Bundesverband Alternative Investments e.V. (BAI)

Nachruf auf Michael Rieder, Mitbegründer von Palladio Partners

Michael Rieder starb plötzlich und unerwartet am ersten Oktober-Wochenende. Wir möchten hier den LinkedIn Post von Palladio Partners wiedergeben.

In großer Trauer geben wir den Tod unseres Mitgründers, Geschäftsführers, Kollegen und Freundes Michael "Mike" Rieder bekannt. Am Wochenende erreichte uns die schockierende Nachricht, dass er plötzlich und unerwartet verstorben ist. Ein wunderbarer Mensch hat uns viel zu früh verlassen.

Michael Rieder hat Palladio Partners gemeinsam mit Bernd Kreuter Anfang der 2010er Jahre gegründet. Der Markt für Infrastrukturinvestitionen war gerade erst dabei, sich zu entwickeln. Mike und Bernd einten gemeinsame Vorstellungen über die Gestaltung von Kundenbeziehungen und wirklich nachhaltige Investmentlösungen. In nur einem Jahrzehnt haben sie Palladio Partners zu einer führenden Investmentboutique auf- und ausgebaut. Gemeinsam mit einem Partnerkreis von inzwischen zehn Personen und einem stetig wachsenden Team. Beiden war es wichtig, dass das Unternehmen auf stabilen breiten Schultern steht.

Mikes großes Engagement machte nicht an den Unternehmensgrenzen halt. Er gründete gemeinsam mit Unternehmen aus der deutschen Altersvorsorge die “Initiative Deutsche Infrastruktur", um sich dafür einzusetzen, dass mehr privates Kapital in die nachhaltige Transformation von Infrastruktur fließen kann. Er engagierte sich unter anderem im Bund Katholischer Unternehmer, für die Jugendsozialstiftung seiner Familie sowie in der Atlantik-Brücke und der Frankfurter Gesellschaft für Handel, Industrie und Wissenschaft. Bei all dem verlor Mike nie das große Ganze aus den Augen und alles, was das Leben ausmacht. Genug Zeit für seine Familie, Freundschaften, Reisen, schöne Erlebnisse.

Mike war ein Unternehmergeist und Visionär, mutig und zielstrebig, voller Energie, mit klaren Werten und dem Willen, die Welt etwas besser zu machen. Und er war ein warmherziger und humorvoller Mensch, ein liebender Familienvater und guter Freund. Wir vermissen ihn schmerzlich.

Unsere Gedanken sind bei Mikes Frau, seinem Sohn, seiner ganzen Familie und allen seinen Freunden. Wir werden ihn immer in wertschätzender Erinnerung behalten.

Dr. Philipp Bunnenberg, Head Alternative Markets, BAI e.V.

Unsere regelmäßigen Surveys unter BAI-Mitgliedern und institutionellen Investoren sind den meisten von Ihnen inzwischen sicherlich bekannt. Im Sommer 2024 befragten wir zeitgleich zu den BAI-Mitgliedern 111 deutsche institutionelle Investoren, die zusammen über 2.300 Mrd. € Assets under Management (AuM) verwalten. Stets repräsentieren die Daten eine ausgewogene Mischung an Teilnehmenden – von kleinen Stiftungen bis hin zu sehr großen Versicherungsunternehmen. Die Ergebnisse der Umfrage bieten transparente Einblicke in Private-Markets-Investitionen deutscher institutioneller Investoren und zeigen aktuelle und künftige Veränderungen in der Portfolioallokation auf. Die meisten dieser Daten werden Sie nicht überraschen, aber vielleicht Ihr Gefühl und die Erfahrung aus den Gesprächen mit Investoren, Asset Managern und Service Providern bestätigen.

Im Vergleich zum Vorjahr spielen Inflation und höhere Zinsen bei Investitionsentscheidungen keine dominierende Rolle mehr. Auch hinderliche Denominator-Effekte und Liquiditätsengpässe im Portfolio gehören für die meisten Anleger, die nach Marktwerten bewerten, der Vergangenheit an. Das ist im Zweijahresvergleich eine erstaunlich signifikante Verbesserung angesichts der eher moderaten Zinsschritte der Zentralbanken.

Weiterer Rückenwind für die Private Markets ist jedoch in Sicht. Die US-Notenbank als auch die EZB haben dem Markt gegenüber bekräftigt, dass in naher Zukunft mit weiteren Zinssenkungen zu rechnen ist. Die Inflationsrate in Deutschland − gemessen als Veränderung des Verbraucherpreisindex zum Vorjahresmonat – lag im September 2024 nur noch bei +1,6%. Im Moment scheint es, dass der Inflationsdruck der Zentralbanken in den Hintergrund rückt, während der Fokus auf dem Wirtschaftswachstum und der Finanzstabilität liegt. Das Marktumfeld bleibt nichtsdestotrotz für Investoren herausfordernd und es besteht weiterhin Potenzial für eine größere Volatilität auf den Märkten.

Für Hedgefonds- und Liquid Alternatives-Strategien sind das zunächst positive Nachrichten. Und das spiegelt sich auch in den jüngsten Daten des BAI-Surveys wider. Die BAI Marktsentiment- und Performance-Barometer zeigen, dass die Performance vieler Hedgefonds-Strategien die Erwartungen der Investoren in den vergangenen 12 Monaten übertroffen haben. Anleger kehren zu Hedgefonds und Liquid Alternatives zurück. Eine Trendumkehr und ein wichtiges Signal für die Branche auf das viele Anbieter seit Jahren gewartet haben.

Dass Alternative Investments etablierte Bausteine für hoch diversifizierte institutionelle Portfolios sind, zeigen die BAI Surveys Jahr für Jahr eindrucksvoll auf. Trotz eines durchaus gesättigten Marktes, können nach wie vor viele Investoren ihre Portfoliodiversifikation über zusätzliche Alternative Assetklassen vorantreiben. Bereits jeder zweite Investor alloziert in sechs oder mehr Alternative Assetklassen. Mehr als je zuvor! Wesentlich zurückzuführen ist das in den vergangenen zwei Jahren auf Neueinstiege bei Infrastruktur- und Private Debt-Investments. In den kommenden zwölf Monaten erwarten wir weiterhin die größte Nachfrage für Private Debt- und Infrastrukturstrategien. Ferner wird aber auch das Private Equity Fundraising im Vergleich zu den Vorjahren wieder an Fahrt aufnehmen. Wir rechnen sowohl mit einigen neuen Investoren in der Assetklasse als auch mit leicht steigenden Quoten der bereits allozierenden Investoren.

Die gestiegene Erfahrung deutscher institutioneller Investoren spiegelt sich neben einer Diversifikation über verschiedene Assetklassen auch in zunehmend sophistizierten Strategien wider. Dahingehend beobachteten wir im Zeitraum der vergangenen zwei Jahre eine höhere Nachfrage für Nischenstrategien und in allen Assetklassen eine Zunahme an direkten Co-Investments und Engagements über dedizierte Co-Investmentfonds.

