Institutional Money, Ausgabe 4 | 2023

2. Erkundung vorhandener Indikatoren: In der Finanz- welt gibt es eine reichhaltige Bibliothek bereits vorhan- dener technischer und fundamentaler Indikatoren. Viele Faktoren basieren auf diesen bekannten Indikatoren, zum Beispiel gleitende Durchschnitte, Bollinger-Bänder, MACD etc.. 3. Kombination von Indikatoren: Durch die Kombination verschiedener Indikatoren können komplexe Faktoren erstellt werden, die verschiedene Aspekte des Marktes erfassen, zum Beispiel Trend, Momentum, Volumen und Volatilität. 4. Anwendung finanzieller Theorien: Manchmal basiert die Erstellung von Faktoren auf spezifischen finanziellen Theorien oder Anlagephilosophien. Zum Beispiel können einige Faktoren darauf abzielen, Value-Aktien,Wachstums- aktien oder Marktineffizienzen zu identifizieren. 5. Experimentieren mit mathematischen Transformatio- nen: Die Anwendung mathematischer oder statistischer Transformationen auf Preise, Volumen oder andere Daten kann verborgene Muster aufdecken oder die Daten auf sinnvolle Weise normalisieren. 6. Gruppierungs- und Rolling-Operationen: Durch die Gruppierung der Assets und die Anwendung rollierender Berechnungen können Faktoren so berechnet werden, dass die Zeitreihennatur der Daten respektiert wird. 7. Iteratives Testen und Verfeinern: Die Erstellung eines Faktors erfordert oft mehrere Iterationen von Tests, Ver- feinerungen und Validierungen. Die Wirksamkeit eines Faktors kann durch Backtesting, Out-of-Sample-Tests und statistische Analysen beurteilt werden. 8. Einbeziehung von Fachkenntnis: Manchmal können einzigartige Einblicke aus einer bestimmten Branche, Marktbedingungen oder unternehmensspezifische Gege- benheiten die Schaffung eines neuen Faktors inspirieren. 9. Gewährleistung der Praktikabilität: Faktoren müssen aus verfügbaren Daten berechenbar, frei von statistischem Noise sein und in realen Szenarien anwendbar sein. Faktor „24“ In der Arbeit schlüsseln die Autoren die Funktionsweise ein- zelner – aber nicht aller – Faktoren auf. Besonders interes- sant erscheint Faktor 24, da er die höchste Sharpe Ratio aus- weist. Der Faktor kombiniert die Indikatoren „Parabolic Stop and Reverse“ (PSAR), „Williams %R“ und den „Triple Exponential Moving Average“ (TEMA). Der PSAR liefert potenzielle Wendepunkte imMarkt. Er- höhte PSAR-Werte können entweder auf eine robuste Preis- entwicklung hindeuten oder bevorstehende Umkehrungen ankündigen. Williams %R, ein auf Momentum ausgerichteter Indika- tor, markiert überkaufte und überverkaufte Bereiche, wobei seine Höchstwerte möglicherweise Preisneujustierungen in- dizieren können. Der TEMA weist wiederum eine erhöhte Reaktionsfähig- keit auf Preisfehler aus. Erhöhte TEMA-Werte können mit einer robusten Preisentwicklung einhergehen und lukrative Handelsmöglichkeiten ankündigen. Eine Aktie, die durch ei- nen steigenden Faktor 24-Wert gekennzeichnet ist, könnte also laut Chat GPT in einem Bären-Markt mit aufkommen- dem Umkehrpotenzial eingebettet sein und somit auf op- portunistische Kaufsignale hinweisen. Als Fazit bleibt, dass die Ergebnisse fast zu gut erscheinen, um wahr zu sein. In diesem frühen Stadium von breiten LLM-Anwendungen in der Investmentpraxis wird man wohl auf weiterführende Literatur und Forschung warten müssen, um die vorhandenen Daten zu verifiziern – oder zu widerlegen. ChatGPT wird zweifellos bereits sein, zu assistie- ren. HANS WEITMAYR GPTs erfolgreichste Erträge GPT-Faktoren wurden von ChatGPT in Multifaktor-Strategien gegossen STATISCHE MULTI-FAKTOR ERTRÄGE Strategie Annualisierte Erträge Sharpe Ratio Maximum Drawdown Long-only 0,45161 1,6295 0,25439 Long-Short 0,39728 2,4854 0,071795 DYNAMISCHE MULTI-FACTOR ERTRÄGE – LONG-ONLY Strategie Annualisierte Erträge Sharpe Ratio Maximum Drawdown Long-only 0,34044 1,3822 0,22944 Long-Short 0,37593 3,0931 0,061103 DYNAMISCHES MULTI-FAKTOR ERTRÄGE – LONG-SHORT Strategie Annualisierte Erträge Sharpe Ratio Maximum Drawdown Long-only 0,30262 1,2644 0,29177 Long-Short 0,30036 2,4478 0,12983 ALPHAS VON MULTI-FAKTOR STRATEGIEN Faktor Drei Faktor-Modell Fünf Faktor-Modell Statisch 0,41809*** 0,40985*** (3,01) (2,97) Dynamisch auf Basis Long-only 0,38067*** 0,36583*** (2,97) (2,86) Dynamisch auf Basis Long-Short 0,32770** 0,32256** (2,40) (2,38) Die neu identifizierten Einzelfaktoren wurden von ChatGPT in Multifaktorportfolios gegossen. Auch hier sind wiederum die erfolgreichsten Kombinationen sowohl im Be- reich „statisch“ wie auch „dynamisch“ beeindruckend. Das trifft nicht nur auf die Rendite per se, sondern auch auf die Sharpe Ratio und die Alphas der Konstruktionen zu. ***/**/*: 99/95/90 Prozent Signifikanz Quelle: GPT’s Idea of Stock Factors 138 N o . 4/2023 | institutional-money.com THEORIE & PRAXIS | KI und ChatGPT-Faktormodell LOGO: © OPENAI » Basierend auf historischen Daten und Verhaltensmustern kann ich fundierte Annahmen darüber treffen, wie gewisse Indikatoren interagieren. « ChatGPT 4, KI & Large Language Model