Institutional Money, Ausgabe 4 | 2024

zusätzliche Vorhersagekraft im Vergleich zur naiven Suche nach statistisch signifikanten Bilanzkennzahlen bescheiden ist. Die Post-Sample-Renditen aus dem Peer-Review-Prozess und dem Data-Mining sind recht ähnlich, wobei Faktoren, die einen Peer Review durchlaufen haben, das reine Data- Mining um zwei Basispunkte pro Monat übertreffen. Die Post-Sample-Renditen liegen aber nur bei 50 Prozent der Rendite des Stichprobenzeitraums und haben somit die Hälfte der Prognosekraft verloren. Darüber hinaus ahmt das Data-Mining Merkmale des Peer-Review-Prozesses nach, da- runter subtile Muster bei den Renditen zum Zeitpunkt des Events und Themen wie Investitionen und Emissionen.Die- se Ergebnisse legen nahe, dass der Prozess zur Generierung von Peer-Review-Prädiktoren selbst Data-Mining darstellt. Kapitalmarktforschung, die sich auf risikobasierte Erklä- rungen oder Gleichgewichtsmodelle konzentriert, erzielt ebenfalls keine bessere Leistung. Wenn überhaupt, führen diese wohl strengeren Methoden zu einer schlechteren Per- formance. Die Autoren bieten eine Metatheorie für dieses Phänomen an, die zeigt, dass die Verwendung risikobasierter Erklärungen im Vergleich zu anderen Methoden wie verhal- tensbasierten Erklärungen oder Data-Mining entweder kein Signal für höhere erwartete Renditen oder kein Signal für stabile erwartete Renditen liefert. Dieses Ergebnis steht im Einklang mit Umfragen unter realen Investoren, die bei ihren Anlageentscheidungen akademische Risikofaktoren konsequent außer Acht lassen. Positiver ist, dass die Autoren feststellen, dass Peer Review nur 18 Prozent der Prädiktoren dem Risiko zuschreibt. Selbst die wenigen Indikatoren, die auf soliden mathe- matischen Modellen beruhen, deuten darauf hin, dass eine rigorose quantitative Modellierung nicht zwangsläufig zu besseren Ergebnissen in der Praxis führt – die Beziehung zwischen Modellierungsgenauigkeit und nachfolgenden Renditen ist sogar negativ. Diese Erkenntnisse werfen ein neues Licht auf die Prognoseforschung auf den Finanzmärk- ten und fordern die Kapitalmarktforscher heraus, die Methoden und Theorien, die sie zur Vorhersage in Finanz- märkten verwenden, kritisch zu hinterfragen. Insbesondere sollte man untersuchen, ob die hier besprochene Unter- grenze des t-Wertes von 2,0 bei Prädiktoren nicht in Rich- tung 2,5 bis 3,0 angehoben werden sollte, um eine Ergeb- nisverbesserung zu erreichen. Die nicht sehr überzeugenden Forschungsergebnisse sind jedenfalls positiv für die wachsende Literatur über den Ein- satz von Machine Learning im Finanzwesen. Wenn naives Data-Mining beträchtliche Out-of-Sample-Renditen generie- ren kann, dann sollten ausgefeiltere Methoden des maschi- nellen Lernens wohl noch mehr Potenzial bieten. Dieses Ergebnis legt nahe, dass ein Weg nach vorn bei der Bewer- tung von Assets darin besteht, die Daten direkt sprechen zu lassen, ohne die Filter der traditionellen Theorie anzuwen- den, und dem Beispiel von neuen Ansätzen wie Protein- faltung und Linguistik zu folgen. DR. KURT BECKER Risikobasierte Indikatoren schwächeln Post-Sample-Renditen der Risikoprämien stürzen stärker ab. Durchschnittliche Long-Short-Renditen veröffentlichter Prädiktoren, wobei das Event das Ende der ursprünglichen Stichprobenzeit- räume ist. Jeder Prädiktor wird normalisiert, sodass seine durchschnittliche In-Sample-Rendite 100 Basispunkte pro Monat beträgt. Prädik- toren werden basierend auf den Argumenten in den Studien in drei Gruppen eingeteilt. Die Renditen aller Prädiktoren innerhalb jedes Monats werden gemittelt, gezeigt wird der Fünfjahresdurchschnitt. Für alle drei Kategorien nimmt die Vorhersagbarkeit nach dem Ende der Stich- probe um etwa 50 Prozent ab. Risikobasierte Prädiktoren fallen stärker als andere. Quelle: Studie -100 -75 -50 -25 0 25 50 75 100 125 150 175 Auf Fehlbewertungen basierte Prädiktoren (117 Signale) Prädiktoren ungewissen Ursprungs (46 Signale) Risikobasierte Prädiktoren (36 Signale) Rollierende 5-Jahres-Renditen (Basispunkte pro Monat) Monate vor bzw. nach Ende der Original-Stichprobe - 360 - 300 - 240 - 180 - 120 - 60 0 60 120 180 240 N o . 4/2024 | institutional-money.com 99 Finanzindikatoren | THEORIE & PRAXIS FOTO: © MARC THÜRBACH » Die Beziehung zwischen Modellierungs- genauigkeit und nachfolgenden Renditen ist sogar negativ. « Tom Zimmermann, Professor for Data Analytics in Economics and Finance an der Universität zu Köln