Wie der technologische Fortschritt, neue Datenquellen sowie ein Wechsel von Investorennachfrage und Kapitalströmen die Fixed Income-Märkte verändern.

Vor der Finanzkrise glich der Blick von Ökonomen und Unternehmensanalysten auf die Welt dem von Physikern. Es ging um Ursache und Wirkung: Ein Hebel wird umgelegt und heraus kommt das erwartbare und wiederholbare Ergebnis. 2008 brachen diese Überzeugungen aber zusammen, die Vorstellung, dass sich in einem Preis alle Informationen widerspiegeln, wurde widerlegt.

Nach der Krise begannen Investoren daher nach neuen Methoden zu suchen, wie die Welt beschrieben werden kann – Methoden, die sich verändern, „lernen“ und mit der Zeit anpassen. Methoden, die nicht auf mehr auf starren Regeln basieren, die unbemerkt veralten. Wichtig wurde vor allem aber auch, dass Prognosen besser und Renditen stabiler werden sollten. Ein neuer Typus von Investor entstand, offen für den technologischen Wandel und Neuerungen aufgeschlossen – immer auf der Suche nach kreativen Lösungen.

Hier sind drei wichtige Trends, die sich abzeichnen und die deutlich machen, wohin sich die Fixed Income-Welt bewegt: alternative Datenquellen, Künstliche Intelligenz (KI) und sich verändernde Kapitalströme.

1. Der digitale Datensammler: Wirtschaftsexperten der neuen Art

Eine ganze Generation von Fixed Income-Portfoliomanagern wuchs mit der Vorstellung auf, dass es im Bondmanagement um die reine Volkswirtschaftslehre geht: Dass Zinssätze vom Konjunkturzyklus abhängen, Anleiherenditen und die Renditekurve vom aktuellen Zinssatz und Erwartungen für die Zukunft. Bondmanager präsentierten endlose Grafiken zu Geldangebot, Inflation, Arbeitslosigkeit, ISM-Einkaufsmanagerindizes und BIP. Bei der kleinsten Ermutigung setzten sie Zahlen für die vergangenen zehn, wenn nicht gar hundert Jahre in ihre Spread-Sheets ein, um die nächste Leitzinserhöhung vorherzusagen.

In der Makroökonomie drehte sich schon immer alles um Daten. In den 1970er Jahren war alles noch etwas einfacher, wie etwa bei der „Mülldurchsuchung“ von William Laurens Rathje. Der Wissenschaftler von der Universität Arizona zeigte damals erstmals, dass auch Gegenstände neueren Datums eine ganze Menge über die Menschen erzählen, die diese benutzt und weggeworfen haben. „Garbologie“ (die Wissenschaft vom Müll) wurde eine wichtige Methode, um soziale Trends auszumachen.

Datenwissenschaftler setzen nun die Tradition des „Mülldurchsuchens“ fort. Dafür durchforsten sie aber nicht Abfalleimer, sondern sammeln in Echtzeit Daten aus vielerlei Quellen. Daten, die in keinem offensichtlichen Zusammenhang zueinander stehen. Aus ihnen leiten sie Prognosen für die wirtschaftliche Entwicklung ab. Aus augenscheinlich unzusammenhängenden digitalen „Brotkrümeln” wird also ein Verhaltensprofil zusammengestellt.

Die sozialen Medien sind für diesen neuen Analystentypus eine unverzichtbare Datenquelle für Vorhersagen. Plattformen wie Facebook, YouTube, Instagram, Twitter und Pinterest werden beobachtet, um Vorlieben oder die Akzeptanz bestimmter Marken, Unternehmen oder auch Parteien kennenzulernen. Was immer es auch ist, sie finden heraus, was Sie darüber denken. Und wir tendieren dazu, Daten freiwillig und gerne herauszugeben (dazu gibt es viele Belege). Auf Twitter werden am Tag schätzungsweise zehn Milliarden Tweets gepostet, die eine Milliarde Facebook-Nutzer generieren vier Petabytes an Daten am Tag. Das entspricht vier Millionen Gigabytes, zuzüglich vier Millionen „likes“ in der Minute.

