ich möchte kurz skizzieren,

00:17:13: was nicht eintritt. Also wir haben jetzt keine Weltbeherrschung durch die KI zu befürchten,

00:17:20: so einer Matrix oder The Creator. Das steht uns nicht bevor. Das heißt, wir werden auch entsprechend

00:17:31: Erwartungen haben, die enttäuscht werden. So jetzt muss man sich überlegen, was können denn diese

00:17:37: Verfahren? Wohin sind die denn gut? Und was wir bislang hatten, war, dass wir, sag ich mal,

00:17:43: aus strukturierten Daten eigentlich schon ganz gut Informationen rausziehen können. Nicht,

00:17:50: das sind so statistische Verfahren, neuronale Netze natürlich auch und auf strukturierten Daten

00:17:54: ging das schon lange eigentlich ganz gut. Und was jetzt dazu kommt, ist durch die, sag ich mal,

00:18:02: neueren Algorithmen, durch die Large Language Modelle, ist, dass wir immer besser darin werden,

00:18:07: Informationen auch aus unstrukturierten Daten herauszuziehen. Das heißt, diese Funktionen,

00:18:13: dass wir einem Modell ein längeres Textdokument geben als Kontext beispielsweise und dann

00:18:20: Fragen im Kontext dieses Dokuments stellen können. Das ist neu, das ist also eine echte nützliche

00:18:28: Funktionalität, vielleicht nicht weltbewegend, damit wird man wahrscheinlich die Welt nicht

00:18:32: beherrschen können, aber es ist eine sehr interessante Funktionalität, weil es uns erlaubt,

00:18:37: deutlich schneller zusammenzufassen und zwar sinnvoll zusammenzufassen, nicht nur zusammenzufassen,

00:18:43: dass wir, sag ich mal, ein paar Sätze einfach ausschneiden und das ist dann die Zusammenfassung,

00:18:48: sondern im weitesten Sinne aus einem Dokument oder auch aus hunderten, tausenden Millionen von

00:18:54: Dokumenten Informationen extrahieren und aggregieren. Und da wird es dann natürlich sehr

00:19:00: interessant, denn wir haben viele, viele Textdokumente. Wir denken mal an Jahresabstöße,

00:19:06: wir denken an Bilanzen, die man sich ein Stück weit dann doch irgendwie durchlesen muss,

00:19:10: also die man nicht nur komplett durch Zahlen erfassen kann, so schwache Signale das Rauschen

00:19:15: zu entdecken, das ist ja im Prinzip auch so ein bisschen die Aufgabe eines Analysten und das

00:19:21: wird dadurch einfacher werden. Das heißt, es wird für uns deutlich einfacher werden,

00:19:27: diese große Menge an unstrukturierten Daten, die wir haben, die ja täglich erzeugt werden,

00:19:33: ja zu analysieren und da entsprechend auch Informationen rauszuziehen, die uns natürlich

00:19:41: dann auch bei Investments entsprechend hilft. Also ich gebe einfach mal ein Beispiel, was man sich

00:19:46: vorstellen könnte, das Erkennen von Trends, sage ich mal, im Farmerbereich. Was ist da los? Kann

00:19:53: ich das vielleicht irgendwie quantifizieren? Naja, ich könnte in die entsprechenden Datenbanken

00:19:58: reingehen, in die entsprechenden Textdokumenten und einfach mal gucken, was wird da besonders

00:20:03: häufig zitiert, was ist da los? Und das ist schon, sage ich mal, etwas, was nicht nur eine

00:20:10: inkrementelle Verbesserung ist, sondern das ist wirklich neu und das werden wir in den nächsten

00:20:14: Jahren immer stärker sehen und da vermute ich geht da Trend hin. Ja, Hans-Jürg, das ist unglaublich

00:20:20: spannend. Du merkst auch, wie wir an deinen Lippen hängen, ja, das ist großartig. Ich will noch ganz

00:20:27: kurz auf ein Thema eingehen, nämlich du hast gesagt KI kann grundgernommen den Allerlisten

00:20:33: unterstützen, bei der Analyse, Fundamentalanalyse, Geschäftsmodellanalyse, Trends frühzeitig auch

00:20:38: zu erkennen und das sehen wir auch zum Beispiel bei einem ganzen Thema ESG. Wir glauben, dass ESG,

00:20:46: also Nachhaltigkeit und KI ein unglaublich gutes Match sind, zum Beispiel in der Analyse von

00:20:52: Nachhaltigkeitsberichten. Also ich kann mit Maschinenlearning ansetzen, Nachhaltigkeitsberichte

00:20:57: analysieren, kann also schauen, wo wird geschwafelt, auf der einen Seite, wo gibt es Redundanzen,

00:21:03: wo gibt es Doppelung und das sind unglaublich spannende Themen, das heißt, da sehen wir,

