Der Einsatz von Künstlicher Intelligenz (KI) kann Ihren Analyseprozess erheblich beschleunigen, vertiefen und strukturieren. Dabei sollten Sie KI nicht als „Orakel“ verstehen, das Ihnen den Aktienkurs von morgen vorhersagt. Vielmehr fungiert sie als hocheffizienter Analyst, der große Datenmengen zusammenfasst, qualitative Muster erkennt, Trends erklärt und Szenarien modelliert.
Wichtiger Hinweis:
KI-Modelle können Fehler machen („halluzinieren“), Zusammenhänge überinterpretieren oder Berechnungen ungenau durchführen. Finanzkennzahlen müssen daher stets über offizielle Quellen wie Investor-Relations-Seiten oder Geschäftsberichte verifiziert werden. Dieser Leitfaden stellt keine Finanzberatung dar.
Im Folgenden erhalten Sie einen umfassenden Leitfaden, wie Sie KI-Prompts strategisch zur systematischen Aktienanalyse einsetzen – von der Geschäftsmodellanalyse bis zum „Pre-Mortem“-Risikoszenario.
1. Geschäftsmodellanalyse (Qualitative Analyse)
Bevor Sie mit Kennzahlen oder Bewertungsmodellen arbeiten, müssen Sie verstehen, wie das Unternehmen Geld verdient, welche Marktposition es einnimmt und welche Risiken bestehen.
Ziel:
- Verständnis von Burggraben (Moat), Wettbewerbssituation und zentralen Risikofaktoren.
- Identifikation des strukturellen Wachstums- oder Schrumpfungspfads der Branche.
Prompt-Beispiel (Überblick):
„Ich möchte die Aktie von [Unternehmen X] analysieren. Erklären Sie mir das Geschäftsmodell verständlich und präzise. Wie verdient das Unternehmen Geld? Wer sind die wichtigsten Wettbewerber und welches Alleinstellungsmerkmal besitzt [Unternehmen X] derzeit?“
Prompt-Beispiel (SWOT-Analyse):
„Erstellen Sie eine ausführliche SWOT-Analyse für [Unternehmen X], basierend auf den aktuellen Marktbedingungen in der [Branche Y]. Gehen Sie auf technologische Trends, regulatorische Risiken und die Wettbewerbssituation ein.“
Erweiterung – zusätzliche qualitative Analyse-Prompts:
- Segmentanalyse: „Bitte zerlegen Sie das Geschäftsmodell von [Unternehmen X] nach Segmenten. Welche Segmente wachsen stärker, welche schwächer?“
- Moat-Tiefe: „Welche Elemente des Burggrabens von [Unternehmen X] sind nachhaltig, welche könnten in den nächsten 5 Jahren erodieren?“
- Technologische Risiken: „Wie stark ist [Unternehmen X] abhängig von technologischen Trends, und welche disruptiven Risiken existieren?“
2. Finanzkennzahlen interpretieren (Quantitative Analyse)
KI eignet sich hervorragend zur Interpretation komplexer Finanzdaten. Wenn Sie keinen Zugriff auf Echtzeitdaten haben, können Sie Kennzahlen aus Geschäftsberichten oder Plattformen wie Morningstar, Yahoo Finance oder Unternehmens-IR selbst einfügen.
Ziel:
- Bewertung von Profitabilität, Cashflow-Qualität, Verschuldung und Wachstum.
- Erkennen von Trends, Chance-Risiko-Profil und potenziellen Warnsignalen.
Prompt-Beispiel (Kennzahlen-Check):
„Hier sind die Finanzdaten der letzten 3 Jahre von [Unternehmen X] (Umsatz, Nettogewinn, Margen, Verschuldung: [Daten einfügen]). Analysieren Sie die Trends. Entwickelt sich die Profitabilität stabil? Gibt es Warnsignale bei der Verschuldung oder beim Cashflow?“
Prompt-Beispiel (Peer-Vergleich):
„Vergleichen Sie die Bewertung von [Unternehmen X] mit [Konkurrent Y] anhand von KGV, KUV, KBV und EV/EBITDA. Welches Unternehmen erscheint attraktiver und warum?“
Erweiterung – zusätzliche quantitative Analyse-Prompts:
- Cashflow-Qualität: „Bewerten Sie die Qualität des Cashflows von [Unternehmen X]. Wie stabil ist der operative Cashflow in Relation zum Gewinn?“
- Margin-Analyse: „Identifizieren Sie die wichtigsten Treiber der Brutto- und operativen Marge von [Unternehmen X].“
- Verschuldungsrisiken: „Bewerten Sie die Schuldentragfähigkeit anhand von Zinsdeckungsgrad, NetDebt/EBITDA und Fälligkeiten.“
3. Bewertungsmethoden anwenden (Valuation)
KI kann Bewertungsmodelle wie DCF, Multiples oder Szenarioanalysen strukturieren. Da große Sprachmodelle bei numerischen Kettenrechnungen Fehler machen können, sollten Sie die Berechnungen anschließend in Excel kontrollieren.