Transaktionsdaten von Unternehmen wie eBay, Amazon, Kreditkartenanbietern oder Online-Shops werden in Massen gesammelt und gespeichert. Verwendet werden sie vor allem, um Verbraucherverhalten vorherzusagen. Target, der große US-Einzelhändler, kann mittlerweile ganz genau prognostizieren, wann eine Kundin ein Kind bekommen wird – nur auf Basis ihrer persönlichen Daten und typischer Lebensläufe. Andere haben begonnen, mittels Luftaufnahmen die Belegung von Parkplätzen zu überwachen, um die Umsatzentwicklung im Einzelhandel vorherzusagen. Den allergrößten Vorteil spielt der Ansatz aber im Business Intelligence-Bereich aus, in dem es um Prozesse und Verfahren geht, die zur systematischen Datenanalyse in elektronischer Form eingesetzt werden. Business Intelligence-Modelle basieren auf Social Media- und Transaktionsdaten und reagieren auf veränderte Präferenzen. Sie können sogar Preise an neue Angebots- und Nachfragemuster anpassen – „Micromanaging“ ist hier das Schlagwort, etwas, was mit monatlichen Zahlen schwer vorstellbar wäre.1

Die Inflation in Echtzeit

Selbst anerkannte makroökonomische Größen weisen Schwächen auf, denen man mit dem neuen Algorithmusansatz beikommen kann. Ein Beispiel ist die Größe, die Bondmanager wohl am meisten beschäftigt: die Inflation. Am Massachusetts Institute of Technology (MIT) wurde das „The Billion Prices Project” entwickelt, mit dem auf Basis von hunderten von Webseiten aus der ganzen Welt die Echtzeitinflation errechnet wird. Da Preise onund offline in der Regel nicht groß voneinander abweichen, können die Echtzeitdaten die Monatsdaten, die oft mit größer Verzögerung veröffentlicht werden, in der Tat gut vorhersagen. Für Fixed Income- Manager, für die solche Informationen enorm wichtig sind, können solche Daten den entscheidenden Unterschied machen und ihnen helfen, erfolgreiche Portfoliostrategien zu entwickeln. Google Trends mit Informationen über die Suchbegriffe, die Nutzer eingeben, bietet schon jetzt umfangreiche Daten. Twitter hat hunderte Milliarden von Tweets, bei denen es um Erlebnisse und wichtige historische Ereignisse geht, von an 2006 indexiert und so über die Suche wieder auffindbar gemacht. Sich eine Welt vorzustellen, in der Echtzeitstatistiken die traditionell monatlich oder quartalsweise veröffentlichten Daten aus der Wirtschaft ersetzt haben, ist nicht schwer. Damit wird eine Revolution im Bondmanagement einhergehen.

2. Künstliche Intelligenz gibt neue Antworten

Die Zukunft der wirtschaftlichen Entwicklung vorherzusagen, ist eine Sache, Anleiheinvestoren wollen aber auch ganz konkret wissen, ob Zinsen steigen oder fallen, wie sich die Zinsstrukturkurve entwickelt und – ebenso wichtig – ob Unternehmen Pleite gehen und wie hoch die Ausfallwahrscheinlichkeit bestimmter Anleihen ist.

Für Manager von Staatsanleihen sind die Modellierung und Interpretation der Zinsstrukturkurve sowie Prognosen über deren weitere Entwicklung ganz entscheidend. Traditionell ging es bei Theorien zur Zinsstrukturkurve um Erklärungen basierend auf Erwartungen über künftige Zinsen, das Verhalten der Akteure am Bondmarkt oder die Wirkkraft von Informationen.2 Doch keine einzelne Theorie konnte diese Fragen allgemeingültig unter allen Umständen und zufriedenstellend beantworten. Die schwierige Frage hat schon Aufmerksamkeit auf sich gezogen, seit in den 1970er Jahren die Zinsstrukturkurve für das Bondmanagement überhaupt wichtig wurde. Seit die Zentralbanken begonnen haben, die Märkte durch massive Quantative Easing Programme zu manipulieren bzw. zu lenken, so dass die freien Finanzmärkte nicht mehr wirklich frei sind, ist die Beantwortung noch schwerer geworden.

