Maschinelles Lernen revolutioniert die Aktienrendite-Prognose

In den letzten Jahren hat sich der Einsatz künstlicher Intelligenz (KI) im Finanzsektor rasant entwickelt. Besonders das maschinelle Lernen, ein Teilbereich der KI, gewinnt zunehmend an Bedeutung bei der Analyse und Vorhersage von Aktienrenditen. Eine aktuelle Studie der Rheinland-Pfälzischen Technischen Universität Kaiserslautern-Landau und der Technischen Universität München zeigt, dass Methoden des maschinellen Lernens die Fähigkeit besitzen, Aktienrenditen präziser vorherzusagen als traditionelle Modelle.

Die Finanzmärkte sind komplex und von einer Vielzahl von Variablen beeinflusst, ähnlich wie meteorologische Systeme, bei denen Daten wie Temperaturen, Luftfeuchtigkeit und Luftströmungen berücksichtigt werden müssen, um das Wetter vorherzusagen. Im Finanzbereich sind es Kapitalmarktanomalien - also Faktoren, die die Rendite einer Aktie erklären können - die von entscheidender Bedeutung für die Vorhersage von Aktienkursentwicklungen sind. Über 400 solcher Anomalien wurden von Wissenschaftlern identifiziert und als prädiktiv für Aktienrenditen eingestuft.

Diese Kapitalmarktanomalien umfassen beispielsweise das Kurs-Gewinn-Verhältnis (KGV) einer Aktie, das von Value-Strategien genutzt wird, um in als preisgünstig geltende Aktien zu investieren. Ein weiteres Beispiel ist der Short-Term-Reversal-Effekt, bei dem Aktien mit den niedrigsten Renditen des letzten Monats im darauffolgenden Monat tendenziell höhere Renditen erzielen.

Die Herausforderung besteht darin, zu bestimmen, welche der vielen Faktoren relevant sind, wie sie miteinander interagieren und wie sie sich auf die Rendite auswirken, wenn sie kombiniert werden. Traditionelle Methoden wie Regressionsanalysen stoßen hier an ihre Grenzen. Genau an diesem Punkt setzen KI und maschinelles Lernen an, indem sie komplexe Beziehungen innerhalb großer Datensätze erkennen und nicht-lineare Kombinationen dieser Faktoren ermöglichen.

Die Forscher untersuchten verschiedene maschinelle Lernsysteme und analysierten nahezu 1,9 Milliarden Aktien-Monat-Anomalie-Beobachtungen von 1980 bis 2019 in 68 Ländern. Die Ergebnisse zeigen, dass maschinelle Lernmodelle im Durchschnitt monatliche Renditen von bis zu 2,71 Prozent erzielen konnten, verglichen mit herkömmlichen Methoden, die etwa ein Prozent monatliche Überrendite erreichten.

Diese Erkenntnisse verdeutlichen das Potenzial maschinellen Lernens für die Entwicklung neuer Aktienpreismodelle und könnten Finanzmanagern helfen, profitablere Investitionsentscheidungen zu treffen. Allerdings betonen die Wissenschaftler auch die Notwendigkeit, Daten sorgfältig aufzubereiten und ethische sowie regulatorische Bedenken zu berücksichtigen.

Die Ergebnisse der Studie wurden im "Journal of Asset Management" veröffentlicht und bieten einen Wegweiser für die zukünftige Integration von KI-Technologien in den Finanzmarkt. Sie zeigen auf, wie maschinelles Lernen dazu beitragen kann, die Effizienz und Genauigkeit von Investitionsentscheidungen zu erhöhen.

Quellen:
- Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau (RPTU) [https://idw-online.de/de/news828217]
- Azevedo, V., Kaiser, G. S., & Mueller, S. (2023). Stock market anomalies and machine learning across the globe. Journal of Asset Management. [https://doi.org/10.1057/s41260-023-00318-z]
- Agrarheute [https://www.agrarheute.com/management/finanzen/ki-aktienkurse-vorhersagen-getreidepreise-605848]
- FasterCapital [https://fastercapital.com/de/thema/k%C3%BCnstliche-intelligenz-(ki)-und-maschinelles-lernen-f%C3%BCr-die-vorhersagewartung.html]
- Business Insider Deutschland [https://www.businessinsider.de/wirtschaft/geldanalage-kuenstliche-intelligenz-bridgewater-startet-fonds-der-auf-maschinellem-lernen-basiert-so-funktioniert-er/]