In nahezu jedem Bereich der Industrie wird über Machine Learning diskutiert und wie sie die bestehenden Strukturen aufbrechen und somit effizienter gestalten kann. In der Finanzwirtschaft ist Machine Learning bereits in vielen Sektoren ein elementarer Bestandteil der täglichen Arbeit. Vor allem im Feld des Asset Managements wurde in den letzten Jahren nicht nur eine Vielzahl von wissenschaftlichen Studien zu diesem Thema veröffentlicht, sondern die praktische Implementierung von Machine Learning ist hier bereits in vollem Gange. Durch den Einsatz dieser Methode ist es Portfoliomanagern möglich, eine nahezu unendliche Menge an Daten zu verarbeiten und damit die zukünftigen Kursverläufe zu prognostizieren. So wurde bspw. bereits im Jahr 1982 der Hedgefonds Renaissance Technologies gegründet, welcher sich auf quantitative Methoden spezialisiert hat, um zukünftige Kursverläufe möglichst genau prognostizieren zu können. Der Fonds weist über die letzten Jahrzehnte eine unglaubliche Performance auf und somit stellt sich die Frage, wie gut quantitative Methoden wie etwa das Machine Learning in Wirklichkeit performen?

Im September diesen Jahres wurde eine sehr gute Studie über das Thema Machine Learning veröffentlicht. Die Autoren Bryan Kelly (Yale University), Shihao Gu (University of Chicago) und Dachen Xu (University of Chicago) haben dabei verschiedenste Methoden, die dem Feld des Machine Learning zuzuordnen sind, auf ein riesiges Datenset angewandt um zu überprüfen, ob Machine Learning einen echten Mehrwert bietet. Um einen kleinen Vorgeschmack auf die folgende Zusammenfassung bzw. Analyse zu geben, sei folgendes Ergebnis vorweggenommen:

„Eine Strategie, die den S&P500 mittels eines neuronalen Netzes vorhersagt, verfügt über eine jährliche Sharpe-Ratio von 0.77, wohingegen ein reines Buy-and-Hold Portfolio eine Sharpe Ratio von 0.51 ausweist. Eine Long-Short Strategie, die Positionen basierend auf Prognosen eines neuronalen Netzes einnimmt, erzielt eine jährliche Sharpe-Ratio von 1.35!“

Gu, Shihao / Kelly, Bryan / Xiu, Dachen (2019): Empirical Asset Pricing via Machine Learning, Seite 2

Welche Daten wurden ausgewertet?

Die Autoren verfügen über ein riesiges Datenset, welches alle Aktien die an der NYSE, der AMEX und der NASDAQ gelistet sind, beinhaltet. Insgesamt sind dies fast 30.000 Aktien über den gesamten Betrachtungszeitraum. Darüber hinaus startet die Untersuchung im Jahr 1957 und reicht bis ins Jahr 2016. Um eine Prognose über die Kursverläufe treffen zu können, werteten die Autoren insgesamt 94 Charakteristika pro Aktie, 74 Industrie- und 8 Makrovariablen aus.

Zusammenfassend lässt sich festhalten, dass das Datenset sehr umfangreich ist und die Ergebnisse somit auch wirklich repräsentativ die Performance der einzelnen Machine Learning Methoden darstellt.

Welche Methoden des Machine Learnings wurden untersucht?

Für diesen Artikel sind definitiv keine Kenntnisse über die untersuchten Methoden notwendig, da lediglich die Ergebnisse dargestellt werden sollen. Die Nennung dient an dieser Stelle also lediglich der Vollständigkeit.

Insgesamt wurden folgende Methoden untersucht:

  • Lineare Regression
  • Generalized linear models
  • Principal component regression (PCR)
  • Partial Least Squares (PLS)
  • Regression Trees
  • Neuronale Netze

Wie war das Vorgehen?

Der Datensatz wurde in drei Teile aufgeteilt, einen Trainings-, einen Validierungs- und einen Testteil.

Der Trainingsdatensatz dient dazu, das Model zu schätzen. Im zweiten Teil, dem Validierungsteil, werden dann die Parameter des Modells verbessert bzw. „getuned“. Diese beiden Teile werden also dazu benötigt, um überhaupt erstmal ein Modell zu erstellen, welches dann im dritten Teil angewendet wird. Es lässt sich somit sagen, dass der dritte Teil die wirkliche Performance der einzelnen Methode darstellt, da das zuvor erstellte Modell hier auf Daten angewandt wird, welche das Modell „noch nie gesehen hat“.

Folgendes Bild gibt einen groben Überblick über das Vorgehen:

Vorgehen im Machine Learning

Die Autoren untersuchen mittels der erklärten Methodik, wie gut Vorhersagen ganzer Portfolios performen. Darüber hinaus wird untersucht, wie gut die Sharpe-Ratio von Portfolios ausfällt, wenn man die beste Vorhersage long und die schlechteste Vorhersage short geht. Grundsätzlich ist es das folgende Schema:

  1. Vorhersage der Rendite des nächsten Monats
  2. Sortieren der verschiedenen Vorhersagen von der besten bis zur schlechtesten Vorhersage
  3. Einteilung der Reihenfolge in insgesamt 10 Dezile. Dabei steht das erste Dezil für die besten 10 Prozent, das zweite für die nächstbesten 10 Prozent usw.
  4. Gehe das beste Dezil long und das schlechteste short.
  5. Wiederhole Schritte 1 – 4 für jeden neuen Monat.

Und die Ergebnisse?

Die Ergebnisse dieser Untersuchung, sind in folgender Grafik dargestellt.

Rendite eines Machine Learning Portfolios

Die Durchschnittsrendite pro Monat wurde im roten Kasten markiert, wobei auch der maximale Drawdown (Max DD) weiter oben in der Tabelle abgetragen ist.

In der folgenden Grafik ist die kumulierte Performance der verschiedenen Methoden bzw. Portfolios abgetragen. Zudem wurde die Performance mit dem S&P500 verglichen.

Performance von Machine Learning Portfolios

Der S&P500 ist die dunkelblaue Linie, welche zudem durch einen Pfeil gekennzeichnet wurde. Die anderen Farben stehen für die einzelnen Methoden des Machine Learning bzw. die daraus resultierenden Portfolios. Es ist deutlich zu erkennen, dass die Methoden ein deutliches Alpha generieren, also eine Outperformance gegenüber dem Markt.

Fazit

Das Machine Learning birgt riesiges Potenzial, wie die dargestellte Studie gezeigt hat. Sowohl komplexe als auch einfachere Methoden des Machine Learning zeigen deutlich, dass durch die Anwendung eine signifikante Outperformance erzielt werden kann. Durch die weiter starke Forschung in diesem Themengebiet, sowie die immer besser werdende Hardware, wird eine immer größer werdende Outperformance wahrscheinlich.

Ich hoffe dieser kurze Ausblick in die Welt des Machine Learnings hat Dir gefallen und eventuell auch ein Interesse an der Thematik geweckt. Falls ja, dann kann ich Dir gerne einige Quellen über die Grundlagen dieses Themas zukommen lassen.

Mit freundlichen Grüßen und weiterhin ein schwankungsfreies Portfolio,

Dein Felix von Portfolio-Architekt

0 Kommentare

Dein Kommentar

An Diskussion beteiligen?
Hinterlasse uns Deinen Kommentar!

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.