AI‑Smart‑Beta‑ETFs: ML revolutioniert Aktienwahl
Zuletzt aktualisiert am
Smart‑Beta‑ETFs verbinden günstige Indexfonds mit gezielter Faktor‑Auswahl. Durch Value, Momentum, Größe oder Volatilität nutzen sie systematisch Renditetreiber – transparent, effizient und dank KI‑Algorithmen noch smarter.
Stand: Juli 2026. Dieser Beitrag ist eine journalistische Einordnung und keine Anlageberatung.
Was steckt hinter dem Label „KI-Smart-Beta"?
„KI wählt jetzt die besten Aktien" klingt nach einem Durchbruch. Bei nüchterner Betrachtung ist die Sache weniger spektakulär. Die meisten Produkte, die mit „KI" oder „Smart Beta" werben, sind im Kern regelbasierte Faktor-Strategien: Sie gewichten Aktien nicht nach Marktkapitalisierung, sondern nach Merkmalen wie günstiger Bewertung (Value), Kursdynamik (Momentum), niedriger Schwankung (Low Volatility) oder Unternehmensqualität. Das ist seit Jahrzehnten bekannt und hat mit „künstlicher Intelligenz" im engeren Sinn oft wenig zu tun.
Erst eine kleine, junge Gruppe aktiv gemanagter ETFs setzt tatsächlich Machine-Learning-Modelle ein, die aus großen Datenmengen Signale für die Aktienauswahl ableiten. Wichtig ist, hier sauber zu trennen: „Smart Beta" (regelbasierte Faktoren), „Themen-ETF auf KI-Aktien" (investiert in KI-Unternehmen, aber selbst passiv) und „ML-gestützte aktive ETFs" (ein Algorithmus trifft die Auswahl) sind drei verschiedene Dinge, die im Marketing gern vermischt werden.
Wie Machine Learning bei der Aktienauswahl wirklich arbeitet
Klassische Faktor-Modelle folgen festen Regeln, etwa „kaufe die 30 Prozent günstigsten Aktien nach Kurs-Gewinn-Verhältnis". Machine-Learning-Ansätze versuchen dagegen, aus vielen Merkmalen pro Unternehmen (Fundamentaldaten, Analystenschätzungen, Marktdaten, Nachrichten-Sentiment) nicht-lineare Zusammenhänge zu lernen und daraus kurzfristige Renditeprognosen abzuleiten. Ein Beispiel aus der Praxis: Pictet Asset Management gibt für sein Modell an, mehr als 400 Merkmale je Unternehmen zu verarbeiten und daraus eine 20-Tage-Prognose zu erzeugen, die in die Gewichtung einfließt.
Entscheidend ist der Zusatz, den seriöse Anbieter selbst betonen: Die Modelle laufen nicht autonom. Ein menschliches Investmentteam überwacht sie, steuert das Risiko und greift bei Sonderereignissen wie Übernahmen ein. „KI wählt die Aktien" ist also verkürzt. Realistischer ist: Ein statistisches Modell liefert Vorschläge, Menschen behalten die Kontrolle. Wie Machine Learning in den Finanzmärkten grundsätzlich funktioniert und wo seine Grenzen liegen, ordnen wir in einem eigenen Beitrag ein.
Welche Produkte deutsche Anleger heute wirklich kaufen können
Handelbar für Privatanleger in Deutschland ist die Auswahl klein und jung. Im Juli 2026 am sichtbarsten sind die Pictet AI Enhanced Equity UCITS ETFs, die seit dem 1. Juli 2026 über Xetra handelbar sind. Es handelt sich um aktiv gemanagte Aktien-ETFs, deren Auswahl ein Machine-Learning-Modell unterstützt. Angeboten werden unter anderem der Pictet AI Enhanced World Equity UCITS ETF, der Pictet AI Enhanced US Equity UCITS ETF, der Pictet AI Enhanced European Equity UCITS ETF sowie eine Variante Welt ohne USA. Die Gesamtkostenquote liegt laut Anbieter bei rund 0,25 Prozent pro Jahr, für einen aktiven ETF vergleichsweise niedrig. Zum Vergleich: Ein breiter, klassischer Index-ETF ist oft für 0,10 bis 0,20 Prozent zu haben.
