KI hat das Navier-Stokes-Problem gelöst, unsere sichersten Systeme gehackt und neue Krebstherapien entwickelt.
Trotzdem schlägt sie den S&P 500 nicht.
Wann wird KI den Markt schlagen?
Das ist die Milliarden-Dollar-Frage, die den Laboren ins Gesicht starrt.
Die Antwort ist überraschend elegant.
Sie beginnt mit dem Bau des größten Roboters der Welt im Jahr 1991.
Mit 360 Metern Stahl ist der Maeslantkering die größte bewegliche Struktur der Erde. Er arbeitet vollständig autonom.
Die Niederländer kennen ihn als ihr Fluttor, gebaut, um Rotterdams 2,7 Millionen Einwohner vor tödlichen Sturmfluten zu schützen.
Um seine Aufgabe zu erfüllen, muss der Roboter den Meeresspiegel perfekt vorhersagen können.
Das einfachste Modell des Meeresspiegels ist ein Schalter.
Bei Flut ist der Schalter an, bei Ebbe ist er aus.
Ein Schalter (orange) ist ein schlechtes Modell der Realität (türkis).
Aber der Schalter übersieht die Form der Gezeiten. Eine steigende Flut überschreitet trotzdem die Gefahrenschwelle.
Der Roboter braucht ein besseres Modell.
Die Gezeiten werden hauptsächlich vom Mond angetrieben, dessen Gravitationszug eine periodische Kurve auf die Ozeane zeichnet. Ersetzt man den Schalter durch eine Sinuskurve, beginnt die Vorhersage des Roboters, den Gezeiten zu folgen.
Die Schwerkraft des Mondes (orange) ist ein besseres Modell der Realität (türkis).
Es ist immer noch unvollkommen. Die Gezeiten werden auch durch die Anziehungskraft der Sonne, die Bathymetrie der Bucht, die Exzentrizität der Umlaufbahn und Dutzende anderer Faktoren geformt.
Erst wenn der Roboter alle relevanten Strukturen des Sonnensystems enthält, kann er die Gezeiten vorhersagen.
Alle Gezeitenkräfte (orange) ermöglichen es dem Modell, die Realität perfekt abzubilden (türkis).
Dies veranschaulicht das Good-Regulator-Theorem, bewiesen von Conant und Ashby im Jahr 1970:
„Jeder gute Regler eines Systems muss ein Modell dieses Systems sein.“
Es erklärt perfekt die heutige Leistungsgrenze der KI:
- Schachmodelle enthalten die Brettgeometrie, rekonstruiert aus Zugfolgen.
- Code-Agenten enthalten die Regeln der Berechnung, abgeleitet aus jeder Zeile Open-Source-Code.
- Video- und Weltmodelle enthalten physikalische Gesetze, neu abgeleitet aus Pixeln.
KI verschlingt die Welt.
Aber nur in der Reihenfolge dessen, was sie schlucken kann.
Hier ist die gleiche Lücke zwischen Modell und Realität, neu gezeichnet für den Aktienmarkt:
Morningstars Modell (orange) für die Bewertung weicht von der Realität ab (türkis).
Offensichtlich ist Morningstars „Fair-Value-Schätzung“ kein „guter Regler“.
Vielleicht ist Morningstar nicht weltklasse im Bewerten von Aktien. Aber das gleiche Bild zeigt sich bei den internen Kurszielen der Hedgefonds im obersten Dezil. Niemand hat einen guten Regler für Preise, und das liegt an einer einfachen Tatsache:
Märkte sind selbstreferenziell, oder wie Ökonomen sagen, reflexive Systeme.
Preise werden von Millionen von Menschen festgelegt, die den Preis beobachten, einander bei der Reaktion auf den Preis beobachten und ihrerseits reagieren.
Niemand hat eine KI gebaut, die die Menge enthält.
Märkte fallen in der Reihenfolge, in der KI sie erfassen kann.
Aber die Finanzwelt fällt trotzdem, und einige Märkte werden bereits erfasst.
Das Theorem erklärt perfekt die Reihenfolge, in der sie fallen:
1. Die Quants haben bereits Superintelligenz gebaut.
KI enthält bereits andere Algorithmen.
Die ersten finanziellen Superintelligenzen waren keine LLMs.
Es waren quantitative Handelssysteme.
