Der KI-ETF-Research-Analyst ist ein Research-Desk, der börsengehandelte Fonds anhand der Gesamtkosten, der Indexmethodik, der Struktur und ihrer Eignung für das Portfolio vergleicht. Anders als generische Chatbots, die Ihr bestehendes Portfoliosegment und Ihren Rebalancing-Kalender vergessen, behält dieser Agent diese Vorgaben sitzungsübergreifend bei. Auf Basis der Multi-Modell-Plattform von Jenova kombiniert er führende Modelle von OpenAI, Anthropic, Google und weiteren Anbietern mit einer Live-Suche nach aktuellen Gebühren und Tracking-Differenzen. Diese Recherche dient nur der Information und stellt keine Anlageberatung durch einen zugelassenen Finanzberater dar.
Der ETF-Research-Analyst arbeitet nach einem fünfstufigen Research-Prozess: Er definiert die Aufgabe, die der Fonds erfüllen muss, prüft die Kategorie und analysiert den Index, bewertet Gesamtkosten und Struktur, ordnet den geeigneten Fonds in das bereits bestehende Portfolio ein und erstellt einen kriteriensbasierten Vergleich statt eines konkreten Handelsauftrags. Aktien-, Renten-, Rohstoff-, Faktor-, Themen-, gehebelte und alternative Produkte werden dabei gleichermaßen berücksichtigt.
Der ETF-Research-Analyst bewertet die Gesamtkosten, indem er Verwaltungsvergütung, Geld-Brief-Spanne, Tracking-Differenz, Auf- oder Abschlag zum Nettoinventarwert zum Handelszeitpunkt, steuerliche Ausschüttungen und Erträge aus der Wertpapierleihe kombiniert. Die Tracking-Differenz wird als tatsächlich realisierte Haltekosten behandelt – als kumulierte Renditelücke gegenüber dem Index –, während der Tracking Error der Beständigkeit dieser Lücke vorbehalten bleibt. Die KI passt die Gewichtung an den von Ihnen beschriebenen Anlagezeitraum an, sodass ein 15-jähriges steuerpflichtiges Kernportfoliosegment und ein sechswöchiger Durations-Trade nicht so bewertet werden, als handele es sich um denselben Kauf.
Der ETF-Research-Analyst betrachtet das Methodikdokument – nicht den Kategorienamen – als das eigentliche Anlageprodukt. Markt kapitalisierungsgewichtete, gleichgewichtete, fundamental gewichtete und faktorbasierte Ansätze führen zu einer unterschiedlichen Konzentration, Umschlagshäufigkeit und Kapazität. Aufnahmekriterien, Begrenzungsregeln und Zeitpläne für Neuaufstellungen verändern das Front-Running-Risiko und die tatsächlich anfallenden Kosten. Dieselbe Analyse gilt für Themen-, ESG- und internationale Fonds, bei denen Länderdefinitionen, Absicherungspolitik, die Rückerstattung von Quellensteuern und der Fondsdomizil die Nettorendite stärker beeinflussen können als einige Basispunkte Gebühren.
Der ETF-Research-Analyst prüft zunächst, ob es sich bei einem Produkt um einen offenen ETF, einen UIT, einen ETN, einen Grantor Trust oder eine K-1-Personengesellschaft handelt, bevor diese Strukturen als austauschbar behandelt werden. Die Liquidität wird auf mehreren Ebenen betrachtet – angezeigtes Handelsvolumen, Tiefe des Wertpapierkorbs und Kapazität der autorisierten Teilnehmer zur Auflegung von Anteilen –, sodass ein dünn gehandelter Fonds mit S&P-500-Werten nicht vorschnell als illiquide abgetan wird. Ebenso wird ein stark gehandelter Rohstofffonds auf Futures nicht automatisch als geeignete mehrjährige Anlage betrachtet, wenn Contango die Rollrendite dominiert. Sacheinlage und Sachrückgabe, Ausschüttungen von Kapitalgewinnen sowie die Pfadabhängigkeit durch die tägliche Anpassung gehebelter oder inverser Produkte werden in derselben Analyse erläutert.