Eine einsetzende Erholung auf den Immobilienmärkten zeigt sich in einer leichten Verbesserung der Stimmung im BAI-Sentiment-Barometer, wenngleich das Gesamtbild noch negativ ist. Anleger bleiben zurückhaltend. Ferner wollen viele Investoren ihre zum Teil hohe Allokation sogar weiter reduzieren.

Simon Censkowsky, Senior Manager Business Development, und Florian Mücke, Strategic Business Development Manager, Cashlink Technologies GmbH

Stellen Sie sich vor, Sie könnten in Bruchteilen von Sekunden in einen globalen Anlagefonds investieren, ohne die üblichen Vermittler und mit deutlich reduzierten Kosten. Klingt futuristisch? Dank der Blockchain-Technologie wird diese Vision immer greifbarer. Zumindest wenn man aktuellen Trends Glauben schenken mag.  Doch was ist dran? Im folgenden Beitrag werden die Möglichkeiten genauer unter die Lupe genommen und mit Praxisbeispielen untermauert auf Besonderheiten der Möglichkeiten und regulatorischen Rahmenbedingungen eingegangen.

1. Einführung

Die Fondsindustrie findet sich durch wechselnde Kundenbedürfnisse, verändernde regulatorische Rahmenbedingungen und technologische Innovationen in einem stetigen Wandel. Das Aufkommen der Blockchain Technologie, getrieben durch die Entwicklung von Kryptowährungen, verspricht nun auch die Wertpapier- und somit auch die Fondsindustrie positiv zu beeinflussen. Durch die Einführung des elektronischen Wertpapiergesetzes (“eWpG”) und der Verordnung über Kryptofondsanteile (“KryptoFAV”) hat Deutschland die rechtlichen Grundlagen für die Tokenisierung von Fondsanteilen geschaffen. Das Marktpotenzial tokenisierter Vermögenswerte soll laut Boston Consulting bis 2030 auf bis zu 16 Billionen US-Dollar steigen. Globale Asset Manager wie Blackrock oder Franklin Templeton sind bereits auf den Zug aufgesprungen und haben durch tokenisierte Fondsvehikel schnell signifikante Beträge für ihre Fonds einsammeln können. Ist dies auch in Deutschland bzw. Europa umsetzbar? Im folgenden Beitrag nehmen wir die Werteversprechen genauer unter die Lupe und schauen uns neben rechtlichen Rahmenbedingungen auch zwei Praxisbeispiele genauer an.

2. Werteversprechen

Durch die Tokenisierung von Fonds sollen Transaktionen effizienter, transparenter und kostengünstiger werden. Emittenten profitieren von einem direkten Zugang zu globalen Märkten und profitieren von Kosteneinsparungen in der Abwicklung. Fondsadministration und Verwahrstellen Tätigkeiten können zudem noch effizienter gestaltet werden und neue Produktangebote schaffen. Im folgenden Abschnitt beleuchten wir die populärsten Wertversprechen und beleuchten diese am Beispiel des tokenisierten Blackrock “Buildl” Fonds

a. Direkter Zugang zu globalen Märkten

Durch die dezentralisierte Komponente eines tokenisierten Fonds gilt oft der Trugschluss, dass tokenisierte Finanzprodukte weltweit vermittelbar wären und geografische Beschränkungen entfallen, da der Handel über die Blockchain dezentralisiert erfolgt.

Dies ist nur in Teilen wahr. Bei tokenisierten Finanzprodukten gelten wie bei klassischen Finanzinstrumenten auch gängige KYC, AML und FAFT Regulierungen. Bei der Platzierung und dem Angebot in verschiedenen Jurisdiktionen müssen zudem entsprechende Vertriebserlaubnisse verfügbar sein. Bei Fonds, die sich nur an semi-/professionelle Anleger richten, gilt auch dies einzuhalten.

Richtig ist allerdings, dass ein tokenisierter Fonds unter Berücksichtigung der o.g. Rahmenbedingungen weitgehend global Investoren onboarden kann. Durch die sogenannte Selbstverwahrung ist hierbei theoretisch nicht einmal eine Depotbank für die Verwahrung notwendig. Der Anleger kann die Anteile in einer eigenen Wallet halten. Diese können zudem in Sekundenschnelle auch global abgewickelt werden. Hier ist unter Einhaltung der aufsichtsrechtlichen Anforderungen bei Vertrieb und Investorenonboarding ein klarer Vorteil gegeben.

b. Demokratisierung des Investierens

Tokenisierung wird oft als Demokratisierung von bisher exklusiven Anlageklassen verstanden. Während dies in Teilen zutrifft, ist jedoch insbesondere bei Fondsprodukten die Einstufung der investierenden Personen zu beachten. Ist ein Fonds nur für semi-/professionelle Anleger zugelassen, kann dieser durch Tokenisierung nicht auf einmal Kleinanlegern zugänglich gemacht werden. Große Vorteile bieten jedoch kleinere Stückelungen, die durch weniger Aufwände im Mid-/Backoffice möglich gemacht werden.

c. Kosteneinsparungen durch Smart Contracts und dadurch automatisierbare Prozesse

Tokenisierte Fonds werden über sogenannte Smart Contracts begeben. Konkret bedeutet dies, dass anstatt verbriefter Anteilsscheine ein Smart Contract erstellt wird, welcher die Rechte- und Pflichten aus den Investitionsbedingungen nativ in Tokenform auf der Blockchain abbildet. In der Regel wird für eine Tokenisierung ein Set aus Smart Contracts genutzt, welche unterschiedliche Anwendungen für das Finanzinstrument ausführen. In erster Instanz haben diese Smart Contracts die Aufgabe, das Register für das Finanzinstrument auf der Blockchain zu führen. In zweiter Instanz kann dieses aber auch programmiert werden und z.B. Compliance Logiken ausführen, die beispielsweise automatisiert prüfen, ob ein Empfänger Token empfangen darf oder nicht. Weitere Anwendungsfälle sind automatisierte Berechnung und Ausschüttung von Dividenden und weiteren Kapitalmaßnahmen. Sobald mehr Finanzinstrumente nativ auf der Blockchain sind, kann ein Smart Contract für einen Fonds grundsätzlich auch automatisiert Portfolio Rebalancing Aktivitäten im Rahmen der Fondsstrategie automatisiert durchführen.

Durch die Automatisierung vieler Prozesse sinken damit die Kosten für die Emission und Verwaltung von Fonds und kommen damit primär Fondsverwaltung und Abwicklung und damit indirekt auch der Emittentin zu Gute.

Die Blockchain bietet zusammengefasst ein breites Spektrum an Vorteilen für alle Akteure in der Fondsindustrie. Durch höhere Effizienz, Transparenz und Flexibilität werden neue Möglichkeiten eröffnet, die das Anlagegeschäft grundlegend verändern. Ob diese Vorteile auch in der Praxis eintreten werden, werden letztendlich die nächsten Jahre zeigen. Durch zwei Praxisbeispiele wird aber fortfolgend analysiert, wie der Status Quo tokenisierter Fonds aussieht.

