Viele Vermögensverwalter und Family Offices im deutschsprachigen Raum vertrauen zunehmend auf KI-basierte Portfoliokonstruktion. Robo-Advisors und quantitative Asset-Manager setzen Clustering-Algorithmen ein, um aus einem Aktienuniversum vermeintlich breit gestreute Portfolios zu bilden. Die Logik klingt plausibel: Wertpapiere, die sich in Kursverlauf und Sektorzugehörigkeit unterscheiden, werden als unabhängige Risikoquellen behandelt. Doch bei genauer Betrachtung insbesondere bei mittelständisch geprägten Familienholdings entsteht ein gefährliches Muster: Die KI sieht Diversifikation, wo in Wirklichkeit Konzernverflechtung dominiert. Im schlimmsten Fall konzentriert sie das Portfolio auf wenige Eigentümerfamilien, ohne dass die Risikokennzahlen Alarm schlagen.
Das Problem: Wenn KI Diversifikation nur oberflächlich versteht
Clustering-Fehler in der Portfolio-Allokation sind kein akademisches Randphänomen. Sie entstehen systematisch, sobald ein Modell Aktien allein anhand von Preisdaten und einfachen Branchen-Labels gruppiert. Der Standardansatz vieler Robo-Advisors läuft so ab: Tägliche oder wöchentliche Kurszeitreihen werden in einen mehrdimensionalen Raum projiziert. Ein Algorithmus wie k-Means sucht dann nach Gruppen mit ähnlichem Rendite- und Volatilitätsprofil. Ergänzend werden Sektor-Klassifikationen eingeblendet, etwa GICS-Codes wie „Informationstechnologie“, „Gesundheitswesen“ oder „Immobilien“. Aus diesen Clustern zieht die Allokationslogik gleichmäßig Titel, um das Portfoliorisiko zu streuen.
Der Denkfehler liegt in der Annahme, dass Kursverhalten und Sektorlabel tatsächliche wirtschaftliche Abhängigkeiten vollständig abbilden. Gerade in Europa und besonders im DACH-Raum sind viele börsennotierte Aktiengesellschaften Teil komplexer Beteiligungsnetze. Häufig sitzt eine Eigentümerfamilie hinter mehreren scheinbar unabhängigen Unternehmen. Die Holdingstruktur sorgt dafür, dass operative Töchter in völlig unterschiedlichen Branchen tätig sind. Eine KI, die nur auf Kursdaten schaut, sieht drei Cluster: Tech, Pharma, Immobilien. Sie ordnet jedem Cluster eine eigene Risikoquelle zu und baut ein Portfolio, das angeblich breit gestreut ist. Tatsächlich hängt die Wertentwicklung aller drei Titel an einer zentralen Instanz: der Entscheidungsgewalt und den finanziellen Spielräumen der dahinterstehenden Familie.
Aus meiner Sicht ist das kein theoretisches Risiko, sondern ein struktureller blinder Fleck der am Markt verbreiteten Standard-Modelle. Besonders heikel wird es, wenn die Familie einen Teil ihrer Anteile verpfändet hat oder cross guarantees zwischen den Gesellschaften bestehen. Dann können operative Probleme einer Tochter unmittelbar auf die anderen durchschlagen, völlig losgelöst von deren Branchenkonjunktur. Das Instrument der KI verführt zu trügerischer Sicherheit, weil es Diversifikation auf Knopfdruck suggeriert.
Case Study: Eine DACH-Familienholding als Täuschung für Robo-Advisors
Stellen Sie sich folgende Konstellation vor, die prototypisch für den deutschsprachigen Kapitalmarkt steht: Eine vermögende Unternehmerfamilie hält über eine nicht börsennotierte Obergesellschaft Mehrheitsbeteiligungen an drei Publikumsgesellschaften. Gesellschaft A ist ein Spezialmaschinenbauer mit starkem Wachstum, klassifiziert als Industrietitel. Gesellschaft B entwickelt und lizenziert medizinische Diagnostik-Software, laut GICS dem Gesundheitssektor zugeordnet. Gesellschaft C ist ein börsennotierter Immobilienentwickler mit Fokus auf innerstädtische Wohnprojekte. Alle drei Titel sind Teil des Streubesitzes und werden von institutionellen Investoren gehalten.
