Institutional Money, Ausgabe 4 | 2024

Large Language Models neue Perspektiven auf dieses lang- jährige Problem bringen und möglicherweise die Interpre- tation von Mehrdeutigkeiten in Finanznachrichten verbes- sern. Zweitens sollten Nachrichtenstimmungen mit anderen Signalen kombiniert werden, um eine robuste Risk-on-Risk- off-Strategie für die wichtigsten Aktienmärkte zur Verfügung zu haben. Daher stellen die Autoren einen neuen Ansatz vor, um die Risk-on-Risk-off-Strategie für den Aktienmarkt zu verbessern. Dieser Ansatz integriert einen Finanzstress- indikator mit einer von ChatGPT durchgeführten Stim- mungsanalyse, die tägliche Marktzusammenfassungen von Bloomberg liest und interpretiert. Darüber hinaus präsen- tieren die Autoren eine Methode zur Strategieauswahl, die zwischen der Hybridstrategie, die Nachrichtensignale und Stressindex kombiniert, und einer anderen Strategie, die nur auf dem Stressindexindikator basiert, wechselt. Nachrichtendaten und -signale Bloombergs tägliche Marktübersichten, also die Zusammen- fassung der wichtigsten Nachrichten des Tages, sind seit 2010 vorhanden und seit 2011 regelmäßig verfügbar. Sie ent- halten Texte und Zahlen, werden mehrmals am Tag erstellt und sind auf die drei Regionen USA, Europa und Asien spezialisiert.Um einen konsistenten Datensatz zu haben, ver- lassen sich die Autoren auf die neuesten verfügbaren Nach- richten vor der Eröffnung des europäischen Marktes, also auf die asiatischen Marktübersichten am Ende des Tages. So sammeln sie 3.627 tägliche Marktübersichten. Jede dieser Übersichten umfasst etwa 7.000 Zeichen, was mit Zeilen- umbrüchen etwa 140 Zeilen oder rund fünf Seiten ent- spricht. Für die Entwicklung des News-Signals folgt man der Methodik von Nachrichtendaten. Was die Nachrichtensig- nale anbelangt, folgen die Autoren derselben Methodik wie in „Can ChatGPT Compute Trustworthy Sentiment Scores from Bloomberg Market Wraps?“ von Baptiste Lefort, Eric Benhamou, Jean-Jacques Ohana,David Saltiel, Beatrice Guez und Damien Challet beschrieben, und verwenden einen zweistufigen Ansatz, um die Stimmungsanalyse in einfache- re Unteraufgaben aufzuteilen, für die ChatGPT besser geeig- net ist, nämlich Textzusammenfassung und Schlüsselwort- identifizierung. Zunächst sammelt man die täglichen Markt- zusammenfassungen von Bloomberg, um über die Finanz- trends auf dem Laufenden zu bleiben. Als Nächstes bittet man ChatGPT, jeden Tag 15 bedeutungsvolle Schlagzeilen zu generieren, um sicherzustellen, dass man die wichtigsten Ereignisse erfasst. Sobald man die Schlagzeilen hat, nimmt sich das Autorenteam einen Moment Zeit, um deren Ton zu beurteilen und zu entscheiden, ob es sich um ein positi- ves, negatives oder unentschlossenes Sentiment (drei Stim- mungskategorien) handelt. Dann berechnet man die tägli- che Anzahl der in jeder Kategorie bewerteten Nachrichten anhand einer einfachen Skala: –1 Punkt für eine negative Stimmung, 0 für Unentschlossenheit und +1 für die Tage, die positiv aufgeladen sind. Mit diesen Punktzahlen in der Hand betrachten die Autoren nicht nur einen Tag isoliert, sondern addieren diese Punkte über einen Zeitraum von zehn Tagen, um einen umfassenderen Überblick über die Stimmung des Marktes zu erhalten. Indem man diese täg- lichen Werte über zehn Tage mittelt, werden Höhen und Tiefen geglättet und der allgemeine Trend der Nachrichten- stimmung ermittelt. Anschließend wenden sie auf diesen Zehn-Tages-Stim- mungsdurchschnitt die z-Scoring-Methode an. Sie hilft zu verstehen, wie stark die Nachrichten im Vergleich zur Norm Die Stimmung des Marktes ist seit jeher ein wesentlicher Faktor bei der Steuerung des Portfoliorisikos. In Extremsituationen (Euphorie oder Panik) ist es nicht schwierig, diese Marktstimmung einzuschätzen, in den langen Zeiträumen dazwischen kann der Einsatz von KI diese Aufgabe erleichtern. N o . 4/2024 | institutional-money.com 211 KI-Sentiment-Strategie | PRODUKTE & STRATEGIEN FOTO: © TURSZ | STOCK.ADOBE.COM | GENERIERT MIT KI