Machine Learning in der Aktienselektion
Das CFA Institute geht in einem Researchpaper auf die Möglichkeit ein, Machine Learning in der Aktienselektion einzusetzen. Ziel ist es, Indikatoren für Outperformance im Querschnitt zu identifizieren. Dabei bezeichnet Machine Learning Algorithmen, die in der Lage sind, selbstständig Muster zu erkennen. Diese sind häufig effektiver als lineare Regressionsmodelle bei Vorliegen von Multikollinearität. Wichtig ist, Overfitting zu vermeiden. Dies kann mittels zweiter Methoden geschehen: Forecast Combinations und Feature Engineering. Ersteres bezeichnet die Kombination der Prognosen verschiedener Arten von Algorithmen. Idee ist, dass wenn viele Algorithmen, die unterschiedlich arbeiten, zu ähnlichen Ergebnissen kommen, das Risiko von Overfitting reduziert werden kann. Bei Feature Engineering nutzt externes Wissen bzw. Zusammenhänge, um ein Problem so zu strukturieren, dass Algorithmen dieses einfacher bearbeiten können. Für das Beispield er Aktienselektion kann etwa festgelegt werden, was genau prognostiziert werden soll (Rendite oder Out- vs. Underperformance), welche Algorithmen vermutlich am effektivsten sind und welche Faktoren vermutlich relevant sein werden.
Die Autoren nutzen ein globales Aktien-Sample, welches 194 Faktoren bzw. Unternehmenscharakteristika umfasst. Im ersten Schritt (Feature Engineering) werden drei Training Sets definiert, also die Datenzeiträume, anhand derer die Algorithmen Outperformance-Indikatoren identifizieren sollen. Anschließend werden vier Algorithmen genutzt und die Ergebnisse hiervon gemittelt, um ein aggregiertes Machine-Learning-Signal zu erhalten. Die Ergebnisse zeigen, dass die Kombination der Algorithmen höhere Performances generiert als jeder für sich allein. Die Performances der kombinierten Algorithmen sind wesentlich effektiver als klassische lineare Regressionen – sowohl für die USA als auch den Rest der Welt. Unter Zuhilfenachme von Feature Engineering und Forecast Combinations kann Machine Learning folglich eine Methode zur Aktienselektion generiert werden, die zu einer Outperformance führt. 
Quelle: Rasekhschaffe, Jones, 2019
Absolut Research unterstützt institutionelle Investoren bei der Selektion von Asset Managern mit der monatlichen Publikation Absolut|ranking. Insgesamt umfassen die Absolut|rankings mehr als 16.000 institutionelle Publikumsfonds und ETFs, aufgeteilt in 34 Asset-Klassen und Marktsegmente und mehr als 160 Universen.