Die Modell-Grundlage ist der bereits seit März 2024 bestehende Luxemburger Fonds Pictet Quest AI-Driven Global Equities. Als offizielles Ziel nennt Pictet, den jeweiligen Vergleichsindex nach Kosten um etwa 1 Prozent pro Jahr zu schlagen. Das ist ein Ziel, keine Zusage und kein Nachweis.
Wichtig zur Einordnung: Bekannte „KI-ETFs" wie der Xtrackers Artificial Intelligence and Big Data UCITS ETF oder der L&G Artificial Intelligence UCITS ETF sind etwas ganz anderes. Sie investieren zwar in KI-Unternehmen, folgen aber einem festen Index und nutzen selbst kein ML zur Aktienauswahl. Wer gezielt nach einem KI-gesteuerten Small-Cap-Produkt sucht, findet Stand heute keines, das für deutsche Privatanleger handelbar wäre.
Performance: Was belegt ist und was nicht
Hier ist Ehrlichkeit wichtiger als Werbung. Es gibt keinen belastbaren Beleg, dass ML-gestützte oder Smart-Beta-ETFs dem breiten Markt dauerhaft überlegen sind. Die handelbaren ML-ETFs sind erst wenige Monate alt, ein Live-Track-Record über einen vollen Marktzyklus fehlt vollständig. Historische Rückrechnungen („Backtests") sehen fast immer gut aus, weil das Modell auf genau diese Vergangenheit optimiert wurde. Das sagt wenig über die Zukunft.
Auch für klassische Faktoren gilt: Value, Momentum oder Low Volatility sind wissenschaftlich dokumentiert, aber keineswegs garantiert. Einzelne Faktoren können über viele Jahre hinter dem Markt zurückbleiben. Frühere Fassungen dieses Artikels nannten konkrete Renditezahlen und Sharpe-Ratios für einzelne Produkte. Diese Angaben ließen sich nicht mit Primärquellen belegen und wurden daher entfernt. Als Faustregel gilt: Wo eine dauerhafte Überrendite versprochen wird, ist Skepsis angebracht.
Kosten, Transparenz und das Black-Box-Problem
Mehr Technik bedeutet nicht automatisch höhere Kosten, aber häufig doch einen Aufschlag gegenüber dem Standard-Index-ETF. Der Aufpreis deckt Datenbeschaffung, Modellentwicklung und laufende Überwachung. Ob dieser Aufschlag sich lohnt, entscheidet allein die Netto-Rendite nach Kosten, und die steht bei den jungen Produkten noch aus.
Transparenz ist zweischneidig. Die Grundregeln einer Smart-Beta-Strategie sind offengelegt, ein trainiertes ML-Modell wirkt dagegen schnell wie eine Black Box: Warum es eine Aktie höher gewichtet, lässt sich oft nicht einfach nachvollziehen. Manche Anbieter veröffentlichen deshalb regelmäßige Gewichtungs-Updates. Als Anleger solltest du dir das Factsheet und die Methodik-Beschreibung ansehen, statt dem Label „KI" zu vertrauen.
Risiken und Grenzen
Machine Learning bringt eigene Risiken mit. Overfitting, das Überanpassen an historische Muster, kann dazu führen, dass ein Modell in neuen Marktphasen versagt. Wenn viele ML-ETFs ähnliche Daten und Verfahren nutzen, könnten sie zudem stärker korreliert sein als gedacht und in Stressphasen gleichzeitig unter Druck geraten. Und: Vergangene Marktregime wiederholen sich nicht zwingend, worauf ein Modell trainiert wurde, muss künftig nicht mehr gelten.