Beispiel Tokenisierter BlackRock “Buildl” Fund

Anhand des im März¹ dieses Jahres gestartete On-chain Fonds von Blackrock, wird analysiert, inwiefern die oben genannten Vorteile zutreffen. Die Eckdaten² des tokenisierten Fonds zusammengefasst

• BUIDL, BlackRock´s USD Institutional Digital Liquidity Fund hat als Ziel, laufende Rendite für Anleger zu erzielen, indem der Fonds in US-Staatsanleihen investiert.
• Die Zielgruppe sind vor allem institutionelle Investoren, die signifikante Kryptovermögen besitzen und in den USA als akkreditierte Investoren klassifiziert sind. Das Mindestinvestment beträgt 5 Millionen US-Dollar.
• Die Zeichnung findet der Fondsanteile findet für zugelassene Investoren direkt on-chain via Stablecoins statt.
• Auszahlung der Dividenden erfolgt monatlich und wird automatisch vom Smart Contract in Stablecoin ausgezahlt.

Die halbe Milliarde US-Dollar, die das tokenisierte Fondsprodukt innerhalb kürzester Zeit über Web3-Kanäle eingesammelt hat, ist auf der einen Seite ein Beweis für das enorme Potenzial der Nutzung von Web3 Vertriebskanälen, auf der anderen Seite ein gutes Beispiel wie effizient Kapitalmaßnahmen auf der Blockchain automatisiert durchgeführt werden können.

Das Projekt konnte jedoch nicht am globalen Kapitalmarkt platziert werden, sondern ist bisher nur für in den USA akkreditierte Investoren ab einer Mindestinvestmentsumme von 5 Millionen US-Dollar erhältlich. Was das Projekt auszeichnet, ist allerdings die komplett automatisierte On-chain Investorenverwaltung inkl. dem Lifecyclemanagement wie automatisierte Ausschüttungen. Investoren können unter zugelassenen Investoren zudem in Echtzeit, 24/7 und 365 Tage im Jahr peer-to-peer handeln.

Fazit: Der Buildl Fund von Blackrock hat innerhalb kürzester Zeit signifikante Kapitalzuflüsse verzeichnen können. Der Erfolg ist hier sicherlich auch durch die Web3 Zielgruppe gegeben. Krypto Investoren die Teile ihres Vermögens selbst bzw. auf der Blockchain verwalten, können so mit Stablecoins direkt on-chain in ein entsprechendes Produkt investieren und müssen nicht den Umweg über FIAT-Geld und damit klassische Zahlungssysteme gehen. Dies bringt viele Vorteile mit sich. Mit Zunahme von tokenisierten Finanzprodukten und Finanzdienstleistungen, können auf der Blockchain immer mehr Teile bestehender Wertschöpfungsketten abgedeckt werden.

3. Rahmenbedingungen für die Tokenisierung von Fonds in Deutschland

Die Rahmenbedingungen für eine rechtssichere Begebung von tokenisierten Fonds wird vor allem durch das elektronische Wertpapiergesetz (“eWpG”) und die Verordnung über Kryptofondsanteils (“KryptoFAV”) ermöglicht. Die sogenannten Kryptowertpapiere bzw. Kryptofondsanteile werden in ein Kryptowertpapierregister eingetragen, welches unter der Aufsicht der BaFin steht. Die Begebung erfolgt in entmaterialisierter Form ohne physische Globalurkunde und benötigt, anders als bisher, keinen Zentralverwahrer. Der neue Rechtsrahmen erlaubt es Emittenten von Investmentfonds, Anteile an Sondervermögen oder an einzelnen Anteilklassen des Sondervermögens vollständig oder teilweise als Kryptofondsanteile zu begeben. Anwendungsfälle sind z.B. OGAW-Fonds oder das Auflegen von ELTIF Vehikeln in tokenisierter Art- und Weise.

Der Rahmen, den als Sondervermögen aufgelegte Fonds erfordern, verändert sich nicht. Die Kapitalverwaltungsgesellschaft muss nach wie vor eine Verwahrstelle beauftragen. Die Verwahrstelle kann nun selbst als Kryptowertpapierregisterführer agieren oder einen externen Kryptowertpapierregisterführer mit der Finanzdienstleistung beauftragen. Welche Arten von Fonds können nun als Kryptofonds

Auf der Verwahrebene wird nun jedoch bei der Rolle der Depotbank spannende. Diese wird in der neuen Wertschöpfungskette optional. So entstehen bei der Verwahrung tokenisierter Fondsanteilsscheine neue Möglichkeiten. Die Anteilsscheine können wie bisher über die Depotbank verwahrt werden oder die Investierenden Personen werden im Rahmen einer Einzeleintragung direkt beim Kryptowertpapierregisterführer eingetragen. Dies verändert die Wertschöpfungskette signifikant und bringt neue Möglichkeiten, aber auch eine Herausforderung mit sich. So müsste der Kryptowertpapierregisterführer Investierende direkt onboarden (Oder mit einem weiteren GwG verpflichteten Institut eine Beziehung eingehen), dafür bekommt jedoch auch die Verwahrstelle Zugang zu den Daten investierender Personen. Dies birgt viele Potenziale im Hinblick auf Datenanalysen.

Status Quo: Kryptofonds nach eWpG und KryptoFAV in Deutschland

Durch das neue Setup im Hinblick des Zusammenspiels zwischen Verwahrstelle und Kryptowertpapierregisterführer ist die Dynamik am deutschen Kapitalmarkt bisher noch verhalten. Durch erste Projekte wie der erste tokenisierte Publikumsfonds des Bankhaus Metzlers, wurden erste Schritte gewagt, die es ermöglichen Fonds nativ auf die Blockchain zu bringen. Die Highlights der Transaktion zusammengefasst

Die Metzler Asset Management GmbH (MAM) hat die ersten Kryptofondsanteile in Deutschland begeben. Die Emission der Kryptofondsanteile erfolgte im Rahmen eines Projektes auf der öffentlichen Polygon-Blockchain. Hierzu wurde eine neue Anteilsklasse des Publikumsfonds „Metzler Global Growth Sustainability” aufgelegt und in Tokenform als „Kryptofondsanteil“ begeben. Bankhaus Metzler agierte in dem Projekt als Verwahrstelle während Cashlink Technologies als Kryptowertpapierregisterführer & Tokenisierungsdienstleister beauftragt wurde. Gekauft wurde der Fonds unter anderem von Union Investment welche die gekauften Fondsanteile in den eigenen Multi Asset Fonds integrierten. 

Christopher Jensen, Director of Research, Franklin Templeton Digital Assets, und Marie Keil-Mouy, Head of Institutional Germany, Franklin Templeton

Kryptowährungen sind bereits seit über einem Jahrzehnt auf dem Markt präsent, dennoch herrscht unter Anlegern weiterhin große Unsicherheit. In diesem Artikel werden einige der hartnäckigsten Mythen rund um Kryptowährungen aufgeklärt, um eine fundierte Einschätzung der Chancen und Risiken zu ermöglichen.

Nur für institutionelle Anleger - nicht zur Weitergabe an Privatkunden.

