Prognose von Fundamentaldaten für Faktorstrategien

Werden bei einem fundamentalen Faktoransatz statt der aktuellen Fundamentaldaten prognostizierte verwendet, führt dies zu einer erhöhten Rendite und risikoadjustierten Performance, zeigt ein Forschungspapier von John Alberg von Euclidian Technologies und Zachary Lipton von der Carnegie Mellon University. Für die Prognose werden 16 Fundamental- und 4 Momentum-Maße verwendet, die in zwei Typen künstlicher neuronaler Netze verwertet werden: Mehrlagigen Perzeptronen (MLPs) und rekurrente neuronale Netze (RNNs). Das Datensample umfasst 11.815 US-Aktien, die im Zeitraum 1970 bis 2017 mindestens für 12 Monate an der Börse notiert waren.

Basierend auf dem EBIT/EV zeigen die mittels der prognostizierten Fundamentaldaten konstruierten Portfolios eine bessere Out-of-Sample Performance als eine entsprechende Faktorstrategie, die aktuelle Daten verwendet (QFM). Zudem scheinen künstliche neuronale Netze besser zur Prognose als klassische lineare Regressionen geeignet. Während die klassische Faktorstrategie eine Sharpe Ratio von 0,55 erzielt, sind es im linearen Modell 0,63 und bei den neuronalen Netzwerken 0,67 bzw. 0,68.


Quelle: Alberg, Lipton, 2017


Absolut Research analysiert institutionelle Publikumsfonds mit Smart-Beta- und Factor-Investing-Strategien jeden Monat in den Publikationen Absolut|ranking Smart Beta Equity und Smart Beta Fixed Income & Commodity. Insgesamt umfassen die Absolut|rankings mehr als 11.000 institutionelle Publikumsfonds und ETFs, aufgeteilt in 27 Asset-Klassen und Marktsegmente und mehr als 110 Vergleichsgruppen.