Ein Robo-Advisor, der ein diversifiziertes Portfolio aus deutschen Nebenwerten bauen soll, betrachtet diese drei Aktien. Der Clustering-Algorithmus erkennt anhand der Kurshistorie und der Sektorlabels eine klare Trennung: Der Maschinenbauer korreliert kaum mit dem Softwareentwickler, der Immobilienentwickler verhält sich wieder anders. Also ordnet er jedem Cluster ein eigenes Risikobudget zu und allokiert gleichmäßig. Das Ergebnisoptimum zeigt drei Positionen mit minimaler Kreuzkorrelation. Die Risikoberichte weisen ein gut diversifiziertes Portfolio aus, der Value-at-Risk liegt im grünen Bereich.
Was das System nicht erkennt: Die Familie ist die ökonomische Klammer. Sie steuert die Investitionsentscheidungen aller drei Gesellschaften. Sie kann Barmittel zwischen den Töchtern verschieben, Patente anders lizenzieren oder den Immobilienbestand als Kreditsicherheit für die Expansionspläne des Maschinenbauers nutzen. Geraten die Immobilienprojekte unter Druck weil Zinsen steigen oder die Baupreise explodieren muss die Familie handeln. Sie könnte Ausschüttungen kürzen, Mitarbeiter von Gesellschaft B in die Krise der Gesellschaft C einbinden oder schlicht Liquidität aus dem Maschinenbau abziehen. Plötzlich korrelieren alle drei Aktien über das Family Office, obwohl die Sektoren sauber getrennt schienen.
Ein solches Szenario ist kein Hacking, es ist Geschäftsalltag. In Deutschland existieren nach Zahlen der Stiftung Familienunternehmen rund 200 börsennotierte Familienunternehmen, viele mit komplexen Beteiligungsgeflechten. Die Gefahr ist real: Ein nach Standard-KI-Kriterien konstruiertes Portfolio kann faktisch eine Single-Family-Exposure aufbauen, die in keinem Risikobericht auftaucht. Das ist nicht fahrlässig, das ist ein Methodenfehler.
Warum Standard-Clustering-Methoden versagen – und was die Praxis stattdessen braucht
Die Ursache für diese Fehleinschätzung liegt in der Datenbasis. Preisdaten-Clustering stößt bei Familienholdings an drei harte Grenzen.
Erstens: Korrelation misst gemeinsame Kursbewegungen, aber nicht gemeinsame Risikoquellen. Zwei Aktien können über Jahre völlig unkorreliert laufen, weil die operativen Geschäfte unterschiedlichen Konjunkturzyklen folgen. Doch ein Schock auf der Eigentümerebene etwa ein Nachlassproblem, ein plötzlicher Kapitalbedarf oder regulatorische Auflagen kann beide Titel gleichzeitig treffen, ohne dass die Historie einen Hinweis gibt. Korrelation ist eine statistische Nachlaufgröße, kein Frühwarnsystem für strukturelle Abhängigkeiten.
Zweitens: Standardmodelle ignorieren systematisch Bilanz- und Beteiligungsdaten. Sie wissen nichts über Stimmrechtskonzentrationen, Beherrschungsverträge, Ergebnisabführungsverträge oder verpfändete Aktienpakete. All diese Informationen sind öffentlich zugänglich, etwa im Bundesanzeiger, in HGB-Jahresabschlüssen, im Transparenzregister oder in BaFin-Meldepflichten. Sie werden nur nicht in die KI-Pipeline eingespeist. Ein Asset-Manager, der sich auf Bloomberg-Terminal-Daten verlässt, bekommt Kursreihen und eventuell Ownership-Summaries im US-Format geliefert. Die für den DACH-Raum typischen Mehrmütterstrukturen, Stimmrechte mit Mehrfachgewichtung und familieninterne Pooling-Vereinbarungen bildet kein westlicher Datenanbieter adäquat ab.
