Institutional Money, Ausgabe 4 | 2024

schung zur Prognostizierbarkeit charakterisieren, wie sie von 1980 bis 2016 durchgeführt wurde. Das sind nämlich jene Jahre, die vom Datensatz von Chen und Zimmermann in ihrer Publikation „Open Source Cross Sectional Asset Pri- cing“ von 2022 abgedeckt werden. Die Kapitalmarktfor- schung entwickelt sich im Lauf der Zeit weiter, und seit 2016 haben sich immer mehr Wissenschaftler demmaschi- nellen Lernen und anderen Big-Data-Methoden zugewandt. Tatsächlich wurden Bereiche wie Proteinfaltung und Sprach- modellierung in jüngster Zeit durch atheoretische Suchen in riesigen Datenmengen revolutioniert. Zu nennen sind hier die Arbeiten von John Jumper von 2021 mit dem Titel „Highly Accurate Protein Structure Prediction with Alpha- Fold“, publiziert in Nature, sowie von Wayne Xin Zhao aus dem letzten Jahr. „A Survey of Large Language Models“ wurde in ArXiv publiziert. Die Grafik „Viel Lärm um fast nichts“ ist ein klares Beispiel für das Potenzial von Big-Data- Methoden. Die einfache Suche nach großen t-Statistik- Werten in Buchhaltungsvariablen führt zu erheblichen Out- of-Sample-Renditen. Und obwohl die Ergebnisse des Data- Mining wenig über die zugrunde liegende Ökonomie aus- sagen, können sie die empirische Grundlage für die nächste Generation wirtschaftlicher Ideen bilden. Als sekundäres Ergebnis dokumentieren die drei Autoren einen bemerkenswerten Konsens über die Ursprünge der Vorhersagbarkeit von Renditen laut Peer Review. Von den 199 veröffentlichten Prädiktoren, die sie untersuchten, wer- den nur 18 Prozent – das sind 36 Signale – laut Peer Review dem Risiko zugeordnet („Risikoprämien“). 59 Prozent oder 117 Signale werden auf Fehlbewertungen zurückgeführt, und 23 Prozent oder 46 Signale sind ungewissen Ursprungs. Diese Risikoprämien sollten sich nach der Publikation respektive dem Ende des Stichprobenzeitraums nicht än- dern. Die Tatsache, dass risikobasierte Prädiktoren im Zeit- raum nach Ende der Stichprobe aber konsequent abneh- men (siehe Grafik „Risikobasierte Indikatoren schwächeln“) , i- mpliziert, dass Peer Reviews Fehlbewertungen entweder fälschlicherweise als Risiko bezeichnen oder instabile Risi- kofaktoren identifizieren, die mit der Zeit schwächer wer- den. Tatsächlich schneiden Indikatoren, die auf Risikoargu- menten basieren, oft schlechter ab als simples Data-Mining. Glücklicherweise sind diese Fehler selten und stellen eine relativ geringe „Falscherkennungsrate“ dar. Eine negativere Sicht auf Peer Reviews ergibt sich aus der Tatsache, dass neuere Überprüfungen der Vorhersagbarkeit von Aktienrenditen in Bezug auf Risiko versus Fehlbewer- tungen gleichgültig sind. Angesichts des starken Konsensus, der sich aus der Lektüre der einzelnen Beiträge ergibt, deutet diese Gleichgültigkeit darauf hin, dass der Kampf zwischen risikobasierter und verhaltensorientierter Finanzwissenschaft zu einer mangelnden Bereitschaft geführt hat, sich an Debat- ten zu beteiligen.Diese mangelnde Bereitschaft wirft die Fra- ge auf, ob das Feld der Vermögenspreisbildung selbstkorri- gierend ist oder nicht. Fazit Der Peer-Review-Prozess erfordert eine erhebliche Investition an Talent und Energie. In dieser Studie wird untersucht, ob diese Investition dabei hilft, den Querschnitt der Aktienren- diten vorherzusagen. Dabei stellen die Autoren fest, dass die Viel Lärm um fast nichts Renditen aus Data-Mining und geprüften Prädiktoren (Finanzindikatoren) ähneln einander stark. Die aus dem Data-Mining gewonnenen Renditen entsprechen nicht nur dem Rückgang der nach Peer Review veröffentlichten Renditen im Zeitraum nach der Stichprobe, sondern auch das Muster ist ähnlich: Rückgang der Renditen in den ersten 60 Monaten nach der Stichprobe, Abflachung der Renditen in den Monaten 60 bis 120 und Renditerückgang um den 210. Monat. Quelle: Studie 25 50 75 100 125 - 360 - 300 - 240 - 180 - 120 - 60 0 60 120 180 240 Renditen aus Data-Mining für t-Werte > 2 aus der Original-Stichprobe Nach Peer Review veröffentlichte Renditen Rollierende 5-Jahres-Renditen (Basispunkte pro Monat) Monate vor bzw. nach Ende der Original-Stichprobe 98 N o . 4/2024 | institutional-money.com THEORIE & PRAXIS | Finanzindikatoren FOTO: © UNIVERSITY OF FLORIDA » Von Experten geprüfte, publizierte Indikatoren haben tatsächlich eine bessere Prognosekraft als Data-Mining-Resultate. « Alejandro Lopez-Lira, Assistant Professor of Finance an der University of Florida