Mythos Nr. 1: Kryptowährungen sind rein spekulativ

Viele traditionelle Investoren klassifizieren Kryptowährungen in eine Kategorie mit der Tulpenmanie und der Beanie-Babies-Blase, da sie diesen wenig bis gar keinen inneren Wert zuschreiben. In Anbetracht von Schlagzeilen über spekulative Blasen bei sogenannten "Meme-Coins", also risikoreichen, oft rein auf humorvollen Konzepten basierenden Vermögenswerten, erscheint diese Sichtweise nachvollziehbar.

Es wird jedoch außer Acht gelassen, dass es tausende Kryptowährungen gibt, die auf echten Geschäftsmodellen basieren. Diese Geschäftsmodelle werden von Teams entwickelt, die auch für die Kunden und Einnahmen verantwortlich sind. Protokolle sind Regelwerke, die den Datenaustausch zwischen Computern ermöglichen und damit den Betrieb einer bestimmten Blockchain oder dezentralen Anwendung auf dieser Blockchain steuern. Eine Blockchain kann über ein natives Token verfügen, eine Form eines digitalen Vermögenswerts, der zur Interaktion mit dem Protokoll dient. Die beiden größten nativen Token nach Marktkapitalisierung, Bitcoin (BTC) und Ethereum (ETH)¹, sind Beispiele hierfür. Diese Token machen den Hauptanteil der von Investoren gehaltenen digitalen Vermögenswerte aus.

Die Bewertung von Protokollen ähnelt in vielerlei Hinsicht der Analyse von Unternehmen für Investitionen in Aktien oder Anleihen. Zu den entscheidenden Faktoren gehören der Markt, das Produkt- oder Dienstleistungsangebot, die Kundenbasis, Wettbewerber, mögliche Substitutionsprodukte sowie das Alleinstellungsmerkmal des Protokolls. Der entscheidende Unterschied zu traditionellen Anlageformen besteht darin, dass nicht immer ein klarer Mechanismus vorhanden ist, durch den der Wert eines Protokolls auf das zugrunde liegende Token übertragen wird. Eine detaillierte Fundamentalanalyse des Protokolls und seines Tokens – häufig als "Tokenomics" bezeichnet – ist daher unerlässlich, um das Potenzial für Kapitalzuwachs zu bestimmen und festzustellen, ob das Token als Anlageobjekt in ein diversifiziertes Portfolio passt.

Mythos Nr. 2: Kryptowährungen sind zu volatil für Kundenportfolios

Es ist allgemein bekannt, dass die Wertentwicklung digitaler Vermögenswerte starken Schwankungen unterliegt. Zum 30. April 2024 wiesen der S&P Bitcoin Index und der S&P Ethereum Index eine Drei-Jahres-Standardabweichung von 61,0 % bzw. 74,3 % auf.² Wir sind der Ansicht, dass dies teilweise darauf zurückzuführen ist, dass sich Kryptowährungen noch in einer frühen Phase ihres Wachstums- und Adoptionszyklus befinden. Bitcoin ist die erste digitale Kryptowährung und wurde vor 15 Jahren eingeführt. Die Entwicklung von Ethereum (ETH) erstreckt sich über einen Zeitraum von weniger als zehn Jahren.

Diese hohe Volatilität bedeutet jedoch nicht, dass Kryptowährungen automatisch aus Anlagestrategien ausgeschlossen werden sollten. Eine geringe Beimischung von Kryptowährungen zu einem ausgewogenen Portfolio hat das Potenzial, das risikobereinigte Renditeprofil zu verbessern. Eine Analyse der Renditen und Sharpe-Ratios über die vergangenen drei Jahre zeigt, dass Portfolios mit einer Krypto-Allokation von 3 % und 5 % höhere Renditen und Sharpe-Ratios aufweisen als ein traditionelles Portfolio mit 60 % Aktien und 40 % Anleihen. Dabei ist die Standardabweichung bei den Krypto-Portfolios nur geringfügig höher.

Abbildung 1: Die Integration von Krypto in ein Portfolio könnte die Renditen steigern

Auch vor dem Hintergrund der zunehmenden Herausforderungen, mit traditionellen Anlageklassen in immer effizienteren Märkten überdurchschnittliche Renditen zu erzielen, kann eine moderate Krypto-Exposition eine sinnvolle Strategie sein. Das größere Risiko besteht möglicherweise darin, dass das Portfolio nicht ausreichend diversifiziert ist, um die finanziellen Ziele zu erreichen. Der Aufstieg digitaler Vermögenswerte, insbesondere von liquiden Kryptowährungen, stellt eine vielversprechende Möglichkeit dar, um vom Potenzial einer durch Blockchain-Technologie ermöglichten Zukunft zu profitieren. Wir sind überzeugt, dass die Distributed-Ledger-Technologie das Potenzial hat, nicht nur bedeutende Industrien umzugestalten, sondern auch neue Anwendungsfälle und Einnahmequellen zu erschließen, die bisher unerforscht waren.

Mythos Nr. 3: Kryptowährungen werden hauptsächlich zur Finanzierung illegaler Aktivitäten genutzt

Investoren sind mit dem traditionellen und streng regulierten Finanzsystem vertraut, in dem Banken Identifikationsdokumente verlangen und strengen "Know Your Customer"-Regelungen unterliegen. Im Falle illegaler Aktivitäten sind Banken verpflichtet, die Vorschriften zur Bekämpfung von Geldwäsche einzuhalten. Zudem können staatliche Sanktionen in Form von Kontosperrungen oder -einfrierungen jederzeit verhängt werden.

Im Gegensatz dazu bieten Kryptowährungen die Möglichkeit eines anonymen, nahezu sofortigen und ohne Kontrolle durch eine zentrale Instanz durchgeführten Handels. Dies macht Kryptowährungen in der Theorie zu einem potenziellen Ziel für illegale Transaktionen. Jedoch erfolgt eine öffentliche Dokumentation jeder Transaktion auf einer Blockchain. Um das Geld außerhalb des Ökosystems digitaler Vermögenswerte zu verwenden, ist eine "Fiat-Auszahlungsplattform" wie eine zentralisierte Kryptobörse erforderlich. Die heute existierenden zentralisierten Börsen unterliegen jedoch einer strengen Regulierung, was es äußerst schwierig macht, gestohlene digitale Vermögenswerte auszuzahlen, ohne entdeckt zu werden. Es besteht jedoch das Risiko, dass in Zukunft neue Methoden entwickelt werden, um diese Zensur zu umgehen.

Die Daten belegen jedoch, dass die überwiegende Mehrheit der Krypto-Transaktionen nicht für illegale Aktivitäten genutzt wird. Laut Chainalysis lag der Anteil der illegalen Transaktionen am gesamten Krypto-Transaktionsvolumen im Jahr 2023 bei 0,34 %. Dies stellt einen Rückgang von seinem Höchststand von 1,29 % im Jahr 2019³ dar. Diese 0,34 % des Kryptomarktes entsprechen etwa 24,2 Milliarden US-Dollar an illegalen Aktivitäten. Dies stellt nur einen Bruchteil der geschätzten 800 Milliarden bis 2 Billionen US-Dollar dar, die jährlich weltweit gewaschen werden, wie von den Vereinten Nationen geschätzt wird.⁴

Abbildung 2: Anteil der illegalen Transaktionen am gesamten Krypto-Transaktionsvolumen

Tim Rademacher, Geschäftsführer, inits I/O GmbH

Neulich las ich folgenden Satz in dem Editorial der c’t (Ausgabe 15/24): „Das Beste an KI ist, dass niemand mehr von Blockchain faselt.¹“ Interessant, wie sehr mich dieses Zitat abgeholt hat, wie sehr ich meine eigenen Gedanken in diesem kurzen Satz bestätigt sah.

