Das Risikomanagement an den Kapitalmärkten wird für Portfoliomanager zunehmend komplexer. Die Notwendigkeit, riesige Datenmengen zu verarbeiten – von Echtzeit-Marktdaten bis hin zu unstrukturierten Social-Media-Daten – erfordert ein Maß an Flexibilität und Skalierbarkeit, mit dem traditionelle Systeme nur schwer mithalten können.
KI-Agenten– eine Art künstlicher Intelligenz, die autonom agieren und auf der Grundlage von Zielen und Interaktionen in der realen Welt Maßnahmen ergreifen kann – sollen die Art und Weise, wie Anlageportfolios verwaltet werden, grundlegend verändern. Laut Gartner werden bis 2028 33 % der Unternehmenssoftwareanwendungen agentische KI beinhalten, verglichen mit weniger als 1 % im Jahr 2024. Mindestens 15 % der täglichen Arbeitsentscheidungen werden autonom über KI-Agenten getroffen.1 MongoDB befähigt KI-Agenten, die Landschaft des Anlageportfoliomanagements effektiv zu transformieren. Durch die Kombination aus Large Language Models (LLMs), Retrieval Augmented Generation (RAG) und MongoDB Atlas Vector Search können KI-Agenten riesige Finanzdatensätze analysieren, Muster erkennen und sich dynamisch in Echtzeit an veränderte Bedingungen anpassen. Diese fortschrittliche Intelligenz verbessert die Entscheidungsfindung und ermöglicht es Portfoliomanagern, die Portfolioleistung zu verbessern, Marktrisiken effektiver zu managen und eine präzise Analyse der Auswirkungen auf die Vermögenswerte durchzuführen.
Intelligente Verwaltung von Anlageportfolios
Das Management des Anlageportfolios ist der Prozess der Auswahl, Ausbalancierung und Überwachung einer Mischung von Finanzanlagen – wie Aktien, Anleihen, Rohstoffen und Derivaten –, um eine höhere Kapitalrendite (ROI) zu erzielen und gleichzeitig Risiken effektiv und proaktiv zu steuern. Es beinhaltet eine durchdachte Vermögensallokation, Diversifizierung zur Minderung der Marktvolatilität, kontinuierliche Überwachung der Marktbedingungen und der Wertentwicklung der zugrunde liegenden Vermögenswerte, um mit den Anlagezielen in Einklang zu bleiben.
Um heute relevant zu bleiben, erfordert das Anlageportfoliomanagement die Integration vielfältiger unstrukturierter alternativer Daten wie Finanznachrichten, Social-Media-Stimmung und makroökonomischer Indikatoren sowie strukturierter Marktdaten wie Kursbewegungen, Handelsvolumina, Index, Spreads und historische Ausführungsaufzeichnungen. Diese komplexe Datenintegration präsentiert ein neues Maß an Raffinesse in der Portfolio-Analytik, wie in Abbildung 1 dargestellt. Es bedarf einer flexiblen, skalierbaren, einheitlichen Datenplattform, die so unterschiedliche Datensätze effizient speichern, abrufen und verwalten kann und den Weg für die Entwicklung von Portfoliomanagementlösungen der nächsten Generation ebnet.
Die Integration des flexiblen Schemas von MongoDB beschleunigt die Datenaufnahme aus verschiedenen Datenquellen – z. B. Marktfeeds in Echtzeit, historische Leistungsaufzeichnungen und Risikometriken. Neue Portfoliomanagementlösungen mit alternativen Daten unterstützen eine intelligentere Entscheidungsfindung und eine proaktive Minimierung des Marktrisikos. Dieser Paradigmenwechsel ermöglicht tiefere Einblicke, verbessert die Alpha-Generierung und verfeinert die Vermögensumverteilung mit größerer Präzision, was die entscheidende Rolle von Daten im intelligenten Portfoliomanagement unterstreicht.
