Asset-Manager sitzen heute auf einem Datenproblem, das sich nicht mit mehr Daten lösen lässt: Der LLM-Agent schlägt eine Position vor, die den Research-Notizen widerspricht, und das eigene quantitative Modell liegt irgendwo dazwischen. Wer bei widersprüchlichen Signalen zu lange diskutiert, verliert Rendite. Wer sie ignoriert, fährt Klumpenrisiken auf. Genau dafür braucht es eine klare Priorisierungslogik, keine Bauchgefühle.
Das Problem: Widersprüchliche Signale sind die neue Normalität
Ein typisches Szenario: Ein Asset-Manager prüft eine Aktie. Die hauseigene Research-Abteilung hat eine Kaufempfehlung mit Kursziel 120 Euro veröffentlicht. Das quantitative Modell zeigt ein neutrales Signal, weil die Bewertung im historischen Durchschnitt liegt. Der LLM-Agent, der täglich Nachrichten, Social-Media-Trends und Transkripte von Earnings Calls analysiert, signalisiert dagegen Verkauf. Die Stimmung hat sich gedreht, der Agent erkennt eine negative Drift in den Formulierungen des Managements. Drei Signale, drei Antworten. Welches zählt?
Das ist kein Randfall. Mit der Etablierung von LLM-Agenten im Portfoliomanagement haben sich die Quellen für Investitionsentscheidungen vervielfacht. Research-Notizen, die früher die Grundlage waren, stehen jetzt neben Echtzeit-Sentiment-Scores, alternativen Daten und Modell-Outputs. Die Konflikte sind programmiert. Ein LLM kann Muster erkennen, die ein Analyst nicht sieht. Aber er kann auch halluzinieren oder überreagieren. Research-Notizen sind oft gut begründet, aber zeitlich verzögert. Eigene Modelle wiederum sind nur so gut wie ihre Annahmen, und die können falsch sein.
Das Risiko falscher Priorisierung ist real: Wer dem LLM-Agenten blind folgt, kauft oder verkauft auf Basis eines möglicherweise verzerrten Signals. Wer ihn ignoriert, lässt womöglich Rendite liegen. Wer alle Signale gleich gewichtet, verwässert die Entscheidungsfindung und verliert die Handlungsfähigkeit.
Dazu kommt: Die Finanzbranche steht unter Druck, KI einzusetzen. Der EU AI Act und DORA verlangen Governance. Wer KI-Signale nutzt, muss nachweisen können, wie Entscheidungen zustande kommen. Die Frage der Gewichtung ist also keine akademische Übung, sondern ein Compliance-Thema.
Warum die naive Gleichgewichtung scheitert
Der erste Impuls vieler Teams ist, allen Quellen ein fixes Gewicht zu geben: 40 Prozent Research, 30 Prozent Modell, 30 Prozent LLM. Das klingt ausgewogen, funktioniert aber in der Praxis selten. Die Fehleranfälligkeit der Quellen ist zu unterschiedlich.
LLM-Sentiment hat spezifische Schwächen. Erstens halluzinieren Sprachmodelle. Ein Agent, der Nachrichten zusammenfasst, kann Aussagen falsch zuordnen oder Zahlen erfinden. Zweitens leidet er unter Stichprobenverzerrung: Social-Media-Daten sind nicht repräsentativ, Nachrichtenquellen haben einen Bias und die Trainingsdaten des Modells haben einen zeitlichen Cut-off. Drittens fehlt die zeitliche Konsistenz: Derselbe Agent kann am Montag ein positives Signal liefern und am Dienstag ein negatives, ohne dass sich fundamental etwas geändert hat, nur weil neue Worte im Feed auftauchen.
Research-Notizen haben ihre eigenen Probleme. Sie entstehen oft mit Verzögerung. Ein Analyst, der eine Kaufempfehlung schreibt, hat die neuesten Nachrichten möglicherweise noch nicht verarbeitet. Außerdem gibt es Interessenkonflikte: Eine Bank, die das Unternehmen beim Börsengang begleitet hat, wird selten ein aggressives Verkaufssignal publizieren. Das heißt nicht, dass Research wertlos ist, aber es ist kein neutraler Maßstab.
Eigene Modelle schließlich sind nur so gut wie die Annahmen, auf denen sie beruhen. Ein Discounted-Cashflow-Modell liefert ein Kaufsignal, wenn die Wachstumsannahmen stimmen. Aber die Annahmen sind Schätzungen. Und ein Faktor-Modell reagiert träge auf neue Informationen. Die eigene Modellwelt ist keine alleinige Wahrheit.
Wer diese drei Quellen gleich gewichtet, gewichtet die Fehler gleich. Das Ergebnis ist eine Entscheidung, die weder die Stärken der einzelnen Quellen nutzt noch ihre Schwächen kontrolliert.
