Von Michael Schopf, CFA – SMC

Eine unbequeme Wahrheit: Die meisten Portfoliomanager fixieren sich auf die Titelauswahl und behandeln die Portfolio-Konstruktion wie ein Anhängsel. Warren Buffett nannte Diversifikation einst „Schutz vor Unwissenheit“, und trotzdem hält er über 30 Aktien. Die besten Investoren wissen: Erfolg hängt nicht nur davon ab, was man besitzt, sondern wie viel davon.

Trotzdem bleibt die Portfolio-Konstruktion das Stiefkind der Investmentbranche. Analysten verbringen unzählige Stunden mit Unternehmensanalysen und Markt-Timing, aber wenn es darum geht, die Gewichtung zu bestimmen, entscheiden oft Bauchgefühl oder einfache Faustregeln. Michael Burry brachte es auf den Punkt: „Die Absicherung gegen Verlust endet nicht mit der richtigen Aktienauswahl. Wäre es so, gäbe es nur eine einzige Aktie im Portfolio.“

Fehler in der Gewichtung sind kein theoretisches Problem, denn sie kosten Performance. Stock Picking entscheidet, ob man Apple oder Microsoft hält. Portfolio-Konstruktion entscheidet, ob ein 30 %-Rückgang einer Einzelposition dein Jahr zerstört oder kaum auffällt. Es ist der Unterschied zwischen Kunst und Wissenschaft, zwischen Hoffnung und System.

Alte Modelle, neue Märkte

Harry Markowitz’ Modern Portfolio Theory war revolutionär - in den 1950ern. Heute basiert sie auf Annahmen (stabile Korrelationen, vorhersehbare Risiko-Rendite-Muster), die in volatilen, vernetzten Märkten kaum noch halten.

Laut einer Mercer-Studie 2024 nutzen 91 % aller Asset Manager bereits KI oder planen dies in den nächsten zwölf Monaten. Die Frage ist nicht mehr ob, sondern wie: Bleibt Portfolio-Konstruktion weiter Nebensache, während andere daraus ihren Wettbewerbsvorteil formen?

Die eigentliche Revolution im Asset Management findet nicht beim Stock Picking statt, sondern in der systematischen Portfolio-Konstruktion. Die Frage ist: Gehören Sie zu denen, die diesen Hebel verstehen, oder bleiben Sie beim Bauchgefühl, während Fehlgewichtungen Ihre besten Ideen ausbremsen?

Die nächste Evolutionsstufe: Machine Learning im Portfolioaufbau

Traditionelle Gewichtungsmethoden - ob gleichgewichtet, marktkapitalisiert oder „nach Überzeugung“ - haben strukturelle Schwächen. Hier setzt Machine Learning (ML) an.

Gleichgewichtung ignoriert Unternehmensunterschiede. Marktkapitalisierung konzentriert Risiko in die größten Titel. Diskretionäre Gewichtung bringt Expertise ein, aber auch kognitive Verzerrungen. ML ändert das Spiel: systematisch, lernfähig, datengetrieben.

Von Kunst zu Wissenschaft

Klassische Optimierung gleicht Autofahren mit Blick in den Rückspiegel. Entscheidungen beruhen auf alten Daten, die kaum noch passen. Modelle wie Mean-Variance-Optimierung unterstellen stabile, lineare Zusammenhänge - ein theoretischer Luxus, den reale Märkte selten bieten.

ML dagegen funktioniert wie ein GPS: Es passt sich laufend an Marktbedingungen an. Es erkennt nichtlineare Muster und reagiert dynamisch, statt rückwärts zu rechnen.

Ein Beispiel: Die klassische Markowitz-Optimierung neigt zu extremen Gewichtungen, weil kleine Schätzfehler ganze Portfolios verzerren können. ML-basierte Methoden umgehen das, indem sie Aktien in Gruppen mit ähnlichem Verhalten clustern und Risiko über diese Cluster verteilen. Hierarchical Risk Parity (HRP) ist ein Beispiel: weniger Modellunsicherheit, mehr Stabilität.

Überlegenheit im Risikomanagement

Studien der Bank for International Settlements zeigen: ML reduziert Prognosefehler für Extremrisiken um bis zu 27 %. Das ist kein akademischer Fußnotenwert, sondern handfeste Risikosteuerung.

ML erkennt nicht nur Volatilität und Korrelation, sondern auch seltene Extremereignisse und baut so robustere Portfolios.

Echtzeit statt Quartalsrhythmus

Während klassische Manager monatlich oder quartalsweise rebalancieren, justiert ML Portfolios signalbasiert, in Echtzeit. In Krisen wie COVID in 2020 oder der hohen Volatilität Anfang 2025 verschoben ML-Systeme Positionen frühzeitig in defensive Sektoren, lange bevor traditionelle Ansätze reagierten.

Und: ML übersetzt strategische Vorgaben des Investmentkomitees automatisch in konkrete Portfolioanpassungen, inklusive Risikokontrolle und Diversifikation.

Doch ein Punkt bleibt: KI wird schnell zum Standard. Der Unterschied liegt nicht im Besitz der Technologie, sondern in ihrer Anwendung. Der Vorsprung gehört denen, die KI in konsistentes Alpha übersetzen können und nicht denen, die sie nur besitzen.

Praxisbeispiel: CapInvest

Theorie ist nett, Ergebnisse zählen. MHS CapInvest, eine Frankfurter Investmentboutique unter der Leitung von mir, Michael Schopf, als Lead Portfolio Manager, zeigt, wie ML konkret wirkt. Statt eigene Systeme über Jahre zu entwickeln, setzten wir auf Partnerschaften mit spezialisierten KI-Anbietern. Ergebnis: deutliche Outperformance der globalen Benchmark, höhere Sharpe Ratio, mehr Effizienz.

Die Arbeitszeit für Optimierung sank deutlich, der Fokus verlagerte sich auf Fundamentalanalyse mit Unterstützung von GenAI. Und: die Entscheidungsgewalt blieb beim Manager. ML ergänzt, aber ersetzt nicht.

Dieses Human + AI-Modell verbindet maschinelle Präzision mit menschlicher Erfahrung. Der eigentliche Wettbewerbsvorteil liegt heute nicht darin, KI zu haben, sondern zu wissen, wie man sie richtig einsetzt.

Fazit: Der Wettbewerbsvorteil der Zukunft

Machine Learning ist kein Gimmick, sondern eine Notwendigkeit. Die Beweise sind klar: besseres Risiko-Rendite-Profil, dynamisches Rebalancing, resilientere Portfolios.

Oder kurz gesagt: Der Unterschied liegt nicht nur im Stock Picking, sondern auch in der Konstruktion. Wer KI strategisch integriert, wird die Branche anführen.

Die Revolution läuft bereits. Die Frage ist nur: Sind Sie schon Teil davon?

Für alle, die tiefergehende technische Einblicke suchen: Die vollständige Studie ist hier verfügbar.