Wie MongoDB KI-gestütztes Portfoliomanagement ermöglicht
Die KI-gestützte Portfolio-Vermögensallokation hat sich zu einem wünschenswerten Merkmal moderner Anlagestrategien entwickelt. Durch den Einsatz von KI-gestützter Portfolioanalyse erhalten Portfoliomanager Zugang zu fortschrittlichen Tools, die auf spezifische finanzielle Ziele und Risikotoleranzen zugeschnittene Erkenntnisse liefern. Dieser Ansatz optimiert die Portfoliozusammenstellung, indem er eine alternative Mischung von Vermögenswerten empfiehlt – von Aktien und Anleihen bis hin zu ETFs und neuen Anlagemöglichkeiten – und dabei kontinuierlich die sich verändernden Marktbedingungen bewertet.
Abbildung 2 veranschaulicht einen vorgeschlagenen Workflow für das KI-gestützte Anlageportfoliomanagement, der diverse Marktdaten, darunter Aktienkurse, Volatilitätsindex (VIX) und makroökonomische Indikatoren wie BIP, Zinssatz und Arbeitslosenquote, in eine KI-Analyseebene einbezieht, um umsetzbare und intelligentere Erkenntnisse zu generieren.
Das vielseitige Dokumentenmodell von MongoDB bietet eine intuitivere Möglichkeit zum Speichern und Abrufen strukturierter, halbstrukturierter und unstrukturierter Daten. Dies entspricht der Art und Weise, wie Entwickler die Objekte in den Anwendungen strukturieren.
An den Kapitalmärkten werden Zeitreihen häufig verwendet, um zeitbasierte Handelsdaten und Marktdaten zu speichern. MongoDB-Zeitreihensammlungen eignen sich optimal für die Analyse von Daten im Zeitverlauf. Sie sind für die effiziente Aufnahme großer Mengen von Marktdaten mit hoher Leistung und dynamischer Skalierbarkeit konzipiert. Das Entdecken von Erkenntnissen und Mustern aus MongoDB-Zeitreihensammlungen ist einfacher und effizienter, da die zugrunde liegenden Aufnahme- und Abrufmechanismen schneller sind.
Durch die Nutzung des Business-Intelligence-Dashboards von MongoDB Atlas Charts und die Bewertung fortschrittlicher KI-generierter Anlageerkenntnisse erhalten Portfoliomanager Zugang zu ausgefeilten Funktionen, die hochdimensionale Erkenntnisse aus verschiedenen Datensätzen integrieren und so neue Muster aufdecken, die zu verbesserten Entscheidungen für die Alpha-Generierung und eine höhere Portfolioperformance führen können.
MongoDB Atlas Vector Search spielt eine entscheidende Rolle bei der Analyse der Marktnachrichtenstimmung, indem es das kontextbezogene Abrufen verwandter Nachrichtenartikel ermöglicht. Herkömmliche stichwortbasierte Suchen sind oft nicht in der Lage, semantische Beziehungen zwischen Nachrichtenberichten zu erfassen, während die Vektorsuche, die durch Einbettungen unterstützt wird, ein kontextbezogeneres Verständnis dafür ermöglicht, wie verschiedene Artikel mit einer Aktienstimmung zusammenhängen.
Nachrichten als Vektoren speichern: Wenn aktienbezogene Nachrichten eingelesen werden, wird jeder Nachrichtenartikel als hochdimensionale numerische Darstellung mithilfe eines Einbettungsmodells vektorisiert. Diese Einbettungen fassen die Bedeutung und den Kontext des Textes zusammen, nicht nur einzelne Wörter. Die Rohdaten der Nachrichtenartikel werden als Vektoren in MongoDB eingebettet und gespeichert.
Verwandte Nachrichten finden: Die Vektorsuche wird verwendet, um Nachrichtenartikel basierend auf Ähnlichkeitsalgorithmen zu finden, auch wenn sie nicht die exakt gleichen Aktieninformationen enthalten. Dies hilft bei der Erkennung von Mustern und Trends in mehreren Nachrichtenartikeln auf der Grundlage kontextueller Ähnlichkeiten.
