📈 economics

Evaluating AI Investment Strategies

Diese Arbeit etabliert eine exakte Zerlegung des kumulativen Regrets in periodenspezifische Kovarianzen zwischen Kostenvektoren und Entscheidungen der Policy, was einen handhabbaren, modellfreien Audit-Rahmen zur Evaluierung von Black-Box-Algorithmenstrategien in dynamischen Umgebungen wie Plattformmechanismen und Portfoliomanagement bereitstellt.

Ursprüngliche Autoren: Irene Aldridge

Veröffentlicht 2026-06-09

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Irene Aldridge

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Food-Kritiker, der versucht, das Kochen eines Küchenchefs zu beurteilen, aber Sie dürfen nicht in die Küche. Sie können weder die Rezepte sehen, noch die Zutaten hacken sehen, noch den internen Entscheidungsprozess des Kochs nachvollziehen können. Sie sehen lediglich die Bestellung, die der Kunde aufgegeben hat (der Input), und den Teller, der serviert wurde (der Output).

Jahrelang hatten Regulierungsbehörden und Investoren genau dieses Problem in Bezug auf KI-Algorithmen, die Geld verwalten. Sie können sehen, was die KI gekauft oder verkauft hat, und sie können die Marktpreise sehen, aber sie können die „Black Box“ nicht öffnen, um zu sehen, wie die KI ihre Entscheidungen getroffen hat.

Dieses Paper von Irene Aldridge bietet einen cleveren, mathematischen „Zaubertrick“, um dieses Problem zu lösen. Es beweist, dass Sie genau messen können, wie gut (oder schlecht) eine KI arbeitet, indem Sie lediglich die Beziehung zwischen den erhaltenen Bestellungen und den servierten Tellern betrachten.

Hier ist die Aufschlüsselung der Hauptideen des Papers unter Verwendung alltäglicher Analogien:

1. Die Kernidee: Reue ist einfach nur „Kovarianz“

In der Welt der Finanzen ist „Reue“ (Regret) die Lücke zwischen dem, was ein Algorithmus tatsächlich verdient hat, und dem, was er verdient hätte, wenn er perfekte Vorhersehung (oder zumindest perfektes Wissen über den Durchschnittsmarkt) besessen hätte.

Die wichtigste Entdeckung des Papers ist eine einfache Gleichung: Reue = Kovarianz.

Denken Sie an einen Tanzpartner:

Die Kosten (Die Musik): Dies ist die Marktbedingung (z. B. steigende oder fallende Preise).
Die Entscheidung (Der Tanzschritt): Dies ist das, was die KI entscheidet (kaufen oder verkaufen).

Wenn die KI eine gute Tänzerin ist, bewegt sie sich mit der Musik. Wenn die Musik steigt, macht sie einen Schritt nach oben. Wenn die Musik sinkt, macht sie einen Schritt nach unten. In diesem Fall ist die „Kovarianz“ (wie gut sie zusammenpassen) hoch, aber die Reue ist gering, weil die KI genau das tut, was die Situation erfordert.

Wenn die KI jedoch eine schlechte Tänzerin ist, macht sie vielleicht einen Schritt nach oben, während die Musik nach unten geht. Sie bewegt sich gegen den Fluss. Das Paper zeigt, dass man genau messen kann, wie viel „schlechtes Tanzen“ (Reue) stattgefunden hat, indem man berechnet, wie oft die Schritte der KI mit der Musik kollidierten. Man muss nicht die Choreografie kennen; man beobachtet einfach den Tanz.

2. Das „Perfekte“ vs. das „Reale“

Das Paper beweist, dass diese „Reue = Kovarianz“-Regel unter spezifischen Bedingungen perfekt funktioniert:

Die Musik ist zufällig: Die Marktbewegungen sind unabhängig voneinander (wie ein Münzwurf an jedem Tag).
Die Tänzerin ist ehrlich: Die durchschnittliche Entscheidung der KI entspricht der mathematisch perfekten Entscheidung für diesen Tag.

Wenn diese Bedingungen erfüllt sind, ist die Mathematik exakt. Man kann die täglichen „Kollisionen“ zwischen dem Markt und den Entscheidungen der KI zusammenzählen, und diese Gesamtsumme ist exakt das, was die KI im Vergleich zur bestmöglichen Strategie verloren hat.

