Eignung generativer KI zur Erstellung BVG-orientierter Anlageportfolios - Eine empirische Vergleichsstudie

Thema

Die Masterarbeit untersucht, ob generative Künstliche Intelligenz zur Erstellung BVG-orientierter Anlageportfolios geeignet ist. Im Zentrum steht der Vergleich zwischen Portfoliovorschlägen verschiedener Large Language Models und einer klassischen, BVG-orientierten Referenzlösung. Analysiert wird, ob die KI-generierten Portfolios hinsichtlich Rendite und Risiko mit einer pensionskassenähnlichen Anlagestrategie vergleichbar sind und welche Unterschiede zwischen den einzelnen Modellen bestehen.

Relevanz

Der Kapitalbezug bei der Pensionierung gewinnt in der Schweiz zunehmend an Bedeutung. Wer Pensionskassenkapital bezieht, muss entscheiden, wie dieses Vermögen künftig angelegt oder verwaltet werden soll. Gleichzeitig werden KI-Tools im Finanzbereich immer häufiger als Unterstützung eingesetzt. Die Arbeit ist relevant, weil sie prüft, ob LLMs im sensiblen Vorsorgekontext nützliche Portfoliovorschläge liefern können oder ob fachliche Prüfung und professionelle Beratung weiterhin zentral bleiben.

Ergebnisse

Die Ergebnisse zeigen, dass fünf der sechs LLM-Portfolios im Untersuchungszeitraum höhere Renditen erzielten als das BVG-orientierte Referenzportfolio (18.9 % Gesamtrendite). Gemini erreichte mit 39.9 % die höchste Gesamtrendite, während Qwen mit 14.2 % als einziges Modell darunter blieb. Die höheren Renditen waren jedoch meist auf offensivere Aktienanteile zurückzuführen und gingen mehrheitlich mit höherer Volatilität einher. Die BVG-orientierte Referenzlösung zeigte dagegen ein defensiveres und stabileres Rendite-Risiko-Profil.

Implikationen

• LLMs können bei der Strukturierung und Ideengenerierung von Portfoliovorschlägen unterstützen.
• KI-generierte Portfolios sollten nicht als abschliessende Anlageempfehlung verstanden werden.
• Im Vorsorgekontext bleiben Risikotragfähigkeit, Liquiditätsbedarf und Anlagehorizont zentral.
• Die Modellabhängigkeit der Ergebnisse zeigt, dass LLM-Vorschläge kritisch geprüft werden müssen.
• Professionelle Anlageberatung kann durch KI ergänzt, aber nicht ersetzt werden.

Methoden

Die Arbeit basiert auf einer quantitativen, vergleichenden Fallstudie. Als Referenz wurde ein synthetisches BVG-orientiertes Portfolio erstellt, das auf der durchschnittlichen Vermögensallokation Schweizer Pensionskassen basiert. Zusätzlich wurden sechs Large Language Models — Claude, Gemini, ChatGPT, MetaAI, DeepSeek und Qwen — mit einem identischen standardisierten Prompt aufgefordert, ein BVG-orientiertes Portfolio zu erstellen. Die resultierenden Portfolios wurden anhand historischer monatlicher Bloomberg-Daten über den Zeitraum Januar 2020 bis Dezember 2025 analysiert. Verglichen wurden insbesondere Gesamtrendite, annualisierte Rendite, annualisierte Volatilität, maximaler Drawdown, Sharpe Ratio und Batting Average.