Juni 2020 – Nutzung von ESG-Daten und künstlicher Intelligenz zur Förderung des Übergangs zu einer grünen Wirtschaft – Kommentar des Fondsmanagers Systematic

Auflegung des RAM Stable Climate Global Equities Fund
Bei RAM werden bereits seit einigen Jahren ESG-Daten in den systematischen Aktienauswahlprozess integriert. Wir gehen jetzt noch einen Schritt weiter. Der Klimawandel wird zu einem immer drängenderen Problem. Daher sind wir überzeugt, dass wir als Vermögensverwalter mit einer differenzierten Lösung für CO2-arme Investments unseren Beitrag zu einer grünen Wirtschaft leisten müssen. Dank der enormen Fortschritte bei unserer Machine Learning-Infrastruktur, haben wir eine robuste, aktive Strategie mit soliden ESG-Standards und ohne Abstriche bei der Performance entwickelt.

Schnittmenge aus fundamentalen Finanz- und ESG-Daten
Wir sind fest überzeugt, dass der Schlüssel für die Nutzung von Ineffizienzen auf dem Aktienmarkt im Wechselspiel von Nachhaltigkeit, Rendite und Risikomerkmalen liegt. Unser systematischer Ansatz ist mehrdimensional, um „nachhaltiges Alpha“ zu generieren, wobei wir eine Vielzahl von ESG- und Nicht-ESG-Datenquellen nutzen, um die attraktivsten Risiko-Rendite-Chancen in jeder Branche zu identifizieren.

Internes ESG-Research von RAM AI

Wir haben in den letzten Jahren schrittweise ESG-Datenquellen in unseren Anlageprozess integriert, um von wertvollen Informationen aus strukturierten und unstrukturierten Daten zu profitieren. Wir sind uns vollkommen bewusst, dass es sich bei über drei Viertel des neuen Datensatzes um unstrukturierte Daten handelt. Daher haben wir eine moderne Technik entwickelt, um Informationen aus Finanztexten (d. h. aktuelle Nachrichten, Meldungen über Unternehmensgewinne usw.) zu extrahieren und in quantitative „modellfreundliche“ Daten umzuwandeln.

Natürliche Sprachverarbeitung (Natural Language Processing, NLP) als Medizin gegen unregelmäßige ESG-Daten
Eher konventionellere Klima- und ESG-Daten sind unregelmäßig und es dauert in der Regel Tage oder Wochen bis Datenanbieter reagieren. Die automatische Analyse des Nachrichtenstroms hilft uns dagegen, die aktuellen ESG-Themen für Unternehmen zu identifizieren und ihre weitreichenden Auswirkungen abzuschätzen. Es ist allgemein anerkannt, dass reale Ereignisse, die sich in unstrukturierten Daten widerspiegeln, z. B. in Finanznachrichten, Bilanzkonferenzen, Meldungen, Finanzberichten, Informationen in sozialen Medien usw. einen gewissen Bezug zu den Märkten haben. NLP hilft uns, die Inputs aus diesen unstrukturierten und qualitativen Datenquellen in unsere quantitativen Modelle zu integrieren. Diese Inputs, die unsere bestehenden quantitativen/strukturierten Daten aus Untersuchungen von Analysten ergänzen, bereichern den Informationssatz für unsere quantitativen Modelle.

Darüber hinaus bietet NLP den Vorteil, dass es bei der Vorverarbeitung des Anlageuniversums Unstimmigkeiten „sofort“ hervorhebt und Unternehmen mit besonders negativen ESG-Nachrichten letztlich rasch ausgeschlossen werden.

Deep-Learning-Modelle als Antwort auf das Problem der Mehrdimensionalität
Die enorme Weiterentwicklung der Machine Learning-Infrastruktur gestattet uns, hochdimensionale Daten zu verarbeiten, um fundierte Prognosen zu erstellen und gleichzeitig Informationen aus traditionellen fundamentalen Finanz-, ESG- und alternativen Daten zu integrieren. Wir verwenden einen aus einem Dutzend von Machine Learning-Modellen bestehenden Ensemble-Ansatz mit optimierten Hyperparametern. Machine Learning-Techniken sind für uns eine Verallgemeinerung traditioneller Datenverarbeitungstechniken und unsere Research-Initiativen konzentrieren sich gleichermaßen auf das Testen und die Kontrolle von Modellen, indem wir sicherstellen, dass sie verallgemeinern und greifbare Ergebnisse liefern.

Kompensation der Kohlenstoffemissionen des Portfolios mit CO2-Zertifikaten
Im RAM Stable Climate Global Equities Fund werden die Kohlenstoffemissionen des Portfolios (deutlich niedriger als die des MSCI World Index) durch Kohlenstoffzertifikate ausgeglichen, die über den Clean Development Mechanism der UNO ausgegeben werden. Bei den angestrebten Projekten handelt es sich um Biomasse-Projekte, die eine klar messbare Auswirkung auf die Umwelt haben und einen mehrstufigen Prüfungsprozess durchlaufen. Die Kosten für diese Kohlenstoffzertifikate werden vollständig von RAM AI und nicht vom Fonds übernommen. Auf diese Weise bieten wir unseren Anlegern einen „sauberen“ Ansatz, der am Übergang zu einer grünen Wirtschaft partizipiert.

Zunehmende ESG-Integration über die gesamte Aktienproduktpalette von RAM AI
Die weitere ESG-Datenintegration von RAM AI wird nach und nach über unsere Aktienproduktpalette eingeführt. Wir sehen diesen Prozess als eine Fortsetzung der Forschungsbemühungen der letzten 5 Jahre und des Engagements und der langfristigen Ausrichtung auf die nachhaltigen Entwicklungsziele der UNO (SDG). Der Ideenaustausch innerhalb des Research-Teams von RAM wird für eine verstärkte Integration von ESG-Daten und NLP-Techniken in der gesamten RAM-Produktpalette sorgen, um die Alpha-Prognosen zu verbessern.

RAM Emerging Markets Equities – Besseres ESG-Rating und höhere Alpha-Stabilität
Wir haben in unsere Schwellenländer-Aktienstrategie eine Komponente zur nachhaltigen Alpha-Optimierung eingebaut, die dafür sorgt, dass bei der Titelauswahl nachhaltige Unternehmen mit hohem Alpha bevorzugt werden. Bei den zusätzlichen Datenquellen handelt es sich um ESG-Bewertungen von Agenturen und Nachrichten. Die Integration der Nachhaltigkeitsdimension in unser Alpha sorgt für mehr Stabilität und hat folgende positive Auswirkungen auf das Fondsprofil:

• Nachhaltigere Titelauswahl über sämtliche Kapitalisierungen hinweg
• Geringerer Portfolioumschlag und niedrigere Handelskosten
• Höheres erwartetes Netto-Alpha
• Reduziertes aktives Risiko im Vergleich zu marktkapitalbasierten Benchmarks

Infolgedessen stieg das MSCI-ESG-Rating des Portfolios von BB auf A (gegenüber BB für den MSCI Emerging Markets Index).