Die schiere Gewalt der Computerleistung

Die meisten Modelle über die Zinsstrukturkurve und ihre Höhe bzw. Neigung fußen auf makroökonomischen Faktoren und Transaktionsdaten, über die die zukünftige Entwicklung ermittelt werden soll. Mittlerweile gibt es aber auch immer mehr adaptive Ansätze. Wissenschaftler der University of Thrace haben ein Machine Learning-Modell entwickelt, das die USZinsstrukturkurve für die Zeit von 1976 bis 2011 zu 67 Prozent korrekt hätte vorhersagen können.3 Andere Versuche, die Renditeentwicklung unter Verwendung von Machine Learning zu prognostizieren, schnitten so viel besser ab als klassische Methoden, dass sie für Anleiheinvestoren, die noch konventionell vorgehen, interessant sein könnten.4

Doch im Bondmanagement geht es nicht nur um die Höhe der Rendite und die Neigung der Zinsstrukturkurve, sondern auch um die Entwicklung der Credit Spreads, also des Renditeaufschlags von Unternehmensanleihen gegenüber vergleichbaren Staatsanleihen.

Credit Spreads hängen ab von den Erwartungen des Marktes bezüglich der Fähigkeit eines Unternehmens, den jährlichen Zinsverpflichtungen nachzukommen und das Kapital am Ende der Laufzeit zurückzuzahlen: Je höher die Ausfallwahrscheinlichkeit, desto höher der Credit Spread, den Investoren für das übernommene Risiko erhalten – und umgekehrt.

Es gab wohl nie eine Phase, in der es wichtiger gewesen wäre, diesen Sachverhalt zu kennen: Die weltweite Verschuldung erreichte 2016 mit 164 Billionen US-Dollar einen Rekordstand, das Schulden-zu-BIP-Verhältnis mit 225 Prozent ein Allzeithoch, so der Internationale Währungsfonds.5 Beinhaltet in dieser Summe sind Schulden von Ländern, Bundesländern und Gemeinden, Unternehmen, Zahlen von internationalen Organisationen, Banken, Kreditkartenanbietern, Immobilien-, Auto- und Schiffsfinanzierern – die Liste kann quasi endlos fortgeschrieben werden. Das heißt: War die Bonitätsanalyse vor zwanzig Jahren noch eine Nischentätigkeit, ist sie heute für Bondmanager von enormer Wichtigkeit.

Die Frage ist, ob die traditionelle Bonitätsprüfung durch den Menschen, also die Analyse von Bilanzen und die Fortschreibung der Entwicklung in die Zukunft, angesichts des Quantative Easing bzw. der Stützung der Märkte durch die Notenbanken überhaupt noch adäquat ist.6 Die Ausfallraten scheinen künstlich niedrig. Unter Umständen sind die Probleme nur aufgeschoben und melden sich zurück, sobald Zinsen und Anleiherenditen wieder deutlich steigen. Um das auch durch die ultraniedrigen Zinsen eng miteinander verwobene System am Fixed Income- Markt wirklich erfassen zu können, bräuchte es extrem viele Analysten – zu Kosten, die kaum zu rechtfertigen wären.

Ein alternativer Ansatz zur Bonitätsprüfung ist die Nutzung von künstlichen neuronalen Netzen und Machine Learning7, entwickelt von der eigenen Belegschaft oder Externen.8 Was in diese Systeme einfließt, ist für Corporate Bond-Analysten nichts Neues: Umsatz, Verschuldung, Cashflows, Gewinn, Finanzierungskosten. Was herauskommt, ist ebenso bekannt: ein Rating, anhand dessen ermittelt werden kann, ob ein Renditeaufschlag angemessen ist oder vielleicht eine Unterbewertung und so ein verborgener Schatz mit einer Anlagechance vorliegt.

