KI-Agent als CO-Analyst: Multi-Agenten-Systeme für die Finanzanalyse

Kontext

Die moderne Finanzindustrie steht vor einer massiven Informationsflut. Research-Analysten verbringen bis zu 70 % ihrer Zeit mit der Datenbeschaffung. Herkömmliche KI-Modelle (monolithische LLMs) stossen hierbei an Grenzen. Sie neigen zu Halluzinationen bei Kennzahlen, leiden unter Kontextverlust bei langen Berichten und besitzen keine inhärenten Mechanismen gegen kognitive Verzerrungen wie den «Confirmation Bias».

Zielsetzung & Aufgaben

Das Ziel dieser Arbeit war die Entwicklung eines funktionsfähigen Prototyps, des «KI-Co-Analysten». Das System sollte Portfoliomanager dabei unterstützen, fundierte Investmententscheidungen zu treffen, indem es auf Anfrage ein strukturiertes, quellenbasiertes und halluzinationsarmes Investment-Memo zu einer Aktie erstellt. Zentrale Aufgabe war es, die Analysequalität durch eine arbeitsteilige Architektur massiv zu steigern.

Methoden

Die methodische Grundlage dieser Arbeit bildete das Design Science Research (DSR) Paradigma nach Hevner et al. (2004), welches darauf abzielt, innovative IT-Artefakte zur Lösung praxisrelevanter Probleme zu entwickeln und wissenschaftlich zu validieren. Das Vorgehen orientierte sich dabei am DSRM-Prozessmodell nach Peffers et al. (2007) und gliederte sich in einen iterativen Forschungszyklus aus Theoriebildung, Design und Evaluation. Zunächst wurde im Rahmen des Relevance Cycles durch semi-strukturierte Experteninterviews mit Research-Analysten (u. a. Vontobel Asset Management) eine fundierte Anforderungsanalyse durchgeführt, um sicherzustellen, dass der Prototyp die realen Bedürfnisse der Investmentpraxis adressiert. Darauf aufbauend erfolgte die schrittweise, agile Implementierung des Multi-Agenten-Systems in mehreren Sprints, wobei Erkenntnisse aus technischen Zwischenprüfungen kontinuierlich in die Verfeinerung der Systemarchitektur einflossen. Zur Sicherung der wissenschaftlichen Qualität und praktischen Belastbarkeit wurde das Artefakt abschliessend einer umfassenden qualitativen Evaluation unterzogen. Diese umfasste detaillierte Fallstudien zu globalen Aktientiteln (NVIDIA, Apple, Lindt & Sprüngli) sowie Experten-Validierungen und Code-Reviews. Die systematische Beurteilung der Systemergebnisse erfolgte anhand eines operationalisierten Kriterienkatalogs, der Dimensionen wie Faktentreue, Analysetiefe, Nachvollziehbarkeit und Risiko-Awareness messbar machte und den Prototypen gegen ein monolithisches LLM-Benchmark-Modell prüfte.

Ergebnisse

Durch die methodische Trennung von LLM-Reasoning und deterministischer Kalkulation wurde eine Fehlerquote von 0 % bei Finanzkennzahlen erreicht, womit mathematische Halluzinationen eliminiert werden. Ein dedizierter Risk-Agent reduziert den Confirmation Bias effektiv, indem er asymmetrische Abwärtsrisiken identifiziert, die von Standard-KIs ignoriert werden. Die Expertenvalidierung bestätigte die Praxistauglichkeit des Architektur-Blueprints und zeigt, dass agentische Systeme die Rolle des Analysten von der Datenbeschaffung hin zur strategischen Urteilsbildung transformieren. Als wichtigste Erkenntnis bleibt festzuhalten, dass die Systemleistung massiv mit der Qualität der Datenquellen skaliert, was den Anschluss professioneller Datenprovider für einen institutsreifen Einsatz unumgänglich macht. Das validierte Artefakt bietet Finanzinstituten eine fundierte Grundlage, um ihre Analyseprozesse zu modernisieren und die Entscheidungsqualität nachweislich zu steigern.