Stimmungsberechnung verbessern: Anstatt sich auf eine einzelne Nachrichtenstimmung zu verlassen, wird ein endgültiger Stimmungswert aus mehreren verwandten Nachrichtenquellen mit ähnlichen und relevanten Inhalten aggregiert. Dadurch wird verhindert, dass einzelne Ausreißernachrichten das Ergebnis beeinflussen, und es entsteht ein ganzheitlicherer Blick auf die Stimmung am Markt.
Grundlage von agentischer KI
Agentische KI beinhaltet eine Orchestrator-Schicht, die die Aufgabenausführung in Workflows verwaltet. KI-Agenten können entweder vollautonom oder halbautonom mit menschlicher Steuerung (Human-in-the-Loop, HITL) arbeiten. KI-Agenten sind mit fortschrittlichen Werkzeugen, Modellen, Speicher und Datenspeicherung ausgestattet. Der Speicher nutzt sowohl langfristige als auch kurzfristige kontextuelle Daten für eine fundierte Entscheidungsfindung und die Kontinuität der Interaktionen. Tools und Modelle ermöglichen es den KI-Agenten, Aufgaben in Schritte zu zerlegen und diese zusammenhängend auszuführen. Die Speicherung und der Abruf von Daten sind für die Effektivität von KI-Agenten von zentraler Bedeutung und können durch Einbettung und Vektorsuchfunktionen verbessert werden.
Hauptmerkmale von KI-Agenten:
Autonomie: Die Fähigkeit, Entscheidungen dynamisch situationsabhängig zu treffen und Aufgaben mit minimalem menschlichem Eingreifen auszuführen.
Gedankengang: Die Fähigkeit, schrittweises Denken anzuwenden und komplexe Probleme in logische, kleinere Schritte zu zerlegen, um bessere Urteilsfähigkeit und Entscheidungsfindung zu ermöglichen.
Kontextsensitiv: KI-Agenten passen ihre Aktionen kontinuierlich an die sich ändernden Umgebungsbedingungen an.
Lernen: KI-Agenten verbessern ihre Leistung im Laufe der Zeit, indem sie sich anpassen und verbessern.
Intelligentes Anlageportfoliomanagement mit KI-Agenten
KI-Agenten sind in der Lage, das Portfoliomanagement zu revolutionieren, indem sie von regelbasierten zu adaptiven, kontextbewussten und KI-gestützten Entscheidungsprozessen übergehen. KI-gestützte Portfoliomanagement-Anwendungen lernen kontinuierlich, passen sich an und optimieren Anlagestrategien proaktiver und effektiver. Die Zukunft besteht nicht darin, dass KI die Portfoliomanager ersetzt, sondern darin, dass Menschen und KI zusammenarbeiten, um intelligentere, anpassungsfähigere und risikobewusstere Portfolios zu erstellen. Portfoliomanager, die KI nutzen, verschaffen sich einen Wettbewerbsvorteil und gewinnen tiefere Einblicke, um die Portfolioperformance deutlich zu verbessern.
Die Lösung, die in Abbildung 4 unten dargestellt wird, umfasst eine Anwendung zur Datenerfassung, drei KI-Agenten und eine Anwendung für Markteinblicke, die perfekt zusammenarbeiten, um einen intelligenteren, erkenntnisgestützten Ansatz für das Portfoliomanagement zu schaffen.
Anwendung zur Datenerfassung
Die Datenerfassungsanwendung läuft kontinuierlich, erfasst verschiedene Marktdaten und speichert sie in Zeitreihen oder als Standardsammlungen in MongoDB.
Marktdaten: Sammelt und verarbeitet Marktdaten in Echtzeit, einschließlich Preisen, Volumina, Handelsaktivitäten und Volatilitätsindex.
Marktnachrichten: Erfasst und extrahiert Markt- und aktienbezogene Nachrichten. Nachrichtendaten werden vektorisiert und in MongoDB gespeichert.
