Zig Variablen beeinflussen die Entwicklung von Aktienkursen. Zahlreiche Rechenmodelle nutzen diese Faktoren, um vermeintlich preisgünstige Wertpapiere zu identifizieren. Mittels KI gelingen allerdings noch weit bessere Vorhersagen, zeigen aktuelle Forschungsergebnisse.
Die Vorhersage von Aktienentrenditen ist komplex aufgrund der Vielzahl an Faktoren. Doch mit maschinellen Lernmodellen lassen sich Entwicklungen "mit bemerkenswerter Genauigkeit vorhersagen", zeigt eine Studie.
violetkaipa / Fotolia
Die Entwicklung von Aktienkursen zu antizipieren, gleicht einem Blick in die Glaskugeln. Doch ganz unmöglich ist es nicht. Gut 400 sogenannte Kapitalmarktanomalien hat die Wissenschaft aufgespürt, mit denen sich Trends bei der zukünftigen Wertentwicklung vorhersagen lassen. Doch die Rechenmodelle, die anhand der Kombination verschiedener Faktoren die Rendite einer Aktie prognostizieren, sind begrenzt. Forschende aus München und Kaiserslautern haben nun untersucht, wie Künstliche Intelligenz (KI) in Form von Maschinellem Lernen (ML) hierbei unterstützen und die Vorhersagen verbessern kann. Ihre Studie haben sie in der Fachzeitschrift "Journal of Asset Management" vorgestellt.
Als eine der zentralen Variablen, die eine über- oder unterdurchschnittliche Kursentwicklung einer Aktie erklären kann, nennen die Wirtschaftswissenschaftler das sogenannte Kurs-Gewinn-Verhältnis (KGV). Value Strategien nutzen diese Kennzahl, um in (vermeintlich) preisgünstige Aktien mit niedrigem KGV zu investieren. Zu den bekannten Faktoren gehört auch der Short-Term-Reversal-Effekt. Dieser besagt, dass Aktien mit den niedrigsten Renditen des letzten Monats im darauffolgenden Monat tendenziell stärker zulegen als jene mit den höchsten.
ML ist bei der Vorhersage besonders genau
Die Studienautoren Vitor Azevedo, Professor an der Rheinland-Pfälzischen Technischen Universität Kaiserslautern-Landau (RPTU), Sebastian Müller, Lehrstuhlinhaber von der Technischen Universität München, und Sebastian Kaiser vom Beratungshaus Roland Berger haben untersucht, wie relevant einzelne Faktoren sind, wie sie zusammenhängen und wie groß ihr Einfluss ist, wenn sie kombiniert werden. Hierzu haben sie Methoden des Maschinellen Lernens verwendet, "die fähig sind, komplexe Beziehungen innerhalb großer Datensätze aufzudecken", betont Azevedo.
Für die Erhebung kamen verschiedene ML-Systeme zum Einsatz, die insgesamt fast 1,9 Milliarden Aktien-Monat-Anomalie-Beobachtungen von 1980 bis 2019 in 68 Ländern ausgewertet haben. Dabei hätten die KI-Modelle signifikant besser abgeschnitten als herkömmliche Methoden. "Die maschinellen Lernmodelle können Aktienrenditen mit bemerkenswerter Genauigkeit vorhersagen", so Azevedo. "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."
Enormes Potenzial bei sauberer Datenbasis
Für den Finanzmarkt und seine Akteure bergen diese Technologien daher enormes Potenzial - etwa bei der Entwicklung neuer Aktienpreismodelle. Allerdings bedarf es hierzu sorgfältig aufbereiteter Daten, um zum Beispiel Ausreißer und fehlende Werte korrekt einzubeziehen. Dies sei vor allem beim Arbeiten mit internationalen Daten wichtig, betonen die Wirtschaftswissenschaftler. Außerdem raten sie, beim Einsatz dieser KI-Techniken ethische und regulatorische Bedenken vorab zu prüfen.