Extrem viele und ganz unterschiedliche Daten zu analysieren, käme einer Revolution in Fixed Income-Abteilungen gleich. Ist die Technologie einmal so ausgefeilt und die wichtigsten Variablen sind identifiziert, können riesige Mengen von Daten verarbeitet werden. Im neuen Zeitalter der Transparenz, in dem viele Fondsmanager aufgrund der MiFID II-Regeln die Kosten für externes Research selbst übernehmen, könnte Big Data damit ein Ausweg sein: Das Research würde wieder bei den Asset Managern angesiedelt, die sich auf die Entwicklung von Auswahlmechanismen für die Anleihewahl konzentrieren könnten.

Liquidität: technologieunterstützter Handel

Vor dem Zusammenbruch von Lehman Brothers war es für Fondsmanager ganz normal, dass Kauf- und Verkaufsorder sofort umgesetzt werden konnten, die Liquidität am Markt war hoch. Nach der Finanzkrise wurde die Möglichkeit von Investmentbanken, als Market Maker zu agieren, durch striktere aufsichtsrechtliche Regeln aber stark beschnitten.

graph 1

Mittlerweile halten Investmentbanken fast gar keine Anleihen mehr. Der New York Federal Reserve zufolge fiel das Volumen von Anleihen im Bestand von Brokern innerhalb nur eines Jahres nach Ausbruch der Krise von 200 Milliarden auf nur noch 60 Milliarden US-Dollar. Für Fondsmanager ist es nicht mehr möglich, ohne Weiteres Anleihen zu kaufen oder zu verkaufen. Vorhandelsinformationen wie Multiple Quotes sind mittlerweile rar geworden – und auch schwerer zu finden. Wer als Fondsmanager für sein Portfolio zukaufen will, braucht nun viel Zeit, manchmal ist es frustrierend, manchmal funktioniert es gar nicht.

Die Folgen sind überall am Markt zu spüren, ganz besonders betroffen sind aber die Unternehmensanleihen. Es wird selbst angezweifelt, ob sehr große Unternehmensanleihefonds im Bedarfsfall wie gewünscht Anleihen verkaufen könnten.9 Für künstliche Intelligenz, Machine Learning und Big Data eröffnen sich dadurch weitere Einsatzmöglichkeiten. Mit ihrer Hilfe können fehlende Informationen zusammengestellt werden, siehe etwa die Bondhändlerinitiative „Project Neptune“. „Project Neptune” wurde von einem Konsortium von 22 Banken gegründet, die mit Asset Managern zusammenarbeiten. Ziel ist, in Echtzeit Informationen über Angebot und Nachfrage nach Unternehmensanleihen und neuen Bonds zusammzustellen.10 Nach dem Start 2017 sollte Neptune Echtzeitinformationen über mehr als 14.500 unterschiedliche Wertpapiere mit einem Nominalwert von über 131 Milliarden US-Dollar aus über 26.500 Pre Trade-Kauf- und Verkaufsindikationen am Tag zu ermitteln.11

„Project Neptune“ ist damit ein erster Schritt, um die Liquidität wiederherzustellen, die institutionelle Investoren für umfangreiche Transaktionen so dringend benötigen.

„Neptune“ ist zwar keine Handelsplattform, es ist aber ein weiterer Mosaikstein bei der Automatisierung von Transaktionen. Vorerst liegt der Schwerpunkt auf der Sichtbarmachung von Liquidität und der Schaffung von Voraussetzungen für gelungene Transaktionen – als Hilfsmittel für die Entscheidungsfindung für Fondsmanager und ihre Handelspartner.

