Machine Learning zur Volatilitätsprognose
Damir Filipovic und Amir Khalilzadeh von der Ecole Polytechnique Fédérale de Lausanne haben in einem Research Paper die Eignung von Machine-Learning-Methoden zur Prognose von Aktienvolatilitäten untersucht. Die Autoren testen verschiedene Ansätze wie Elastic Net Model, Gradient Boosting Regression Tree Model sowie zwei neuronale Netzwerke (Feedforward und LSTM). Insgesamt wird auf 54 Unternehmenscharakteristika und Makro-Variablen als Indikatoren zurückgegriffen, darunter auch verzögerte Renditen und Volatilität. Es zeigt sich, dass eine begrenzte Anzahl dieser Indikatoren für einen Großteil der Prognosequalität der Modelle verantwortlich zeichnet: aktuelle Volatilität, idiosynkratische Volatilität, Bid-Ask Spread und die Renditen. Das Datensample umfasst den US-Aktienmarkt für den Zeitraum 1964 bis 2016.
Die Machine-Learning-Modelle schaffen es, Bedeutung und Wirkungsrichtung der Einflüsse sowie Interaktionen zwischen den verschiedenen Variablen zu erfassen, ohne dass dies extern vorgegeben wurde. Hohe aktuelle Volatilität hat einen großen und positiven Einfluss auf die Volatilität im Folgemonat, wohingegen geringe Volatilität einen kleinen und negativen Einfluss hat. Weiterhin zeigen die Ergebnisse, dass der Effekt der Renditen asymmetrisch ist: Negative Renditen beeinflussen die Volatilität des Folgemonats stärker als positive Renditen. Interaktionseffekte ergeben sich zwischen Bid-Ask Spreads und aktueller Volatilität.
Quelle: Filipovic, Khalilzadeh, 2021
Abschließend zeigen die Autoren, dass ein LSTM-Modell, das die zeitliche Abhängigkeit von Prädiktoren berücksichtigt, eine bessere Prognosequalität als andere Machine-Learning-Modelle liefert, die nur auf den aktuellsten Informationen der Prädiktoren basieren. Insbesondere kann ein LSTM-Modell, das nur Volatilität und Rendite als Inputs verwendet, aber deren Entwicklung über ein ganzes Jahr berücksichtigt, eine ebenso gute Prognosequalität wie ein Modell liefern, das alle Präindikatoren nutzt. Damit kann ein LSTM-Modell als Alternative zu einem GARCH Modell betrachtet werden, allerdings mit dem Vorteil, keine Annahmen zur Renditeverteilung treffen zu müssen.
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.