Warum spiegelt das meine Gedanken wider? Beim Aufkommen von Bitcoin und vor allem durch die Veröffentlichung² des mysteriösen Satoshi Nakamoto war ich Feuer und Flamme. Eine eher simple wie wirkungsvolle Technik (simpel in der Funktionsweise und Nachvollziehbarkeit, nicht in der Umsetzung!), mit der Märkte kreiert werden können, in der alle Teilnehmer gleichberechtigt und ohne sich gegenseitig vertrauen zu müssen, miteinander agieren können. Und das Ganze sollte funktionieren, ohne die Kontrolle einer zentralen Instanz. Eine Revolution!

Aber wenn man genau hinschaut, ist wenig geblieben: Aus meiner Sicht gibt es nicht einen Anwendungsfall, der diese Technik aktuell wirklich erforderlich macht. In unserer Welt gibt es de facto die übergeordneten Instanzen, denen wir ausreichend Vertrauen entgegenbringen, um erfolgreich und einigermaßen sicher Geschäfte abzuwickeln. Darauf basiert unser gesamtes Wirtschaftssystem: Staaten- und Staatengemeinschaften, Zentralbanken, Börsen, Banken, Versicherungen, Konsortien, Großunternehmen, etc. bieten in den meisten Fällen ausreichend Sicherheit, um auf kostenintensive Funktionen wie Proof-of-Stake/Proof-of-Work (die entweder massenweise Strom verbrauchen und/oder eine Vielzahl an Ressourcen, wie Festplatten oder Grafikkarten) verzichten zu können. ^{3 4 5}

Gerade die erwarteten großen Veränderungen sind ausgeblieben: Bitcoin hat sich nicht zur staatenunabhängigen Währung entwickelt, sondern ist ein extrem volatiles Spekulationsinstrument und zum Spielball der Marktmacht einzelner geworden.⁶ Web 3.0, in der ein vertrauensvolles, semantisches Internet entsteht, wird nur noch in Nischenmedien beschworen.⁷ Die tatsächlichen Gewinner der letzten Jahre sind zentrale Plattformen, wie Aliexpress, Temu oder Shein, die nicht nur Shopping anbieten, sondern gleichzeitig sehr erfolgreich mit Gamification und dazu mit günstigen Preisen ihre Nutzer involvieren. ⁸

Nichtsdestotrotz gibt es abgespeckte Verfahren, die durchaus erfolgreich der Digitalisierung Schub verleihen können: z. B. kann der Distributed Ledger der Deutschen Börse eine effiziente Plattform für den Datenaustausch und die Datentransparenz werden und so die Abwicklung zwischen den Kontrahenten vereinheitlichen, beschleunigen und kostengünstiger machen.⁹ Ob hierfür wirklich Blockchain nötig und sinnvoll gewesen wäre, steht auf einem anderen Blatt.

In der Rückschau kann man also sagen, dass wir mit Blockchain einen klassischen Hype-Cycle durchlaufen haben (s. Gartner).

Hype Cycle

Der Hype Cycle¹⁰, von Jackie Fenn bei Gartner Inc. entwickelt, beschreibt die Aufmerksamkeit, die einer neuen Technologie im Zeitverlauf zugewendet wird. Der Verlauf ist in etwa so:

Eine neue Technologie (wie bspw. die Erfindung der Dampfmaschine, die Raketentechnik, das Smartphone, Blockchain oder Künstliche Intelligenz) sorgt dafür, dass innerhalb kürzester Zeit eine enorme Aufmerksamkeit erzeugt wird, ein sogenannter Hype. Die neue Technologie inspiriert vielfältige Zukunftsvisionen und rückt in den Fokus von Medien und öffentlichen Diskussionen, die sich verstärkt damit auseinandersetzen.

Nach einer Weile erkennen die gesellschaftlichen Vorreiter:innen, dass die Erwartungen an die Technologie zu hoch gewesen sein könnten. Der Einsatz ist zu teuer, der Nutzen doch nicht so groß, die Technik schwer zu handhaben und die weiteren Use-Cases doch nicht so von gesellschaftlichem Nutzen wie ursprünglich gedacht. Stück für Stück sinkt die mediale Aufmerksamkeit so lange, bis Fritz und Lieschen Müller auch durchschaut haben, dass das nur eine Blase war. Die Enttäuschung ist groß.

In diesem Tal der Enttäuschungen entwickeln sich dann hoffentlich einige, manchmal auch wenige Anwendungsfälle, für die die neue Technologie durchaus relevant sein könnte. Auf dem Pfad der Erleuchtung werden diese relevanten Cases ausgearbeitet und zu guten, nutzenbringenden Produkten oder Prozessverbesserungen umgesetzt. Von da an befindet man sich dann auf einem Plateau der höheren Produktivität.

Letztlich stellt sich die Frage, wie ausgeprägt und langfristig das Plateau der Produktivität ist. Beispielsweise hat die Entwicklung des Smartphones schon seit vielen Jahren eine kontinuierliche Verbesserung der Produktivität und der Unterhaltung geführt. Das Tal der Enttäuschungen ist hier vergleichsweise flach ausgefallen und ergibt sich vorwiegend aus den hohen Erwartungen, die Welt kontinuierlich zu revolutionieren. Im Unterschied dazu ist der persönliche und gesamtgesellschaftliche Nutzen von Blockchain relativ gering, vor allem vor dem Hintergrund anderer Technologien, die die neue Technik funktionell substituieren, wie bspw. eine verteilte, standardisierte Abwicklungsplattform, die mittels modernen Cloud-Datenbanken mindestens ebenso einfach eine effiziente Abwicklung ermöglicht.

KI und GenAI

Da schon der nächste Hype in den Startlöchern steht, müssen wir uns nun die Frage stellen, wie die Entwicklung von Künstlicher Intelligenz (KI) im allgemeinen und Generativer Künstlicher Intelligenz (GenAI) im speziellen weiterverläuft.

Aber kurz einen Schritt zurück: KI, die Entwicklung von Neuronalen Netzen, sind ein alter Hut. Bereits während meines Studiums (na vor mittlerweile mehr als 20 Jahren) haben wir in speziellen Vorlesungen mit KI experimentiert. Das größte Problem damals: Rechenleistung. Diese ist nun im Überfluss verfügbar: In den Clouds der Hyperscaler (AWS, Microsoft Azure, Google Cloud Plattform, …) lassen sich schnell und bei Bedarf auch kurzfristig umfangreiche Kapazitäten beschaffen, mit denen neuronale Netze auf großen Datenmengen trainiert werden können. Gleichzeitig hat sich die Hardware derart verbessert und spezielle Prozessoren (GPUs) wurden entwickelt, die besonders für den Hersteller NVIDIA ein großer Erfolg sind und die Aktie zu ungeahnten Höhenflügen angetrieben hat.