3. Was passiert, wenn die KI „voreingenommen“ ist?

In der realen Welt ist eine KI nicht immer perfekt. Manchmal hat sie eine „Gewohnheit“ oder einen „Bias“ (Voreingenommenheit).

Die Momentum-Falle: Stellen Sie sich eine KI vor, die immer versucht, Trends nachzujagen. Wenn der Markt gestern gestiegen ist, kauft sie heute. Das Paper zeigt, dass diese Gewohnheit in einem Markt, der sich natürlich „umkehrt“ (erst steigt, dann fällt), eine spezifische Art von Fehler erzeugt.
Die Korrektur: Das Paper liefert einen „Korrekturfaktor“. Es ist wie das Hinzufügen einer Fußnote zu Ihrer Rezension: „Der Tanz sah schlecht aus, aber die Musik war heute schwierig, also passen wir die Bewertung an.“
- Wenn die KI zu kostspieligen Entscheidungen neigt, könnte die reine Mathematik sie schlechter aussehen lassen, als sie ist.
- Wenn die KI zu kostengünstigen Entscheidungen neigt, könnte die reine Mathematik sie besser aussehen lassen, als sie ist.
- Das Paper liefert eine Formel, um dies zu korrigieren, sodass Prüfer die wahre Punktzahl erhalten können, selbst wenn die KI eine schlechte Angewohnheit hat.

4. Warum dies für die Prüfung (Auditing) wichtig ist

Das Paper ist im Wesentlichen ein Werkzeugkasten für Regulierungsbehörden.

Keine Geheimnisse nötig: Sie müssen nicht den Quellcode der KI kennen. Sie benötigen lediglich ein Protokoll dessen, was passiert ist (die Marktdaten) und was die KI getan hat (die Trades).
Schnell und kostengünstig: Die Mathematik ist einfach genug, um in Echtzeit auf einem Standardcomputer ausgeführt zu werden. Es ist keine schwere, komplexe Simulation; es ist eine direkte Berechnung dessen, wie sehr die Bewegungen der KI mit dem Markt „kollidiert“ sind.
Die „Black Box“ ist offen: Obwohl die KI eine „Black Box“ ist (man kann nicht hineinsehen), ermöglicht diese Methode, die Ergebnisse klar zu sehen. Sie verwandelt das Mysterium „Ist diese KI betrügerisch oder nur unglücklich?“ in einen statistischen Test mit einem Konfidenzintervall (einem Bereich der Gewissheit).

5. Realwelt-Test: Die Momentum-Strategie

Die Autoren testeten dies mit echten Börsendaten von 2016 bis 2025.

Das Ergebnis: Sie untersuchten „Momentum“-Strategien (KI, die Aktien kauft, die gestern gestiegen sind).
Die Erkenntnis: Die Mathematik zeigte, dass diese Strategien konsistent „gegen die Musik tanzten“. Der Markt tendiert dazu, sich schnell umzukehren (was steigt, kommt oft am nächsten Tag wieder nach unten), aber die Momentum-KI verfolgte weiterhin den Trend.
Das Audit: Durch die Anwendung ihrer Formel konnten sie quantifizieren, wie viel Geld diese Strategien durch diese Diskrepanz verloren haben. Sie fanden heraus, dass diese Momentum-Strategien in einigen Jahren zwar gut aussah, aber sobald man die „Bias-Korrektur“ anwandte, die wahre Reue oft höher war.

Zusammenfassung

Dieses Paper ist ein Leitfaden dafür, wie man einen mysteriösen KI-Manager auditiert, ohne ihn jemals um eine Erklärung bitten zu müssen. Es besagt: „Schau nicht auf das Gehirn; schau auf den Tanz.“

Indem man einfach misst, wie gut die Entscheidungen der KI über die Zeit mit den Marktbewegungen übereinstimmten, kann man ihre exakte „Reue“ (Leistungsverlust) berechnen. Wenn die KI eine schlechte Angewohnheit hat (wie das Jagen von Trends in einem sich umkehrenden Markt), liefert das Paper die Mathematik, um dies zu korrigieren. Dies ermöglicht es Regulierungsbehörden zu sagen: „Wir wissen genau, wie viel diese Algorithmen Sie gekostet haben, und wir wissen, dass es nicht nur Pech war – es ist ein struktureller Fehler darin, wie sie mit dem Markt tanzen.“

