Machine-Learning-basierte Faktorportfolios

Thomas Conlon, John Cotter und Iason Kynigakis vom University College Dublin haben in einem Researchpaper die Eigenschaften Machine-Learning-generierter Faktorportfolios untersucht und mit klassischen Faktorstrategien verglichen. Beim Vergleich verschiedener Machine-Learning-Ansätze zeigt sich, dass Faktoren, die auf Basis von Principal Component Analysis (PCA) und Partial Least Squares (PLS) ermittelt werden, einen engeren Bezug zu klassischen Faktor-Proxies aufweisen als Autoencoder (AEN). Weiterhin weicht die Struktur von Kovarianzmatrizen, die dynamisch sind oder aus unüberwachten Methoden resultieren, am stärksten vom Sample Estimator ab. Unüberwachte Ansätze generieren Portfolios, die seltener gerebalanced werden müssen und deren Gewichtungen weniger volatil und breiter diversifiziert sind relativ zu überwachten Ansätzen oder klassischen Faktoren.

Quelle: Conlon, Cotter, Kynigakis, 2021

Ein Performance-Vergleich zeigt, dass Minimum-Varianz-Portfolios, die Faktoren nutzen, welche von Autoencodern oder Sparsity-Methoden abgeleitet werden, zu einer signifikanten Reduzierung der Portfoliovolatilität führen können. Gleichzeitig steigt die Sharpe Ratio. Dies ist insbesondere für Investoren mit konservativem Risikoprofil vorteilhaft. Diese Stärken bei der Risikoreduzierung steigen in Phasen höherer Marktvolatilität an. Gleiches gilt, wenn auch Extremrisiken betrachtet werden.

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.