Interpretationsmaße für KI-Prognosen
Die korrekte Einordnung der Prognosen von Machine-Learning-Modellen kann zu höheren Renditen führen. Zu diesem Ergebnis kommen Yimou Li, David Turkington und Alireza Yazdani von Portfolio Management Research (PMR) in einem Researchpaper. Die Autoren gehen den Fragen nach, wie Algorithmen eingegebene Daten zu Vorhersagen verarbeiten und ob Machine-Learning-Algorithmen Muster in Finanzdaten erkennen können, die zu höheren Renditen von Investitionen führen.
Machine-Learning-Modelle liefern gute Ergebnisse im Finanzbereich. Das ist einerseits auf rechnerische Effizienz und andererseits darauf zurückzuführen, dass die Modelle weniger auf vereinfachten Annahmen basieren, wie bspw. stilisierten Formen der Wahrscheinlichkeitsverteilung, sondern nicht-lineare Abhängigkeiten und Interaktionseffekte erfassen können. Das kann zu verbesserten Performance-Prognosen führen. Gleichzeitig macht das die Algorithmen komplexer und lässt diese als Blackboxen, die Interpretation erfordern, erscheinen. Die Komplexität von Machine-Learning-Modellen stellt eine wesentliche Hürde für ihre Einführung bei Investoren dar.
Die Autoren stellen ein Framework in Form von Interpretationsmaßen für die Beurteilung von Investment-Portfolio-Prognosen vor, die von Machine-Learning-Modellen erstellt werden. Dafür zerlegen sie die Blackbox der Modell-Prognosen in lineare, nicht-lineare und interaktive Komponenten und untersuchen die Effektivität der Vorhersagen von Modellen unter Betrachtung derselben Komponenten. Das formt einen Modell-Fingerabdruck, der die zentralen Charakteristika, Ähnlichkeiten und Unterschiede verschiedener Modelle zusammenfasst. Das entwickelte Framework wird anhand einer Case Study im Kontext von Fremdwährungsinvestitionen vorgestellt. Drei Machine-Learning-Techniken erstellen Prognosen monatlicher Währungsrenditen: Random Forest, Gradient Boosting Machine und Neural Network.
Quelle: Portfolio Management Research
Alle Modelle identifizieren verlässlich intuitive Effekte im Währungsmarkt, aber finden auch neue Beziehungen, denen Nicht-Linearität zugeschrieben werden kann, sowie variable Interaktionen. Die Autoren argumentieren, dass das Verständnis der prognostizierenden Komponenten Investoren dabei unterstützen kann, überlegene risikoadjustierte Returns zu generieren.
Quelle: Portfolio Management Research
Quelle: Portfolio Management Research
Absolut Research unterstützt institutionelle Investoren bei der Selektion von Asset Managern mit der monatlich erscheinenden Publikation Absolut|ranking. Insgesamt umfassen die Absolut|rankings mehr als 13.000 institutionelle Publikumsfonds und ETFs, aufgeteilt in 27 Asset-Klassen und Marktsegmente und mehr als 110 Universen.