Auch der niederländische Finanzdienstleister ING setzt auf KI als Hilfsmittel und hat “Katana” auf den Markt gebracht, eine KI-gestütztes Handelssystem zur Unterstützung der Preisfindung. Hintergrund ist die Überzeugung, das Menschen mit Unterstützung durch KI zu besseren Ergebnissen kommen als ohne.12 Allerdings lassen Entwicklungen in anderen Bereichen des Finanzmarktes, etwa im Aktienbereich, vermuten, dass die vollständige Automatisierung auch im Fixed Income-Bereich nicht mehr fern ist.13 Es wird vermutlich nicht mehr lange dauern, bis die algorithmusbasierten Technologien von Amazon, Netflix, YouTube und Alibaba mit ihren großen Datenmengen auch bei Asset Management-Kunden zum Einsatz kommen, denen dann auf Basis ihrer Präferenzen und des bisherigen Kaufverhaltens Angebote gemacht werden.

Der Handel selbst wird damit zu einem immer wichtigeren Teil des Investitionsprozesses, viel wichtiger, als noch vor ein paar Jahren. KI und gesammelte Daten könnten mit Order- und Transaktionssystemen zusammengeführt werden, so dass der eigentliche Investmentprozess immer mehr mit dem Handel zusammenwächst.

3. Demografie als Schicksal: Was ist zwischen Zentralbankmanipulation und alternder Bevölkerung möglich

Ein weiterer Trend ist, dass Anleihen in Zukunft wohl einen immer größeren Teil in den Portfolios stellen werden – allein schon wegen der demografischen Entwicklung. Gleichzeitig wächst das Volumen von Staatsund Unternehmensanleihen. Das heißt: Das Management von Ausfallrisiken wird immer wichtiger, so wichtig wie die eigentliche Rendite. Steigende Ausfallrisiken und die Nachfrage nach einem stetigen Einkommen im Alter in Einklang zu bringen, wird für Bondmanager die größte Herausforderung der kommenden Jahrzehnte sein.

Überstrapazierte Staatshaushalte stehen am Anfang einer ganzen Reihe von Veränderungen, auch die Einstellung zu Schulden wird eine andere sein. Die Phase der Einschränkungen in der Nachkrisenzeit, in der der Gürtel enger geschnallt werden musste und die Steuern stiegen, scheint derzeit zu Ende zu gehen. Wähler sind dieser Politik überdrüssig geworden, sie sehen sie als ständigen Angriff auf Arbeitsplätze und Staatliche Leistungen. Man spricht bereits von der „Great Divergence“, also einem großen Auseinanderklaffen zwischen den USA, wo die Finanzpolitik bereits lockerer geworden ist und die staatlichen Ausgaben steigen, und Europa, wo immer noch strenge Ausgabendisziplin herrscht. Dem „Fiscal Monitor“ des Internationalen Währungsfonds zufolge werden die USA 2023 ein Schulden-zu BIP-Verhältnis von 117 Prozent haben. Das entspräche den Plänen der aktuellen italienischen Regierung für Italien.14 Doch auch in Europa beginnt sich der Wind zu drehen: Der Aufstieg populistischer Bewegungen wie der Fünf Sterne in Italien, die höhere Staatsaugaben und ein bedingungsloses Grundeinkommen versprechen, sind erste Anzeichen. Angesichts dieser neuen Risiken können sich Investoren von Staatsanleihen nicht mehr unbedingt auf eine solide Finanzpolitik verlassen, selbst bei großen Ländern.

