Machine Learning zur Prognose der Gold-Risikoprämie

Machine-Learning-Methoden schaffen es bei Auswertung eines großen Samples an potenziellen Präindikatoren nicht, eine bessere Prognose der Risikoprämie zu erstellen als den historischen Mittelwert. Werden die Präindikatoren hingegen separat verwendet, sind die Prognosen besser, zeigt ein Researchpaper von Juan Diaz, Erwin Hansen und Gabriel Cabrera von der University of Chile. Die Autoren testen eine Reihe verschiedener Machine-Learning-Methoden, die auf 174 Präindikatoren zugreifen können, darunter Finanz- und Makro-Variablen sowie Aktien- und Rohstoffpreis-bezogene technische Indikatoren. Die Prognosen der Modelle werden anschließend Out-of-Sample mit einem Benchmark-Modell, der historischen Überschussrendite von Gold, verglichen. Weder die Ergebnisse jedes Modells für sich noch eine Kombination waren in der Lage, eine bessere Prognose als die historische Benchmark zu erreichen. Die gleichzeitige Nutzung einer großen Anzahl potenzieller Indikatoren führt folglich nicht zu einer Verbesserung der Prognose.

Quelle: Diaz, Hansen, Cabrera, 2021

Anders sehen die Ergebnisse aus, wenn die Machine-Learning-Algorithmen nicht das gesamte Sample potenzieller Indikatoren nutzen können, sondern nur einzelne hiervon. Sowohl aggregierte Variablen wie der Default Spread, die Arbeitslosenquote oder der Erzeugerpreisindex als auch technische Indikatoren (u.a. gleitender 1-Jahres-Gold-Rendite, realisierte Volatilität des Aktienmarltes) können bei der Prognose der Gold-Renditen helfen. Auffällig ist, dass die Makro-Variablen insbesondere während Rezessionsphasen Vorhersagekraft entfalten, während in technische Indikatoren im expansiven Umfeld überlegen sind.

Absolut Research analysiert institutionelle Publikumsfonds mit Fokus auf Gold jeden Monat in der Publikation Absolut|ranking Commodity. Insgesamt umfassen die Absolut|rankings mehr als 17.000 institutionelle Publikumsfonds und ETFs, aufgeteilt in 35 Asset-Klassen und Marktsegmente und mehr als 180 Universen.