Institutional Money, Ausgabe 4 | 2025

sion daher wenig zusätzliche Erkenntnisse liefert. Darüber hinaus bewerten bestehende Studien zur Gewinnprogno- se typischerweise nur einen relativ begrenzten Satz von Prädiktorvariablen. Eine wichtige Ausnahme stellt die Stu- die „Predicting Future Earnings Changes Using Machine Learning and Detailed Financial Data“ von XI Chen, Tony (Yang Ha) Cho, Yiwei Dou und Baruch Lev aus dem Jahr 2022 dar, die die gesamten Daten der Extensible Business Reporting Language (XBRL) nutzt. Die Autoren beschrän- ken ihre Analyse jedoch auf die Vorhersage von Gewinn- änderungen, sie sagen keine Gewinne per se voraus. Die Tatsache, dass maschinelles Lernen die Nutzung großer Informationsmengen ermöglicht, wird in diesem Zusam- menhang bisher kaum genutzt. Lückenschluss Das Kölner Forschertrio schließt diese Lücke, indem es den jährlichen Gewinn je Aktie anhand eines umfassen- den Variablensatzes vorhersagt – nämlich des vollständigen Satzes der Bilanzvariablen vonCompustat. Dies ermöglicht eine gründliche Analyse, wie grundlegende buchhalteri- VFKH ,QIRUPDWLRQHQ ]XNĞQIWLJH *HZLQQH EHHLQijXVVHQ und mit ihnen in Zusammenhang stehen. Sie verwenden HLQH $XVZDKO QDPKDIWHU ijH[LEOHU 0RGHOOH GHV PDVFKLQHO- len Lernens, darunter ein Random-Forest-Modell (RF), ein Gradient-Boosted-Tree-Modell (GBT), ein Gradient-Boos- ted-Tree-Modell mit Dropout (DART), ein Feedforward- Neurales Netzwerk (NN) und ein Ensemble der genannten Modelle (ENML). Sie zeigen außerdem, wie sich ihr Ansatz ]X GHQ DP KÌXljJVWHQ YHUZHQGHWHQ WUDGLWLRQHOOHQ OLQHDUHQ Ansätzen verhält, nämlich zu einem einfachenModell, das Professionelle Investitionen sind ohne Gewinnprognosen undenkbar, das Einschätzen der Erfolgsaussichten eines Unternehmens sind vor Aktienkäufen ebenso unverzichtbar wie vor Investments in Corporate Bonds. Eine aktuelle Forschungsarbeit aus Köln zeigt, dass Machine Learning hier ein wertvolles Werkzeug darstellt. Prognosefehler im Vergleich von ENML und ENTD Ensemble der Machine-Learning-Modelle versus Ensemble traditioneller Prognosemodelle Darstellung des mittleren preisskalierten absoluten Prognosefehlers (PAFE) des Machine- Learning-Ensembles (ENML) und des traditionellen Ensembles (ENTD) pro Out-of-Sample-Zeit- raum für die Prognosezeiträume t+1 und t+5. Die Gesamt-PAFE-Werte steigen mit zunehmen- dem Prognosezeitraum stark an. Darüber hinaus ist das Machine-Learning-Ensemble ENML in allen Jahren und für beide Prognosezeiträume genauer – ausgenommen 2008, da liefert das traditionelle Prognosemodell (ENTD) für die kommenden fünf Jahre etwas genauere Progno- sen. PAFE berechnet sich als Differenz zwischen dem tatsächlichen und dem prognostizier- ten Gewinn je Aktie, skaliert nach dem Kurs zum Ende Juni des jeweiligen Schätzjahres. Quelle: Studie 0,00 0,01 0,02 0,03 0,04 0,05 0,06 I I I I t+1 Median PAFE t+5 Median PAFE 2020 2015 2010 2005 2000 0,00 0,01 0,02 0,03 0,04 0,05 0,06 2022 I 2017 I 2012 I 2007 N o . 4/2025 | institutional-money.com 105 Marktprognosen | THEORIE & PRAXIS FOTO: © MARKO | MIT KI GENERIERT | STOCK.ADOBE.COM