Institutional Money, Ausgabe 1 | 2024

Monat auf den Anteil guter Nachrichten(NRG) beträgt 1,37 Prozent mit einer Steigung von 0,53 Prozent, die auf dem 95-prozentigen Niveau statistisch signifikant ist. Mit zuneh- mendem Vorhersagehorizont steigt das R 2 und erreicht über den jährlichen Horizont 8,52 Prozent. Die positive Vorher- sagekraft legt nahe, dass Investoren die Informationen guter Medienberichte unterbewerten. Zusätzlich deutet die signi- fikant positive Beziehung zwischen aktueller Rendite und NRG darauf hin, dass es zu einer graduellen Marktresonanz kommt, was in unserem Kontext mögliche Interpretationen der Informationsverbreitung mit Verzögerung und der Unaufmerksamkeit der Investoren ausschließt“, erklärt Co- Verfasser Zhou die Ergebnisse im Detail. Sofortige Reaktion auf schlechte Nachrichten Im Gegensatz zu den Resultaten für gute Nachrichten fin- den die Autoren jedoch „keine Evidenz für eine prognosti- sche Kraft bezüglich des Anteils an schlechten Nachrichten. Wie erwartet ist das Verhältnis negativ mit zeitgleichen Ren- diten korreliert“, führt Co-Autor Chen weiter aus. Das deutet durchaus darauf hin, dass Investoren die Infor- mationen schlechter Nachrichten sofort erfassen und ent- sprechend reagieren. „Der Prozess erscheint effizient, da es keine zukünftigen Implikationen gibt. Insgesamt zeigen unsere Ergebnisse, dass ChatGPT textuelle Informationen guter Nachrichten effektiver erfassen kann als Menschen, was zu einer Vorhersagbarkeit der Rendite von NRG führt“, so Co-Autor Tang. ImVergleich zu konventionellen Methoden der textuellen Analyse stellen die Autoren fest, dass die Wortlisten, die von Loughran und McDonald vorgeschlagen wurden, den Markt im Rahmen der vorliegenden Analyse nicht vorher- sagen können. „Eine plausible Erklärung für diese Diskre- panz könnte die verringerte Aktualität der durch Wortlisten identifizierten Informationen für menschliche Investoren sein“, so Zhou. Auch im Vergleich mit BERT stellt sich ChatGPT als überlegen heraus. Diese Beobachtungen stimmen mit ande- ren Forschungsergebnissen überein, die darauf hindeuten, dass große Sprachmodelle, die mit Hunderten von Milliar- den oder mehr Parametern ausgestattet sind, bestimmte „entstehende Fähigkeiten“ aufweisen, die in kleineren Modellen wie BERT nicht vorhanden sind. Vergleichsweise starke Prognosekraft Um die Validität ihrer Methode auch out of sample zu prü- fen, haben die Autoren den Unterschied zwischen dem kumulativen quadratischen Vorhersagefehler (CSFE), der durch die historische Durchschnittsvorhersage generiert wird, und dem CSFE, der aus Vorhersagen basierend auf dem guten Nachrichtenverhältnis NRG abgeleitet wird, ge- messen. Verglichen wird das Resultat mit dem CSFE für die Durchschnittskombination von Vorhersagen basierend auf den 14 Wirtschaftsvariablen, die von Welch und Goyal 2008 im Rahmen der Arbeit „A Comprehensive Look at the Empirical Performance of Equity Premium Prediction“ herausgearbeitet wurden (siehe „Steigende Aussagekraft der ChatGPT-Methode“) . Der Stichprobenzeitraum erstreckt sich von Januar 2006 bis Dezember 2022. Die insgesamt positive Entwicklung der Kurve deutet auf eine stabile Vorhersagbar- keit von NRG im Lauf der Zeit hin. Der jüngste Abwärtstrend könnte laut den Autoren die zunehmende Verfügbarkeit und den Einfluss von LLMs widerspiegeln, womit es Parallelitäten zu dem von McLean und Pontiff etablierten „Publikationseffekt“ geben könnte. Im Gegensatz dazu zeigt die Kurve, die mit der Durch- schnittskombination wirtschaftlicher Variablen verbunden ist, im Allgemeinen eine negative Steigung, die nur während der Finanzkrise von 2008 unterbrochen wird. Fazit Halten die Ergebnisse künftigen Prüfungen stand, so stellen sie einen weiteren Meilenstein in Sachen KI-Anwendung dar, der die mühevolle Erstellung und Aktualisierung von Lexika zur Textanalyse hinfällig macht. Interessant sind auch die behavioristischen Erkenntnisse, wonach Investoren gute Nachrichten in der Regel offenbar als zu gut, umwahr sein, interpretieren und langsamer einpreisen, als das bei schlech- ten Nachrichten der Fall ist. Bad News werden hingegen sofort eingepreist und weisen demzufolge keine Prognose- kraft auf. HANS WEITMAYR Steigende Aussagekraft der ChatGPT-Methode KI schlägt das Prognosemodell mit 14 ökonomischen Variablen. Das KI-Modell weist eine deutlich höhere Prognosekraft auf als das herkömmliche Prognosetool. Publikationseffekte könnten der Grund für den Abfall gegen Ende der Beobachtung sein. Quelle: „ChatGPT, Stockmarket Predictability (...)“, Chen et al. | *Cumulative Squared Forecast Error 2015 2012 2009 2006 2021 2018 -2 0 2 4 6 8 10 12 NRG CSFE* Standard-Prognose Rezession 240 N o . 1/2024 | institutional-money.com PRODUKTE & STRATEGIEN | ChatGPT-Update FOTO: © WASHINGTON UNIVERSITY » Die positive Vorhersagekraft legt nahe, dass Investoren die Informationen guter Medienberichte unterbewerten. « Guofu Zhou, Washington University