Robo Advisory – Wie Algorithmen eine Branche umkrempeln (2024)

Potenziale von Robo Advisory für deutsche Finanzinstitute

Das Volumen der verwalteten Vermögenswerte durch Robo Advisor kann im Jahre 2020 auf bis zu 8 Billionen US-Dollar ansteigen. 40 % der Anbieter im deutschen Markt, die eigene Lösungen anbieten, sind Robo Advisory Fintechs. Jedoch treten auch deutsche Banken als Teil ihrer Digitalisierungsstrategie in den Robo Advisory Markt ein – eigenständig oder in Form von Kooperationen mit Fintechs. Es ist allerdings wichtig zu wissen, welche Lösung zum eigenen Unternehmen und vor allem zu seinen Kunden passt, um sich unabhängig am Markt zu positionieren und eine gute Performance zu liefern.

Die zum Asset Management eingesetzten Algorithmen und Strategien sind das Herz des Robo Advisors und werden deshalb von den Anbietern auch nur teilweise offengelegt. In einer von Deloitte durchgeführten Marktanalyse hat sich gezeigt, dass nur etwa jeder zweite bis dritte Anbieter Angaben zu der von ihm verwendeten Strategie macht. Analysiert wurden dabei weit mehr als 100 verschiedene internationale Anbieter. Die Ergebnisse der Analyse basiert ausschließlich auf Informationen, welche von den Anbietern offengelegt wurden.

Strategien im Robo-Advisory-Umfeld

Häufig verwendete Strategien sind das Mapping der Kundenpräferenzen auf Musterportfolios sowie die Strategie der Constant Portfolio Weights. Beide Methoden weisen einen geringen Grad an Individualisierung des Kundenportfolios auf. Die am meisten verwendete Methode hierfür ist die Moderne Portfolio Theorie (MPT). Sie ermöglicht zwar ein vollständig individualisiertes Portfolio, wird von den meisten Robo Advisors jedoch zumindest nicht in Reinform angewandt. Die wichtigste Einflussgröße der MPT sind die Renditeerwartungen, die nur unzuverlässig aus historischen Daten zu schätzen sind. Durch diverse Erweiterungen wird allerdings versucht Kritikpunkte der MPT zu beheben. Für die Durchführung der Optimierung werden eine Vielzahl an zusätzlichen Nebenbedingungen wie die Begrenzungen der Portfoliogewichte verwendet, um stabile Ergebnisse zu erzielen. Die Optimierungsalgorithmen selber sind komplexer. Vielfach wird zur Optimierung der Value at Risk als Risikomaß verwendet. Zusammenfassend lässt sich feststellen, dass sich die MPT Modelle, die in den Robo Advisors verwendet werden, weit von der ursprünglichen Theorie entfernt haben, auch wenn sie so bezeichnet werden.

Doch insbesondere mit zunehmendem Wettbewerbsdruck im Robo-Advisory-Umfeld wird die Effizienz der verwendeten Algorithmen und Strategien stärker in den Fokus rücken. Lesen Sie in einem aktuellen Artikel von Deloitte in der Fachzeitschrift Private Banking Magazin mehr zu diesem spannenden Thema.