04.05.2021 | Research

Machine Learning in der Portfoliokonstruktion

Yimou Li, Zachary Simon und David Turkington von State Street haben in einem Researchpaper drei Grundsätze für die Implementierung von Machine Learning in der Aktien-Portfoliokonstruktion diskutiert und die Performance verschiedener Modelle und Investment-Ziele anhand dieses Rahmenwerkes verglichen. Das erste Grundprinzip ist die Investierbarkeit der Machine-Learning-Strategie, was über die Fokussierung auf die Aktien des S&P 500 erreicht wird. Zweitens muss die Strategie interpretierbar sein. Hierzu grenzen die Autoren die Einflussvariablen auf eine Reihe von Attributen (z.B. Unternehmenswert, Preistrends, Risiko, Profitabilität) und ökonomische Regimeindikatoren ein, die auch in einer klassischen Analyse zum Einsatz kommen. Weiterhin werden über die Methode des Modell-Fingerabdruckes die Einflüsse linearer, nichtlinearer und Interaktionseffekte aufgezeigt, die die Vorhersagen des Modells beeinflussen.

Drittens müssen die Ergebnisse des Models eine Outperformance gegenüber anderen, einfacheren Modellen bieten. Das Datensample umfasst den Zeitraum 1992 bis 2020, wobei 1992 bis 2015 zu Kalibrierung und Training verwendet wird und 2015 bis 2020 das Machine Learning out-of-sample getestet wird. Für das Basisszenario wird das Modell auf die Schätzung der Rendite der Aktien trainiert und aus den Ergebnissen Long/Short-Portfolios konstruiert. Die Methoden Random Forest, Boosted Trees und Neural Networks sind einfacheren Methoden wie OLS gegenüber überlegen. Die Modell-Fingerabdrücke zeigen dabei, dass die Modelle verschiedene Regeln erlernen, obwohl sie dieselbe Datengrundlage verwenden.


Quelle: Li, Simon, Turkington, 2020

Zuletzt kann über die Adjustierung der Zielsetzung des Machine Learnings das Verhalten gesteuert werden, etwa indem statt der Gesamtrendite die Überschussrendite über ein Modell vorhergesagt wird. Um Handelskosten zu reduzieren, kann der Zeithorizont der Rendite verlängert werden, also die Vorhersage von Jahres- statt Monatsrenditen.


Quelle: Li, Simon, Turkington, 2020


Absolut|alternative bietet institutionellen Investoren einen einzigartigen Zugang zu liquiden alternativen Anlagestrategien, darunter Themen wie Smart-Beta- und Factor-Investing, Digital Assets, Quantitative Strategien, Künstliche Intelligenz und Sektorinvestments.

Abonnenten von Absolut Research können weiterführende Informationen hier herunterladen:
Mehr zum Thema "Machine Learning"
zurück