Marktindikatoren: Ruft wichtige makroökonomische und finanzielle Indikatoren wie BIP, Zinssatz und Arbeitslosenquote ab.
KI-Agenten
Diese Lösung beinhaltet 3 KI-Agenten. Marktanalyse-Agent und Marktnachrichten-Agent verfügen über KI-gestützte Analyse-Workflows. Sie werden nach einem täglichen Zeitplan vollautomatisch ausgeführt, produzieren das erwartete Ergebnis und speichern es in MongoDB.
Der Marktassistent-Agent hat einen dynamischeren Arbeitsablauf und ist so konzipiert, dass er die Rolle eines Assistenten für einen Portfoliomanager spielt. Er funktioniert auf der Grundlage von Prompt-Engineering und agentischer Entscheidungsfindung. Der Marktassistent-Agent ist in der Lage, Fragen zu Vermögensumschichtungen und Marktrisiken auf der Grundlage der aktuellen Marktbedingungen zu beantworten und den Portfoliomanagern die neuen KI-gestützten Erkenntnisse zur Verfügung zu stellen.
Marktanalyseagent: Analysiert Markttrends, Volatilität und Muster, um Einblicke in das Risiko von Portfolioanlagen zu gewinnen.
Markt-Nachrichtenagent: Bewertet die Nachrichtenstimmung für jeden Vermögenswert, indem er Nachrichten analysiert, die direkt und indirekt die Portfolioleistung beeinflussen können. Dieser Agent wird durch die MongoDB Vector Search unterstützt.
Marktassistent-Agent: Beantwortet auf Anfrage und nach Aufforderung die Fragen des Portfoliomanagers zu Markttrends, Risikoexposition und Portfolioallokation mithilfe von Datenquellen und Erkenntnissen, die andere Agenten erstellen.
Anwendung für Markteinblicke
Die Anwendung für Markteinblicke ist eine Visualisierungsebene, die Portfoliomanagern Diagramme, Dashboards und Berichte bereitstellt sowie eine Reihe von umsetzbaren Investitionserkenntnissen aus den von KI-Agenten generierten Ergebnissen bietet. Diese Informationen werden auf der Grundlage eines vorgegebenen Tagesplans automatisch generiert und den Portfoliomanagern vorgelegt.
KI-Agenten ermöglichen Portfoliomanagern einen intelligenten und risikobasierten Ansatz, indem sie die Auswirkungen der Marktbedingungen auf das Portfolio und seine Anlageziele analysieren. Die KI-Agenten nutzen die leistungsstarken Fähigkeiten von MongoDB, einschließlich des Aggregations-Frameworks und der Vektorsuche, kombiniert mit Embedding und generativen KI-Modellen, um intelligente Analysen durchzuführen und aufschlussreiche Portfolioempfehlungen zu liefern.
Nächste Schritte
Laut Deloitte werden KI-gestützte Anlagetools bis 2027 die wichtigste Beratungsquelle für Privatanwender sein, wobei KI-gestützte Anlagemanagementlösungen bis 2028 auf etwa 80 % anwachsen werden.2
Durch den Einsatz von KI-Agenten und MongoDB können Finanzinstitute das volle Potenzial des KI-gesteuerten Portfoliomanagements ausschöpfen, um fortschrittliche Erkenntnisse zu gewinnen, die es ihnen ermöglichen, Marktveränderungen einen Schritt voraus zu sein, Anlagestrategien zu optimieren und Risiken mit größerer Sicherheit zu verwalten. MongoDB bietet eine starke Grundlage für die Entwicklung von agentischer KI und die Implementierung von Lösungen für das Anlageportfoliomanagement der nächsten Generation.
Um mehr darüber zu erfahren, wie MongoDB KI-Innovationen vorantreiben kann, sehen Sie sich diese zusätzlichen Ressourcen an:
1 Sun, D., "Capitalize on the AI Agent Opportunity", Gartner, February 27, 2025.
2 AI, wealth management and trust: Could machines replace human advisors?, World Economic Forum, Mar 17, 2025.