20.06.2022 | Research

Machine Learning zur Identifikation von Outperformance von Asset Managern

Ein Team um Ron Kaniel von der University of Rochester hat in einem Research Paper anhand eines Machine-Learning-Ansatzes untersucht, durch welche Eigenschaften sich ex-ante Fonds mit guter von Fonds mit schlechter Performance unterscheiden lassen. Die Autoren untersuchten mittels eines Feedforward Neural Networks US-Aktienfonds im Zeitraum 1980 bis 2019, wobei die abnormale Rendite (definiert als Vier-Faktor-Alpha) die unabhängige Variable darstellt. Der Analysezeitraum wird zweigeteilt, zum einen um das Modell zu trainieren, zum anderen, um die Ergebnisse out-of-sample zu testen. Als mögliche Einflussfaktoren auf die Fonds-Performance werden 46 Eigenschaften der in den Portfolios enthaltenen Aktien und 13 Fonds-Charakteristika untersucht. Es zeigt sich, dass Fonds-Charakteristika und hiervon wiederum Flows und (Rendite-)Momentum die Schlüsselindikatoren zur Prognose von Überrenditen sind. Dies gilt umso mehr, wenn das Investoren-Sentiment hoch ist; ein Interaktionseffekt, der von linearen Modellen nicht festgestellt werden kann. Tatsächlich ist ein Modell, das lediglich Flows und Momentum verwendet, nahezu genauso gut wie das Modell mit sämtlichen Variablen.


Quelle: Kaniel, Lin, Pelger, Van Nieuwerburgh, 2022

Werden jeden Monat die 10 % der Fonds mit der höchsten prognostizierten Rendite erworben und auch nach den Ergebnissen des Modells gewichtet, ergibt sich über die Beobachtungsperiode eine kumulierte abnormale Rendite von 72 %. Analog beträgt die Unterrendite der schwächsten 10 % der Fonds -119 %. Diese Differenz zwischen Top- und Bottom-Dezil ist auch statistisch signifikant. Angesichts ähnlicher Kosten von Top- und Bottom-Fonds gibt es keine wesentlichen Unterschiede zwischen Brutto- und Netto-Ergebnissen.  


Quelle: Kaniel, Lin, Pelger, Van Nieuwerburgh, 2022


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