Wie ernsthaft die Lage ist, wird durch den rückwärtsgewandten Blick auf die Schulden-zu-BIP-Verhältnisse zudem noch verschleiert, Nicht berücksichtigt werden nämlich Verpflichtungen für die Zukunft in Form von Sozial- und Gesundheitsausgaben sowie Rentenversicherungen und Pensionen. Dem World Economic Forum (WEF) zufolge werden die sechs größten Altersvorsorgesysteme der Welt, die der USA. Großbritannien, Japan, der Niederlande, Kanada und Australien, 2050 eine Lücke von 224 Billionen USDollar aufweisen. Nimmt man noch China und Indien dazu, die bevölkerungsreichsten Länder der Welt, kommt man sogar auf ein Defizit von 400 Billionen US-Dollar, was 500 Prozent des globalen BIP zu diesem Zeitpunkt entsprechen würde. Das wird „die Einkommen der künftigen Generationen gefährden und die Industrieländer mit der größten Krise ihres Altersversicherungssystems in der Geschichte konfrontieren“, wie das WEF schreibt.

Angesichts dieser Probleme und der Tatsache, dass die Verschuldung in viele Ländern schon die Grenze des Vertretbaren erreicht hat, sind drastische Maßnahmen nötig. Zu diesen könnte gehören, aktuell geltende Versprechen zu widerrufen und Einkommens- und Vermögenssteuern sowie Schulden zu erhöhen, um die Wirtschaft wieder ans Laufen zu bringen, unter Umständen verbunden mit dem Ausfall von Staatsanleihen und der Abwertung der Währung. Alle Möglichkeiten werden auf politischer und wirtschaftlicher Ebene und auf den Finanzmärkten Probleme aufwerfen – Investoren werden es in den nächsten Jahrzehnten nicht leicht haben. Für Bondmanager und ihre Kunden wird es wichtiger denn je, Rendite und Ausfallrisiko genau im Blick zu behalten.

Man könnte die Sache auch positiver betrachten: Die steigende Verschuldung dürfte zwar höhere Ausfallrisiken zur Folge haben, es könnte aber auch mehr Anleihekäufer geben. Die Renditen müssten dann nicht in katastrophale Höhen klettern, wie so mancher erwartet. Dennoch könnte sich das Machtgefälle in der Welt verändern: Schuldnerländer könnten zu „Sklaven“ der Geldgeberländer werden. Einen Vorgeschmack darauf bietet schon jetzt China, ein Land mit einem der weltweit größten Bankvermögen und größter Halter von US-Staatsanleihen. China erinnert die USA immer wieder daran, die Staatanleihen auch zu bedienen.15 Vor zehn Jahren wäre so etwas noch völlig undenkbar gewesen.

Sind Schulden tatsächlich die Lebensader des Kapitalismus, ist es fast sicher, dass etwas Ähnliches wie 2008 noch einmal passieren wird. Die Aufgabe von Bondmanagern der Zukunft wird sein, erste Vorboten einer solchen Krise zu erkennen.

Der Bondmanager der Zukunft

Die Fixed Income-Branche ändert sich also rasant. Bondmanager der Zukunft werden sich auf neue Quellen für Echtzeitdaten aus der Wirtschafts- und Unternehmenswelt stützen, um zu Entscheidungen zu kommen. Transaktionen werden Peer-to-Peer erfolgen über anonyme Plattformen, abgesichert durch (unveränderliche) Blockchain-Protokolle. Der ganze Prozess könnte sogar vollständig automatisiert werden, wenn Asset-Liability-Matching-Programme über Staatsanleihen- und Devisenplattformen Portfolios in Echtzeit optimieren.

All das heißt aber nicht, dass menschliche Eingriffe in Zukunft gar keine Rolle mehr spielen werden oder sollen. Der durch Algorithmen verursachte Flashcrash am 6. Mai 2010 um 14.45 Uhr, der den Dow Jones innerhalb von nur 30 Minuten um 9 Prozent abstürzen ließ, oder die Krise am Anleihemarkt während des „Taper Tantrums“ 2013 zeigen, dass am Markt von Zeit zu Zeit die Aufsicht eines „Erwachsenen“ nötig ist. In der nächsten Phase des technologiegetriebenen Wandels in der Fondsbranche müssen Unternehmen die richtige Balance finden zwischen Automatisierung und dem menschlichen Eingriff.

