Institutional Money, Ausgabe 1 | 2025

I nvestmentfonds können meist täglich zumNettoinven- tarwert (NAV) zurückgegeben werden. Dies ist für Fondsmanager problematisch, wenn die Flows schwer vorhersehbar und volatil sind, da das Liquiditätsmanage- ment des Fonds dadurch deutlich erschwert wird. Auch in- stitutionelle Investoren schätzen diese 2owinduzierte Perfor- manceverzerrung nicht, weshalb Spezialfonds ohne störende Flows Dritter von dieser Gruppe eindeutig präferiert wer- den. Ältere Studien wie etwa jene von Roger M. Edelen von 1999 mit dem Titel „Investor Flows and the Assessed Perfor- mance of Open-End Mutual Funds“, verö$entlicht im Jour- nal of Financial Economics, haben gezeigt, dass große, uner- wartete Mittelzu2üsse die Fondsperformance negativ beein- 2ussen können und schließlich sogar zu verzerrten Vermö- genspreisen führen können. Letztere Feststellung haben Joshua Coval und Erik Sta$ord in „Asset Fire Sales (and Pur- chases) in Equity Markets“ im Jahr 2007 getro$en. Für Fondsmanager ist es daher von großer Bedeutung, künftige Kapital2üsse möglichst genau zu prognostizieren. Dr. Jürg Fausch, Professor am IFZ, Lucerne University of Applied Sciences and Arts, Moreno Frigg, Senior Research Associate am Institut für Finanzdienstleistungen IFZ in Zug und Doktorand an der Universität Neuchâtel, Professor Dr. Stefan Ruenzi, Inhaber des Lehrstuhls für Internationale Finanzierung an der Fakultät für BWL an der Universität Mannheim, sowie Dr. FlorianWeigert, ordentlicher Professor für Finanzrisikomanagement an der Universität Neuchâtel, haben sich zusammengetan, um die Investmententschei- dungen von Fondsinvestoren, die sich in den Fonds2üssen widerspiegeln, zu untersuchen. Ziel ist es, neue Erkenntnisse über die Prognostizierbarkeit von Fondszu- und -ab2üssen in Verbindung mit bestimmten Fondscharakteristika zu gewinnen. Die Literatur belegt, dass viele Variablen einen Ein2uss auf Mittelzu- und -ab2üsse haben und dass diese Beziehungen oft nichtlinear sind.Das wiesen schon Erik R. Sirri und Peter Tufano 1998 in „Costly Search and Mutual Fund Flows“, verö$entlicht im Journal of Finance, und Judith Chevalier und Glenn Ellison ein Jahr zuvor in „Risk Taking by Mu- tual Funds as a Response to Incentives“, nachzulesen im Journal of Political Economy, nach.Der nichtlineare Ein2uss bestimmter Fondscharakteristika auf deren Flows stellt ein ideales Umfeld für die Anwendung von Methoden des maschinellen Lernens (ML) dar. Diese Modelle sind nicht nur in der Lage, die Auswirkungen von Nichtlinearitäten und Wechselwirkungen zwischen einer Vielzahl von Fonds- merkmalen zu erfassen, sondern vermindern auch das Risi- ko einer Überanpassung des Modells (Over tting) in der Stichprobe, wenn sie sinnvoll kalibriert sind. In gleicher Weise, wie dies Turan G. Bali, Heiner Beck- meyer,Mathis Moerke und FlorianWeigert 2023 in „Option Return Predictability with Machine Learning and Big Data“ taten,wendet das deutsche und schweizerische Kapitalmarkt- forscherteam eine lineare OLS-Regression (OLS: Ordinary Least Square; Methode der kleinsten Quadrate) als Basismo- dell und Methoden des maschinellen Lernens an, um ver- besserte Vorhersagen für die Fonds2üsse auf der Grundlage verschiedener Fondsmerkmale zu erhalten. Die Analyse mit modernsten ML-Techniken ermöglicht es ihnen auch, nicht- lineare und bisher unbekannte Interaktionse$ekte zu iden- ti zieren, die sich auf die Mittelzu- und -ab2üsse auswirken. So leisten sie auch einen Beitrag zum besseren Verständnis der Entscheidungs ndung von Investmentfondsanlegern. Ausgehend von der Hypothese, dass der Druck von Fonds2üssen zu Renditee$ekten auf die zugrunde liegenden Aktien, die ein Fonds hält, führt und womöglich auch die Bei der Vorhersage zukünftiger Asset Flows von Fonds stellen sich laut einer neuen Studie nichtlineare Machine-Learning-Modelle als wesentlich effektiver heraus als lineare Ansätze. Bessere Pegelstandskontrollen 134 N o . 1/2025 | institutional-money.com THEORIE & PRAXIS | Asset Flows FOTO: © IFZ » Als leistungsfähigstes ML-Modell stellte sich – in Bezug auf das Bestimmtheitsmaß R 2 – Random Forest heraus. « Dr. Jürg Fausch, Professor am IFZ, Lucerne University of Applied Sciences and Arts, Luzern