Wer erfolgreich gute von schlechten Aktien trennen möchte, muss den vorhandenen Daten möglichst viele Informationen entlocken – und dabei drei Probleme lösen. HQAM arbeitet dazu mit Methoden des maschinellen Lernens.

In den vergangenen Jahren hat sich für Anleger vieles geändert. So haben sowohl die Quantität als auch die Qualität der verfügbaren Unternehmensdaten massiv zugenommen. Im Gegensatz zu früher, ist heute demnach nicht mehr die Datenbeschaffung eines der Hauptprobleme bei der Aktienanalyse, sondern die Datenverarbeitung.

Manches hat sich aber nicht geändert. Genau wie früher geht es an den Kapitalmärkten immer noch darum, den vorhandenen Daten die richtigen Informationen zu entlocken. Da allen Marktteilnehmern praktisch die gleichen Daten zur Verfügung stehen, besteht die Herausforderung heute vor allem darin, den Daten mehr Informationen zu entlocken als andere Marktteilnehmer.

Um gute von schlechten Aktien zu trennen, muss man demnach eine sehr genaue Vorstellung haben, von welchen Daten man zukünftig (Out-)Performance erwarten kann – und von welchen nicht. Ebenso wichtig ist die richtige Datenaufbereitung, eine Art Veredelungsprozess. Dabei geht es darum, die Daten, die man zuvor selektiert hat, auf Qualität zu überprüfen. Auf diesem Weg gibt man der nachgelagerten Methode die maximale Chance, die richtigen Informationen aus den Daten zu extrahieren, um dadurch Mehrwert für den Investmentprozess zu schaffen.

Die Zusammenhänge zwischen Daten und zukünftigen Renditen sind komplexer als mancher Investor annimmt

Dass es nicht leicht ist, diesen Mehrwert zu schaffen, zeigen drei Beispiele. Sie belegen exemplarisch, mit welchen Problemen sich Investoren konfrontiert sehen, wenn sie Aktienmärkte prognostizieren möchten – die Zusammenhänge zwischen fundamentalen und technischen Daten sowie den zukünftigen Renditen eines Unternehmens sind komplexer als mancher Investor annimmt.

Denn werden Methoden der künstlichen Intelligenz „unbedarft“ auf Daten losgelassen, identifizieren diese eventuell Scheinkorrelationen. Das Schlimmste daran: Mit fehlender Sachkenntnis wird noch nicht mal erkannt, dass es sich um ein sinnloses Ergebnis handelt. Dies zeigt sich dann später in der Performance des Anlagekonzeptes, was natürlich viel zu spät ist.

Problem Nicht-Linearität: Der Zusammenhang zwischen Aktienrenditen und Kennzahlen ist nicht immer proportional

Manchmal ist es ganz einfach, Kennzahlen zu analysieren: Mit Blick auf das Kurs-Gewinn-Verhältnis (KGV) unterstellen viele Marktteilnehmer, dass ein niedriges KGV gleichbedeutend mit einer günstigen Aktie ist. Von einer solchen Aktie erwarten sie eine positive Entwicklung. Hat die Aktie dagegen ein hohes KGV, unterstellen sie eine eher schlechte Performance.

Ein solcher linearer Zusammenhang mag auf manche Fundamentaldaten zutreffen. Es gibt aber auch viele Daten, bei denen die Zusammenhänge nicht linear sind, sondern ganz anders aussehen. Das bedeutet: Hat der Investor ein Modell, dass solche komplexeren Zusammenhänge nicht erkennt, verzichtet er auf Informationen.

Ein gutes Beispiel hierfür ist der Verschuldungsgrad eines Unternehmens: Ist er sehr hoch, ist das Insolvenzrisiko ebenfalls hoch und die Performance tendenziell schlecht. Ist die Verschuldung sehr niedrig, muss dies allerdings nicht vorteilhaft sein. Ein Grund dafür könnten Probleme mit der Kapitalstruktur sein. Das Unternehmen nimmt nicht genügend Fremdkapital auf, was die eigenen Kapitalkosten senken würde. Das bedeutet: Die höchste Renditeerwartungen könnte man für Unternehmen haben, die einen durchschnittlichen Verschuldungsgrad aufweisen.

Problem Interaktion: Die Kombination von Kennzahlen kann die Trennschärfe zwischen guten und schlechten Aktien erhöhen

Wir sind der Meinung, dass Anleger sich nicht einzelne Kennzahlen eines Unternehmens anschauen sollten, um daraus Aussagen über die Performance abzuleiten. Nur mit einem Blick auf das Gesamtbild kann man die notwendigen Rückschlüsse ziehen, wie die Performance eines Unternehmens in der Zukunft aussehen kann.

