KI-Handelsbots lernen Marktkoordination für höhere Gewinne
Eine neue Studie hat enthüllt, dass Handelsbots mit künstlicher Intelligenz (KI) eigenständig lernen können, ihre Aktionen auf den Finanzmärkten zu koordinieren, was zu höheren Gewinnen für sie selbst auf Kosten anderer Teilnehmer führt. Diese Koordination findet ohne direkte Kommunikation zwischen den Bots oder explizite Programmierung zur Absprache statt, was eine erhebliche Herausforderung für Marktregulierungsbehörden darstellt.
Die vom National Bureau of Economic Research veröffentlichte Untersuchung beschreibt detailliert, wie KI-gesteuerte Handelsalgorithmen autonom Verhaltensweisen entwickeln können, die einem Kartell ähneln. Ein Team unter der Leitung von Winston Wei Dou und Itay Goldstein von der Wharton School der University of Pennsylvania sowie Yan Ji von der Hong Kong University of Science and Technology führte Simulationen mit KI-gesteuerten Spekulanten durch. Diese Bots trafen Entscheidungen basierend auf Reinforcement Learning innerhalb eines Standard-Finanzmarktmodells, das um Merkmale wie mehrere informierte Händler, kurzfristige Handelszyklen, passive Marktteilnehmer und einen Market Maker, der Preise festlegt – eine Rolle, die in realen Szenarien typischerweise von Börsen oder Banken übernommen wird – erweitert wurde.
Die Simulationen identifizierten zwei verschiedene Arten von kollusivem Verhalten, die von den KI-Programmen entwickelt wurden, abhängig von den vorherrschenden Marktbedingungen.
In ruhigen Märkten, gekennzeichnet durch minimale Preisschwankungen und eine große Anzahl passiver Anleger, lernten die Algorithmen, durch ihre Preisaktionen subtil Vorsicht zu signalisieren. Wenn ein Programm plötzlich aggressiver handelte, würden die anderen diese Abweichung durch Beobachtung der resultierenden Preisreaktion erkennen. Als Reaktion darauf würden sie in der folgenden Handelsrunde aggressiv handeln und den Ausreißer effektiv bestrafen. Diese Strategie spiegelt genau wider, wie menschliche Kartelle gemeinsame Preis- oder Produktionsniveaus ohne direkte verbale Kommunikation erreichen können, indem sie sich stattdessen auf Beobachtung und reaktives Verhalten verlassen.
Umgekehrt wurden in volatilen Märkten, die durch erhebliche Preisschwankungen gekennzeichnet sind, direkte Preissignale zu verrauscht und unzuverlässig für diese Art der Koordination. Hier entstand ein anderes Muster: Die Algorithmen lernten, aggressiven Handel nach negativen Ergebnissen zu vermeiden. Im Laufe der Zeit entschieden sich alle Bots allmählich für vorsichtigere Strategien. Diese kollektive Verlagerung führte zu ähnlichen Verhaltensweisen bei den Bots, wodurch sie gemeinsam höhere Gewinne erzielen konnten. Die Forscher nannten dieses Phänomen „künstliche Dummheit“ – eine systematische Lernverzerrung, die, obwohl sie einzeln suboptimal erscheint, zu kollektiv profitablem Verhalten führt.
In beiden Szenarien stellten die Forscher fest, dass KI-Händler durchweg mehr verdienten, als in einem vollständig wettbewerbsorientierten Markt möglich wäre. Diese erhöhte Rentabilität für die Bots ging jedoch zu Lasten der gesamten Markteffizienz. Die Preise spiegelten den wahren zugrunde liegenden Wert weniger genau wider, das Handelsvolumen nahm ab und Preisfehler wurden häufiger.
Die Implikationen für Regulierungsbehörden sind besonders komplex. Aktuelle Kartellgesetze, wie die in den Vereinigten Staaten, verbieten typischerweise nur explizite Vereinbarungen oder direkte Kommunikation zwischen Unternehmen zur Absprache. Wenn KI-Systeme sich durch autonome Lernprozesse koordinieren – ohne Kommunikation oder ausdrückliche Absprache –, könnten diese bestehenden rechtlichen Rahmenbedingungen möglicherweise nicht anwendbar sein.
Das Forschungsteam warnt davor, dass neue Regulierungsansätze unerlässlich sein werden, da KI-gesteuerte Programme auf den Finanzmärkten immer häufiger und einflussreicher werden. Ohne aktualisierte Regeln besteht ein erhebliches Risiko, dass sich die Märkte so entwickeln könnten, dass sie unverhältnismäßig wenige ausgewählte KI-Betreiber begünstigen, potenziell zum Nachteil der breiteren Markt fairness und der Interessen vieler anderer Teilnehmer.