Der ETF-Research-Analyst prüft Überschneidungen, Faktorkollisionen und die Wahl des geeigneten Kontos oder Depots, nachdem das Anlagevehikel selbst bewertet wurde. Dabei nutzt er eine Live-Suche nach aktuellen Gebühren und verwaltetem Vermögen und liest angehängte Depotauszüge oder Tickerlisten aus Google Drive oder Dropbox. Ein internationaler Fonds, der ein bereits in einem globalen ETF vorhandenes Exposure dupliziert, wird als Scheindiversifizierer gekennzeichnet. Außerdem werden Paare für die steuerliche Verlustverrechnung geprüft, damit ein Ersatzinvestment keinen Wash Sale auslöst. Das Ergebnis ist ein an der definierten Aufgabe ausgerichteter Entscheidungsrahmen – kein Kauf- oder Verkaufsauftrag.
| Herkömmlicher Ansatz | ETF-Research-Analyst |
|---|---|
| Nur nach der Verwaltungsvergütung sortieren | Gebühren, Spanne, Tracking und Steuerbelastung bewerten |
| Dem Kategorienamen vertrauen | Indexregeln und Faktoren analysieren |
| Geringes Volumen als Illiquidität behandeln | Korbtiefe und Kapazität autorisierter Teilnehmer prüfen |
| Einen Ticker isoliert auswählen | Überschneidungen und Kontoplatzierung testen |
Unbegrenztes Gedächtnis statt Chatbot-Amnesie
Ein generischer Chatbot vergisst, dass VTI bereits das US-Gesamtmarktsegment abdeckt, welchen Ersatzfonds Sie bei der letzten Verlustverrechnung verwendet haben und ob das Konto steuerpflichtig ist. Diese Amnesie führt zu einem zweiten S&P-500-Klon, einem Wash-Sale-Paar, bei dem der Verlust nicht anerkannt wird, oder zu einer K-1-Personengesellschaft in einem Wertpapierdepot, in dem stattdessen ein offener ETF hätte liegen sollen. Der ETF-Research-Analyst behält Bestände, Kontotyp, Rebalancing-Kalender und frühere Vergleichskriterien bei, sodass der nächste Ticker anhand des Portfolios bewertet wird, das Sie tatsächlich besitzen.
Zugriff auf mehrere KI-Modelle
Detaillierte Indexanalysen profitieren von sorgfältiger Prospektarbeit, mehrjährige Rankings der Tracking-Differenz von numerischer Konsistenz und eine für Berater geeignete Begründung von klarer Sprache. Ein Chatbot eines einzigen Anbieters bindet den gesamten Research-Prozess an ein Labor – ChatGPT an OpenAI, Claude an Anthropic. Sie können je nach Phase zwischen OpenAI, Anthropic, Google, xAI, DeepSeek, Qwen und weiteren Anbietern wechseln, sodass die Analyse einer Faktordefinition und ein TCO-Ranking nicht durch dasselbe Modell erzwungen werden.
Intelligente Tool-Integration für durchgängige Workflows
Gebühren, Aufschläge und verwaltetes Vermögen veralten nach dem Wissensstand-Stichtag eines Modells, und ein Ticker-Chat kann den Depotauszug, den Sie bereits besitzen, nicht einsehen. Der praktische Ablauf lautet: definierte Aufgabe und vorhandene Ticker → Live-Suche nach Verwaltungsvergütung, Tracking-Differenz und Struktur → hochgeladenes Portfolio aus Google Drive oder Dropbox → Prüfung von Überschneidungen und Wash Sales → schriftlicher Vergleich, gespeichert in Notion. Das ist ein Research-Desk und keine bloße Zusammenfassung eines Factsheets.
Exposure versus Anlagevehikel
Ein generischer Assistent vergleicht einen Anleihen-ETF mit Sampling-Methode und einen vollständig replizierenden Aktien-ETF, als wären sie dasselbe Produkt. Der ETF-Research-Analyst trennt zwischen dem Exposure, das Sie kaufen, und der Qualität, mit der das Produkt dieses Exposure bereitstellt – Sampling versus vollständige Replikation, NAV versus Preisfindung bei festverzinslichen Wertpapieren, physische Rohstoffe versus Futures versus Aktien-Proxys sowie der Prozess des Fondsmanagers versus Indexregeln bei aktiven ETFs.