Ziel:
- Herleitung eines theoretischen Fair Values.
- Verständnis von Sensitivitäten und Bewertungstreibern.
Prompt-Beispiel (DCF-Struktur):
„Ich möchte eine Discounted-Cash-Flow-Bewertung für [Unternehmen X] durchführen. Aktueller Free Cashflow: [Betrag]. Erwartetes Wachstum für 5 Jahre: [x]%. Diskontsatz: [y]%.
Erstellen Sie eine klare Struktur für die Cashflow-Projektion sowie eine Sensitivitätsanalyse des Terminal Value.“
Prompt-Beispiel (Reverse DCF):
„Der aktuelle Aktienkurs von [Unternehmen X] beträgt [Preis]. Welche Wachstumsraten preist der Markt ein, wenn wir Kapitalkosten von 10 % annehmen?“
Erweiterung – zusätzliche Bewertungs-Prompts:
- Multiples-Szenarien: „Welches faire Kursziel ergibt sich bei historisch typischen Multiples (KGV, EV/EBITDA) für [Unternehmen X]?“
- Margin-Reversion: „Gehen Sie davon aus, dass die Margen mittelfristig zum Branchendurchschnitt zurückkehren. Welche Auswirkungen hätte dies auf die Bewertung?“
- Best-/Base-/Worst-Case: „Erstellen Sie drei Bewertungs-Szenarien (optimistisch, neutral, pessimistisch) basierend auf Umsatz, Marge und FCF-Wachstum.“
4. Sentiment-Analyse und Makroökonomie verstehen
Aktienkurse reagieren oft nicht nur auf fundamentale Zahlen, sondern auf Erwartungen, Zinsen und Marktstimmung. KI kann große Textmengen effizient analysieren.
Ziel:
- Erkennen von Marktstimmung, Management-Signalen und makroökonomischen Risiken.
Prompt-Beispiel (Earnings Call Analyse):
„Fassen Sie das folgende Earnings Call-Transkript zusammen und bewerten Sie den generellen Tonfall. Welche Risiken oder positiven Überraschungen wurden erwähnt?“
Prompt-Beispiel (Makro-Szenarien):
„Wie würde eine Zinserhöhung oder Rezession das Geschäftsmodell von [Unternehmen X] beeinflussen? Ist das Unternehmen konjunktursensitiv oder defensiv?“
Erweiterung – zusätzliche Makro-/Sentiment-Prompts:
- „Wie reagiert [Unternehmen X] historisch auf Zinsänderungen? (Zyklischkeitsanalyse)“
- „Analysieren Sie die wichtigsten Nachrichten der letzten 30 Tage zu [Unternehmen X] und fassen Sie sie thematisch zusammen.“
- „Wie wirkt sich ein Rohstoffpreisanstieg (z. B. Öl, Lithium, Stahl) auf die Profitabilität aus?“
5. „Pre-Mortem“-Analyse (Risikomanagement)
Eine der wertvollsten Anwendungen von KI: künstliche Erzeugung eines Worst-Case-Szenarios, um den eigenen Confirmation Bias zu überwinden.
Der Bären-Prompt:
„Stellen Sie sich vor, wir schreiben das Jahr 2030 und die Aktie von [Unternehmen X] ist um 80 % gefallen. Beschreiben Sie detailliert, welche Risiken sich materialisiert haben und welche Ereignisse dazu geführt haben.“
Erweiterung – zusätzliche Risiko-Prompts:
- „Welche Kennzahlen sollte ich regelmäßig überwachen, um eine sich verschlechternde Lage frühzeitig zu erkennen?“
- „Welche externen Risiken (Regulierung, Technologie, geopolitische Faktoren) könnten das Geschäftsmodell von [Unternehmen X] bedrohen?“
Ihr KI-Workflow – strukturiert und effizient
| Schritt | Ziel | Beste KI-Rolle (Persona) |
|---|---|---|
| 1. Recherche | Geschäftsmodell verstehen | „Sie sind ein erfahrener Unternehmensberater …“ |
| 2. Zahlen | Bilanz- und Cashflow-Analyse | „Sie sind ein forensischer Buchhalter …“ |
| 3. Bewertung | Fair Value berechnen | „Sie sind ein Investmentbanker / Equity Analyst …“ |
| 4. Kritik | These hinterfragen | „Sie sind ein kritischer Short-Seller …“ |
Profi-Tipp: Kontext ist entscheidend
Je mehr Kontext Sie liefern, desto präziser und verlässlicher das Ergebnis.
Schlechter Prompt:
„Ist Tesla eine gute Aktie?“
Guter Prompt:
„Ich bin ein langfristiger Investor mit mittlerer Risikotoleranz. Analysieren Sie Tesla unter Berücksichtigung der chinesischen Konkurrenz, der Margenentwicklung und der Kapitalintensität der Branche. Ist ein Einstieg auf dem aktuellen Niveau für einen Zehn-Jahres-Horizont sinnvoll?“
