Nachhaltige Geldanlagen sind auf dem Vormarsch, denn Sparer und Investoren wollen zunehmend ihr Kapital im Dienste des Guten eingesetzt wissen. Das ergibt eine von Vontobel Asset Management in Auftrag gegebene Studie unter rund 4.600 Verbrauchern, die in 14 Ländern durchgeführt wurde. Doch allzu oft ist das Auffinden geeigneter Assets im Zuge unzureichender Transparenz und verwirrender Begrifflichkeiten ein echtes Investitionshindernis. Künstliche Intelligenz könnte hier dank ihrer enormen Datenverarbeitungsfähigkeiten Licht ins Dunkel bringen.

Demnach sind 73% der deutschen Anleger der Meinung, dass Unternehmen eine Verantwortung gegenüber Umwelt und Gesellschaft tragen müssen und sich ethischer verhalten sollten. Zwar möchten 47% von ihnen ihr Geld nachhaltig anlegen, jedoch setzen nur 34% diesen Anspruch auch tatsächlich um. Hindernisse sind Informationsmangel zu Anlagemöglichkeiten, fehlende Transparenz der Produkte und deren Anlageansätze sowie verwirrende Begrifflichkeiten. Hinzu kommt, dass ESG- Ratings zwar die Grundlage für Lara Kesterton kam als ESG-Analystin im Jahr 2017 zu Vontobel Asset Management. Davor war sie als Consultant im Bereich Clean Technology & Sustainability für eine Reihe von Private-Equity-Firmen und Hotels in Schwellenländern tätig. Frau Kesterton hat einen Masterabschluss von der University of Oxford im Fach Environmental Change and Management und ein Post Graduate Diploma in Jura. PLATZIERUNG & HANDEL von Lara Kesterton, ESG-Analystin, Vontobel Asset Management Nachhaltigkeit im Windschatten von künstlicher Intelligenz? viele Anlageansätze und -entscheidungen bilden, diese jedoch stark von Subjektivität und einem Mangel an Systematik behaftet sind und so im Widerspruch zur ethischen Konsequenz vieler Anleger stehen.

ESG-Bewertungen – der subjektiven Wahrnehmung unterworfen

Nachhaltigkeitsfaktoren im Finanzbereich oder auch ESG-Kriterien (Environmental, Social and Governance) sind lärmanfällig und unterliegen erheblichen Verzerrungen. ESG-Anlagestrategien verwenden dagegen eine Vielzahl von Nicht-Finanzkennzahlen, um ein breiteres, ganzheitlicheres Bild eines Unternehmens zu erhalten. Darunter befinden sich zahlreiche exogene Risiken aus dem Betriebsumfeld des Unternehmens sowie eine Vielzahl endogener Kennzahlen darüber, wie im Unternehmen gearbeitet wird. Verschiedene ESG-Ratingagenturen verwenden zehn bis 300 und mehr Indikatoren zur Bewertung von ESG-Risiken eines bestimmten Unternehmens. Diese Indikatoren sind oft qualitativer Natur und müssen interpretiert werden. Somit unterliegen qualitative oder binäre Indikatoren immer noch der subjektiven Weltsicht desjenigen, der ESG-Ratings vornimmt. Im ESG-Bereich wird viel über Relevanz diskutiert – welche Faktoren man verwenden und wie viel Gewicht man ihnen beimessen sollte. Branchenweit gibt es diesbezüglich wenig Konsens. Das zeigen einige aktuelle Untersuchungen, die einen niedrigen Koeffizienten zwischen unterschiedlichen ESG-Bewertern feststellten, die dasselbe Unternehmen untersuchten. Dies unterstreicht die subjektive Verzerrung von Ratings, denn die persönliche Weltanschauung sowohl einer Ratingagentur als auch des einzelnen Bewerters, der das Scoring durchführt, können das Gesamtergebnis verzerren.

Künstliche Intelligenz als objektives Datenverarbeitungstool

Dieser Umstand schafft eine ideale Spielwiese für künstliche Intelligenz (KI). Denn KI-Tools sind dann besonders nützlich, wenn es um Datenprobleme geht. Algorithmen können dazu beitragen, menschliche Verhaltensmuster zu überwinden, ESG-Signale auf einer feineren Ebene zu erkennen und diejenigen herauszufiltern, die als wesentlich gelten. So können diese Tools weit über die sektorale oder subsektorale Ebene hinausgehen, auf der die Relevanz von ESG-Faktoren heute mehrheitlich bewertet und bestimmt wird. Richtig konfiguriert und angewendet hat KI das Potenzial, enorme Datenmassen zu durchforsten und solidere Korrelationen zwischen Indikatoren herzustellen, als es bisher möglich ist. So kann sie mit größerer Sicherheit und Objektivität feststellen, welche Signale wirklich wichtige Hinweise in Bezug auf das ESG-Profil eines Unternehmens liefern. Darüber hinaus können KI-Tools ESG-Warnzeichen in einem früheren Stadium erkennen und ihre Risikowahrscheinlichkeit besser abwägen.