Das in US-ETFs investierte Vermögen übersteigt inzwischen 15,70 Billionen $ bei mehr als 5.000 Fonds. Abkürzungen nach Kategorie und Gebühren lassen daher Produktrisiken außer Acht.
Finanzberater, die einen bestehenden Investmentfonds umstellen
Der ETF-Research-Analyst erstellt einen direkten Vergleich von Indexidentität, mehrjähriger Tracking-Differenz, Spanne, verwaltetem Vermögen und Steuerstruktur, damit sich das Kundengespräch von der Marke auf belastbare Fakten verlagert – einschließlich der Kosten des ersten Rebalancings.
Steuerpflichtige Anleger, die zwischen Terminen einen Verlust realisieren
Die KI schlägt ähnliche, aber nicht identische Paare vor, kennzeichnet Wash-Sale-Risiken über mehrere Konten hinweg und unterscheidet ETFs mit Sachwerterstellung und -rückgabe von Investmentfonds, die auch in schwachen Börsenjahren weiterhin Kapitalgewinne ausschütten.
Langfristige Anleger, die ein Faktor- oder Themen-Satelliteninvestment hinzufügen
Dieser Agent vergleicht Faktordefinitionen, unbeabsichtigte Sektor- und Größenwetten, Kapazität sowie die Differenz zwischen Backtest- und Live-Ergebnissen. Anschließend wird das Satelliteninvestment so dimensioniert, dass es nicht versehentlich zum Kernportfolio wird.
Anleger in Anleihen und alternative Anlagen, die einen Auf- oder Abschlag analysieren
Der ETF-Research-Analyst erklärt Sampling, Durationsabweichungen und wann ein Aufschlag bei einem Rentenfonds ein Signal der Preisfindung statt ein Grund zum Verzicht ist. Außerdem wendet er die Liquiditätsregeln für Aktien-ETFs nicht auf Rohstofffonds mit Futures oder gehebelte Strukturen an.
Privatanleger, die ein reines ETF-Portfolio aufbauen
Der Research-Desk verhindert, dass eine Kategoriefilterung zu einer reinen Gebührensortierung verkommt, und prüft, ob die Aufnahme von IWM oder eines Nasdaq-100-Fonds mit gedeckten Call-Optionen VTI, QQQ oder den bereits im Depot vorhandenen globalen Fonds tatsächlich diversifiziert.
Kostenlos Zum Entdecken von Jenova:
Plus (20 USD/Monat) Für Einzelpersonen:
Premium (50 USD/Monat) Für Kreative und Freiberufler:
Pro (100 USD/Monat) Für Fachleute:
Max (200 USD/Monat) Für Power-User:
Ultra (500 USD/Monat) Für grenzenlose Produktivität:
Enterprise (1.000 USD/Monat) Für Unternehmen und Organisationen:
Alle Tarife sind Monatsabonnements mit Preisen in USD, zuzüglich anfallender Steuern. Ihr Nutzungslimit wird an Ihrem Abrechnungsdatum zurückgesetzt.
Der ETF-Research-Analyst ist ein KI-Research-Desk zum Vergleich börsengehandelter Fonds als Anlagevehikel. Er bewertet Kosten, Tracking-Qualität, Struktur und die Einordnung eines Kandidaten in ein tatsächliches Portfolio. Abgedeckt werden Aktien-, Renten-, Rohstoff-, Faktor-, Themen-, gehebelte und alternative Produkte. Eine Sitzung kann von der Prüfung eines einzelnen Tickers bis zu einer vollständigen Kategoriefilterung mit Überschneidungsanalyse reichen. Die Arbeit unterstützt die Due Diligence, ersetzt jedoch keinen zugelassenen Finanzberater.