KI im Allgemeinen ist kein Hype. Es ist eine nun schon lang lebendende Technologie, die kontinuierlich verbessert wird. Prominente Beispiele sind Sprach-, Text- oder Bilderkennung oder weitergefasst: Erkennung von Mustern.

GenAI ist eine spezialisierte Form der KI, die sich darauf konzentriert, neue und kreative Inhalte zu generieren oder zumindest nachzuahmen. Während KI weitgehend alle möglichen intelligenten Systeme umfasst, die menschliche Aufgaben imitieren können, fokussiert sich GenAI auf das Schaffen von Inhalten, die nicht nur auf bestehende Daten reagieren, sondern auch etwas Neues und Originelles hervorbringen. Dies stellt GenAI an die Schnittstelle zwischen Technologie und Kreativität und hebt es von anderen KI-Bereichen ab, die eher auf Analyse und Entscheidungsfindung fokussiert sind.

Karen Kharmandarian, CIO and Porfolio Manager, und  Alexandre Zilliox, Portfolio Manager, Thematics Asset Management

Im Dezember 2015 schrieb Klaus Schwab, der renommierte Vorsitzende des Weltwirtschaftsforums, in der Zeitschrift Foreign Affairs:

„Wir stehen am Beginn einer technologischen Revolution, die unsere Art zu leben, zu arbeiten und miteinander zu interagieren grundlegend verändern wird. In ihrem Ausmaß, ihrer Reichweite und ihrer Komplexität wird die Transformation unvergleichlich sein mit allem, was die Menschheit bisher erlebt hat.“¹

Nur sechs Wochen vor dieser Veröffentlichung hatte die Unternehmensberatung McKinsey in einem Quartalsbericht unter dem Titel „Vier Grundlagen der Automatisierung am Arbeitsplatz“ IBM’s Watson, den Roboter Baxter von Rethink Robotics und Googles selbstfahrende Autos als „spektakuläre Demonstrationen“ fortschrittlicher Robotik angepriesen. Die zentrale Frage war: „Sollten wir uns vor Bedrohungen von Arbeitsplätzen, Störungen in Organisationen und Belastungen des sozialen Gefüges fürchten?“²

Erfahrene Investoren könnten sich nun an diese Prognosen erinnert fühlen, denn ähnliche Aussagen werden heute über Künstliche Intelligenz (KI) getroffen.

Das Gesetz von Amara mahnt, dass wir „die Wirkung einer Technologie kurzfristig überschätzen und langfristig unterschätzen“.³

McKinseys damalige Beispiele für „fortschrittliche Robotik“ sind hierfür bezeichnend: Watson konnte nicht die ambitionierten Erwartungen erfüllen, die IBM in die Technologie gesetzt hatte, was die New York Times 2021⁴ zu dem Artikel „Was ist eigentlich aus IBM’s Watson geworden?“ veranlasste. Der industrielle Roboter Baxter, der die Fertigung revolutionieren sollte, wurde 2018 wegen enttäuschender Verkaufszahlen eingestellt.⁵ Googles selbstfahrendes Auto, das Millionen von autonomen Meilen gefahren ist, ist fast ein Jahrzehnt später immer noch nur in vier US-Städten im Einsatz.⁶

Was können wir also aus fast zehn Jahren Erfahrung in Robotik und Automatisierung über die zukünftigen Entwicklungen der KI ableiten?

Drei zentrale Beobachtungen bieten sich an:

1. Der anfängliche Hype könnte abflauen, bevor die Technologie wirklich angenommen wird.
2. Die spannendsten Durchbrüche kommen oft aus unerwarteten Anwendungen.
3. Während große Tech-Unternehmen kurzfristig die Innovation vorantreiben, werden mittelfristig

kleine Firmen für Erfolgsgeschichten sorgen.

1. Der Hype könnte abflauen, bevor die Technologie wirklich angenommen wird

Obwohl die langfristigen Chancen von KI signifikant und weitreichend sind, besteht das Risiko, dass der Hype um die zugrunde liegenden Technologien nachlässt, bevor sie breit angenommen werden. Nach der Veröffentlichung von OpenAI’s ChatGPT im November 2022 war die Berichterstattung über Generative KI und große Sprachmodelle im ersten Halbjahr des letzten Jahres allgegenwärtig. Es schien, als würde jedes Unternehmen, unabhängig von Branche oder Sektor, plötzlich über KI sprechen. Google-Suchanfragen zu diesem Thema erreichten im zweiten Quartal des vergangenen Jahres ihren Höhepunkt, auch wenn das Interesse seither in der breiten Öffentlichkeit leicht zurückgegangen ist.

Die Investitionen in die KI-Infrastruktur sind enorm, wie die beeindruckenden Gewinnsteigerungen und Kursgewinne von Nvidia belegen. Doch die Umwandlung dieser Kapitalausgaben in nachhaltige Unternehmensgewinne für das gesamte Ökosystem wird Zeit brauchen. Trotz der Ungewissheiten haben die Aktienkurse zahlreicher Unternehmen, die in der KI-Wertschöpfungskette agieren, beachtliche Höhen erreicht, da Investoren eher auf das Potenzial von morgen als auf die realen Ergebnisse von heute setzen.

Die Herausforderung für diese Unternehmen ist dreifach: Werden die fundamentalen Kennzahlen jemals mit den hohen Bewertungen übereinstimmen? Sobald die Monetarisierung einsetzt, werden sie ihre Anfangsinvestitionen zurückgewinnen und Gewinne erzielen können? Und wie nachhaltig werden diese Gewinne sein, wenn KI weit verbreitet ist und Mainstream-Anwendungen alltäglich werden?

Dennoch ist das langfristige Potenzial unbestreitbar, insbesondere da KI-Innovationen durch die Möglichkeit zur Interaktion in natürlicher Sprache demokratisiert werden. Technisches Know-how ist nicht länger Voraussetzung für kreative Ideen oder clevere Anwendungsfälle. Jeder mit einem Laptop kann nun Code schreiben, Apps entwickeln, Filme drehen oder einen Roman verfassen. Auch technisches Gerät stellt dank Cloud-Hosting keine Barriere mehr dar.

2. Die spannendsten Durchbrüche kommen oft aus unerwarteten Anwendungen

Es sind oft die kreativen und fantastischen Anwendungen von KI, die die Schlagzeilen dominieren – etwa die Idee, personalisierte Filme zu erstellen, bei denen das Publikum die Schauspieler auswählt oder sich selbst in die Handlung⁷ einfügt, oder KI-gesteuerte Roboterbienen, die zur Bestäubung beitragen und dem Verlust der Biodiversität entgegenwirken. Abseits der Schlagzeilen arbeitet KI jedoch in Bereichen wie der Arzneimittelentwicklung⁸ und dem Chipdesign.