Technische Zusammenfassung: Evaluierung von KI-Anlagestrategien

Problemstellung
Die Arbeit adressiert die kritische Herausforderung der Auditierung von „Black-Box“-Algorithmen zur Entscheidungsfindung in sequenziellen Umgebungen, wie etwa Hedgefonds, Robo-Advisor und Ausführungsalgorithmen. Regulierungsbehörden (z. B. unter SR 11-7 und SR-26-2) sowie Plattformgestalter benötigen Leistungsmetriken, um algorithmische Strategien zu bewerten, ohne Zugriff auf den internen Quellcode oder private Agententypen zu haben. Während das Auditing für Einzelperioden möglich ist, bleibt die Erweiterung dieser Methoden auf mehrperiodige stochastische dynamische Programme – bei denen Manager basierend auf neuen Daten in jeder Periode reoptimieren – ein offenes Problem. Die Kernschwierigkeit besteht darin, zu bestimmen, ob der kumulative Regret (die Differenz zwischen der realisierten Performance und einem theoretischen optimalen Benchmark) allein durch beobachtbare Größen (Inputs und Outputs) dekomponiert werden kann.

Methodik und theoretischer Rahmen
Der Autor formuliert ein allgemeines endliches stochastisches dynamisches Programm, bei dem eine Policy $\hat{\pi}_t$ beobachtete Zustände und Kostenvektoren $c_t$ auf Entscheidungen $z_t$ abbildet. Der Benchmark ist definiert als die bedingte Mittelwert-optimale Policy $\pi^*_t$ , welche die erwarteten Kosten unter Berücksichtigung der aktuellen Information minimiert.

Der zentrale methodische Beitrag ist die Ableitung einer exakten Dekomposition für den kumulativen Regret. Das Paper etabliert, dass unter spezifischen Bedingungen der Gesamtreget über $T$ Perioden gleich der Summe der Per-Perioden-Kovarianzen zwischen dem Kostenvektor und der Entscheidung der Policy plus eines Bias-Korrekturterms ist:
$\text{Regret}^{(T)}(\Pi) = \sum_{t=1}^T \text{Cov}(c_t, \hat{\pi}_t(c_t)) + \sum_{t=1}^T \bar{c}_t^\top b_t$
wobei $b_t = E[\hat{\pi}_t(c_t)] - \pi^*_t$ den Per-Perioden-Policy-Bias darstellt.

Die Analyse erfolgt durch mehrere theoretische Erweiterungen:

i.i.d. Kosten: Unter unabhängigen und identisch verteilten Kosten und mittel-unbiased Markov-Policies (wo $E[\hat{\pi}_t] = \pi^*_t$ ) verschwindet der Bias-Term, was zu einer exakten Identität führt, bei der der Regret gleich der Summe der Kovarianzen ist.
Nicht-Stationarität: Für zeitvariierende Kostenverteilungen leitet das Paper eine geschlossene Bias-Korrektur ab, die durch die Cross-Period-Kovarianz der Kosteninkremente begrenzt ist.
Unendlicher Horizont: Ein Analogon für den diskontierten Horizont wird etabliert, welches zeigt, dass der diskontierte Regret linear mit dem effektiven Horizont $1/(1-\gamma)$ skaliert.
AR(1)-Prozesse: Für mean-reverting Ausführungskosten (modelliert als AR(1)) leitet das Paper einen spezifischen Auto-Kovarianz-Korrekturterm ab und beweist, dass rohe Kovarianzsummen den wahren Regret je nach Vorzeichen der Autokorrelation entweder über- oder unterschätzen können.
Bellman-Rekursion: Eine Bellman-artige Rekursion für das Kovarianz-Regret-Funktional wird abgeleitet, die strukturell analog zur Q-Funktion im Reinforcement Learning ist. Dies ermöglicht die Schätzung des Mehrperioden-Regrets mittels standardmäßiger dynamischer Programmieralgorithmen, ohne das ursprüngliche Optimierungsproblem lösen zu müssen.