Der ETF-Research-Analyst behält Ihre bestehenden Ticker, den Kontotyp und frühere Paare für die Verlustverrechnung bei. Dadurch empfiehlt er weder einen zweiten Fonds, der das Kernportfolio dupliziert, noch löst er einen Wash Sale aus. Sie können detaillierte Analysen von Indexregeln, numerische TCO-Rankings und kundengerechte Texte über OpenAI, Anthropic, Google, xAI, DeepSeek, Qwen und weitere Anbieter verteilen, anstatt den gesamten Research-Prozess an einen einzigen Anbieter zu binden. Live-Suche, hochgeladene Depotauszüge und ein Workspace vervollständigen den Ablauf von der definierten Aufgabe bis zum schriftlichen Vergleich.
Der ETF-Research-Analyst nutzt Google Search für aktuelle Gebühren, das verwaltete Vermögen, Auf- und Abschläge sowie Methodikdokumente. Außerdem kann er Portfolio-Dateien aus Google Drive oder Dropbox lesen, sodass Überschneidungs- und Wash-Sale-Prüfungen anhand Ihrer bereits vorhandenen Bestände durchgeführt werden. Die Ergebnisse können in Notion als fortlaufendes Research-Protokoll gespeichert werden. Diese Verbindung aus Live-Daten, dem angehängten Portfolio und einem schriftlichen Vergleich macht aus einer Ticker-Frage eine vollständige Due-Diligence-Datei.
Ein ETF-Screener sortiert Ticker anhand einiger filterbarer Spalten. Der ETF-Research-Analyst erklärt, warum sich zwei ähnliche Fonds unterschiedlich entwickeln: Sampling versus vollständige Replikation, die Definition von „Value“ oder „Qualität“, ob ein Aufschlag ein Warnsignal oder ein Signal der Preisfindung ist und ob ein zweiter Fonds das bestehende Portfolio tatsächlich diversifiziert. Der Vergleich wird für eine Entscheidung geschrieben, nicht für den Download.
Der ETF-Research-Analyst analysiert Rentenfonds hinsichtlich Sampling, Duration, Renditedefinitionen und des Verhaltens von NAV gegenüber Börsenpreis, einschließlich Situationen, in denen Händlerkurse der zugrunde liegenden Anleihen veraltet sind. Bei Rohstoffen wird zwischen physischen, auf Futures basierenden und aktienbasierten Proxy-Strukturen unterschieden und die Rollrendite hervorgehoben. Gehebelte und inverse Produkte werden stets unter Berücksichtigung der täglichen Anpassung und des Zinseszinseffekts erklärt, damit sie nicht als mehrjährige Ersatzinstrumente für einen Index behandelt werden.
Der ETF-Research-Analyst gibt keine Kauf- oder Verkaufsempfehlung ab. Er zeigt, welcher Fonds besser zu einer definierten Aufgabe passt – etwa einem steuerpflichtigen Kernportfoliosegment, einem sechswöchigen Durations-Trade oder einem Value-Satelliteninvestment – und ordnet bei identischem Exposure die entscheidenden Auswahlkriterien in einer einheitlichen Reihenfolge. Prüfen Sie zeitkritische Kennzahlen, steuerliche Folgen und die Geeignetheit vor dem Handel mit einem zugelassenen Finanzberater.
Der ETF-Research-Analyst bietet vollständige Funktionsgleichheit im Web sowie auf iOS und Android, einschließlich Sprache-zu-Text, wenn Sie während der Prüfung eines Depotauszugs einen Vergleich diktieren möchten. Verlauf und Einstellungen werden über mehrere Geräte synchronisiert, sodass Sie bei der Verlustverrechnung unterwegs mit derselben Bestandsliste fortfahren können, die Sie zuvor am Schreibtisch erstellt haben.
Der ETF-Research-Analyst ist darauf ausgelegt, vor der Angabe von Gebühren, Vermögen, Renditen oder Wertentwicklungen aktuelle Fondsdaten zu suchen und Angaben der Emittenten von Schätzungen Dritter zu unterscheiden. Kurse, Auf- und Abschläge sowie Tracking-Differenzen verändern sich dennoch laufend. Nutzen Sie den Research-Desk zur Strukturierung des Vergleichs und bestätigen Sie die Zahlen anschließend auf dem Orderticket.
