Institutional Money, Ausgabe 1 | 2025

klang mit einer nichtlinearen Auswirkung der vergangenen Performance auf die Fonds+üsse, die in früheren Studien ge- funden wurde, etwa jene von Sirri und Tufano aus dem Jahr 1998.Was die Interaktionse ekte anbelangt, so hat die Inter- aktion zwischen den vergangenen Flows und dem Mor- ningstar-Rating einen erheblichen Ein+uss auf die Flow- Prognosen. Die wichtigste Erkenntnis in diesem Zusam- menhang ist, dass hohe vergangene Zu+üsse und ein hohes Morningstar-Rating einen positiven Ein+uss auf die pro- gnostizierten Fonds+üsse aufweisen, während hohe Zu+üsse in der Vergangenheit und ein niedriges Morningstar-Rating mit einem negativen Ein+uss verbunden sind. Interessantes Zusatzergebnis Im letzten Schritt ihrer Analyse untersuchen Fausch, Frigg, Ruenzi und Weigert, ob die Prognostizierbarkeit der Fonds- ströme mithilfe von Machine-Learning-Modellen dazu beitragen kann, Fonds mit hoher und niedriger Performance außerhalb der Stichprobe zu di erenzieren. Und das ist tat- sächlich der Fall. So erzeugt ein Long-Short-Dezil-Portfolio, das auf den prognostizierten Flüssen des maschinellen Lern- modells mit der höchsten Vorhersagegenauigkeit (Random Forest) basiert, ein Alpha von 2,76 Prozent pro Jahr, was mit einer Kon denz von 99 Prozent statistisch signi kant ist.Die- se Outperformance ist vergleichbar mit den Ergebnissen von Ron Kaniel, Zihan Lin, Markus Pelger und Stijn Van Nieu- werburgh, die 2023 in „Machine-Learning the Skill of Mu- tual Fund Managers“vorgestellt wurden, die rechenintensive- re neuronale Feedforward-Netze und einen umfangreicheren Informationssatz zur direkten Prognose der Alpha-Verteilung verwendeten. In Übereinstimmung mit den Ergebnissen von Fausch, Frigg, Ruenzi und Weigert identi zieren Kaniel, Lin, Pelger und Van Nieuwerburgh Fondsströme als einen der wichtigsten Prädiktoren für die zukünftige risikoadjustierte Fondsperformance. Insgesamt trägt die Studie von Fausch, Frigg, Ruenzi und Weigert zu drei Bereichen der wissenschaftlichen Literatur bei. Erstens leistet man einen Beitrag zu den Arbeiten betref- fend die Determinanten der Fonds+üsse. Seit den frühen Arbeiten von Chevalier und Ellison (1997) sowie Sirri und Tufano (1998) haben viele Studien die Auswirkungen von verschiedenen Performancemaßstäben sowie von Fonds- und Fondsmanagermerkmalen auf die Kapital+üsse unter- sucht. Das deutsch-schweizerische Autorenteam erweitert diese Literatur, indem es nachweist, dass die Kombination von Informationen aus vielen einzelnen Fondsmerkmalen unter Einschluss von Nichtlinearitäten und neuen Erkennt- nissen über die Auswirkungen von bisher unbemerkten Interaktionse ekten zur Verbesserung der Prognosequalität von Investmentfonds+üssen beiträgt. Zweitens leistet man auch einen Beitrag zur wachsenden Literatur über die Anwendung von ML-Techniken in der Finanzwirtschaft. Bislang werden in der Mehrzahl der Studien ML-Modelle zur Vorhersage von Aktienrenditen angewendet. Turan G. Bali, Amit Goyal, Dashan Huang, Fuwei Jiang und Quan Wen wandten in „Predicting Cor- porate Bond Returns: Merton Meets Machine Learning“ im Jahr 2022 ML-Modelle zur Prognose von Anleihenren- diten an, während die Prognostizierbarkeit von Delta-gesi- cherten Optionsrenditen von Bali, Beckmeyer,Moerke und Weigert im Jahr darauf untersucht wurde. Andere Autoren wiederum verwenden ML-Techniken zur In+ationsprogno- se, wieder andere weisen nach, dass Nichtlinearitäten in Merkmalen, die von ML-Modellen genutzt werden, bei der Prognose von makroökonomischen Variablen helfen. In der Literatur über Investmentfonds schließlich wurden ML- Techniken hauptsächlich zur Vorhersage der Fondsperfor- mance eingesetzt. Fausch, Frigg, Ruenzi und Weigert ergän- zen diesen Studienbereich, indem sie zeigen, wie ML-Tech- niken eingesetzt werden können, um Flow-Prognosen zu verbessern. Schlussbemerkungen Insgesamt unterstreichen die Ergebnisse von Fausch, Frigg, Ruenzi und Weigert, dass sich Nichtlinearitäten und der Einsatz komplexer maschineller Lernmodelle bei der Vor- hersage künftiger Fondsströme als nützliche Instrumente er- weisen. Folglich übertre en diese Modelle die linearen Stan- dardmodelle in Bezug auf das Out-of-Sample-R² erheblich, wobei Random Forest der leistungsfähigste maschinelle Lernalgorithmus ist, gefolgt von Gradient Boosting. Aber auch alle anderen maschinellen Lernverfahren wie der Entscheidungsbaum oder neuronale Netzwerke besitzen ebenfalls eine gute Prognosefähigkeit und übertre en das OLS-Basismodell. Investoren, denen an einer Optimierung aller Parameter gelegen ist, sollten sich daher vergewissern, dass ihre Ver- mögensverwalter moderne Machine-Learning-Techniken nutzen, um die Kapitalzu- und -ab+üsse besser zu prognos- tizieren und dadurch die fondsspezi sche Liquiditätspolitik zu verbessern. DR. KURT BECKER 140 N o . 1/2025 | institutional-money.com THEORIE & PRAXIS | Asset Flows FOTO: © UNI MANNHEIM, UNI NEUCHATEL » Prognosen der Mittelzuflüsse können genutzt werden, um die zukünftige Fondsperformance zu differenzieren. « Dr. Florian Weigert, ordentlicher Professor für Finanzrisikomanagement an der Universität Neuchâtel » Ein Long-/Short-Modell auf Basis der prognostizierten Fonds-Flows des Random- Forest-Modells erzeugt signifikantes Alpha. « Prof. Dr. Stefan Ruenzi, Inhaber des Lehrstuhls für Internationale Finanzierung an der Fakultät für BWL an der Universität Mannheim