Prognose von Asset Flows mit Machine-Learning-Methoden
Nichtlineare Machine-Learning-Modelle sind wesentlich effektiver bei der Prognose der Asset Flows von Investmentfonds als lineare Ansätze, zeigt das Research Paper eines Teams deutscher und Schweizer Wissenschaftler. Die Autoren vergleichen die Prognosekraft verschiedener Ansätze für ein Sample im Zeitraum von 2000 bis 2020.
Basierend auf die Hauptkomponenten von 30 Performance- und Fondscharakteristika ergibt sich unter Nutzung linearer Schätzmethoden wie OLS ein R² von 14 %. Nichtlineare Machine-Learning-Ansätze steigern das Bestimmtheitsmaß deutlich.
Diese Ergebnisse sind über den Konjunkturzyklus hinweg robust und die Prognosegenauigkeit ist auch in ökonomisch turbulenten Phasen gegeben, die von höheren Abflüssen aus riskanteren Asset-Klassen geprägt sind.
Out-of-sample model comparison based on R2
Quelle: Fausch, Frigg, Ruenzi, Weigert, 2024
Auf der Grundlage des leistungsfähigsten Modells, dem Random Forest, zeigen die Ergebnisse, dass vergangene Asset Flows das einflussreichste Merkmal für die Prognose der Kapitalflüsse sind, gefolgt vom Morningstar-Rating und der Volatilität der Flows. Die bisherige Performance, gemessen an z.B. Alpha und Sharpe Ratio sind für die Prognose hingegen weniger bedeutend.
Die Autoren stellen zudem fest, dass der Einfluss der Prädiktoren im Zeitverlauf variiert. Während frühere Zuflüsse über den gesamten Analysezeitraum hinweg der wichtigste Faktor bleiben, gewinnen das Morningstar-Rating und die Volatilität der Flüsse erst ab etwa 2005 an Bedeutung.
Ein weiterer Aspekt sind Interaktionseffekte von vergangenen Asset Flows und dem Morningstar-Rating. Hohe frühere Zuflüsse und ein hohes Morningstar-Rating führen zu einem positiven Effekt auf die vorhergesagten Zuflüsse, während hohe frühere Zuflüsse und ein niedriges Rating einen negativen Effekt haben. Diese Erkenntnisse heben die Bedeutung komplexer Wechselwirkungen zwischen den Prädiktoren hervor.
Mean of absolute SHAP-values for random forest (Ausschnitt)
Quelle: Fausch, Frigg, Ruenzi, Weigert, 2024
Abschließend wird analysiert, ob die Vorhersagen der Mittelzuflüsse genutzt werden können, um die zukünftige Fondsperformance zu differenzieren. Hierzu wird die Performance von Portfolios bestehend aus Produkten mit hohen vs. niedrigen erwarteten Flows verglichen. Ein Long-Short-Portfolio, welches auf den vom besten Modell getätigten Prognosen basiert, konnte ein annualisiertes Alpha von 2,76 % erzielen.
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 Asset-Klassen und Marktsegmente sowie mehr als 200 Universen. Individuelle Mandate und Spezialfonds können ebenfalls untersucht werden.
