KI übertrifft bei der Vorhersage von Aktienrenditen deutlich

Maschinelles Lernen kann Aktienrenditen besser vorhersagen. Die Künstliche Intelligenz (KI) nutzt umfangreiche Finanzdaten und smarte Methoden, um Infos zu kombinieren und Schlüsse zuzulassen, ob eine Investition wahrscheinlich profitabel sein wird oder eben nicht.

Zu diesen Daten zählen die Kapitalmarktanomalien, betonen KI-Forscher der Rheinland-Pfälzischen Technischen Universität Kaiserslautern-Landau.

„Kurs-Gewinn-Verhältnis“

„Über 400 von ihnen, die in den letzten Jahren von führenden Finanzjournalen identifiziert wurden, werden als vorhersagbar für Aktienrenditen angesehen“, erklärt Studienautor Vitor Azevedo. Fachleute bezeichnen solche Variablen, die eine über- oder unterdurchschnittliche Kursentwicklung einer Aktie erklären können, als Faktoren. Ein Beispiel ist das relativ bekannte „Kurs-Gewinn-Verhältnis“ (KGV) einer Aktie.

Sogenannte Value Strategien können diese Kennzahl nutzen, um in (vermeintlich) preisgünstige Aktien mit niedrigem KGV zu investieren. Aber auch der „Short-Term-Reversal“-Effekt wäre hier zu nennen, bei dem Aktien mit den niedrigsten Renditen des letzten Monats im darauffolgenden Monat tendenziell stärker zulegen als jene mit den höchsten Renditen, heißt es.

1,9 Mrd. Beobachtungen

In der Studie wollten Azevedo, Sebastian Müller von der TU München und Sebastian Kaiser von der Beratungsfirma Roland Berger herausfinden, ob KI diese Fragen beantworten kann. „Traditionelle Methoden wie Regressionsanalysen haben in diesem Zusammenhang ihre Grenzen. Deshalb haben wir Methoden des maschinellen Lernens verwendet, die fähig sind, komplexe Beziehungen innerhalb großer Datensätze aufzudecken“, so Azevedo.Dazu analysierten sie 1,9 Mrd. Anomalie-Beobachtungen in 68 Ländern in den Jahren 1980 bis 2019.

„Wir haben gesehen, dass diese KI-Modelle signifikant besser als herkömmliche Methoden sind. Die maschinellen Lernmodelle können Aktienrenditen mit bemerkenswerter Genauigkeit vorhersagen. Sie erzielen monatlich eine durchschnittliche Rendite von bis zu 2,71 Prozent im Vergleich zu herkömmlichen Verfahren mit einer monatlichen Überrendite von etwa einem Prozent“, unterstreicht Azevedo.

Finanz-Manager könnten die Methode künftig beispielsweise nutzen, um neue Aktienpreismodelle zu entwickeln. Dabei raten die Kaiserslauterer und Münchner Wirtschaftswissenschaftler unter anderem dazu, die Daten vorher sorgfältig aufzubereiten, um zum Beispiel Ausreißer und fehlende Werte korrekt einzubeziehen. Dies sei vor allem beim Arbeiten mit internationalen Daten wichtig.

www.pressetext.com