Ein Beispiel, wie sich die Trennschärfe zwischen guten und schlechten Aktien erhöhen lässt, ist das Momentum. Setzt ein Investor auf die Gewinner der Vergangenheit, beispielsweise auf die Aktien mit dem höchsten Zwölf-Monats-Momentum, kam er in einem Musterzeitraum auf eine erwartete Rendite von 13 Prozent. Unternehmen mit einem niedrigen Momentum kamen dagegen nur auf von 7 Prozent: Daraus ergibt sich eine Renditespreizung von 6 Prozent.

Reichert der Investor allerdings die Information an und fügt beispielsweise die Marktkapitalisierung hinzu, nimmt die Renditespreizung zu. Kleinere Unternehmen, die in der Vergangenheit ein hohes Momentum hatten, kamen im Musterzeitraum auf eine erwartete Rendite von 17 Prozent. Mittlere bis große Unternehmen dagegen nur auf 5 Prozent. Das bedeutet: Die Unterscheidungsstärke wächst von 6 auf 12 Prozent an.

Problem Dynamik: Faktoren und deren Konstruktion sind zeitvariabel

Dass die Favoriten an der Börse wechseln, ist kein Geheimnis: Die Faktoren, welche die besten Ergebnisse gebracht haben, wechseln recht stark. Beispiel Minimum Volatility: Auf wenig schwankende Aktien zu setzen, war 2016 wenig attraktiv. Zwei Jahre später war „Min. Vol.“ einer der attraktivsten Faktoren.

Damit nicht genug: Das „Kochrezept“ für einen Faktor, genauer gesagt das Kennzahlenset, dass einen Faktor optimal beschreibt, kann sich im Zeitablauf ändern. Dabei halten wir es gar nicht für falsch das Rezept zu ändern, ganz im Gegenteil. Es ist wichtig, dass sich das Kochrezept im Zeitablauf ändert. Das Entscheidende ist allerdings, dass sich das Rezept nicht von einem auf den anderen Tag grundsätzlich ändert – wie das bei passiven Smart-Beta-Produkten in der Regel der Fall ist –, sondern dass man es permanent systematisch analysiert, ob Anpassungen sinnvoll sind.

Die Lösung: Random Forest

Bei der Lösung dieser drei Probleme arbeitet HQ Asset Management mit der Methoden des Maschinellen Lernens. Die Methode des Random Forest basiert dabei auf einem einfachen Prinzip: Schließlich sind Entscheidungsbäume sehr gut darin, Antworten auf die drei skizzierten Fragen zu finden. Mit ihnen kann man ausgezeichnet Dynamik, Nicht-Linearität und Interaktionen berücksichtigen.

Der Entscheidungsbaum hat lediglich den Nachteil, dass er die Vergangenheit perfekt nachbaut, die sich bekanntermaßen aber nicht eins zu eins wiederholt. Daher fügen wir dem Entscheidungsbaum zwei wesentliche Änderungen hinzu.

Zum einen schätzen wir nicht nur einen Baum, sondern einen ganzen Wald – einen Forest. Zum anderen fügen wir unseren Schätzungen gewisse Zufallselemente hinzu und übergeben nicht jedem Baum die gleichen Daten. Dann würde er sich zu sehr an die Vergangenheit anlehnen. Und dominante Faktoren bekämen einen zu großen Einfluss auf die Prognosen.

Dazu möchten Sie mehr wissen?

Hier können Sie Kontakt mit uns aufnehmen. Schließlich arbeitet HQAM bereits seit 2014 am Einsatz dieser besonderen Methode zur Prognose von Aktienmärkten. Wir zählen damit weltweit zu den ersten – mit entsprechenden Zitaten in akademischen Fachzeitschriften.

Zu den Autoren

Christian Maschner, CFA, arbeitet bei HQAM im Bereich Research, wo er sich vor allem mit der Entwicklung und Programmierung von Allokations- und Selektionsstrategien befasst. Der Diplom Kaufmann verfügt über Erfahrung als Portfoliomanager und quantitativer Researcher. Christian Maschner wirkte zudem beim Management von Risiko- (CPPI) und Chancen-Overlays (GTAA) im Rahmen von Spezialfonds mit.