Drittens: Das Risiko wird systematisch unterschätzt. Die Diversifikationswirkung zwischen Cluster A und Cluster B wird als hoch angenommen, weil die Korrelation niedrig ist. Doch wenn beide Cluster von derselben Familie kontrolliert werden, ist die tatsächliche Risikoverwandtschaft hoch. Dadurch entsteht eine Verzerrung: Der Diversifikationseffekt wird überschätzt, der Value-at-Risk und andere Risikokennzahlen fallen zu niedrig aus. Ein Portfolio, das vermeintlich 25 Prozent weniger Drawdown-Risiko trägt, kann bei einem Eigentümerschock genauso stark einbrechen wie ein konzentriertes Einzeltitelportfolio. Die KI gaukelt Sicherheit vor, die nicht existiert.
Ein typisches Beispiel zeigt das Ausmaß: Ein Mittelstandsfonds hält sieben Positionen, alle in unterschiedlichen Branchen. Der KI-gestützte Risikoreport zeigt perfekte Streuung. Eingerechnet wurden nur Marktdaten. Zieht man die Eigentumsverhältnisse heran, stellt sich heraus: Drei der Positionen sind Töchter einer Aktiengesellschaft, die sich mehrheitlich im Besitz der Gründerfamilie befindet. Zwei weitere sind über Stimmrechtspools miteinander verbunden. Die vermeintliche Sieben-Titel-Streuung schrumpft auf drei echte Risikoklumpen. Für den Fondsmanager ist das eine hochriskante Wette, die er ohne KI-Datenanreicherung nie erkannt hätte.
Der Multi-Agent-Ansatz: Wie Stimmrechtsdaten-Anreicherung das Clustering korrigiert
Die Lösung liegt nicht darin, Clustering abzuschaffen, sondern es mit den richtigen Daten zu füttern. Ein pragmatischer, heute umsetzbarer Ansatz arbeitet mit mindestens zwei spezialisierten KI-Agenten, die unabhängig voneinander Informationen aggregieren und erst im Modellschritt zusammengeführt werden.
Der erste Agent ist ein Beteiligungs- und Stimmrechtsdatensammler. Er durchforstet strukturierte Quellen wie den Unternehmensregister, den Bundesanzeiger, HGB-Jahresabschlüsse, Ad-hoc-Mitteilungen zu Stimmrechtsveränderungen und Meldeschwellen. Sein Output ist eine Stimmrechtsmatrix pro Aktie: Wer hält wie viele Stimmrechte? Bestehen Pooling-Vereinbarungen? Gibt es Beherrschungsverträge oder Unternehmensverträge nach AktG? Welche Gesellschaften sind über Zwischenholdings miteinander verflochten? Dieses Netzwerk wird als Graph modelliert, mit Knoten für Rechtseinheiten und Kanten für Beteiligungs- oder Kontrollbeziehungen.
Der zweite Agent übernimmt die tatsächliche Risikomodellierung. Er erhält einerseits die klassischen Preisdaten und Sektorlabels, andererseits den Stimmrechts- und Kontrollgraphen aus Agent eins. Statt Aktien nur nach Kursähnlichkeit zu clustern, integriert er die Eigentümerstruktur als zusätzliche Dimension. Vereinfacht gesagt: Zwei Aktien, die über gemeinsame Majoritätseigentümer verfügen, werden nicht mehr als getrennte Risikoquellen behandelt, selbst wenn sie unterschiedlichen Branchen angehören. Stattdessen werden sie einem gemeinsamen Risikofaktor zugeordnet, der nach der Wahrscheinlichkeit und dem Ausmaß von Eigentümerinterventionen bemessen wird.
Das Ergebnis ist ein adjustiertes Clustering, das Sektorengrenzen überwindet und stattdessen Kontrollräume abbildet. In der eingangs geschilderten Konstellation aus Maschinenbau, Gesundheit und Immobilien würde der zweite Agent die drei Titel nicht in drei separate Risikotöpfe stecken, sondern in einen gemeinsamen Cluster „Familie X“. Das Portfolio müsste dann entweder weniger Gewicht auf diesen Cluster legen oder ganz bewusst eine Entscheidung für oder gegen diese Konzentration treffen transparent ausgewiesen im Risikoreport.
Aus meiner Sicht bringt dieser Multi-Agent-Ansatz drei messbare Vorteile: Erstens wird das Risikomanagement robuster, weil Diversifikation nicht mehr anhand irreführender Sektorgrenzen, sondern anhand tatsächlicher Abhängigkeiten gemessen wird. Zweitens entsteht echte Diversifikation, da gewollte Klumpen sichtbar werden und bewusst gesteuert werden können. Drittens fließen Kontrollprämien besser in die Bewertung ein: Aktien mit hoher Familienkonzentration tragen ein spezifisches Governance-Risiko, das sich in Auf- oder Abschlägen materialisiert. Ein aufgeklärtes Clustering kann diese Information nutzen, um Renditeprognosen zu justieren.