Im November 2020 erkannte ein Forum von Wissenschaftlern die KI-Technologie AlphaFold von Google DeepMind als Lösung für ein 50 Jahre altes biologisches Problem an.⁹ Wissenschaftler hatten jahrzehntelang nach einer Methode gesucht, um zuverlässig vorherzusagen, wie sich Aminosäuren spontan zu komplexen Proteinstrukturen falten. Das von DeepMind entwickelte KI-Modell, das auf denselben Techniken basiert, die AlphaGo 2016 zum Sieg gegen den Go-Meister Lee Sedol verhalfen, kann die 3D-Struktur von Proteinstrukturen genau vorhersagen. Seit Juli 2022 sind über 200 Millionen dieser Strukturen frei zugänglich.¹⁰

Dank solcher KI-Innovationen können Unternehmen nun Milliarden von Molekülen durchforsten, um zu simulieren, wie verschiedene Medikamente auf molekularer, zellulärer oder genetischer Ebene mit dem menschlichen Körper interagieren. Dies könnte die Entwicklungszeiten erheblich verkürzen, die Erfolgsraten verbessern und letztlich die Kosten senken.

3. Große Technologiekonzerne werden kurzfristig die Innovation vorantreiben, aber mittelfristig werden kleinere Unternehmen den Markt prägen

Die Erfahrung lehrt uns, dass bei bahnbrechenden Technologien eine Flut neuer Start-ups, Spin-offs oder Unternehmensumstellungen folgt. Angesichts der erforderlichen Infrastrukturinvestitionen wird es jedoch voraussichtlich noch dauern, bis wir eine Welle von disruptiven Innovationen außerhalb der etablierten Technologiefirmen sehen. Die Entwicklung von Modellen mit Hunderten Milliarden Parametern erfordert immense Rechenleistung und kostet in der Regel über 50 Millionen US-Dollar.¹¹

Dennoch, wie das berühmte Zitat von Isaac Newton sagt: „Wenn ich weiter geblickt habe, dann nur, weil ich auf den Schultern von Riesen stand.“ Kleinere, agilere Unternehmen werden die Arbeit der etablierten Firmen nutzen und spezialisierte, weniger ressourcenhungrige Modelle entwickeln.

Natalia Sigrist, Partner, Private Equity, Unigestion SA, Marco Perfetto, Vice President, Private Equity, Unigestion SA, Alexandra Kovrigina, Quantitative Analyst, Private Equity, Unigestion SA

Übersicht

Private Equity weist im Gegensatz zu liquiden Aktien nur wenige Daten mit niedriger Frequenz und begrenzter Beobachtungshistorie auf. Während maschinelles Lernen bei Aktienprognosen häufig eingesetzt wird, ist dessen Integration in den „Private Markets“ bislang weniger einfach. Dennoch hat die wachsende Nachfrage nach besserer Cashflow Transparenz und regelmäßigeren Prognose Aktualisierungen das Interesse am Einsatz von maschinellem Lernen bei Private Equity gesteigert.

Als frühzeitiger Anwender von maschinellem Lernen in unseren Private Equity Investments haben wir im Rahmen unserer Cashflow Prognosen umfangreiche Untersuchungen durchgeführt. Dabei haben wir fünf maschinelle Lernmodelle getestet, zwei Datenskalierungstechniken eingesetzt und eine Vielzahl unabhängiger Variablen berücksichtigt.

Unser Research legt nahe, dass der Einsatz fortschrittlicher Modelle in Kombination mit Prozessautomatisierung die Cashflow Modellierung bei Unigestion um das Zehnfache beschleunigen könnte. Dadurch könnte jedes Jahr bis zu 12 Monate Arbeitszeit eines Anlageexperten eingespart werden.

Das Spektrum des maschinellen Lernens: Analyse der verschiedenen Prognosemodelle

Unser Modell hat das Ziel, den vollständigen Cashflow Verlauf eines Private Equity Fonds über dessen Lebensdauer hinweg zu prognostizieren und die Prognosen regelmäßig zu aktualisieren. Zu diesem Zweck haben wir die „Rolling Windows“ Technik von Karatas et al. (2021) übernommen. Dieses Verfahren generiert eine Sequenz von aufeinanderfolgenden Cashflow Zeitserienfenstern, die sich jeweils um einen Zeitschritt nach vorne bewegen. Jedes Fenster enthält eine feste Anzahl aktueller Cashflow Beobachtungen, die als Lookback Periode definiert sind und den Kontext für die Vorhersage künftiger Werte liefern. Diese rollierenden Fenster werden als einzelne Datenpunkte für das Training des Prognosemodells verwendet, so dass das Modell über verschiedene Zeitpunkte hinweg konsistent bleibt. Da dieser Ansatz sich auf aktuelle Ist-Daten stützt, anstatt Vorhersagen aus früheren Zeiträumen als Inputs zu verwenden, wird das Risiko einer Fehlerakkumulation minimiert, was zu stabileren und zuverlässigeren langfristigen Vorhersagen führt.

Karatas et al. verwendeten rekurrente neuronale Netze (RNN) für eine ähnliche Prognoseaufgabe. Wir verbesserten die Präzision ihres Modells durch die Integration von Schichtnormalisierung, dennoch übertrafen RNNs nicht die anderen von uns getesteten Algorithmen für maschinelles Lernen. Von den fünf getesteten Modellen - LASSO-Regression, Partial Least Squares, RNN, XGBoost und Random Forest - lieferte letzteres die höchste Genauigkeit und wurde somit unser bevorzugtes Modell für maschinelles Lernen.

Maschinelle Lernalgorithmen eignen sich besonders gut für große Datensätze mit zahlreichen Variablen. Unser Datensatz umfasst 1.300 Fonds und erfasst wesentliche Attribute wie Fondsstrategie, Größe, Jahrgang, Managererfahrung, Branche und geografische Ausrichtung. Zur Bewertung der Makrolage berücksichtigen wir das BIP-Wachstum, die Inflation (CPI), regionale Konjunkturindizes und unseren firmeneigenen Unigestion Country Risk Score, der mehrere Wirtschaftsindikatoren zusammenfasst. Proxies für den Anleihemarkt bestehen aus Zinssätzen unterschiedlicher Laufzeiten und Spreads für Unternehmensanleihen. Darüber hinaus werden sektorspezifische Indizes für die Bereiche IT, Finanzwesen, Gesundheitswesen, Industrie, Telekommunikation, zyklische Konsumgüter und andere sowie private Marktkennzahlen wie Transaktionsvolumen, Transaktionswert, Bewertungstrends, Fremdkapitaleinsatz usw. integriert. Das endgültige Modell umfasst mehr als 140 unabhängige Variablen.

