Einsatz von maschinellem Lernen (ML) in den Bereichen Empirical Asset Pricing und Asset Management
1. Juni 2021, von Tizian Otto

Foto: xresch/Pixabay
In diesen Forschungsbereichen geht es darum, Muster in der Bepreisung von Vermögensgegenständen (Aktien, Anleihen, Rohstoffen etc.) zu identifizieren, zu erklären und z. B. für die Vorhersage zukünftiger Preisentwicklungen (Renditen) oder zur Berechnung optimaler Anlagestrategien zu nutzen. Maschinelles Lernen (ML) ist dabei durch die Verwendung komplexer mathematischer und statistischer Methoden besonders gut geeignet, um große Datensätze auszuwerten. Trotz vielfältiger Einsatzmöglichkeiten findet man ML-basierte Erklärungs- und Vorhersagemodelle in der empirischen Kapitalmarktforschung (noch) erstaunlich selten.
Aus diesem Grund erforschen Herr Prof. Dr. Wolfgang Drobetz (Professur für Corporate Finance und Ship Finance) und sein wissenschaftlicher Mitarbeiter und Doktorand Herr Tizian Otto, inwieweit ML-Techniken die Vorhersage zukünftiger Aktienrenditen verbessern können. Sie betrachten den europäischen Aktienmarkt sowie ein umfangreiches Ensemble an ML-Methoden, darunter modifizierte Regressionsmodelle, z. B. durch Pönalisierung oder Dimensionsreduktion, Regressionsbäume und neuronale Netzwerke. Sie zeigen, dass die von ihnen betrachteten ML-Modelle, verglichen mit etablierten (einfachen) Regressionsmodellen, einen deutlich geringeren Vorhersagefehler aufweisen. Die Möglichkeit der Berücksichtigung von Nichtlinearität sowie der Interaktionen zwischen Vorhersagevariablen und zukünftigen Renditen ist dabei von besonderer Bedeutung für die statistische Überlegenheit. Zudem weisen Aktienportfolios, die basierend auf den präziseren Renditeschätzungen konstruiert werden, selbst nach Transaktionskosten eine bessere risikoadjustierte Performance auf, was die ökonomische Relevanz der ML-basierten Renditevorhersagen verdeutlicht.
Aktuell arbeiten Herr Prof. Drobetz und Herr Otto an einer Reihe weiterer Forschungsprojekte, die sich mit der Anwendung von ML-Methoden auf andere Vermögensklassen, z. B. den Anleihenmarkt, sowie auf verwandte Forschungsfragen, z. B. die Vorhersage von Risiko- oder Liquiditätskennzahlen, beschäftigen.