Ohne Zweifel wird das Tagesgeschäft von Bondmanagern aber ganz anders aussehen. Während sich heute Fondsmanager und Analysten um individuelle Portfolios kümmern, könnten in Zukunft Datenanalysten schlaue Algorithmen entwickeln, mit denen die besten Preise gefunden werden können. Menschen konzentrieren sich dabei auf die Strategien und Regeln – und kümmern sich um Ausnahmen.

Manche sehen auch KI direkt integriert in den Handels- und Portfoliomanagementprozess.16 Mithilfe der Protokollierung von Transaktionen durch die Blockchain ist der Weg zudem offen für neue Handelssysteme jenseits der traditionellen Broker-Kunden-Beziehungen. Bislang haben sich Vermögens- und Asset Manager mit ihren Investitionen in die digitale Transformation meist darauf konzentriert, Mehrwert für ihre Kunden zu schaffen über verbesserte Internetseiten, ausführlichere Portfolioinformationen und eine bessere Kommunikation.17 Die Investitionen in die Technologie dürften künftig auch in eine andere Richtung gehen. Ein neuer Typus des Bondmanagers ist im Kommen.

Verweise

  1. ‘How is Big Data used in practice? 10 use cases everyone must read’, Bernard Marr & Co. (www.bernanrdmarr.com), 2016
  2. ‘Modelling and forecasting the yield curve under model uncertainty’, European Central Bank working paper, Juli 2008
  3. ‘Yield curve and recession forecasting in a machine learning framework’, University of Thrace research, Januar 2014
  4. ‘A statistical machine learning approach to yield curve forecasting’, Chennai Mathematical Institute research, März 2017
  5. ‘The world now has $152 trillion in debt — the highest amount ever’, Business Insider, Oktober 2016
  6. ‘Corporate default risk models are broken’, Martin Lowry guest blog, Financial Times, November 2013
  7. ‘Corporate credit rating using multiclass classification models with order information’, World Academy of Science, Engineering and Technology International Journal of Economics and Management, 2011
  8. Op cit.
  9. ‘The unsolved problem of illiquid bond funds’, Financial Times, März 2018
  10. ‘BofA Merrill Lynch joins Neptune fixed income network’, Finextra.com, Mai 2017
  11. Op cit.
  12. ‘ING’s AI is smarter at pricing bonds’, The Desk (www.fi-desk.com), Dezember 2017
  13. ‘Transforming trading with machine learning’, Global Trading (www.fixglobal.com), April 2018
  14. IMF Data Mapper, April 2018
  15. ‘China lectures US on ”responsibility“ over debt default’, The Telegraph, Oktober 2013
  16. ‘Harnessing Big Data to transform fixed income trading’, Global Trading (www.fixglobal.com), Dezember 2013
  17. ‘Asset managers need to be ’ahead of the curve‘ amid transformational digital environment’, Investment Week, April 2018

Wichtige Informationen

Dieses Dokument richtet sich nur an professionelle Kunden und Berater. Darf nicht von Endkunden eingesehen oder verwendet werden.

Sofern nicht anders angeführt, stammen sämtliche Angaben von Aviva Investors Global Services Limited (AIGSL). Stand: 19. Juni 2018 Sofern nicht anders angegeben, kommen alle Einschätzungen und Ansichten von Aviva Investors. Es handelt sich weder um eine Renditegarantie für eine von Aviva Investors verwaltete Anlage noch um eine Beratung. Die hier enthaltenen Informationen stammen aus Quellen, die wir für verlässlich halten. Sie wurden von Aviva Investors jedoch nicht unabhängig überprüft. Für Ihre Richtigkeit wird keine Garantie übernommen. Die Wertentwicklung in der Vergangenheit lässt keine Rückschlüsse auf die zukünftige Performance zu. Der Wert einer Anlage und die damit erzielten Erträge können sowohl steigen als auch fallen. Möglicherweise erhält der Anleger den ursprünglich investierten Betrag nicht zurück. Diese Unterlagen sowie alle Verweise auf bestimmte Wertpapiere, Anlageklassen und Finanzmärkte sind in keiner Weise als Beratung beabsichtigt und dürfen nicht als Beratung verstanden werden. Diese Unterlagen sind keine Empfehlung, eine Anlage zu kaufen oder zu verkaufen.

