Wie KI neue Wege für die systematische Investmentanalyse eröffnet

Das zweite Quartal war erneut von einer anhaltenden Risk-on-Rally und Stärke bei Momentum-Titeln geprägt. Zu den wesentlichen Treibern zählten die ungebrochene Begeisterung für den Investitionszyklus rund um künstliche Intelligenz (KI) sowie eine starke Berichtssaison. Beide Faktoren schienen die Sorgen über den Krieg zwischen den USA und Iran zu überlagern. Bewertung und Qualität wirkten hingegen überwiegend belastend (Abbildung 1).

Die Trends in der Faktorperformance zeigten sich in den USA hartnäckig (Abbildung 2A) und in den Schwellenländern sogar noch ausgeprägter (Abbildung 2B).

Für diese Annäherung der Faktorperformance in den USA und den Schwellenländern sehen wir sowohl fundamentale als auch technische Gründe:

• Fundamental: Das Engagement der Schwellenländer in Speicher- und Hardwareunternehmen, die vom KI-Thema profitiert haben, führte zu einer ähnlichen Wertentwicklung wie bei US-Aktien. Der AI infrastructure trade weitete sich mit anderen Worten über die USA hinaus aus.
• Technisch: Eine hohe Beteiligung von Privatanlegern, kombiniert mit börsengehandelten Fonds, die ein gehebeltes Engagement in einzelne Aktien oder Themen ermöglichen, trug zu diesem Effekt bei.

Diese Konvergenz der Faktorperformance zwischen US-Aktien und Schwellenländern wirft für Asset-Allokatoren wichtige Fragen auf – vor allem, ob Schwellenländerengagements noch in dem Maße Diversifikation bieten wie in der Vergangenheit und ob eine globale Ausweitung des AI trade die Volatilität verstärken könnte, falls die Erwartungen enttäuscht werden. Angesichts der höheren Konzentration des MSCI Emerging Markets Index könnte sich dieser wie eine High-Beta-Version des Russell 1000 und des Russell 2500 Index verhalten.

Wie wir KI einsetzen, um quantitative Investmentanalyse zu erweitern

In unserer Research-Arbeit nutzen wir KI bereits in erheblichem Umfang. Unsere Analysen deuten darauf hin, dass diese Instrumente insbesondere dort Mehrwert schaffen können, wo traditionelle quantitative Modelle an Grenzen stoßen.

Bei der Entwicklung von Analysen, die Large Language Models (LLMs)¹ einbeziehen, verfolgen wir das Ziel, unsere Stärke in der quantitativen Analyse mit dem tiefen Unternehmens- und Branchenverständnis unserer fundamentalen Research-Analysten zu verbinden.

Die deutliche Underperformance des Qualitätsfaktors und von Softwareaktien im vergangenen Jahr veranlasste uns, KI zur Untersuchung zweier zentraler Marktdiskussionen einzusetzen:

• Welche Erkenntnisse lassen sich aus einem systematischen Ansatz zur Analyse stärker qualitativ geprägter Qualitätsdefinitionen gewinnen?
• Welche Softwareunternehmen könnten besser positioniert sein, um AI disruption standzuhalten?
• Was haben unsere Analysen gezeigt?
• Die LLM-basierte Qualitätsdefinition spiegelte ebenfalls die jüngste Underperformance des Faktors wider; qualitative Qualitätsmerkmale schnitten jedoch besser ab als quantitative Kennzahlen.
• Der von uns entwickelte LLM-Prompt erfasste die Markteinschätzung, welche Softwareaktien stärker durch AI disruption gefährdet sein könnten, in angemessenem Maße eigenständig.

Übergeordnet bestätigten die Analysen den Nutzen, quantitative und fundamentale Expertise beim Einsatz von KI-Tools zusammenzuführen.

---

Case Study 1: Spielt die Definition von Qualität bei Small- und Mid-Cap-Aktien eine Rolle?

Viele Anlageexperten führen die anhaltende Underperformance des Qualitätsfaktors im Small- und Mid-Cap-Universum auf spekulatives Anlegerverhalten zurück.

Wir haben alternative Erklärungen untersucht, darunter technologische Disruption, den optionsähnlichen Charakter von Aktienbewertungen sowie Veränderungen der Marktstruktur und der Marktteilnehmer.²

Klar ist: Wir sind der Auffassung, dass Qualitätsunternehmen über einen vollständigen Marktzyklus hinweg eine bessere Wertentwicklung erzielen sollten. Zugleich erkennen wir an, dass traditionelle Qualitätskennzahlen zurückbleiben können – mitunter auch über längere Zeiträume.