Datenqualität und Konfiguration als Herausforderungen …

Zunächst muss KI jedoch mehrere Herausforderungen meistern. In einem ersten Schritt muss sorgfältig festgelegt werden, welche Problematik zu lösen ist. ESG wird für verschiedene Zielvorgaben eingesetzt, die in drei Hauptkategorien unterteilt werden können: 1.) Don‘t Blow Up – ESG als Risikomanagementinstrument zur Identifizierung von Tail-Risiken. 2.) Don‘t Do Harm – Unternehmen sollten Gesellschaft und Umwelt nicht schädigen. 3.) Do Good – Unternehmen leisten soziale Beiträge. Einen Teil des Datenrauschens um ESG-Bewertungen macht der Fakt aus, dass es keine klaren Parameter dafür gibt, welche Signale ernst zu nehmende Warnsignale sind, welche einen effektiven Schaden anzeigen und welche Indikatoren positive Entwicklungen darstellen. Investoren haben individuelle Wertvorstellungen. Für einige hat der Schutz des Humankapitals oberste Priorität, für andere stehen Umweltbelange an erster Stelle. Wieder andere wollen Fragen der sozialen Gerechtigkeit klären. Bevor man die Roboter von der Leine lassen kann, muss also klar sein, welche Ziele sie verfolgen sollen.

… treffen auf natürliche Grenzen der KI-Tools

Die wahrscheinlich größte Herausforderung für KI ist jedoch schlechte und inkonsistente Datenqualität im ESG-Bereich. ESG-Daten unterliegen nicht den gleichen Standards wie die Finanzberichterstattung, sind daher oft lückenhaft und inkonsistent. Während einige Unternehmen über große, engagierte Teams verfügen, die in umfangreicher Form über ESG oder Corporate-Social-Responsibility-Angelegenheiten berichten, veröffentlichen andere nur wenige verbindliche Kennzahlen. Stattdessen veröffentlichen sie ab und an die ein oder andere Ad-hoc-Story von der Abteilung „XY“, die kürzlich alle Glühbirnen durch LEDs ersetzt hat, oder vom Mitarbeiter „X“, der an einem Wohltätigkeitslauf teilgenommen hat. Bedeutet dies, dass das Unternehmen im ersten Beispiel nie Opfer eines Cyberhacks sein wird, während die andere Gruppe an Unternehmen schlecht performt? Nein! Das Zurückgreifen auf die Unternehmensberichterstattung ist nützlich, aber nicht entscheidend. Es kommt darauf an, die richtigen Warnsignale zu entschlüsseln.

Kleinere und weniger prominente Unternehmen stehen selten im Fokus der Öffentlichkeit, während großen Namen mehr Medienaufmerksamkeit zuteilwird. Dazu kommt, dass Pressefreiheit und interrogative Kultur von Land zu Land variieren, sodass Geografie auch eine Rolle bei der Aufdeckung schlechter ESG-Praktiken spielt. Künstliche Intelligenz kann zwar über das Aushebeln menschlicher Verhaltensmuster Abhilfe schaffen. Sie wird aber niemals das überwinden können, was sie nicht sehen kann. Wenn die notwendigen Daten nicht vorhanden oder unzuverlässig sind, kommt auch KI an ihre Grenzen. Im Vergleich dazu haben ESG-Analysten einen entscheidenden Vorteil: Sie sind in der Lage, direkt mit dem Unter nehmen oder mit an de ren Analysten, die die Aktie gut kennen, zu sprechen. Dieser Umstand macht den Faktor Mensch in der ESG-Analyse noch für lange Zeit unentbehrlich.

Der Artikel erschien zuerst im BondGuide- und GoingPublic-Special „Green & Sustainable Finance 2019.

Über den Autor

Lara Kesterton, Vontobel

Lara Kesterton

Lara Kesterton kam als ESG-Analystin im Jahr 2017 zu Vontobel Asset Management. Davor war sie als Consultant im Bereich Clean Technology & Sustainability für eine Reihe von
Private-Equity-Firmen und Hotels in Schwellenländern tätig. Frau Kesterton hat einen Masterabschluss von der University of Oxford im Fach Environmental Change and Management und ein Post Graduate Diploma in Jura.