00:21:08: dass wir Effizienten steigern und Hans-Jürg, es wird in Zukunft viel viel wichtiger werden,

00:21:14: die richtigen Fragen zu stellen. Ja, vielen Dank Ron, für deine Ausführung. Noch mal eine

00:21:19: Nachfrage zum ganzen Thema, wie kann man das Thema Künstlinigenz eigentlich dann konkret im

00:21:24: Portfolio-Management einsetzen und was haben auch wir vielleicht konkret in diesem Bereich vor,

00:21:28: das ist ja vorhin schon gesagt, wie wir das schon einsetzen, wie auch die Historie ist, aber vielleicht

00:21:33: kommt da ja noch mehr. Auf jeden Fall, vielen Dank Marcel. Also zum einen so wie ich es beschrieben

00:21:38: hatte, das Thema Risikomanagement, also taktische Absicherung von zum Beispiel Aktienquoten in

00:21:44: Portfolien, um einfach den Anlageabfolg noch besser zu machen auf der einen Seite und auf

00:21:49: der anderen Seite ist das Thema ETF ja in aller Munde und die Frage, die sich natürlich viele

00:21:55: Investoren stellen, wie geht es da eigentlich weiter und da haben wir natürlich auch überlegt,

00:22:01: macht es nicht Sinn auch ETF-Portfolien aktiv zu steuern und das machen wir unter anderem eben

00:22:07: mit Hans Jürg, unserem Unternehmen Kinom, gemeinsam, dass wir die ETF, die einzelnen ETFs,

00:22:16: die einzelnen Märkte gemeinsam sozusagen mit einem Algorithmus steuern. Das könnte

00:22:22: vielleicht auch so ein Erfolgsfaktor in der Zukunft sein, wenn man nicht nur plump zum

00:22:27: Beispiel in den MSCI World oder in den S&P 500 investieren will. Ja vielen Dank auch dafür,

00:22:33: dass du uns da nochmal einen Einblick gibst und wir sind näher in uns im Ende des Podcasts

00:22:37: in großen Schritten und ich würde das Mikro zu mir nochmal kurz an Hans Jürg rüber geben,

00:22:42: ich schaue ihn gerade an und würde einfach mal bitten um ein Schlusswort, ein kleines von dir,

00:22:47: was zu erwarten ist, vielleicht nochmal ganz konzentriert zusammengefasst und wie wir auf

00:22:54: das Thema KI vielleicht in fünf Jahren gucken werden. Ja vielen Dank Marcel, sehr gerne auch.

00:23:00: Ja also was wir auf jeden Fall sagen können, es bleibt sehr, sehr spannend, es macht Spaß zur

00:23:05: Zeit im Bereich künstlicher Intelligenz, im Bereich neuronale Netze unterwegs zu bleiben,

00:23:09: zu sein. Ich nehme das auf, was du gesagt hast, Ron, es wird immer wichtiger, die richtigen Fragen

00:23:18: zu stellen. Ja das glaube ich auch, also wenn es irgendeinen Skill gibt, den man sich jetzt

00:23:22: aneignen sollte, ist es einem KI-Modell, einem Latch Language-Modell, die richtige Frage zu

00:23:29: stellen, denn die Antwort, die wird kommen vielleicht noch nicht perfekt, aber sie wird mit

00:23:35: immer besserer Genauigkeit aus auch unstrukturierten Daten herauszuziehen sein und das ist denke

00:23:41: ich das, was in den nächsten fünf Jahren immer wichtiger werden wird, was wir auch beobachten

00:23:47: werden, dass sich keiner mehr hinter irgendwelchen Textwüsten verstecken kann, so wird das ja

00:23:52: manchmal auch getan, man liefert erst mal 200 Seiten Text ab, weil man denkt, naja das versteht

00:23:57: sowieso keiner, liest sich keiner durch, das wird sich reduzieren, das heißt wir werden

00:24:02: schärfere und immer klare Informationen auch aus großem Textenmengen extrahieren können

00:24:08: und das natürlich dann auch Portfoliomanagement und Imrisikomanagement uns zu Nutzen machen

00:24:13: können. Super, vielen Dank und damit sind wir jetzt auch am Ende unserer Podcasts. Vielen

00:24:18: Dank fürs Zuhören, liebe Zuhörerinnen und Zuhörer und ja ich freue mich dann auf die

00:24:22: nächste Folge mit Ihnen. Bis dahin wünsche ich Ihnen eine schöne Zeit.

00:24:27: Investors Talk Impulse für Ihre Geldanlage ist ein Podcast der NordLB. Wir hoffen,

00:24:33: diese folgert Ihnen gefallen. Wenn Sie Feedback haben, freuen wir uns über Ihre Nachricht

00:24:37: unter vermögensverwaltung-vertrieb@nordlb.de

00:24:42: [Musik]

00:24:44: [Musik]

00:24:46: [Musik]

00:24:47: [MUSIK]