Warum und wie wir ein LLM-Framework für Business Quality entwickelt haben

Traditionelle quantitative Qualitätskennzahlen, wie sie von Investmentmanagern, Risikomodellen und Datenanbietern üblicherweise verwendet werden, konzentrieren sich in der Regel auf finanzielle Merkmale, die darauf hindeuten, ob ein Unternehmen stabil ist und wächst. Häufige Eingangsfaktoren quantitativer Qualitätsratings sind:

Profitabilität – zum Beispiel Gewinne und Generierung freier Cashflows;

Gewinnstabilität – zum Beispiel Kennzahlen zur historischen Profitabilität; und

Bilanzstärke – zum Beispiel eine geringe Verschuldung.

Fundamental orientierte Anleger fassen Qualität häufig breiter. Sie berücksichtigen unter anderem die Branchenstruktur eines Unternehmens, seine Wettbewerbsvorteile, Preissetzungsmacht, Managementqualität und zunehmend auch die Frage, ob KI für das Geschäftsmodell Rückenwind oder Gegenwind bedeuten könnte. Viele dieser qualitativen Merkmale waren bislang nur schwer systematisch messbar.

LLMs erleichtern qualitative Analysen, indem sie Informationen aus unterschiedlichsten unstrukturierten Textquellen extrahieren – von Unternehmensberichten und Transkripten von Earnings Calls bis hin zu Investment-Research-Berichten.

Wir betrachten diesen Ansatz nicht als Ersatz für traditionelle Finanzkennzahlen. Vielmehr soll er diese um ein systematisches Framework zur Bewertung qualitativer Aspekte von Business Quality ergänzen, die historisch stark vom Urteil fundamentaler Analysten abhingen.

Um diese Möglichkeit zu untersuchen, entwickelten wir ein LLM-Qualitätsframework, das beurteilen soll, ob ein Unternehmen über dauerhaftes Gewinnwachstum verfügen dürfte und aus Wettbewerbssicht gut positioniert erscheint. Der Prozess umfasste mehrere Schritte:

1. Entwicklung einer detaillierten Definition fundamentaler Qualität und deren Verfeinerung durch iteratives Feedback sowohl unserer Analysten als auch des LLM selbst;
2. Aufbau eines unterstützenden Frameworks rund um das Modell, um Halluzinationen zu reduzieren und die Konsistenz der Ergebnisse zu verbessern;
3. Integration des Modells in unsere internen Datenbanken, damit das proprietäre Research unserer Analysten neben öffentlich verfügbaren Informationen einbezogen werden konnte; und
4. Aufbau eines Batch-Processing-Systems, mit dem das Modell die Mitglieder des Small- und Mid-Cap-Universums des Russell 2500 Index wöchentlich bewertet.

Zentrale Erkenntnisse aus unserem LLM-Qualitätsframework

Die ersten Ergebnisse sind ermutigend. Als Robustheitsprüfung lag die Korrelation zwischen unserem quantitativen Qualitätsscore und dem LLM-Qualitätsscore zum 30. Juni 2026 bei 74%.³ Diese Korrelation ist hoch genug, um darauf hinzudeuten, dass beide Ansätze ein ähnliches zugrunde liegendes Konzept messen, zugleich aber niedrig genug, um zu zeigen, dass die Informationen nicht redundant sind. Anders formuliert: Die beiden Ansätze scheinen Qualität aus unterschiedlichen Perspektiven zu erfassen.

Im Einklang mit dieser Schlussfolgerung erhielten rund 79% der Unternehmen im Russell 2500 Index von beiden Methoden dieselbe Qualitätseinstufung (Abbildung 3).

Diese quantitativen und LLM-basierten Scores lassen sich zudem nutzen, um die jüngste Rally von Aktien niedriger Qualität zu analysieren. Betrachtet man die rollierenden Zwölfmonatsrenditen im Russell 2500 Index, übertrafen Aktien, die von beiden Methoden als qualitativ niedrig eingestuft wurden, jene Aktien, die beide Systeme dem Qualitätssegment zuordneten, um 5,6% (Abbildung 3). Besonders aufschlussreich ist der Blick auf Aktien, bei denen die beiden Methoden zu unterschiedlichen Einstufungen kamen: Unternehmen, die nur vom LLM als qualitativ hochwertig eingestuft wurden, übertrafen Unternehmen, die nur vom quantitativen Modell als qualitativ hochwertig bewertet wurden, um 9,1%.