Eine praktische Priorisierungslogik für widersprüchliche Inputs
Aus meiner Sicht braucht es ein Kaskadenprinzip. Nicht alle Signale werden gleichzeitig betrachtet, sondern in einer Reihenfolge, die zuerst die Datenqualität prüft, dann die Konsistenz, dann die Prognosegüte. Das klingt abstrakt, ist aber konkret umsetzbar.
Der erste Schritt: Datenqualität prüfen. Für das LLM-Signal fragen Sie: Welche Datenquellen hat der Agent verwendet? Sind die Quellen vertrauenswürdig? Wann wurden sie abgerufen? Gibt es eine Konfidenzangabe des Modells? Für die Research-Note fragen Sie: Wie alt ist sie? Wer hat sie erstellt? Gibt es einen Interessenkonflikt? Für das eigene Modell fragen Sie: Welche Inputdaten haben sich geändert? Sind die Annahmen noch plausibel?
Nur wenn die Datenqualität als ausreichend bewertet wird, geht das Signal in die nächste Stufe. Das verhindert, dass ein Signal mit unbekannter Datenbasis gleichberechtigt neben einem sauber dokumentierten Research-Papier steht.
Der zweite Schritt: Konsistenz prüfen. Wenn das LLM-Signal auf denselben Informationen beruht wie die Research-Note, aber zu einem anderen Schluss kommt, ist das ein Warnsignal. Entweder hat der Agent einen Fehler gemacht oder er hat etwas erkannt, das der Analyst übersehen hat. In beiden Fällen muss man genauer hinsehen. Wenn die Signale auf unterschiedlichen Informationshorizonten basieren, ist der Widerspruch erklärbar. Ein LLM, das kurzfristige Stimmung misst, und eine Research-Note, die langfristige Bewertung betrachtet, können beide richtig sein. Dann geht es um die Gewichtung nach Horizont, nicht um richtig oder falsch.
Der dritte Schritt: Prognosegüte bewerten. Hier hilft Backtesting. Welche Quelle hat in der Vergangenheit bessere Vorhersagen geliefert? Für LLM-Signale ist das schwierig, weil die Technologie neu ist. Aber man kann zumindest prüfen, ob das Signal in einem Paper-Trading-Portfolio besser abgeschnitten hätte als ein Zufallssignal. Für Research-Notizen und eigene Modelle gibt es oft längere Historie. Diese Track-Records sollten in die Gewichtung einfließen.
Diese Kaskade führt nicht zu einem automatischen numerischen Gewicht, sondern zu einer priorisierten Betrachtung: Bei widersprüchlichen Signalen wird zuerst die Datenqualität geprüft, dann die Konsistenz, dann die Prognosegüte. Erst danach fällt die Entscheidung, welches Signal stärker gewichtet wird. Und diese Entscheidung sollte ein Mensch treffen, nicht ein Algorithmus.
Ein praktisches Beispiel: Ein LLM-Agent signalisiert Verkauf, Research sagt Kauf, das eigene Modell ist neutral. Die Kaskade würde zuerst fragen: Welche Quellen hat der Agent benutzt? Wenn er nur auf Twitter-Stimmung basiert, ist die Datenqualität gering. Dann würde man prüfen, ob die Research-Note aktuell ist und ob das Modell die jüngsten Nachrichten berücksichtigt hat. Wenn die Research-Note frisch ist und das Modell die neuesten Daten enthält, spricht viel dafür, das LLM-Signal zu ignorieren oder nur als Trigger für eine genauere Analyse zu nutzen. Umgekehrt: Wenn der Agent auf Primärquellen wie Earnings-Call-Transkripte und Insider-Transaktionen zugreift, könnte das Signal wertvoll sein, auch wenn es dem Research widerspricht.
Diese Logik ist transparent, nachvollziehbar und anpassbar. Genau das verlangt die Aufsicht.
Konkrete Fehlerquellen und wie man sie vermeidet
Selbst mit einer Kaskadenlogik lauern typische Fehler. Der häufigste ist Recency Bias. Das zuletzt eingetroffene Signal bekommt mehr Gewicht, weil es präsenter ist. Ein LLM-Agent liefert mehrmals täglich Updates, während die Research-Note einmal im Monat erscheint. Da liegt die Versuchung nahe, dem letzten LLM-Output mehr Bedeutung zu geben, als er verdient. Dagegen hilft nur Disziplin: Die Gewichtungsregeln werden im Voraus festgelegt und nicht im Moment der Entscheidung geändert.