Dr. Benjamin Moritz ist Executive Partner bei HQAM und befasst sich vor allem mit der Entwicklung und Programmierung der Allokations- und Selektionsstrategien. Er arbeitet seit 2007 in der Vermögensverwaltung und verfügt über eine umfassende Erfahrung beim Management großer Vermögen. Dr. Benjamin Moritz promovierte berufsbegleitend an der LMU München zu den Themen Textanalyse und maschinelles Lernen, für welche er auch ausgezeichnet wurde.

Martin Schmitz ist bei HQAM Senior Researcher im Bereich Aktienresearch. Er verfügt über Erfahrungen als Portfoliomanager sowie im Quantitative Research mit Schwerpunkt Backtesting und Faktor-Research im Bereich Aktien. Martin Schmitz studierte Wirtschafts-Informatik an der Fachhochschule für Ökonomie & Management in Essen.

Zu HQ Asset Management

HQAM gehört zu den Finanzdienstleistern der Familie Harald Quandt. Das Unternehmen bietet einen klaren Fokus auf quantitatives Asset Management für institutionelle und semi-institutionelle Anleger. Kunden sind Banken und Versicherungen ebenso wie Pensionskassen und Stiftungen. Maßgeschneiderte Portfolios stehen bei den Lösungsansätzen stets im Vordergrund.

Das könnte Sie auch interessieren:

Bitte beachten Sie:
Die Vermögensanlage an den Kapitalmärkten ist mit Risiken verbunden und kann im Extremfall zum Verlust des gesamten eingesetzten Kapitals führen. Die Wertentwicklung in der Vergangenheit ist kein Indikator für die Wertentwicklung in der Zukunft. Auch Prognosen haben keine verlässliche Aussagekraft für künftige Wertentwicklungen. Die Darstellung ist keine Anlage-, Rechts- und/oder Steuerberatung. Alle Inhalte auf unserer Webseite dienen lediglich der Information.

maschner_christian-2
Christian Maschner
Executive Partner
HQ Asset Management
Christian Maschner, CFA, arbeitet bei HQAM im Bereich Research, wo er sich vor allem mit der Entwicklung und Programmierung von Allokations- und Selektionsstrategien befasst. Der Diplom Kaufmann verfügt über Erfahrung als Portfoliomanager und quantitativer Researcher. Christian Maschner wirkte zudem beim Management von Risiko- (CPPI) und Chancen-Overlays (GTAA) im Rahmen von Spezialfonds mit.
moritz_dr.benjamin-2
Dr. Benjamin Moritz
Executive Partner
HQ Asset Management
Dr. Benjamin Moritz ist Executive Partner bei HQAM und befasst sich vor allem mit der Entwicklung und Programmierung der Allokations- und Selektionsstrategien. Er arbeitet seit 2007 in der Vermögensverwaltung und verfügt über eine umfassende Erfahrung beim Management großer Vermögen. Dr. Benjamin Moritz promovierte berufsbegleitend an der LMU München zu den Themen Textanalyse und maschinelles Lernen, für welche er auch ausgezeichnet wurde.
schmitz_martin_s
Martin Schmitz
Executive Partner
HQ Asset Management
Martin Schmitz ist bei HQ Asset Management (HQAM) Senior Researcher im Bereich Aktienresearch. Er verfügt über Erfahrungen als Portfoliomanager sowie im Quantitative Research mit Schwerpunkt Backtesting und Faktor-Research im Bereich Aktien. Martin Schmitz studierte Wirtschafts-Informatik an der Fachhochschule für Ökonomie & Management in Essen.
Inhalt
Wer erfolgreich gute von schlechten Aktien trennen möchte, muss den vorhandenen Daten möglichst viele Informationen entlocken – und dabei drei Probleme lösen. HQAM arbeitet dazu mit Methoden des maschinellen Lernens.
Inhaltsverzeichnis
  1. Die Zusammenhänge zwischen Daten und zukünftigen Renditen sind komplexer als mancher Investor annimmt
  2. Problem Nicht-Linearität: Der Zusammenhang zwischen Aktienrenditen und Kennzahlen ist nicht immer proportional
  3. Problem Interaktion: Die Kombination von Kennzahlen kann die Trennschärfe zwischen guten und schlechten Aktien erhöhen
  4. Problem Dynamik: Faktoren und deren Konstruktion sind zeitvariabel
  5. Die Lösung: Random Forest
  6. Dazu möchten Sie mehr wissen?
  7. Zu den Autoren
  8. Zu HQ Asset Management