Benchmarking Einsichten: der Vorteil des dualen Modells

Vor der Integration des maschinellen Lernens in unseren Prognoseprozess hatten wir bereits einen ausgefeilten deterministischen Rahmen geschaffen. Das verwendete Prognosemodell für Ausschüttungen ist ein Bottom-up Ansatz, bei dem die Veräußerungserlöse der Portfoliounternehmen anhand des Exit Datums und der Wertvorstellungen des Investmentteams berechnet werden. Für die Erträge werden historische Medianmuster verschiedener Fondsstrategien als Inputs verwendet, und das Modell skaliert und aktualisiert die Vorhersagen jeweils, wenn neue Informationen verfügbar werden. Dieser Ansatz bietet bereits eine erhebliche Verbesserung gegenüber den vorherrschenden, auf historischen Durchschnittswerten basierenden Prognosemethoden.

Obwohl das maschinelle Lernen große Aufmerksamkeit erregt hat, ist es wichtig zu erkennen, dass sein Erfolg von der Verfügbarkeit hochwertiger Daten und seiner Ausrichtung auf spezifische Geschäftsanforderungen abhängt. Viele Modelle des maschinellen Lernens sind für Szenarien mit nur einem Output konzipiert, aber unsere Herausforderung bestand darin, ein multivariates, mehrstufiges Prognosemodell zu erstellen. Bei der Vorhersage von Ausschüttungen übertraf Random Forest den deterministischen Bottom-up Ansatz in Bezug auf die Vorhersagegenauigkeit, was darauf hindeutet, dass die Ausschüttungen von Private Equity Fonds von quantifizierbaren, wirtschaftlich intuitiven Faktoren bestimmt werden, welche maschinelle Lernmodelle, insbesondere Random Forest, gut erfassen. Bei den Beteiligungen stießen wir jedoch auf ein unerwartetes Ergebnis. Das deterministische Modell erwies sich als genauer als die Alternativen des maschinellen Lernens. Diese Diskrepanz ist wahrscheinlich darauf zurückzuführen, dass Kapitalabrufe stärker vom Ermessen des Fondsmanagers abhängen, was sie für bestimmte Fonds idiosynkratischer macht. In diesem Umfeld verringern die Algorithmen des maschinellen Lernens die Genauigkeit im Vergleich zu den gleichmäßigeren, auf historischen Mustern basierenden Vorhersagen des deterministischen Modells.

Die Leistung unseres Modells wurde anhand des Yale Modells von Takahashi & Alexander (2002) bewertet, dem Branchenstandard für Cashflow Modellierung von Private Equity Fonds. Das Random Forest Modell schnitt bei der Vorhersage von Ausschüttungen hervorragend ab und erzielte im Vergleich zur Benchmark eine bemerkenswerte Reduzierung des RMSE (Root Mean Squared Error) um 54 %. Der ursprüngliche proprietäre Bottom-up Ansatz für die Vorhersage von Ausschüttungen führte zu einer Reduzierung des Vorhersagefehlers um 26 % im Vergleich zur Benchmark. Das beste Modell für die Vorhersage von Kapitalabrufen, das deterministische Modell, wies eine bemerkenswerte Reduzierung des Vorhersagefehlers um 44 % im Vergleich zur Benchmark auf.

Die Interpretierbarkeit des Modellergebnisses und die daraus resultierenden Erkenntnisse für das Cash Management sind neben der Genauigkeit ein weiteres Kriterium für die Modellauswahl. Random Forest bietet zwar den Vorteil, zahlreiche Faktoren zu berücksichtigen, ist aber nicht in der Lage, Ausschüttungen spezifischen Unternehmensexits zuzuschreiben. Die Interpretierbarkeit von Modellen des maschinellen Lernens kann u. a. durch die Methode des Merkmalsrankings nach Shapley Werten verbessert werden, die die unabhängigen Variablen mit dem größten Einfluss auf das vorhergesagte Cashflow Muster identifiziert und so einen Blick in die „Black Box“ ermöglicht. Gleichzeitig aggregiert unser firmeneigenes deterministisches Modell die Exiterwartungen für die Portfoliounternehmen, um Ausschüttungen zu berechnen und bietet somit volle Transparenz.

Obwohl maschinelles Lernen bei der Vorhersage von Ausschüttungen ein erhebliches Potenzial aufweist, deuten die uneinheitlichen Ergebnisse bei der Prognose von Kapitalabrufen darauf hin, dass es sich nicht um eine Universallösung handelt. Einfachere, transparentere Modelle können das maschinelle Lernen in bestimmten Situationen übertreffen. Unsere Ergebnisse zeigen, wie wichtig es ist, ein Gleichgewicht zwischen hochentwickelten Algorithmen und expertenspezifischem Wissen zu finden.

Menschliche Intelligenz steigern und Effizienz freisetzen 

Wie diese Modelle in der Praxis angewendet werden können - während des Monitoringprozesses oder bei der Analyse von Sekundärmarkttransaktionen - zeigen wir anhand einer Fallstudie eines bestimmten Unigestion Portfoliofonds. Im Mittelpunkt stehen die Jahre drei und sechs seit der Auflegung des Fonds, welche verschiedene Phasen des Lebenszyklus eines Fonds darstellen und unterschiedliche Grade der Portfoliotransparenz bieten. 

So kann die Anpassungsfähigkeit der Modelle an sich verändernde Daten bewertet werden. Wichtig ist, dass das maschinelle Lernmodell auf Fondsebene arbeitet und unabhängig von der Portfoliozusammensetzung ist, während es externe Faktoren erfasst. Das deterministische Modell hingegen stützt sich auf die Exit Erwartungen auf Unternehmensebene und trifft in der Phase des Portfolioaufbaus vereinfachte Annahmen. Da die Modelle auf verschiedenen Datensätzen arbeiten, erwarten wir, dass sie sich im Laufe der Zeit unterschiedlich anpassen.

Abbildung 1 vergleicht die Vorhersagen der Modelle als ob die Analyse drei Jahre nach der Auflegung des Fonds unter Verwendung aller bis zu diesem Zeitpunkt verfügbaren Daten durchgeführt worden wäre. Das deterministische Modell neigt dazu, die langfristige Wertentwicklung des Fonds und den Auszahlungszeitpunkt zu überschätzen. Das Modell des maschinellen Lernens hingegen sagt den Auszahlungszeitpunkt im Jahr acht genau voraus und stimmt eng mit den tatsächlichen Cashflows überein. Durch den Einsatz der Shapley Werte Methode kann das Investmentteam ermitteln, welche Variablen die Prognosen des maschinellen Lernmodells konservativer als erwartet ausfallen ließen, und feststellen, ob die Exit Projektionen verfeinert werden müssen.

Im sechsten Jahr hat der Fonds das Ende seiner Investmentperiode erreicht, und die Transparenz des Portfolios hat sich deutlich verbessert. Abbildung 2 zeigt die Ergebnisse dieser Analyse in der späteren Phase. Das deterministische Modell bleibt optimistisch, während das Modell des maschinellen Lernens im Vergleich zum realen Auszahlungszeitpunkt, der zwischen diesen Vorhersagen liegt, etwas pessimistischer ist. Das Modell des maschinellen Lernens glänzt durch seine Robustheit, doch sollten die Exit Erwartungen des Investmentteams nicht vernachlässigt werden, da sie „Soft Data“ enthalten, die Modelle allein möglicherweise nicht vollständig erfassen.