Institutional Money, Ausgabe 4 | 2024

etwas stärker, wobei die Mittelwerte nach der Stichprobe 51 Prozent ihrer ursprünglichen Stichprobenmittelwerte – oder 51 Basispunkte pro Monat – betragen. Peer-Review-Research scheint also im Vergleich zu Data-Mining bei der Prognose von Renditen zu helfen, aber die Verbesserung ist beschei- den. Ein publizierbarer Finanzindikator in dem hypotheti- schen Szenario übertrifft die Ergebnisse nur um zwei Basis- punkte pro Monat. Tatsächlich zeigt die Grafik, dass es schwer ist, die Nullhypothese zu verwerfen, dass der Prozess, den Prädiktoren mit Peer Review durchlaufen haben, selbst kein Data-Mining darstellt. Die aus dem Data-Mining ge- wonnenen Renditen entsprechen nicht nur dem Rückgang der veröffentlichten Renditen im Zeitraum nach der Stich- probe: Sie entsprechen auch dem Anstieg der Renditen der letzten fünf Jahre, wenn die ursprünglichen Stichproben enden, dem Rückgang der Renditen in den ersten 60 Monaten nach der Stichprobe, der Abflachung der Rendi- ten in den Monaten 60 bis 120 und sogar dem Rückgang der Renditen um den 210. Monat. Vielleicht würden die nach dem Review veröffentlichten Prädiktoren besser abschneiden, wenn man sich auf wissen- schaftliche Arbeiten konzentrieren würde, die risikobasierte Ideen verwenden, dachten sich die Autoren angesichts der ersten nicht gerade berauschenden Ergebnisse.Wie in John H. Cochranes einflussreichem Lehrbuch „Asset Pricing: Revised Edition“ von 2009 beschrieben, „besteht die beste Hoffnung, Preisfaktoren zu finden, die außerhalb der Stich- probe und über verschiedene Märkte hinweg robust sind, da- rin zu versuchen, die grundlegenden makroökonomischen Risikoquellen zu verstehen.“Viele der Arbeiten mit demDa- tensatz von Chen und Zimmermann (2022) folgen diesem Ratschlag nicht und begründen ihre Prädiktoren mit infor- mellen Argumenten über Fehlbewertungen. Einigen fehlt sogar eine klare Erklärung, und die Kapitalmarktforscher stützen ihre Schlussfolgerungen auf die Stärke ihrer empiri- schen Ergebnisse. Beispielsweise endet Rolf W. Banz 1981 in „The Relationship between Return and Market Value of Common Stocks“mit der Bemerkung: „Der Größeneffekt existiert, aber es ist überhaupt nicht klar, warum er existiert.“ Um diese Möglichkeit zu berücksichtigen, ordnen die drei Autoren die Prädiktoren basierend auf der Erklärung für die Prognostizierbarkeit in den Originalstudien den Gruppen „Risiko“, „Fehlbewertungen“oder „nicht klar defi- niert“ zu. Dann vergleichen sie die Renditen der drei Grup- pen von Finanzindikatoren im Anschluss an das Ende der Stichprobe (sogenannte Post-Sample-Renditen). Enttäuschende Resultate Das Hauptergebnis bleibt auch in dieser Variante bestehen: Risikobasierte Forschung führt imVergleich zu Data-Mining nicht zu höheren Post-Sample-Renditen. Wenn überhaupt, schneiden risikobasierte Prädiktoren schlechter ab als ihre Data-Mining-Benchmarks. Die Autoren finden ähnliche Ergebnisse, wenn sie Prädiktoren basierend auf der Unter- stützung durch ein mathematisches Gleichgewichtsmodell kategorisieren. Obwohl es relativ wenige von formalen Modellen unterstützte Prädiktoren gibt, implizieren die vor- handenen, dass die Beziehung zwischen Modellierungs- genauigkeit und Post-Sample-Renditen negativ ist. Ein wich- tiger Vorbehalt ist, dass die Ergebnisse die Kapitalmarktfor- Eine aktuelle Untersuchung zeigt eine überraschende Effektivität des Data-Mining. Data-Mining-Techniken, bei denen in großem Maßstab nach statistisch bedeutsamen Mustern in Daten gesucht wird, liefern Ergebnisse, die jenen aus Peer-Review-Studien sehr nahe kommen. N o . 4/2024 | institutional-money.com 97 Finanzindikatoren | THEORIE & PRAXIS FOTO: © MONVIDEO | STOCK.ADOBE.COM | GENERIERT MIT KI