Auch wenn diese Analyse als vorläufig einzustufen ist, deutet sie auf zwei mögliche Schlussfolgerungen hin:

1. Auch das LLM-Framework bildet die deutliche Outperformance von Aktien niedrigerer Qualität im vergangenen Jahr ab.
2. Qualitative Dimensionen von Qualität könnten sich besser entwickelt haben als traditionelle quantitative Qualitätskennzahlen. Diese Divergenz könnte auf KI-Engagement, Widerstandsfähigkeit gegenüber Disruption, stärkere Preissetzungsmacht oder andere Geschäftsmerkmale zurückzuführen sein, die sich mit herkömmlichen Finanzkennzahlen allein nur schwer erfassen lassen.

Als wir das LLM baten, strukturelle Unterschiede zwischen seiner Qualitätsbeurteilung und der traditionellen quantitativen Sichtweise zu analysieren, führte es die begrenzten Abweichungen tatsächlich auf zwei Aspekte zurück:

• KI bestraft „derzeit gute, aber strukturell gefährdete Unternehmen“ – aktuell hohe Kennzahlen, bei denen KI jedoch Zweifel an der Nachhaltigkeit sieht; und
• KI honoriert „strukturell gute, aber derzeit unattraktiv erscheinende Unternehmen“ – volatile Finanzkennzahlen, unter denen KI jedoch eine robuste Franchise erkennt.

Einschränkungen unserer Analyse von Business Quality

Unsere Case Study unterliegt jedoch zwei wichtigen Einschränkungen.

Look-ahead Bias: Derzeit verfügen wir nicht über eine zeitpunktbezogene LLM-Qualitätshistorie, die ein Jahr zurückreicht. Obwohl das Modell angewiesen wurde, sich auf fundamentale Qualitätsmerkmale zu konzentrieren, könnten seine Einschätzungen dennoch durch Kenntnis des anschließenden Marktumfelds beeinflusst worden sein.

Potenzielles Overfitting: Sowohl das Prompt-Design als auch das Scoring-Framework wurden in mehreren Iterationen verfeinert. Dadurch besteht die Möglichkeit, dass die Methodik auf das aktuelle Marktumfeld zugeschnitten ist. Zwar zielte dieses Research-Projekt darauf ab, Konsistenz und wirtschaftliche Interpretierbarkeit zu verbessern, nicht aber historische Performance zu maximieren. Dennoch sind zusätzliche Out-of-Sample-Tests erforderlich, um Robustheit und Verallgemeinerbarkeit des Frameworks zu beurteilen.

Gleichwohl standen die LLM-Klassifizierungen in ihrer Richtung im Einklang mit der breiteren Beobachtung, dass Aktien niedrigerer Qualität eine bessere Wertentwicklung erzielten. Aus unserer Sicht kann die Analyse daher aufschlussreich sein, auch wenn Ausmaß und Dauerhaftigkeit der Ergebnisse weiterer Out-of-Sample-Tests bedürfen.

---

Case Study 2: Welche Softwareunternehmen erscheinen besser gegen AI disruption gewappnet?

Softwareaktien entwickelten sich im vergangenen Jahr deutlich schwächer. Ausschlaggebend waren verschiedene KI-bezogene Sorgen, darunter die vollständige Ersetzung von Produkten, sinkende Preissetzungsmacht und eine geringere Nachfrage nach seat-based licenses.

Lässt sich zwischen Softwareunternehmen unterscheiden, die gegenüber AI disruption vergleichsweise widerstandsfähig sind, und solchen, die stärker exponiert erscheinen?