Regulatorisch gelten diese ETFs wie alle anderen UCITS-Fonds. Sie unterliegen denselben Prospekt- und Transparenzpflichten. Aufsichtsbehörden schauen bei algorithmischen Strategien zunehmend genauer hin, ein spezielles „KI-Regelwerk" für Publikumsfonds gibt es Stand Juli 2026 aber nicht.
Steuerliche Behandlung in Deutschland
ML- und Smart-Beta-ETFs werden steuerlich behandelt wie jeder andere Aktien-ETF. Da diese Produkte überwiegend zu mehr als 51 Prozent in Aktien investieren, greift die Teilfreistellung von 30 Prozent auf Erträge. Auf den Rest fällt die Abgeltungsteuer von 25 Prozent plus Solidaritätszuschlag an, zusammen rund 26,375 Prozent, gegebenenfalls zuzüglich Kirchensteuer. Der Sparerpauschbetrag von 1.000 Euro (2.000 Euro bei Zusammenveranlagung) bleibt steuerfrei.
Auch die jährliche Vorabpauschale gilt hier: Bei thesaurierenden Fonds wird ein fiktiver Mindestertrag vorab besteuert, berechnet mit dem Basiszins (für 2026 vom Bundesfinanzministerium auf 3,20 Prozent festgesetzt). Bereits gezahlte Vorabpauschalen werden beim späteren Verkauf gegengerechnet, sodass es nicht zur Doppelbesteuerung kommt.
Praktische Tipps für Privatanleger
- Vergleiche die Gesamtkostenquote (TER) mit einem breiten Standard-Index-ETF. Ein aktiver ETF muss seinen Aufpreis erst einmal durch Mehr-Rendite verdienen.
- Prüfe, ob wirklich ML zur Auswahl genutzt wird oder ob nur „KI" auf einem passiven Themen- oder Faktor-Index steht. Das Factsheet verrät es.
- Erwarte keine garantierte Überrendite. Behandle solche ETFs als Beimischung, nicht als Kern des Aktienanteils.
- Achte auf Handelbarkeit und Liquidität. Junge Produkte haben oft geringere Volumina und breitere Spreads.
- Halte dein Portfolio breit gestreut. Ein ML-ETF sollte dein Aktien-Exposure ergänzen, nicht ersetzen.
Wer einen solchen ETF besparen möchte, kann das bei den meisten Brokern per Sparplan tun. Neobroker und günstige Depots bieten viele UCITS-ETFs sparplanfähig an, ein Anbieter mit sehr breitem ETF-Angebot ist zum Beispiel Scalable Capital. Prüfe vor dem Kauf immer, ob der konkrete ETF dort handel- und besparbar ist.
Fazit
ML-gestützte und Smart-Beta-ETFs sind ein interessanter, aber überwiegend noch junger Trend. Vieles, was als „KI" verkauft wird, ist in Wahrheit eine bekannte, regelbasierte Faktor-Strategie. Wo echtes Machine Learning im Spiel ist, entscheiden weiterhin Menschen mit, und ein Nachweis dauerhafter Überrendite fehlt. Für neugierige Anleger kann eine kleine Beimischung sinnvoll sein, sofern Kosten niedrig und die Erwartungen realistisch bleiben. Der breit gestreute, kostengünstige Index-ETF bleibt für die meisten der solide Kern.
Transparenzhinweis: Dieser Beitrag enthält einen Affiliate-Link (mit „sponsored" gekennzeichnet). Wenn du darüber ein Konto eröffnest, erhalten wir ggf. eine Provision. Für dich entstehen keine Mehrkosten. Dies ist keine Anlageberatung. Investitionen in ETFs bergen Verlustrisiken bis hin zum Totalverlust.
Unser Tipp: Bei Scalable Capital kannst Du rund 1700 PRIME ETFs - darunter iShares, Xtrackers und Amundi - von 7:30 bis 23 Uhr gebührenfrei handeln und dauerhaft kostenlos besparen. Monatliche Sparraten schon ab 1 €.
