Vorhersagequalität von Machine-Learning-basierten Prognosen

Eine wissenschaftliche Studie von Minghui Chen, Matthias Hanauer und Tobias Kalsbach (TUM School of Management) zeigt, dass die Performance von Machine-Learning-basierten Aktienprognosen stark von den gewählten Designentscheidungen abhängt. In einer umfassenden Analyse von 1.056 Modellen für US-Aktien zwischen 1987 und 2021 variieren die monatlichen Long-Short-Renditen – basierend auf den Vorhersagen für das oberste und unterste Renditedezil – zwischen 0,13 % und 1,98 %, bei Sharpe Ratios von 0,08 bis 1,82. Die durch diese Entscheidungen verursachte Ergebnisstreuung, der sogenannte Non-Standard Error, ist mit dem 1,59-Fachen sogar größer als der klassische statistische Standardfehler. Besonders einflussreich sind der Umgang mit dem Post-Publikationseffekt, die Länge des Trainingsfensters, die Wahl der Zielvariablen und deren Transformation sowie die Modellwahl. Wird nur auf bereits in der Literatur veröffentlichte Faktoren zurückgegriffen, sinken die monatlichen Renditen im Schnitt um 0,52 Prozentpunkte. Expanding Windows liefern rund 0,20 Prozentpunkte höhere Renditen als Rolling Windows. Abnormale Renditen relativ zum Markt übertreffen den häufig genutzten Excess Return über den risikolosen Zins um etwa 13 %, und kontinuierliche Zielgrößen schlagen binäre Klassifikationen um 17 %. 

_{Quelle: Chen, Hanauer, Kalsbach}

Ensemble-Modelle, die mehrere Algorithmen kombinieren, erzielen im Mittel die besten Ergebnisse, während Random Forest im Schnitt am schwächsten abschneidet. Feature-Selektion und die Wahl des Trainingssamples haben dagegen kaum messbaren Einfluss. Nichtlineare Modelle wie neuronale Netze oder Gradient Boosting übertreffen lineare Verfahren nur, wenn die abnormale Rendite zum Markt als kontinuierliche Zielvariable genutzt und ein Expanding Window eingesetzt wird. In Bezug auf die Merkmalsbedeutung zeigen sich Trendfaktor, Momentum, Beta, Short-Term Reversal und Analystenrevisionen als besonders einflussreich, wobei Beta bei CAPM-adjustierten Zielen dominiert. Insgesamt verdeutlicht die Studie, dass die algorithmische Wahl allein nur begrenzt ausschlaggebend ist, während methodische und datentechnische Entscheidungen den größten Einfluss auf die Vorhersagequalität und Portfoliorenditen haben.

Absolut Research unterstützt institutionelle Investoren bei der Bewertung von Mandaten 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 Assetklassen und Marktsegmente sowie mehr als 200 Universen. Individuelle Mandate und Spezialfonds können ebenfalls untersucht werden.