Machine Learning zur Prognose von Aktienrenditen

Darwin Choi und Wenxi Jiang von der CUHK Business School sowie Chao Zhang von der University of Oxford testen verschiedene Machine-Learning-Verfahren zur Prognose von Aktienrenditen im Querschnitt. Mittels Machine Learning lassen sich auch bei sparsam parametrisierten Modellen ähnlich aussagekräftige Ergebnisse erreichen, wie zuvor bei Ansätzen mit mehreren hundert Erklärungsvariablen. Auch angesichts fehlender Daten für die untersuchten 34 internationalen Märkte werden lediglich 12 Input-Variablen genutzt, darunter vergangene Renditen, Marktkapitalisierung, Handelsvolumen sowie Accounting-Informationen. Neben verschiedenen OLS-Verfahren nutzen die Autoren zwei nichtlineare Modelle. Zunächst werden die Modelle über US-Daten kalibriert und anschließend auf die internationalen Märkte angewandt. Es ergeben sich ähnliche Schlussfolgerungen wie bei einem älteren Paper, das mehr als 900 Inputparameter nutzt: Nichtlineare Ansätze sind effizienter als OLS-Verfahren. Die Modell-Performance der sparsamen Parametrisierung (CJZ) ist bei Machine-Learning ähnlich effizient, wie das sehr umfangreiche ältere Modell (GKX).

Quelle: Choi, Jiang, Zhang, 2019

Werden die Modelle nicht mit US-Daten, sondern für jedes der 34 Länder mit lokalen Daten kalibriert, um länderspezifische Charakteristika besser zu berücksichtigen, verbessert dies die Vorhersagekraft und Performance der Modelle. Auch hier scheinen nichtlineare Ansätze am effizientesten zu sein.

Absolut Research unterstützt institutionelle Investoren bei der Selektion von Asset Managern mit der monatlichen Publikation Absolut|ranking. Insgesamt umfassen die Absolut|rankings mehr als 17.000 institutionelle Publikumsfonds und ETFs, aufgeteilt in 34 Asset-Klassen und Marktsegmente und mehr als 170 Universen.