Von Ralf Keuper 

Im Asset Manage­ment wer­den bereits an vie­len Stel­len KI-Werk­zeu­ge ein­ge­setzt, um die Anla­ge- und Risi­ko­pro­zes­se zu opti­mie­ren. Bis­lang fehlt jedoch ein Ver­fah­ren, wie die Werk­zeu­ge am bes­ten mit­ein­an­der inter­agie­ren kön­nen, um die Anla­ge- bzw. Per­for­mance-Zie­le zu errei­chen. Mit Mul­ti­agen­ten­sys­te­men aus dem For­schungs­feld der Ver­teil­ten Künst­li­chen Intel­li­genz (VKI) besteht die Mög­lich­keit, ver­schie­de­ne Auf­ga­ben auf ein­zel­ne, spe­zia­li­sier­te KI-Agen­ten zu über­tra­gen, die unab­hän­gig von­ein­an­der han­deln und Ent­schei­dun­gen tref­fen, die auf ihren spe­zi­fi­schen Zie­len basie­ren. Gleich­zei­tig koor­di­nie­ren die Agen­ten ihre Aktio­nen, um das über­ge­ord­ne­te Ziel zu errei­chen. Sie ler­nen aus ihren Inter­ak­tio­nen, um sich an Ver­än­de­run­gen anzu­pas­sen. Bis vor weni­gen Jah­ren war das jedoch nur in bestimm­ten eng umgrenz­ten Anwen­dungs­ge­bie­ten möglich.

Laut Jac­ques Fer­ber, einem der Vor­den­ker der Ver­teil­ten Künst­li­chen Intel­li­genz, gibt es meh­re­re Grün­de, war­um man Intel­li­genz ver­teil­ten sollte:

1. Pro­ble­me sind phy­sisch verteilt
2. Pro­ble­me sind in funk­tio­na­ler Hin­sicht ver­teilt und heterogen
3. Netz­wer­ke zwin­gen uns zu einer ver­teil­ten Sichtweise
4. Die Kom­ple­xi­tät der Pro­ble­me erzwingt loka­le Perspektiven
5. Sys­te­me müs­sen in der Lage sein, sich an Ver­än­de­run­gen der Auf­ga­ben­struk­tur und der Umwelt anzupassen
6. Soft­ware-Engi­nee­ring ten­diert zu Archi­tek­tu­ren, die auf auto­no­men, inter­agie­ren­den Ein­hei­ten basieren

Durch die Ver­brei­tung Gro­ßer Sprach­mo­del­le (LLM) kön­nen jetzt Mul­ti­agen­ten­sys­te­me in ver­schie­de­nen Berei­chen sinn­voll ein­ge­setzt wer­den – auch im Asset Manage­ment. In einem Inter­view mit KI-Agen­ten erläu­ter­te August Wil­helm Scheer, wes­halb Mul­ti­agen­ten­sys­te­me (MAS) erst mit dem Auf­kom­men der Gro­ßen Sprach­mo­del­le pra­xis­taug­lich wer­den: “Die erst heu­te vor­han­de­ne Fähig­keit von LLM´s exter­ne API´s auf­zu­ru­fen, ist hier ein wesent­li­ches Kern­ele­ment. Auch die Tat­sa­che, dass moder­ne LLM´s unter­ein­an­der kom­mu­ni­zie­ren kön­nen und sich somit Auf­ga­ben tei­len kön­nen, ist eine wesent­li­che Vor­aus­set­zung für MAS. Eine Mul­ti­agen­ten­sys­tem geht damit weit über das hin­aus, was die bis­he­ri­gen KI-Sys­te­me leis­ten kön­nen, näm­lich die Gene­rie­rung von Text, Bil­dern oder Spra­che. In einem MAS neh­men die LLM´s Steue­rungs­funk­tio­nen war”.

Eines der ers­ten Unter­neh­men im Finanz­sek­tor, das Mul­ti­agen­ten­sys­te­me ein­setzt, ist Moody’s^[1]Moody’s setzt auf eige­nes Mul­ti­agen­ten­sys­tem.

In einem Pro­jekt wur­de kürz­lich ein Mul­ti-Agen­ten-Set­up ent­wi­ckelt, das den ana­ly­ti­schen Pro­zess eines Hedge­fonds simu­lie­ren kann. Es bie­tet eine prak­ti­sche Mög­lich­keit, ein Sys­tem zu ent­wi­ckeln, das KI-Agen­ten zur Samm­lung und Ana­ly­se von Finanz­da­ten nutzt^[2]Mul­ti-Agent Hedge Fund Simu­la­ti­on with Lang­Chain and Lang­Graph.

Das Sys­tem umfasst einen Port­fo­lio-Mana­ger und drei Ana­lys­ten-Agen­ten – einen fun­da­men­ta­len, einen tech­ni­schen und einen sen­ti­ment­ana­ly­ti­schen Agen­ten –, die jeweils spe­zi­fi­sche Rol­len bei der Samm­lung und Ver­ar­bei­tung von Akti­en­in­for­ma­tio­nen übernehmen.

Das Ziel ist nicht der Auf­bau eines umfas­sen­den Han­del­s­al­go­rith­mus, son­dern die Ver­an­schau­li­chung, wie ver­schie­de­ne Daten­ty­pen par­al­lel mit­hil­fe spe­zia­li­sier­ter Agen­ten orga­ni­siert und ana­ly­siert wer­den kön­nen, unter Ver­wen­dung von Lang­Chain und LangGraph.

Ablauf 

Der Port­fo­lio-Mana­ger dele…