Wenn AI Investment-Signale liefert: Wo beginnt Model Risk im Portfolio Management?
AI ist im Asset Management längst mehr als ein Research-Thema. Modelle können heute Unternehmens- und Marktdaten analysieren und daraus Signale für die Titelselektion ableiten. Damit stellt sich für Portfolio Manager eine neue Frage: Wie verändert sich das Risikomanagement, wenn ein Modell Teil des Investmentprozesses wird?
Wie konkret das Thema inzwischen ist, zeigt ein aktuelles Beispiel: Am 10. September 2026 wurden bei SIX Swiss Exchange Pictet AI Enhanced Equity UCITS ETFs kotiert. Laut SIX identifiziert ein proprietäres AI-Modell Muster in Unternehmens- und Marktdaten und übersetzt diese in Signale für die Titelselektion; das quantitative Investmentteam überwacht den Prozess und die Portfoliokonstruktion.
Auch die Branche beschäftigt sich intensiv mit dem Thema: Der AMAS Risk Management Day vom 30. September 2026 steht vollständig unter dem Schwerpunkt Artificial Intelligence und behandelt unter anderem AI im Risk Management, Machine Learning, Governance und die Frage, ob AI selbst zu einem operationellen Risiko werden kann.
Das Modell liefert ein Signal – die Verantwortung bleibt
Der Einsatz von AI verändert nicht automatisch die Verantwortlichkeiten im Investmentprozess. Gerade deshalb wird relevant, wie stark ein Modell in die Entscheidungsfindung eingebunden ist: Liefert es Research-Signale? Beeinflusst es Portfolio-Gewichte? Oder werden Entscheidungen teilweise automatisiert?
FINMA nennt bei AI insbesondere operationelle Risiken und Model Risks wie mangelnde Robustheit, Korrektheit, Stabilität, Erklärbarkeit oder Bias. Hinzu kommen datenbezogene Risiken, IT- und Cyberrisiken, Abhängigkeiten von Drittparteien sowie rechtliche und Reputationsrisiken.
Für Portfolio Manager wird damit nicht nur die Qualität des Outputs relevant, sondern auch die Frage: Verstehen wir, wann und warum das Modell nicht mehr so funktioniert wie erwartet?
Datenqualität kann wichtiger sein als das Modell selbst
Ein gutes Modell mit schlechten Daten bleibt ein schlechtes Investment-Tool. FINMA weist ausdrücklich darauf hin, dass Daten falsch, unvollständig, veraltet oder nicht repräsentativ sein können.
Historische Daten können zudem Muster oder Verzerrungen enthalten, die in zukünftige Prognosen übernommen werden. Bei eingekauften Lösungen kann zusätzlich die Transparenz über Datenquellen und Methoden eingeschränkt sein.
Für das Portfolio Management ist das besonders relevant, wenn sich Marktregime verändern. Ein Modell, das in historischen Daten stabile Zusammenhänge erkennt, muss diese Zusammenhänge nicht zwingend auch unter neuen Marktbedingungen behalten.
Backtest ist nicht laufendes Monitoring
FINMA beschreibt in ihrer Aufsichtsmitteilung auch Tests und laufende Überwachung als zentrale Elemente im Umgang mit AI-Anwendungen. Genannt werden beispielsweise Backtesting, Out-of-Sample-Tests, Sensitivitätsanalysen, Stresstests oder der Vergleich mit einfacheren Benchmark-Modellen.
Ebenso relevant ist die Überwachung von Veränderungen der Eingangsdaten, damit ein möglicher Data Drift erkannt wird.
Für einen Investmentprozess bedeutet das praktisch: Ein Modell sollte nicht nur beim Go-live überzeugen. Entscheidend ist auch, ob seine Ergebnisse unter veränderten Markt- und Datenbedingungen weiterhin plausibel und stabil bleiben.
Explainability: Muss man jedes Modell vollständig verstehen?
Nicht zwingend jedes technische Detail. Aber je bedeutender ein Modell für Entscheidungen ist, desto wichtiger wird die Fähigkeit, seine Ergebnisse kritisch beurteilen zu können.
FINMA weist darauf hin, dass Ergebnisse von AI-Anwendungen teilweise nicht nachvollzogen, erklärt oder reproduziert werden können. Wo Entscheidungen gegenüber Investoren, Kunden, Aufsicht oder Prüfgesellschaft begründet werden müssen, hat sie die Erklärbarkeit vertieft betrachtet.
Dazu gehört insbesondere das Verständnis der relevanten Treiber und des Verhaltens unter unterschiedlichen Bedingungen.
Für Portfolio Manager ist das ein wesentlicher Punkt: Ein gutes Signal ist noch keine ausreichende Governance.
Was bedeutet das für Risk Management?
FINMA stellt keine spezielle Checkliste für AI im Portfolio Management auf. Ihre Aufsichtsmitteilung beschreibt vielmehr Risiken und Massnahmen, die sie in der laufenden Aufsicht beobachtet beziehungsweise geprüft hat.
Dazu gehören unter anderem ein Inventar relevanter AI-Anwendungen, Risikoklassifizierung, klare Verantwortlichkeiten, Anforderungen an Tests und Monitoring, Dokumentation sowie – bei wesentlichen Anwendungen – eine unabhängige Überprüfung.
Aus Sicht eines Asset Managers können daraus insbesondere folgende Praxisfragen entstehen:
• Welche Rolle spielt das Modell tatsächlich im Investmentprozess?
• Welche Daten treiben die Ergebnisse?
• Wie werden Robustheit und Stabilität überwacht?
• Wann wird ein Modelloutput hinterfragt oder überschrieben?
• Wie werden Modelländerungen kontrolliert?
• Gibt es einen klaren Fallback, wenn das Modell ausfällt oder unplausible Resultate liefert?
• Wer trägt fachlich die Verantwortung für Nutzung und Monitoring?
Das sind keine pauschalen regulatorischen Vorgaben für jedes Portfolio, sondern praktische Fragen, die sich aus der Bedeutung des jeweiligen Modells ergeben.
Fazit
AI verändert nicht nur die Art, wie Investment-Signale entstehen. Sie verändert auch, welche Risiken im Investmentprozess überwacht werden müssen.
Für Portfolio Manager reicht es deshalb nicht, nur zu fragen: Wie gut ist das Modell? Mindestens genauso wichtig ist: Wie robust sind Daten, Monitoring, Erklärbarkeit und Governance rund um das Modell?
Genau an dieser Stelle treffen Portfolio Management und Risk Management aufeinander.
Peak Compliance AG ist spezialisiert auf Compliance- und Risk-Management-Outsourcing-Lösungen für Vermögensverwalter und Verwalter von Kollektivvermögen in der Schweiz und Liechtenstein.
Stand: September 2026.