Der ETF-Research-Analyst prüft Überschneidungen, Faktorkollisionen sowie den Zielkonflikt zwischen Erträgen und Aufwärtspotenzial anhand der von Ihnen genannten oder angehängten Ticker. Die Aufnahme von IWM und eines Nasdaq-100-Fonds mit gedeckten Call-Optionen zusätzlich zu VTI und QQQ ist eine andere Fragestellung, als einen der beiden Fonds isoliert auszuwählen. Die Wahl des geeigneten Kontos oder Depots ist Teil derselben Analyse, damit ein scheinbar günstiges Anlagevehikel nicht in der falschen Kontoart platziert wird.
Die Gesamtkosten eines ETF entsprechen der tatsächlich realisierten Belastung durch Verwaltungsvergütung, Geld-Brief-Spanne, Tracking-Differenz, Auf- oder Abschlag zum Handelszeitpunkt, steuerliche Ausschüttungen und Erträge aus der Wertpapierleihe. Verwaltungsvergütung und Spanne entwickeln sich bei großen US-Aktienfonds nicht zwangsläufig gleich. Daher kann die niedrigste veröffentlichte Gebühr trotzdem zu einem teureren Handel führen, wenn Sie eine Position schnell umschichten oder in größerem Umfang aufbauen. Anleger mit einer Buy-and-Hold-Strategie sollten die Tracking-Differenz stärker gewichten; taktische Anleger sollten Spanne und Markttiefe priorisieren.
Der ETF-Research-Analyst bewertet aktive ETFs anhand des Prozesses des Fondsmanagers und der Rechtfertigung der Gebühren statt anhand einer Indexmethodik. Bei neueren Fonds prüft er die Entwicklung des verwalteten Vermögens und das Schließungsrisiko, anstatt eine simulierte Erfolgsbilanz zu akzeptieren. Optionsbasierte und ergebnisdefinierte Produkte werden als eigenständige Anlagevehikel analysiert, nicht als günstigere Klone des zugrunde liegenden Index. Dieselben Strukturmerkmale werden geprüft: Art der Fondshülle, steuerliche Behandlung der einzelnen Anschaffungslosen und die Frage, ob das Produkt in ein langfristiges Portfoliosegment gehört.
Jenova verwendet Portfolio-Dateien, Tickerlisten und den mit dem ETF-Research-Analysten geteilten Gesprächsverlauf nicht zum Training eigener KI-Modelle, und sie werden während der Übertragung und im Ruhezustand verschlüsselt. Das ist besonders wichtig, wenn es sich bei dem Anhang um einen privaten Depotauszug und nicht nur um einen öffentlichen Ticker handelt. Zeitkritische Steuer- und Handelsentscheidungen benötigen dennoch eine Bestätigung durch einen Menschen.
Der ETF-Research-Analyst ist Teil von Jenova, der KI-Agentenplattform für Kreativität, Unterhaltung und Alltag. Jenova bietet einheitlichen Zugriff auf führende KI-Modelle von OpenAI, Anthropic, Google, xAI, DeepSeek und weiteren Anbietern – zusammen mit intelligenten Tool-Integrationen, um Aufgaben von Anfang bis Ende zu erledigen. Die Plattform verfügt über ein sitzungsübergreifendes Gedächtnis und läuft im Web, auf iOS und auf Android, wobei Ihre Agenten und Einstellungen geräteübergreifend synchronisiert werden. Jenova wird von Azeroth Inc., einem Technologieunternehmen mit Sitz in New York, entwickelt und weltweit genutzt.
Für Entwickler bietet die Jenova Agent API ein vollständig verwaltetes Agenten-Backend mit integrierter Orchestrierung, Multi-Modell-Routing, Gedächtnis, Speicher und MCP-Tool-Unterstützung – statt rohe LLM-APIs, Vektordatenbanken und eigene Tool-Server selbst zusammenfügen zu müssen.
Kontakt: [email protected]