Die aktuelle Korrelation zwischen Aktien und Anleihen steht per April 2026 nahe ihrem Maximum (ca. +0,6). Bereits seit 2022 sehen wir – mit kleinen Ausnahmen, die den übergeordneten Trend nicht widerlegen – eine hohe rollierende Korrelation von Aktien (S&P) und Staatsanleihen (US Treasuries). Die meisten Marktbeobachter sind sich einig: Die Phase davor (2000 bis 2019) mit dem „alten Normal“ stabil negativer Korrelation (ca. -0,3) war historisch eher eine Ausnahme. Der Aktien-Renten-Gleichlauf wird Anleger strukturell noch länger beschäftigen. Aktuelle Schocks (Geopolitik, Energiepreise, Inflation) wirken als zusätzliche Treiber.

Aufteilung von Renditequellen und Risiken
Da 60/40-Portfolios (und damit einhergehend: traditionelle Diversifikationsstrategien) an Grenzen stoßen, beschäftigen sich viele institutionelle Anleger mit alternativen Anlageklassen. Zu den Beimischungen, die gezielt marktunabhängige Renditen anstreben, zählen systematische Strategien. Diese nutzen in der Regel viele Datenparameter, arbeiten computergestützt auf Basis mathematischer Modelle („Quant") und sind in ihrer liquiden, regulierten Form häufig der Gruppe der Liquid Alternatives zuzuordnen. Investmentansätze, die künstliche Intelligenz (KI) zentral für den Anlageprozess nutzen, können als Teilbereich systematischer Strategien oder deren logische Evolution begriffen werden.

Gemeinsamkeiten und Unterschiede
Zwischen den genannten Strategietypen gibt es daher sui generis Gemeinsamkeiten. Beide zielen auf Ertragsquellen unabhängig von menschlichen Einflüssen („Behavioral Bias") und suchen Diversifikation über neue Risikoprämien. Doch inwieweit unterscheiden sich ihre Werkzeuge, um die skizzierte Parallelentwicklung von Aktien und Anleihen zu adressieren?

Vorab: Wenngleich moderne KI-Architekturen heute objektiv die leistungsfähigste Technologie im quantitativen Investing darstellen, ist für Anleger die Methode der Signalgenerierung (also das „Mittel zum Zweck“) meist zweitrangig. Entscheidend ist nicht der Algorithmus, sondern ob die Strategie – klassisch-systematisch („Old Quant“) oder „AI“ – erfolgreich den entsprechenden Beitrag zum Portfolio (besser als ein menschlicher Analyst oder Manager) erbringt.

Zu den bekanntesten systematischen Strategien zählen sicherlich Trendfolge sowie Multi-Faktor- und Volatilitätsansätze. Die Handelsstrategien sind vorab genau festgelegt. Das macht sie transparent und gut testbar, jedoch auch potenziell anfällig, sollte sich das Marktregime ändern.

Systematische Strategien und KI-Modelle sind beide „regelbasiert“, jedoch unterschiedlich adaptiv: Während klassische systematische Ansätze entlang fester Überzeugungen (also „Meinungen zum Markt“) des Entwicklers agieren, liegt die Stärke KI-basierter Modelle darin, dass sie hinzulernen können. Durch die tiefe Durchdringung einer großen Menge von Datenpunkten kommt die KI ohne Hypothesen aus und generiert aus den Daten heraus die Positionierung der Handelsstrategie. Sie bezieht dabei auch komplexe nicht-lineare Zusammenhänge ein – gemeint sind damit Variablen, die sich nicht in gleichbleibender Weise zueinander verhalten. Beispiel Leitzins und Aktienkurse: Bei einem nicht-linearen Muster können Aktienkurse zunächst steigen, dann stagnieren und bei weiteren Zinsänderungen fallen.

Training auf wachsendem Datenset
KI-Strategien sind zumeist evidenzbasiert, das heißt, sie schauen darauf „was sagen die Daten?“ und können – je nach Programmierung – situationsabhängig beispielsweise zwischen Trendfolge und Contrarian-Logik wechseln. Etwa, um neben Trends auch Wendepunkte zur Erwirtschaftung von Erträgen zu nutzen, die nicht vom allgemeinen Marktbeta abhängen. Verschafft ihnen dies einen Informationsvorsprung gegenüber klassischen Lösungen? Dies streben viele der neueren Strategien sicher an. Diese Fähigkeit müssen sie über mehrere Marktphasen hinweg mit einem belastbaren Track Record unter Beweis stellen.

Ausblick: Informationsvorsprung durch prädiktive KI?
Ist KI für den Einsatzzweck der Dekorrelation und Diversifikation besonders gut geeignet? Einige Marktexperten, wie die Entwickler des „Artificial Intelligence Multi-Manager Index“ (NextGen), der rund 45 KI-Investmentstrategien weltweit abdeckt, nennen dies als einen Hauptnutzen der KI im Investing. Aus unserer Investmentpraxis, für die wir in den vergangenen knapp 15 Jahren mit mittlerweile drei KI-Modellfamilien über 60.000 Börsentransaktionen getätigt haben, können wir sagen: KI-Modelle lassen sich als konsequente Weiterentwicklung systematischer Strategien so konstruieren, dass eine messbare Nullkorrelation gegenüber Aktien, Anleihen sowie Gold, Rohstoffen und anderen Alternatives erzielt werden kann. Ein Merkmal, das viele systematische Strategien von jeher auszeichnet, ist die „Andersartigkeit“ ihrer Handelssignale, Titelselektionen und Portfoliogewichtungen gegenüber diskretionären Managern. KI ist bereits heute als nächste Evolutionsstufe dieser Ansätze zu verstehen, deren Potenzial sich weiter skalieren und entfalten wird.

---
*) Michael Günther ist KI-Entwickler und Portfoliomanager bei Tungsten Capital (Frankfurt am Main). Die Strategie Tungsten TRYCON gehört zu den etablierten KI-Investmentlösungen im DACH-Raum mit einem verwalteten Fondsvermögen von über 200 Mio. Euro.