Auf den Finanzmärkten ist es eine Herausforderung, zuverlässig vorherzusagen, wie sich Aktienkurse entwickeln. Eine Methode beruht darauf, sich Kapitalmarktanomalien zunutze zu machen. Das sind Faktoren, die Rendite einer Aktie erklären können. Herkömmliche Verfahren, die Informationen daraus kombinieren, stoßen oft an ihre Grenzen, vor allem bei globalen Aktienanlagen. Methoden des Maschinellen Lernens (ML), einer Form der Künstlichen Intelligenz (KI), können helfen, solche Faktoren zu bündeln, sodass sich Aktenrenditen besser vorhersagen lassen. Das zeigt eine Studie von Forschern aus Kaiserslautern und München. Sie ist in der Fachzeitschrift „Journal of Asset Management“ erschienen.
Die Vorhersage von Aktienrenditen ist vergleichbar mit der Wettervorhersage, bei der eine Vielzahl von Datenpunkten benötigt wird. Diese umfassen beispielsweise Temperaturen in großer Höhe und Luftfeuchtigkeit bis zu Luftströmungen, Wolkenbedeckung und Sonnenscheindauer. So wie detaillierte meteorologische Daten entscheidend für die Entwicklung genauer Wettervorhersagen sind, sind umfangreiche Finanzdaten und intelligente Methoden, die all diese Informationen kombinieren, essentiell, um festzustellen, ob eine Investition wahrscheinlich profitabel sein wird.
Zu solchen Daten zählen auch sogenannte Kapitalmarktanomalien. „Über 400 von ihnen, die in den letzten Jahren von führenden Finanzjournalen identifiziert wurden, werden als vorhersagbar für Aktienrenditen angesehen“, erklärt Professor Dr. Vitor Azevedo von der Rheinland-Pfälzischen Technischen Universität Kaiserslautern-Landau (RPTU), ein Mitautor der Studie. Fachleute bezeichnen solche Variablen, die eine überoder 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.
Doch welche dieser Faktoren sind relevant? Wie hängen sie zusammen und wie groß ist ihr Einfluss, wenn sie kombiniert werden? In der Studie wollten Azevedo, Professor Dr. Sebastian Müller von der Technischen Universität München und Sebastian Kaiser von der Beratungsfirma Roland Berger herausfinden, ob Künstliche Intelligenz diese Fragen beantworten kann. „Traditionelle Methoden wie Regressionsanalysen haben in diesem Zusammenhang ihre Grenzen“, merkt Azevedo an. „Deshalb haben wir Methoden des Maschinellen Lernens verwendet