Entscheidend ist: Die Architektur ist heute bereits mit etablierten NLP- und Graphtechnologien baubar. Die größte Hürde ist nicht die Technik, sondern der Zugang und die Pflege der Stimmrechtsdaten. Hier lohnt sich der Aufbau eigener Pipelines oder die Kooperation mit spezialisierten Datenprovidern, die auf europäische Corporate-Governance-Strukturen fokussieren. Standard-Anbieter aus den USA decken das nicht ab.
Implikationen für Vermögensverwalter und Family Offices im DACH-Markt
Für unabhängige Vermögensverwalter, Family Offices und mittelgroße Asset-Manager im deutschsprachigen Raum ist das Thema keine Kür, sondern Pflichtübung im Risikomanagement. Wer KI-basierte Allokationsmodelle einsetzt oder sich auf Robo-Advisor-Anbieter verlässt, muss prüfen, ob die zugrundeliegenden Cluster-Eingangsdaten europäische Eigentümerstrukturen berücksichtigen. Wenn nicht, bauen Sie mit hoher Wahrscheinlichkeit unbewusste Familienklumpen auf.
Mein Rat: Integrieren Sie Datenquellen jenseits der klassischen Bloomberg-Terminals. Nutzen Sie die verpflichtenden Offenlegungen nach HGB, das Transparenzregister und direkte Abfragen beim Bundesanzeiger. Auch wenn das maschinenlesbare Aufbereitung erfordert, ist der einmalige Aufbau einer entsprechenden Pipeline eine Investition mit hohem ROI. Denn die Alternative blind auf die GICS-Logik zu vertrauen kann bei einem Verflechtungsschock zu plötzlichen Portfoliowertverlusten führen, die gegenüber Kunden und Aufsichtsbehörden schwer zu erklären sind.
Die regulatorische Entwicklung unterstützt diesen Weg. Die EU-Transparenzrichtlinie verlangt ohnehin umfassende Offenlegung von Beteiligungsschwellen. FIDLEG in der Schweiz und die AIFMD auf europäischer Ebene fordern von Verwaltern kollektiver Anlagen ein angemessenes Risikomanagement, das auch Konzentrationsrisiken berücksichtigt. Ein KI-Modell, das Stimmrechtsdaten und Konzernverflechtungen ignoriert, wird diesen Anforderungen kaum gerecht. Wer dagegen einen nachvollziehbaren Multi-Agent-Prozess implementiert, der Eigentümerrisiken in die Allokation einbezieht, kann das auch gegenüber der Aufsicht dokumentieren. Das ist zukunftssicher.
Für Family Offices, die ihr eigenes Portfolio mit KI-Unterstützung optimieren, gilt das Gleiche. Die Gefahr, unbewusst auf die eigene Familie zu wetten, ist besonders paradox, aber real. Ein Family Office, das über ein Ki-Allokationsmodell breit in DACH-Nebenwerte investiert, kann rasch auf sechs Titel kommen, die alle über persönliche Beziehungen der eigenen Familie kontrolliert werden. Das ist dann keine Diversifikation, sondern eine Übergewichtung eines einzigen Personal Networks. Multi-Agent-Architekturen, die Verflechtungen aufdecken, helfen, solche blinden Flecken sichtbar zu machen.
Aus meiner Sicht ist das Clustering-Problem eine der unterschätzten Herausforderungen beim KI-Einsatz in der Vermögensverwaltung. Die Tools werden immer zugänglicher. Die Datenquellen für echte Risikomodellierung sind vorhanden. Die regulatorischen Anforderungen steigen. Wer jetzt in Stimmrechtsanreicherung investiert, baut sich einen methodischen Vorsprung auf, der sich nicht nur in besseren Risikoreports, sondern auch in robusteren Portfolios auszahlt. Clustering muss nicht perfekt sein, aber es darf nicht systematisch falsche Diversifikation ausweisen. Dafür ist der Schaden zu hoch.