zurück zum Artikel

KI revolutioniert die Aktienanalyse. Neue Methoden erlauben präzisere Prognosen über Kursentwicklungen als herkömmliche. Was sie leisten können.

In der Vergangenheit wurde immer wieder versucht, die Entwicklung von Aktienkursen vorherzusagen. Oft waren die Versuche nicht viel mehr als ein Blick in die Glaskugel. Wissenschaftler aus Kaiserslautern und München wollen nun einen Weg gefunden haben, Aktienrenditen besser vorherzusagen.

Revolution in der Aktienmarktanalyse mit KI-basierten Prognosen?

Methoden des Maschinellen Lernens (ML), einer Form der Künstlichen Intelligenz (KI), sollen jetzt möglich machen, was bisher kaum gelang. Die in der Fachzeitschrift "Journal of Asset Management" veröffentlichte Studie [1] zeigt, dass ML-Methoden das Potenzial haben, genauere Vorhersagen zu treffen.

Die Forscher vergleichen die Vorhersage von Aktienkursen mit der Wettervorhersage: Beide benötigen eine Vielzahl von Datenpunkten. Bei der Wettervorhersage spielen unter anderem Temperaturen in großer Höhe, Luftfeuchtigkeit, Luftströmungen, Wolkenbedeckung und Sonnenscheindauer eine Rolle.

Viele meteorologische Daten sind entscheidend für die Qualität von Wettervorhersagen. In ähnlicher Weise sind umfangreiche Finanzdaten und intelligente Methoden zu ihrer Verknüpfung entscheidend, wenn es darum geht, die mögliche Rentabilität einer Investition vorherzusagen.

Kapitalmarktanomalien: Der Schlüssel zu präziseren Aktienprognosen

Bei der Berechnung spielen die sogenannten Kapitalmarktanomalien eine entscheidende Rolle. Darunter versteht man Phänomene auf den Finanzmärkten, die sich nicht mit herkömmlichen Finanztheorien oder Marktmodellen erklären lassen. Sie drücken eine Abweichung von dem aus, was nach gängigen Markttheorien zu erwarten wäre.

Bekannte Beispiele für Kapitalmarktanomalien sind u. a.:

• Das Size-Phänomen (Größeneffekt): Kleinere Unternehmen (gemessen an ihrer Marktkapitalisierung) erzielen langfristig höhere Renditen als größere Unternehmen.
• Das Kurs-Buchwert-Verhältnis: Aktien von Unternehmen mit einem hohen Kurs-Buchwert-Verhältnis erzielen tendenziell höhere Renditen als solche mit einem niedrigeren Kurs-Buchwert-Verhältnis.
• Momentum-Effekt: Aktien, die in der Vergangenheit gute Renditen erzielt haben, tendieren dazu, auch in der Zukunft gute Renditen zu erzielen, und umgekehrt.
• Januar-Effekt: Die Beobachtung, dass die Aktienrenditen im Januar höher sind als in den anderen Monaten des Jahres, insbesondere bei kleinen Unternehmen.
• Wochentagsanomalien: Unterschiedliche Renditen an verschiedenen Wochentagen, wobei der Montag häufig die niedrigsten Renditen aufweist.

"Über 400 von ihnen [Finanzmarktanomalien], die in den letzten Jahren von führenden Finanzjournalen identifiziert wurden, werden als vorhersagbar für Aktienrenditen angesehen", erklärt Vitor Azevedo, Professor an der Rheinland-Pfälzischen Technischen Universität Kaiserslautern-Landau (RPTU) und ein Mitautor der Studie.

Überwindung traditioneller Analysemethoden durch KI

Herkömmliche Analysemethoden stoßen bei der Kombination und Interpretation dieser komplexen Datenmengen an ihre Grenzen, so Azevedo weiter. "Deshalb haben wir Methoden des Maschinellen Lernens verwendet, die fähig sind, komplexe Beziehungen innerhalb großer Datensätze aufzudecken."

Die Forscher untersuchten mehrere ML-Systeme. Und sie analysierten nahezu 1,9 Milliarden Aktien-Monat-Anomalie-Beobachtungen über einen Zeitraum von fast vier Jahrzehnten und in 68 Ländern.

Die Zukunft der Finanzinvestition: Wie KI die Spielregeln ändert

Die Ergebnisse waren beeindruckend: KI-basierte Modelle übertrafen traditionelle Methoden deutlich, mit einer durchschnittlichen monatlichen Rendite von bis zu 2,71 Prozent. Im Vergleich zu herkömmlichen Methoden erzielten die Forscher eine "monatliche Überrendite von etwa einem Prozent", so Azevedo.

Diese Erkenntnisse könnten die Entwicklung neuer Aktienpreismodelle vorantreiben. Finanzmanagern und Investoren werden damit Instrumente an die Hand gegeben, die genauere Prognosen und damit fundiertere Investitionsentscheidungen ermöglichen.

Die Autoren der Studie betonen jedoch auch die Bedeutung einer sorgfältigen Datenaufbereitung, um Ausreißer und fehlende Werte korrekt zu berücksichtigen. Dies sei insbesondere bei der Arbeit mit internationalen Daten von großer Bedeutung. Ferner wird empfohlen, ethische und regulatorische Aspekte im Umgang mit KI-Technologien zu berücksichtigen.

URL dieses Artikels:
https://www.heise.de/-9622165

Links in diesem Artikel:
[1] https://link.springer.com/article/10.1057/s41260-023-00318-z

Copyright © 2024 Heise Medien