Wie wir ein LLM zur Analyse der Widerstandsfähigkeit von Softwareunternehmen eingesetzt haben

Die Entwicklung und Anwendung eines LLM-Frameworks zur Beurteilung der Fähigkeit von Softwareunternehmen, AI disruption standzuhalten, umfasste folgende Schritte:

• Zusammenarbeit mit unserem Software-Analystenteam, um zwölf Geschäftsmerkmale zu identifizieren, die in einem KI-getriebenen Umfeld zu höherer Widerstandsfähigkeit und besserer Verteidigungsfähigkeit beitragen könnten;
• Entwicklung eines detaillierten, multifaktoriellen Prompts, der Unternehmen entlang dieser Dimensionen bewertet (Abbildung 4);
• Aufbau eines unterstützenden Frameworks, um die Konsistenz zu verbessern und LLM-Halluzinationen zu reduzieren, die zu sachlich falschen Aussagen führen können; und
• Ermittlung von Resilience Scores für Softwareunternehmen im Small- und Mid-Cap-Universum des Russell 2500 Index sowie iterative Abstimmung mit unseren fundamentalen Analysten zur Verfeinerung von Methodik und Ergebnissen.

Nach mehreren Verfeinerungsrunden ordneten wir Small- und Mid-Cap-Softwareunternehmen auf Basis ihrer geschätzten Widerstandsfähigkeit gegenüber AI disruption in Quintile ein und untersuchten ihre Wertentwicklung seit dem 30. Juni 2025.

Zentrale Erkenntnisse aus unserer LLM-Analyse der Software Resilience

In Phasen schwacher Softwaremärkte – insbesondere während des Drawdowns von Ende 2025 bis Anfang 2026 – entwickelten sich die als am widerstandsfähigsten identifizierten Unternehmen deutlich besser als jene, die als am wenigsten widerstandsfähig eingestuft wurden (Abbildung 5).

Ab Mai 2026 kehrte sich dieser Zusammenhang jedoch im Zuge einer kräftigen Erholung von Softwareaktien um: Die weniger resiliente Kohorte legte am stärksten zu und beendete den Zwölfmonatszeitraum bis zum 30. Juni 2026 letztlich vor der resilienteren Gruppe. Dennoch blieb das Muster über den analysierten Zeitraum hinweg konsistent: Das widerstandsfähigste Quintil führte in Ausverkaufsphasen.

Dieses Muster entspricht dem, was man von einem defensiven Framework erwarten würde. Softwareunternehmen, die als stärker gegen AI disruption abgeschirmt wahrgenommen werden, können in Phasen erhöhter Sorgen zur Begrenzung von Verlusten beitragen. Unternehmen, die als stärker diesem Risiko ausgesetzt gelten, können dagegen überproportional profitieren, wenn diese Sorgen nachlassen.

Auch wenn der Beobachtungszeitraum kurz bleibt und die Renditen in jedem einzelnen Zeitfenster von wechselnder Anlegerstimmung geprägt werden, deuten die ersten Ergebnisse darauf hin, dass Widerstandsfähigkeit gegenüber AI disruption im Softwaresektor zu einem zunehmend wichtigen Differenzierungsmerkmal wird.

Über längere Anlagehorizonte dürften Softwareunternehmen mit stärkerer Wettbewerbspositionierung, größerer Preissetzungsmacht, besser verteidigbaren Kundenbeziehungen und geringerem Risiko durch AI disruption aus unserer Sicht besser positioniert sein, um Aktionärswert zu schaffen. Für Anleger im Small- und Mid-Cap-Segment halten wir diese Differenzierung für wichtig.

---

Fazit

LLMs haben das Potenzial, den Kreis der Investmentfragen zu erweitern, die sich systematisch adressieren lassen – insbesondere in Bereichen, in denen traditionelle quantitative Modelle qualitative Geschäftsmerkmale historisch nur schwer messen konnten. Nach unserer Erfahrung entstehen die wirkungsvollsten Anwendungen nicht allein aus fundamentaler oder quantitativer Expertise, sondern aus der Verbindung beider Disziplinen. Durch die Zusammenführung von Erkenntnissen aus beiden Bereichen können sich wirtschaftliche Intuition und technologische Leistungsfähigkeit gegenseitig verstärken.

Die von uns vorgestellten Beispiele veranschaulichen diesen integrierten Ansatz. Unser LLM-Framework deutet darauf hin, dass systematische Messgrößen qualitativer Business Quality Informationen erfassen können, die sich von herkömmlichen Qualitätskennzahlen unterscheiden. In ähnlicher Weise zeigt unser Software-Resilience-Framework, wie LLMs dazu beitragen können, komplexe Wettbewerbsdynamiken zu beurteilen, die bislang stark von menschlichem Urteilsvermögen abhingen. Auch wenn sich beide Anwendungen noch in einer frühen Entwicklungsphase befinden und zusätzlicher Validierung bedürfen, sprechen die ersten Ergebnisse dafür, dass LLMs relevante Signale liefern können, die bestehende Research-Instrumente ergänzen.