Zentrale Beiträge
Das Paper leistet acht spezifische Beiträge:

Exakte Dekomposition: Der Beweis, dass der erwartete Gesamtreget unter i.i.d.-Kosten und mittel-unbiased Policies exakt in die Summe der Per-Perioden-Input-Output-Kovarianzen zerfällt.
Bias-Charakterisierung: Ableitung geschlossener Bias-Korrekturen für nicht-stationäre Kosten und zeitvariierende Policies, wobei der Bias in Momentum-Strategien spezifisch als $O(|\hat{\rho}|T\sigma_c^2)$ quantifiziert wird.
Algorithmisches Auditing-Tool: Vorschlag eines Trajektorien-Kovarianz-Schätzers, der konsistent ist, eine HAC- (Heteroskedastizität und Autokorrelation konsistent) asymptotische Normalität aufweist und in $O(T \cdot nd)$ Zeit berechenbar ist. Dies ermöglicht ein modellfreies Auditing unter Verwendung lediglich beobachtbarer Sequenzen von Kosten und Allokationen.
Finanzielle Anwendungen: Anwendung der Theorie auf Rolling-Window-Portfolio-Rebalancing (zeigt, dass der Schätzfehler-Bias $O(d/w)$ ist) und Mean-Reverting Ausführungskosten (bietet eine geschlossene Form der AR(1)-Korrektur).
Verbindung zum Reinforcement Learning: Demonstration, dass die Standard-RL-Infrastruktur (z. B. Fitted-Q) zur Schätzung des Mehrperioden-Regrets über die abgeleitete Bellman-Rekursion zweckentfremdet werden kann.

Empirische Ergebnisse
Die Theorie wird anhand von CRSP-Tagesrenditedaten von Januar 2016 bis Dezember 2025 validiert.

AR(1)-Koeffizienten: Die täglichen AR(1)-Koeffizienten waren über alle Jahre und NBER-Regime hinweg konsistent negativ ( $\hat{\rho} \in [-0.144, -0.004]$ ), was darauf hindeutet, dass Short-Horizon-Reversal das Momentum dominierte.
Strategie-Performance: Reversionsstrategien übertrafen Momentumstrategien in sieben von zehn Jahren.
Bias-Korrektur: Die bias-korrigierte Reversionsstrategie lieferte in den Jahren 2019 und 2022, in denen rohe Reversionsstrategien scheiterten, die beste risikoadjustierte Performance. Die Bias-Korrektur fungiert als „Versicherung“, die in günstigen Jahren leichte Kosten verursacht, aber bei verzerrten Momentum-Dynamiken signifikante Gewinne liefert.
Robustheit: Das Paper identifiziert fünf Störfaktoren (Größeneffekte, Bid-Ask-Bounce, Volatilitäts-Clustering, Cross-Sectional vs. Time-Series Momentum und Liquiditätsbereitstellung), die den geschätzten $\hat{\rho}$ wahrscheinlich nach oben verzerren. Folglich sind die berechneten Regret-Werte konservative obere Schranken für die durch Momentum bedingten Verluste.

Bedeutung und Ansprüche
Das Paper behauptet, eine „praktikable Lösung“ für die regulatorische Aufsicht zu bieten, indem es das algorithmische Auditing als statistisches Testproblem umformuliert.

Für Regulatoren: Compliance-Beauftragte können Konfidenzintervalle für den kumulativen Regret konstruieren, indem sie nur beobachtbare Inputs und Outputs verwenden, wodurch Mandate wie SR 11-7 erfüllt werden, ohne Zugriff auf proprietäre Optimierungs-Engines zu benötigen.
Für das Mechanismusdesign: Die Identität erlaubt es Prinzipals, den Regret eines Agenten zu begrenzen, ohne Zugriff auf dessen private Typen zu haben, wodurch das Black-Box-Auditing mit Kovarianz-Schätzproblemen aus der Spieltheorie verknüpft wird.
Für die Strategieverbesserung: Die Bellman-Rekursion impliziert, dass die Reduktion der punktweisen Kovarianz eine hinreichende Bedingung für die Verbesserung des Mehrperioden-Regrets ist, was eine rechnerisch handhabbare Alternative zur vollständigen Enumeration von Strategien bietet.

Der Autor vertritt eine moderate Position hinsichtlich der empirischen Größenordnung des Regrets und stellt fest, dass die theoretische Dekomposition unter den genannten Annahmen zwar exakt gilt, die empirischen Schätzungen jedoch aufgrund von unobservabler Mikrostruktur-Rauschens und Faktor-Exposures als obere Schranken dienen. Der primäre Wert liegt in der Etablierung einer rigorosen, modellfreien Metrik für die Performance-Attribution in sequenziellen Entscheidungssystemen.