Prognosen mit Machine-Learning-Modellen
Maschinelles Lernen kann genutzt werden, um Markt-Timing-Strategien durch die Erkennung nichtlinearer Zusammenhänge zwischen Signalen und Marktgewinnen zu verbessern, zeigt ein Paper von AQR. Komplexere Modelle, bei denen die Anzahl der Prädiktoren die Anzahl der Beobachtungen übersteigt, können diese nichtlinearen Beziehungen besser erfassen und so die Marktvorhersage optimieren. Die Autoren haben diese Theorie auf verschiedene Marktsegmente angewendet, darunter Aktien- und Anleihenmärkte sowie den Value-Faktor.
The Trading Strategy Perspective of Complex Models
Quelle: AQR
Die beobachteten Verbesserungen sind zwar real, aber eher evolutionär als revolutionär, meinen die Autoren. Ein weiteres Ergebnis ist, dass einfache Modelle wichtige nichtlineare Muster übersehen, die komplexere Modelle erkennen können. Um das Risiko von Überanpassungen zu vermeiden, werden Regularisierungstechniken eingesetzt, um die Genauigkeit der Modelle zu erhöhen.
Trotz der Vorteile warnen die Autoren vor dem wahllosen Hinzufügen von irrelevanten Variablen, da dies die Leistung erheblich verschlechtern kann. Insgesamt betont das Paper, dass der Einsatz von Komplexität zwar positive Ergebnisse liefert, die Gewinne jedoch eher moderat sind und maschinelles Lernen die Marktvoraussagen nicht revolutioniert.
Absolut Research unterstützt institutionelle Investoren bei der Bewertung eigener und der Selektion neuer Asset Manager mit der monatlich erscheinenden Publikationsreihe Absolut|ranking und den 360-Grad-Analysen (Peer-/ Benchmark-/ Factor-/ Asset-Flow-Analysen).
Insgesamt analysiert Absolut|ranking mehr als 16.000 aktive und passive Strategien von 2.000 Asset Managern, aufgeteilt auf 36 Asset-Klassen und Marktsegmente sowie mehr als 200 Universen. Individuelle Mandate und Spezialfonds können ebenfalls untersucht werden.
