Institutional Money, Ausgabe 4 | 2024

J üngste Fortschritte in der Verarbeitung natürlicher Spra- che (Natural Language Processing, NLP) mit Large Language Models (LLMs) ermöglichen heute eine Stim- mungsanalyse von Finanznachrichten durch Maschinen, die bis vor Kurzem nicht vorstellbar war. Large Language Models ermöglichen große Fortschritte bei der Verarbeitung großer Zusammenhänge und zeigen bei verschiedenen pro- fessionellen und akademischen Benchmarks eine Leistung auf menschlichemNiveau. Ihre Fähigkeit, immer mehr Kon- text zu verarbeiten, hat in vielen Geschäftsbereichen beson- ders interessante Anwendungen gezeigt. Was liegt daher in Bezug auf die Kapitalmarktforschung näher, als zu untersu- chen, ob es möglich ist, Signale aus Finanznachrichten zu extrahieren, um damit bestehende Anlagestrategien, die über Buy and Hold hinausgehen, zu verbessern. Modellvielfalt Das dafür geeignete Werkzeug ist das Textanalysetool BERT (Bidirectional Encoder Representations from Transformers) und seine finanzorientierte Version FinBERT. FinBERT ist ein vortrainiertes NLP-Modell zur Analyse der Stimmung in Finanztexten. Es wird erstellt, indem das BERT-Sprachmodell im Finanzbereich anhand eines großen Finanzkorpus (eine umfangreiche Textsammlung, die sich mit Finanzthemen beschäftigt) weiter trainiert und so für die Klassifizierung der Stimmung in Finanztexten feinabgestimmt wird. Für die Feinabstimmung wird die Financial PhraseBank des finni- schen Finanz- und Statistikexperten Pekka Malo aus dem Jahr 2014 verwendet, das Modell liefert Ausgaben für drei Stimmungs-Labels: positiv, negativ oder neutral. Diese Mo- delle haben die Präzision der Sentiment-Analyse erheblich erhöht und neue Möglichkeiten geschaffen,Nachrichten für das Treffen von Finanzentscheidungen zu verwenden. Eben- so bietet SentiWordNet 3.0 eine verbesserte lexikalische Res- source für die Sentimentanalyse und weist eine Genauig- keitsverbesserung von ungefähr 20 Prozent gegenüber der früheren Version auf. Jüngste Entwicklungen wie FinEntity konzentrieren sich auf die Stimmungsklassifizierung auf Ebene einer Entität – das kann beispielsweise ein Konzern oder eine Person sein – in Finanztexten und demonstrieren deren Nutzen in Anwendungen betreffend Investments oder auch Regulierungen.Hierum haben sich Yixuan Tang, Yi Yang, Allen H. Huang, Andy Tam und Justin Z. Tang in „Finentity: Entitylevel Sentiment Classification for Financial Texts“, publiziert im vergangenen Jahr., verdient gemacht. Auch Deep-Learning-Anwendungen haben deutliche Ver- besserungen gezeigt und können einem komplexen Text durchgängig eine zuverlässige Stimmung verleihen. Verbesserungsbedarf Bei genauerer Betrachtung verschiedener Aktienmärkte und erweitertem Out-of-Sample-Backtesting erwiesen sich diese Bemühungen jedoch als wenig überzeugend, was Frank Z. Xing, Erik Cambria und Roy E. Welschin 2018 in „Natural Language Based Financial Forecasting: A Survey“ feststellen mussten. Die Interpretation von Finanznachrichten ist eine komplexe Aufgabe, da sie komplizierte Zusammenhänge beinhaltet, die unterschiedlich interpretiert werden können, und zeitkritische Informationen mit Verfallsdatum enthält. Darüber hinaus wird die Stimmung in Finanznachrichten häufig von der menschlichen Wahrnehmung beeinflusst, und es gibt zahlreiche zugrunde liegende Implikationen. Hier setzen nun die Kapitalmarktforscher Baptiste Lefort, Eric Benhamou, Jean-Jacques Ohana, David Saltiel, Beatrice Guez und Thomas Jacquot an. Sie vermuten, dass zwei Din- ge dabei helfen können, das grundlegende Problem der Interpretation von Nachrichten zu lösen, um Aktienmarkt- regime vorherzusagen: Erstens könnte die Entstehung von Strategien , die auf der Basis von Stressindikatoren ihre Risikoprofile steuern, lassen sich mithilfe KI-gestützter Sentiment-Analyse weiter verfeinern. Im Idealfall verbessert dies die Risiko-Ertrags-Eigenschaften des kombinierten Ansatzes. Das Beste aus zwei Welten 210 N o . 4/2024 | institutional-money.com PRODUKTE & STRATEGIEN | KI-Sentiment-Strategie FOTO: © AI FOR ALPHA » Wir kombinieren einen Stressindex mit einer KI-gestützten News-Sentiment-Analyse auf eine neuartige Art und Weise. « Baptiste Lefort, PhD Student (AI/NLP) an der CentraleSupélec in Paris und AI Research Engineer bei Ai For Alpha, ebenfalls Paris