Auf Millisekunden-Ebene haben Quant-Firmen bereits ‚gute Regler‘ gebaut.
Kein Mensch kann so schnell reagieren, daher sind kurzfristige Vorhersagen weniger reflexiv. Die einzigen Dinge, die in diesem Zeitrahmen schnelle Preise erzeugen können, sind andere Algorithmen.
Und Modelle können andere Modelle enthalten.
Renaissance Technologies, Jane Street und Two Sigma haben Hunderte von Milliarden an Gewinnen erzielt, indem sie Systeme bauten, die die Logik anderer Algorithmen enthalten, gegen die sie handeln.
Illustrativ. Quantitative Handelsmodelle auf der Millisekunden-Zeitskala (orange) können heute Mikroschwankungen des Preises (türkis) genau abbilden.
Größere Modelle verschlucken die kleineren und arbitrieren dann ihr Verhalten. Kurzfristige Märkte sind ein endloser Krieg von Systemen, die sich gegenseitig fressen.
(Hier versteckt sich ein KI-Sicherheitsargument. Alignment-Forscher theoretisieren über ASIs, die ASIs enthalten. Die Quant-Shops waren zuerst da.)
Diese Quant-Modelle versagen jedoch schnell.
Auf kurzen Zeithorizonten besteht das System hauptsächlich aus Maschinen, die gegen Maschinen handeln.
Auf langen Zeithorizonten kehrt die Menge zurück.
2. Die privaten Märkte werden innerhalb eines Jahrzehnts öffentlich sein.
KI beginnt, die Arbeit eines Analysten zu enthalten.
Ein Großteil der Finanzwelt dreht sich nicht darum, besser im Bewerten zu sein.
Es ist ein Wettbewerb um die Beschaffung und Verarbeitung von Informationen.
Millionen von Finanzanalysten durchforsten heute Datenräume, erstellen Modelle, verteilen Vergleichswerte und verwandeln fragmentierte Beweise in Investitionsentscheidungen.
Historisch gesehen hatten nur wenige Firmen die Manpower, dies in großem Maßstab zu tun.
Private Märkte hatten nie einen guten Regler.
Der Immobilienfonds von Blackstone im Jahr 2022 ist ein kanonisches Beispiel. Sein privates Portfolio blieb mit „zum Buchwert“ bewertet, während ein öffentlich gehandeltes Portfolio mit ähnlichem Exposure zweimal stark einbrach.
Private Märkte (orange) können stark von öffentlichen Pendants abweichen (türkis).
Wir können diese Lücke nur sehen, weil ein öffentlich gehandeltes Pendant existierte. Die meisten privaten Vermögenswerte bieten keinen solchen Spiegel.
Das ändert sich schnell.
Modelle lesen jetzt Einreichungen, Kreditverträge und virtuelle Datenräume. Agenten erledigen jetzt die begleitende Arbeit: Bewertung, Modellierung, Zusammenstellung von Vergleichswerten und Erstellung von Slides. Der Analysten-Engpass verschwindet, während Sie dies lesen.
Mehr Investoren erzeugen mehr Gebote.
Mehr Gebote erzeugen mehr Transaktionen.
Mehr Transaktionen verbessern die Preisfindung und ziehen mehr Investoren an.
Privates Kapital bekommt endlich einen guten Regler.
Wir sehen das bereits bei Hebbia: Fonds generieren Milliarden in außerbörslichen Deals und sparen Hunderte Millionen, indem sie Positionen frühzeitig verlassen, bevor der Markt aufholt.
Die privaten Märkte werden sich wie öffentliche verhalten.
Die ironische Konsequenz ist, dass sie in dem Moment, in dem dies geschieht, immer noch nicht gelöst sein werden. KI wird sie in reflexive Systeme verwandeln, was uns zur zentralen Frage zurückbringt.
Was passiert, wenn das Modell die Menge enthalten muss?
3. Die öffentlichen Märkte werden nicht von einem LLM gelöst werden.
KI braucht ein völlig anderes Modell, um die Menge zu enthalten.
Die Leute warten darauf, dass Claude für sie den Markt schlägt.
Das wird nicht passieren.
Während LLMs für die Fundamentalanalyse wirklich nützlich erscheinen, versagt die Fundamentalanalyse aufgrund von Reflexivität häufig. Höhere Bewertungen durch Massendynamik können die Kapitalkosten senken, was das Wachstum beschleunigt und die Bewertungen weiter in die Höhe treibt.