In Großbritannien und Europa wurden diese Unterlagen von AIGSL, in England unter der Nummer 1151805 eingetragen, verfasst und veröffentlicht. Sitz: St. Helen’s, 1 Undershaft, London, EC3P 3DQ. In Großbritannien von der Financial Conduct Authority (FCA) zugelassen und beaufsichtigt. In Singapur werden diese Unterlagen über eine Vereinbarung mit Aviva Investors Asia Pte. Limited (AIAPL) ausschließlich für institutionelle Investoren bereitgestellt. Wir weisen darauf hin, dass AIAPL kein unabhängiges Research und keine Analysen zum Inhalt bzw. der Erstellung dieses Dokuments beiträgt. Die Empfänger dieser Unterlagen müssen sich in Bezug auf alle Angelegenheiten im Zusammenhang mit diesen Unterlagen oder Fragen, die sich daraus ergeben, an AIAPL wenden. AIAPL, ein nach dem Recht von Singapur gegründetes und unter der Nummer 200813519W registriertes Unternehmen, verfügt über eine gültige Capital Markets Services Licence für Fondsmanagement-Aktivitäten gemäß dem Securities and Futures Act (Singapore Statute Cap. 289) und ist für die Zwecke des Financial Advisers Act (Singapore Statute Cap.110) ein Asian Exempt Financial Adviser. Sitz: 1 Raffles Quay, #27- 13 South Tower, Singapore 048583. In Australien werden diese Unterlagen im Rahmen einer Vereinbarung ausschließlich für Großanleger bereitgestellt. Wir weisen darauf hin, dass Aviva Investors Pacific Pty Ltd (AIPPL) kein unabhängiges Research oder Analysen zum Inhalt oder zur Erstellung dieses Dokuments beiträgt. Die Empfänger dieser Unterlagen müssen sich in Bezug auf alle Fragen im Zusammenhang mit diesen Unterlagen oder die sich aus ihnen ergeben an Aviva Investors Asia wenden. AIPPL, eine Gesellschaft nach australischem Recht mit der australischen Geschäftsnummer 87 153 200 278 und der australischen Gesellschaftsnummer 153 200 278 besitzt eine australische Finanzdienstleistungslizenz (AFSL 411458) der Australian Securities and Investments Commission. Geschäftsadresse: Level 30, Collins Place, 35 Collins Street, Melbourne, Vic 3000, Australien.

Der Name „Aviva Investors” in diesen Unterlagen bezieht sich auf die weltweit agierende Organisation aus Vermögensverwaltern, die unter dem Namen Aviva Investors tätig sind. Alle Unternehmen sind Tochtergesellschaften von Aviva plc, einem börsennotierten Finanzdienstleister mit Sitz in Großbritannien. Aviva Investors Canada, Inc. („AIC“) in Toronto ist von der Ontario Securities Commission (“OSC”) als Portfolio Manager, Exempt Market Dealer und Commodity Trading Manager zugelassen. Aviva Investors Americas LLC ist ein Anlageberater, der von der U.S. Securities and Exchange Commission auf Bundesebene zugelassen ist. Aviva Investors Americas ist zudem von der Commodity Futures Trading Commission („CFTC“) als Commodity Trading Advisor („CTA“) und Commodity Pool Operator („CPO“) zugelassen und Mitglied der National Futures Association („NFA“). Das Formular ADV Part 2A der AIA mit Hintergrundinformationen zum Unternehmen und dessen Geschäftspraxis ist auf schriftlichen Antrag erhältlich: Compliance Department, 225 West Wacker Drive, Suite 2250, Chicago, IL 60606.

RA18/0651/01062019

Mehr...