Mit der Weiterentwicklung dieser Technologien sehen wir die größte Chance nicht darin, etablierte Investmentprozesse zu ersetzen, sondern sie zu erweitern. Durch die Verbindung strukturierter Finanzdaten mit einer systematischen Analyse unstrukturierter Informationen könnten Anleger in die Lage versetzt werden, wichtige Geschäftsmerkmale zu messen, die bislang nur schwer in großem Maßstab zu bewerten waren. Wir erwarten, dass die Integration von KI-Tools zu einem zunehmend wichtigen Bestandteil der quantitativen Investmentanalyse wird.

 

Anhang

Faktoren sind unsere intern entwickelten Kennzahlen und werden wie folgt definiert:

Bewertung: Proprietärer Verbund verschiedener Bewertungskennzahlen auf Basis von Gewinnen, Umsätzen, Buchwerten und Dividenden. Die spezifische Gewichtung des Value-Faktors kann je nach Region und Sektor variieren.

Wachstum: Proprietärer Verbund verschiedener Wachstumskennzahlen auf Basis historischer und erwarteter Gewinn- und Umsatzwachstumsraten. Faktorauswahl und Gewichtung variieren je nach Region und Branche.

Momentum: Proprietäre Messgröße des mittelfristigen Kursmomentums.

Qualität: Proprietäre Qualitätskennzahl auf Basis fundamentaler Stabilität und Kursstabilität, Bilanzstärke sowie Kennzahlen zu Profitabilität, Kapitaleinsatz und Gewinnqualität.

Profitabilität: Eigenkapitalrendite.

Risiko: In diesem Papier bezeichnet Risiko die Standardabweichung der Renditen über die vergangenen zwölf Monate. Aktien mit hohem Risiko weisen höhere Standardabweichungen auf, was auf eine größere Schwankungsbreite beziehungsweise Streuung ihrer historischen Renditen hindeutet.

Größe: Marktkapitalisierung; eine positive Rendite bedeutet, dass größere Aktien eine bessere Wertentwicklung erzielen als kleinere Aktien.

Quintil-Spread: Ein Quintil-Spread, auch als Long-Short-Rendite bezeichnet, wird berechnet, indem Wertpapiere anhand eines bestimmten Merkmals oder Faktorkriteriums sortiert, in fünf Gruppen beziehungsweise Quintile eingeteilt, die Wertpapiere innerhalb jedes Quintils gleichgewichtet und anschließend die Renditen des unteren Quintils – der niedrigsten 20% – von den Renditen des oberen Quintils – der höchsten 20% – abgezogen werden.

In Faktoren und Indizes kann nicht direkt investiert werden; sie dienen ausschließlich Illustrationszwecken. Sie spiegeln weder die Wertentwicklung tatsächlicher Anlagen wider noch berücksichtigen sie Gebühren und Kosten, die mit einer tatsächlichen Anlage verbunden sind, etwa Handelskosten und Verwaltungsgebühren.

Alle Anlagen unterliegen Marktrisiken, einschließlich des möglichen Verlusts des eingesetzten Kapitals. In der Vergangenheit positive Unternehmensmerkmale müssen in Zukunft nicht fortbestehen.

Anlagerisiken: Aktien können aus unterschiedlichen Gründen rasch an Wert verlieren und dauerhaft auf niedrigem Kursniveau verharren. Wachstumsaktien unterliegen der mit Anlagen in Stammaktien verbundenen Volatilität; ihr Aktienkurs kann stärker schwanken als der von ertragsorientierten Aktien.  Small-Cap-Aktien waren in der Regel stärkeren Kursschwankungen ausgesetzt als Large-Cap-Aktien. Mid Caps waren im Allgemeinen volatiler als Aktien großer, etablierter Unternehmen. Anlagen in Technologieaktien sind mit spezifischen Risiken verbunden, darunter potenziell erhebliche Performanceunterschiede und in der Regel starke Kursschwankungen nach oben und unten. Technologieunternehmen können unter anderem durch intensiven Wettbewerb, staatliche Regulierung, enttäuschende Gewinne, Abhängigkeit von Patentschutz sowie die rasche Veralterung von Produkten und Dienstleistungen infolge technologischer Innovationen oder veränderter Verbraucherpräferenzen beeinträchtigt werden.