Reflexivität verändert die Fundamentaldaten.
Welche KI kann also tatsächlich die Menge modellieren?
3.1 Twitter hat die Menge modelliert, bevor die Wall Street es tat.
Eine Klasse von Modellen sagt menschliches Verhalten bereits besser voraus und formt es besser als jedes LLM.
„Der Newsfeed“ enthält bereits ein nahezu perfektes Modell der menschlichen Psychologie. Er beeinflusst Wahlen, setzt kulturelle Trends und modelliert Milliarden von Menschen besser, als diese Menschen sich selbst kennen.
Social-Media-Werbeserver funktionieren genauso. Die Anzeige für genau das, was Sie kaufen wollten, lässt Sie es oft zuerst kaufen wollen. Beachten Sie die Reflexivität.
Die vorhergesagte Relevanz eines Beitrags durch Newsfeeds (orange) kann das tatsächliche Engagement und die Relevanz modellieren und erzeugen (türkis).
Dies führt zu einer ungewöhnlichen Schlussfolgerung:
xAI ist das am besten positionierte Finanzlabor der Erde.
Grok sitzt auf dem seltenen Datensatz, der die Menge in Echtzeit erfasst.
Der Feed bewegt bereits die Märkte.
Für Privatanleger zählt Aufmerksamkeit bereits mehr als Fundamentaldaten. Zunehmend ist jede Aktie eine Meme-Aktie, und der Feed kontrolliert die Memes.
Der logische Endpunkt ist ernüchternd. Ein zukünftiges System kann die Reaktion der Menge vorhersagen, die erfolgreiche Erzählung generieren und sie dann durch Bot-„Investoren“ verbreiten, um eigene Bestände zu pushen. Die Grenze zwischen einer großartigen Marketingkampagne und Marktmanipulation ist bereits dünn, und nach der Singularität verschwimmt sie.
Marktmanipulation wird zu einer Modellfähigkeit.
3.2 Das Modell muss den Markt enthalten.
Simulations-Startups kratzen an diesem Problem, werden die Reflexivität aber nicht lösen. Synthetische Massen, die nie einen echten Preis berühren, sind Fokusgruppen in einer Box.
Prognosemärkte entkommen ihr ebenfalls. Die Regenwahrscheinlichkeit kann das Wetter nicht ändern.
Ein echtes Reflexivitätsmodell muss zwei Dinge tun:
- Die anderen Regler enthalten. Es muss vorhersagen, wie der Markt reagiert, und einen Schritt voraus sein.
- Die eigenen Auswirkungen enthalten. Historische Daten können den Effekt eines Investors, den es nie gab, nicht offenbaren. Das Modell muss handeln, beobachten, was es verändert, und sich selbst aktualisieren.
Diese Modelle bewegen sich bereits vom Training zum Handel.
Aber es gibt einen Haken: KI kann nur eine stabile Strategie lernen, solange ihre Trades klein genug sind, um den Markt nicht zu bewegen.
Akademiker nennen dies eine Konvergenzbeschränkung.
Händler nennen es eine bekannte Maxime:
„Die Größe tötet den Trade.“
Das wird nicht aufhalten, was kommt.
Maschinen, die den Markt schlagen, werden sich von Millisekunden auf Minuten, Tage, Quartale und Jahre ausbreiten.
Es wird sinnlos sein, gegen die Maschine zu handeln.
Die Schleusen öffnen sich.
Jeder Markt wird von Maschinen dominiert werden.
Jedes Unternehmen wird mit KI konkurrieren.
Unsere Organisationen müssen sich entsprechend ändern.
Quant-Firmen waren die ersten, die sich um diese neue Realität herum neu strukturierten. Ihre Organigramme wurden zu Systemen zum Sammeln, Bereinigen, Strukturieren und Modellieren enormer Datenmengen. Sie wurden zu guten Reglern ihrer Märkte.
Jedes Unternehmen steht vor der gleichen Transformation.
Der wichtigste Job der Zukunft wird sein, Maschinen die Struktur der Welt beizubringen.
Man kann die Singularität nicht leerverkaufen.
Man kann nur ein Teil von ihr werden.
Vielen Dank an Manny Roman, Rob Goldstein, Marty Chavez, Bob Steele, @WillManidis und @lennysan für die Verbesserung meines Modells dieses Systems.
