KI am Anleihemarkt: Bondkurse werden schneller, nicht klüger

1994 hob die Fed die Zinsen an, und der Anleihemarkt lernte eine alte Lektion neu: Preise fallen nicht nur, weil sich Erwartungen ändern. Sie fallen auch, weil viele Portfolios zur selben Zeit dasselbe tun müssen. Besonders Hypothekenanleihen zwangen ihre Besitzer damals zu Absicherungen. Steigende Renditen verlängerten die Laufzeitrisiken, Händler verkauften Staatsanleihen, und aus Anpassung wurde Verstärkung. Heute erledigt ein Teil dieser Anpassung nicht mehr der Mann am Telefon. Es sind Modelle, Algorithmen und zunehmend KI-Systeme, die Gebote stellen, Risiken sortieren und Liquidität berechnen. Der Vorgang wirkt moderner. Die Schwäche ist bemerkenswert alt.

1994 war analoger, aber nicht unschuldiger

Der Anleihemarkt gilt gern als der erwachsene Teil der Finanzwelt. Hier regieren Kupons, Laufzeiten und Bonitäten. Der Glamour bleibt den Aktien, der Krach den Kryptobörsen, so lautet die angenehme Erzählung. Doch Anleihen sind empfindlicher, als ihr grauer Anzug vermuten lässt.

Der wichtigste Hebel heißt Duration. Sie misst, wie stark der Kurs einer Anleihe auf Zinsänderungen reagiert. Steigt der Zins, fällt der Kurs. Je länger die Duration, desto stärker der Ausschlag. Bei Hypothekenanleihen kommt ein besonderer Dreh hinzu: Wenn Zinsen steigen, tilgen Kreditnehmer langsamer vorzeitig. Das verlängert die Duration vieler Papiere. Wer sein Risiko begrenzen will, verkauft dann oft Staatsanleihen oder nutzt Zinsderivate. So kann aus einem Zinsanstieg zusätzlicher Verkaufsdruck werden.

1994 brauchte es dafür keine künstliche Intelligenz. Tabellen, Risikomodelle und Händlerinstinkt genügten. Die Lehre bleibt dennoch brauchbar. Ein Modell kann vernünftig sein, solange nur ein Haus danach handelt. Viele vernünftige Modelle können gemeinsam töricht wirken.

KI verkürzt den Weg vom Signal zum Gebot

Im normalen Handel kann Automatisierung nützlich sein. Anleihen sind kein einheitlicher Markt. Ein großer Staatstitel handelt anders als eine Unternehmensanleihe mit kleiner Emission. Viele Papiere wechseln selten den Besitzer. Ein Modell kann Vergleichswerte suchen, Ausfallrisiken ordnen, Zinskurven auswerten und passende Preise vorschlagen. Das spart Zeit.

Auch die Geld-Brief-Spanne kann enger werden. Das ist der Abstand zwischen Kaufpreis und Verkaufspreis. Je enger die Spanne, desto billiger wird Handel für den Kunden. Wenn ein System Tausende Papiere schneller bepreist als ein Mensch, wirkt der Markt flüssiger. Man sieht mehr Preise. Man bekommt rascher Antworten. Die Börse liebt solche Effizienz, zumal sie aussieht wie Fortschritt ohne Nebenwirkung.

Doch der Fortschritt hat eine stillere Seite. KI-Modelle lernen aus Daten, die der Markt selbst erzeugt. Sie sehen Renditen, Spreads und Handelsvolumina. Ein Spread ist der Renditeaufschlag einer riskanteren Anleihe gegenüber einer sichereren Referenz. Wenn sich diese Aufschläge ausweiten, meldet das Modell erhöhtes Risiko. Wenn Handelsvolumina trockener werden, senkt es die eigene Bereitschaft, große Positionen zu nehmen. Das ist einzeln betrachtet sauber. In der Summe entsteht eine Rückkopplung.

In Stressphasen wird Liquidität zur Vermutung

Liquidität heißt, ein Wertpapier rasch und ohne großen Preisabschlag handeln zu können. In ruhigen Tagen scheint sie reichlich vorhanden. Viele Systeme stellen Preise. Viele Händler zeigen Interesse. Der Unterschied zwischen handelbar und nur scheinbar handelbar fällt dann kaum auf.

Stress ändert die Farbe derselben Zahlen. Volatilität steigt. Spreads weiten sich. Kundengelder fließen ab. Risikobudgets schrumpfen. Ein automatisiertes System kann daraus den Schluss ziehen, vorsichtiger zu bieten. Ein zweites Modell erkennt dasselbe Muster. Ein drittes senkt die Positionsgrenze. Die Reaktion ist nicht panisch. Sie ist programmiert nüchtern. Gerade darin liegt die Tücke.

Der alte Händler konnte falsch liegen, eigensinnig sein oder aus Erfahrung dagegenhalten. Das war nicht immer segensreich. Nostalgie ist ein teures Analyseinstrument. Doch menschliche Uneinheitlichkeit bot bisweilen Reibung. Modelle, die ähnliche Daten füttern und ähnliche Verlustgrenzen achten, nehmen diese Reibung heraus. Der Preis springt schneller zum neuen Niveau. Ob dieses Niveau klüger ist, bleibt offen.

Besonders heikel wird es bei Unternehmensanleihen. Viele dieser Papiere handeln nicht täglich. Ein Modell schätzt ihren Preis deshalb aus vergleichbaren Anleihen, Branchenaufschlägen und der Zinskurve. Wenn die Vergleichswerte fallen, fällt auch der geschätzte Preis eines selten gehandelten Papiers. Fonds, Risikochefs und Handelsalgorithmen sehen denselben Buchverlust. Daraus kann ein Verkaufswunsch entstehen, bevor es überhaupt viele echte Umsätze gab.

Was das für Beobachter heißt

Wer den Anleihemarkt verstehen will, schaut nicht nur auf den Leitzins. Der Leitzins setzt den Rahmen, aber die Marktmechanik entscheidet über das Tempo. Wichtig sind Spreads, Geld-Brief-Spannen, Handelsvolumina und Fondsflüsse. Sie zeigen, ob Preise noch aus Handel entstehen oder schon aus Vorsicht.

Auch die Zusammensetzung der Käufer zählt. Ein Markt mit Banken, Versicherungen, Pensionskassen, Hedgefonds und Privatanlegern kann robuster sein als ein Markt, in dem viele Akteure denselben Risikoknopf drücken. Vielfalt ist im Finanzmarkt keine höfliche gesellschaftliche Forderung. Sie ist ein technischer Stoßdämpfer.

KI kann diesen Stoßdämpfer stärken, wenn sie bessere Informationen schneller verteilt. Sie kann ihn schwächen, wenn sie aus ähnlichen Daten ähnliche Befehle formt. Die entscheidende Frage an ein Modell lautet daher nicht, ob es viele Daten verarbeitet. Sie lautet, ob es in der Krise andere Schlüsse zieht als alle übrigen Modelle.

So liest sich 1994 heute anders. Damals wirkten Tabellen und Absicherungsprogramme schon kühn modern. Heute tragen die Werkzeuge glänzendere Namen. Der Mechanismus bleibt unsentimental. Wenn der Zins sich bewegt und alle Maschinen zugleich die gleiche Tür suchen, wird aus Geschwindigkeit kein Urteilsvermögen. Es wird nur schneller eng.