Ein zweiter Fehler ist das Ignorieren von Konfidenzintervallen. Viele LLMs geben einen Score mit einer Wahrscheinlichkeit aus, aber die Unsicherheit wird selten kommuniziert. Ein Signal von 0.51 ist nicht dasselbe wie eines von 0.95. Wer das ignoriert, behandelt schwache Signale wie starke. In der Praxis sollte man Schwellenwerte definieren: Unterhalb einer bestimmten Konfidenz wird das Signal nicht berücksichtigt.
Ein dritter Fehler ist die fehlende Dokumentation. Wenn die Entscheidung nicht dokumentiert wird, warum ein Signal bevorzugt wurde, wird die Nachvollziehbarkeit unmöglich. Das ist nicht nur ein organisatorisches Problem, sondern ein aufsichtsrechtliches. Die BaFin, FMA und FINMA verlangen, dass KI-gestützte Entscheidungen erklärbar sind. Wer keine Audit-Trails führt, riskiert bei der nächsten Prüfung Beanstandungen. Aus meiner Sicht ist das der teuerste Fehler, weil er alle anderen Fehler unsichtbar macht.
Umsetzung im Asset-Manager: Workflow und Governance
Wie setzt man das konkret um? Ich empfehle ein Signal-Scoreboard. Das ist eine zentrale Tabelle, in der alle Inputs mit Metadaten erfasst werden: Zeitstempel, Quelle, Datenbasis, Konfidenz, Prognosehorizont. So sieht der Entscheider auf einen Blick, welches Signal frisch ist, welches Gewicht es haben sollte und wo Konflikte liegen.
Das Scoreboard ersetzt keine Entscheidung, sondern macht sie vorbereitbar. Der Anlageausschuss kann dann anhand der Kaskadenlogik diskutieren. Die Verantwortlichkeiten müssen klar sein: Wer entscheidet bei widersprüchlichen Signalen? Wer darf die Gewichtungsregeln ändern? In vielen Häusern ist das der CIO oder ein Investment-Komitee. Wichtig ist, dass die Verantwortung nicht beim Datenwissenschaftler liegt, sondern bei der Fachseite.
Vor dem Live-Gang sollten LLM-Agenten getestet werden. Backtesting ist Pflicht, aber nicht ausreichend. Ein Agent, der in der Vergangenheit gut abgeschnitten hat, kann in der Zukunft versagen. Deshalb empfehle ich eine Phase des Paper Tradings oder Parallellaufs: Der Agent liefert Signale, aber die Entscheidung wird weiterhin nach den alten Regeln getroffen. Nach einigen Wochen oder Monaten vergleicht man die Ergebnisse. Erst wenn der Agent nachweislich einen Mehrwert liefert, darf er Einfluss auf echte Positionen nehmen.
Diese Testphase ist auch wichtig für die Kalibrierung der Gewichtungsregeln. Man beginnt mit einer konservativen Einstellung: Der LLM-Agent bekommt nur bei hoher Konfidenz und sauberer Datenqualität ein signifikantes Gewicht. Im Lauf der Zeit kann man die Regeln anpassen, basierend auf beobachteten Trefferquoten.
Fazit und praktische Empfehlungen
Kein Signal sollte allein entscheiden. Aber nicht alle Signale sind gleich zu gewichten. Die Mischung aus Research-Notizen, eigenen Modellen und LLM-Agenten ist kein Problem, das man durch einfache Mittelwertbildung löst. Es braucht eine transparente Priorisierungslogik, die Datenqualität, Konsistenz und Prognosegüte berücksichtigt.
Meine konkreten Empfehlungen:
- Kaskadenlogik einführen. Prüfen Sie erst Datenqualität, dann Konsistenz, dann Prognosegüte. Definieren Sie für jede Stufe klare Kriterien.
- Signal-Scoreboard aufbauen. Erfassen Sie alle Inputs mit Zeitstempel, Quelle, Konfidenz und Horizont. Das macht Konflikte sichtbar und Entscheidungen nachvollziehbar.
- Schwellenwerte definieren. Unterhalb einer bestimmten Konfidenz wird ein Signal ignoriert, egal von wem es kommt.
- Verantwortlichkeiten festlegen. Der Anlageausschuss entscheidet, nicht der Algorithmus. Die Gewichtungsregeln gehören in die Governance-Dokumentation.
- Regelmäßiges Review einplanen. Überprüfen Sie quartalsweise, ob die Gewichtungsregeln noch zur Realität passen. Passen Sie sie an, wenn sich die Prognosegüte der Quellen verändert.
Die Finanzbranche steht am Anfang einer Entwicklung, in der LLM-Agenten einen festen Platz im Investmentprozess haben werden. Wer jetzt eine disziplinierte Priorisierungslogik aufbaut, vermeidet teure Fehlallokationen und erfüllt gleichzeitig die Anforderungen der Aufsicht. Wer darauf wartet, dass sich die Konflikte von selbst lösen, verliert Zeit und Rendite.