Institutional Money, Ausgabe 1 | 2025

die Vorhersagbarkeit von Flüssen bestimmen. Das Autoren- team baut auf diesen Ergebnissen auf, um die relative Bedeu- tung der Fondseigenschaften und ihrer Wechselwirkungen für die Vorhersage von Fondszu- und -ab)üssen zu bestim- men. Zu diesem Zweck schätzen Fausch, Frigg, Ruenzi und Weigert modellagnostische SHAP-(SHapley Additive ex- Planations)-Werte, um den Beitrag der einzelnen Prädiktoren zu den jeweiligen Fonds-Flows-Prognosen zu bestimmen. Basierend auf dem leistungsstärksten Modell Random Forest zeigen die Ergebnisse, dass vergangene Flüsse das ein- )ussreichste Merkmal für die prognostizierten Flüsse sind, gefolgt vom Morningstar-Rating und der Volatilität der Flüsse (siehe Tabelle „Mittelwert der SHAP-Werte für Random- Forest-Modell“) . Näheres zu SHAP enthält der gleichnamige Kasten. Fausch, Frigg, Ruenzi und Weigert belegen auch, dass verschiedene Maßstäbe für die frühere Wertentwicklung (z. B. Alpha und Value Added) für die Vorhersage künftiger Fonds)üsse weniger relevant sind, was im Einklang mit der 2022 von Itzhak Ben-David, Jiacui Li, Andrea Rossi und Yang Song publizierten Studie „What do Mutual Fund Investors Really Care About?“ steht, die zeigen, dass Fonds- renditen und anspruchsvollere Performancemessungen nur einen geringen Ein)uss auf die Mittel)üsse haben, sobald Morningstar-Ratings in die Analyse einbezogen werden.Die Bedeutung der vergangenen Mittelzu- und -ab)üsse steht im Einklang mit stabilen Fondsmerkmalen, die wichtige Ein- )ussfaktoren der Flows sind. Betrachtet man die Stärke des Ein)usses dieser Prädikto- ren über Jahre hinweg, so stellt man fest, dass vergangene Fund Flows über den gesamten Zeitraum der Stichprobe durchgängig als wichtigster Prädiktor eingestuft werden, während Volatilität und Morningstar-Rating in den ersten Jahren einer Stichprobe nicht so wichtig sind.Während die meisten anderen Variablen keinen klaren zeitlichen Trend aufweisen, stellen die Autoren fest, dass die Kostenquoten im Lauf der Zeit an Bedeutung gewonnen haben. Anhand der SHAP-Werte lässt sich auch der direktionale Ein)uss der einzelnen Variablen bestimmen. Fausch, Frigg, Ruenzi und Weigert stellen fest, dass die drei wichtigsten Prädiktoren – also vergangene Kapital)üsse, Morningstar- Rating und Volatilität – alle einen überwiegend positiven Ein)uss auf die prognostizierten Flows über den gesamten Out-of-Sample-Zeitraum haben. Betrachtet man jedoch Teil- zeiträume vor 2008, so ist die Beziehung zwischen Flows der Vergangenheit und den prognostizierten weniger schlüssig, während die Auswirkungen des Morningstar-Ratings und die Volatilität der Ströme nicht zeitvariabel sind.Hohe TERs (Total Expense Ratios) stehen zwar im frühen Out-of- Sample-Zeitraum der Stichprobe mit der Vorhersage künf- tiger Kapital)üsse in einem positiven Zusammenhang, doch das Gegenteil ist ab dem Jahr 2006 zu beobachten. Die Autoren bewerten auch die funktionale Form der Beziehung zwischen vergangenen und prognostizierten Kapital)üssen sowie den funktionalen Ein)uss des Mor- ningstar-Ratings auf die Prognose. Sie dokumentieren, dass sowohl die Flows der Vergangenheit als auch das Morning- star-Rating einen konvexen Ein)uss auf die prognostizierten Flows besitzen. Die letztgenannte Auswirkung steht im Ein- Was unter SHAP zu verstehen ist SHAP erklärt die Prognose einer Datenstichprobe, indem es den Beitrag jedes Merkmals zur Vorhersage des Algorithmus berechnet. S Hapley Additive exPlanations (kurz SHAP) ist eine Technik, mit der das Ergebnis von Machine-Learning-Modellen erklärt werden kann. Sie basiert auf den Shapley-Werten, die sich der Spieltheorie bedienen, um den Credit für die Vorher- sage eines Modells den einzelnen Merk- malen oder Merkmalswerten zuzuordnen. Wozu dient Shapley Additive Explanations? SHapley Additive exPlanations hat viele Vorteile für Data-Science-Profis. Zu- nächst einmal kann diese Technik die Vorhersagen von Machine-Learning- Modellen auf eine für Menschen ver- ständliche Weise erklären. Indem sie je- dem eingegebenen Merkmal einen Wert zuweist, zeigt sie, wie und in welchem Ausmaß jedes Merkmal zum Endergebnis der Vorhersage beigetragen hat. So kann das Data Science Team nachvollziehen, wie das Modell seine Entscheidung ge- troffen hat, und kann die wichtigsten Merkmale identifizieren. Dieses Modell wird als agnostisch (neutral) bezeichnet. Es kann mit jedem beliebigen Machine-Learning-Modell verwendet werden. Man muss sich also keine Gedanken über die Struktur des Modells machen, um das Ergebnis der Vorhersage mit SHAP zu verstehen. Au- ßerdem ist das Modell konsistent. Man kann den erzeugten Erklärungen also vertrauen, unabhängig davon, welches Modell untersucht wird. Schließlich ist SHapley Additive exPlanations besonders nützlich, um mit komplexen Verhaltens- weisen umzugehen. Man kann diese Technik verwenden, um zu verstehen, wie sich verschiedene Merkmale gemein- sam auf die Vorhersage des Modells aus- wirken. 138 N o . 1/2025 | institutional-money.com THEORIE & PRAXIS | Asset Flows FOTO: © IFZ » Der Einfluss von Prädiktoren variiert. Früher waren Fonds-Flows bestimmend, heute auch Morningstar-Ratings und Flow-Vola. « Moreno Frigg, Senior Research Associate am Institut für Finanzdienst- leistungen IFZ in Zug und Doktorand an der Universität Neuchâtel