Institutional Money, Ausgabe 4 | 2025

nur das Ergebnis als Prädiktor (L) verwendet, zum HVZ- Modell, zum EP-Modell, zum RI-Modell und zu einem Ensemble der genannten Modelle (ENTD). Ein wesentlicher Beitrag der Studie ist ihre umfassende 0RGHOOLQWHUSUHWDWLRQ 6FKOĞVVHOEHJULȬ LVW GDV Ľ2XW RI 6DP- SOH 5řĺ 226 5ř HLQb0Dĕ IĞU GLH 3URJQRVHOHLVWXQJ HLQHV 0RGHOOV DXI %DVLV QHXHU 'DWHQ 226 5ř LVW QĞW]OLFK XP HWZDLJHV 2YHUljWWLQJ ]X HUNHQQHQ 226 5ř YHUJOHLFKW GLH Prognosefehler des Modells auf Basis von Testdaten mit HLQHP %DVLVPRGHOO ,P *HJHQVDW] ]XP Ľ,Q 6DPSOH 5řĺ bewertet es, wie gut ein Modell Unternehmensgewinne prognostiziert anstatt nur wie gut es die im Training ver- wendeten Daten erklärt. Die *UDljN Ľ¶EHUOHJHQĺ stellt das 2XW RI 6DPSOH 5ř IĞU (10/ XQG (17' IĞU MHGHV -DKU sowie für t+1 beziehungsweise t+5 dar. Auch hier zeigt sich, dass das Machine-Learning-Ensem- EOH GDV WUDGLWLRQHOOH (QVHPEOH LQ GHQ PHLVWHQ -DKUHQ XQG IĞU EHLGH 3URJQRVH]HLWUÌXPH ĞEHUWULȬW %HPHUNHQVZHUWHU- ZHLVH ZHLVW GDV 226 5ř EHLGHU (QVHPEOHPRGHOOH XP einen deutlichen Rückgang auf, der besonders in Progno- sen für t+5 ausgeprägt ist. Insbesondere bei Prognosen für W GDXHUW HV HLQLJH -DKUH ELV VLFK GDV 226 5ř HUKROW 'LH- ses Ergebnis unterstreicht die verzögerte Integration neuer Informationen – wie in diesem Fall der Finanzkrise – in längerfristige Prognosen. Aufgrund ihrer Komplexität sind Machine-Learning- 0RGHOOH MHGRFK VFKZHU ]X LQWHUSUHWLHUHQ ,P )DOO GHU Gewinnprognose mittels Machine Learning beschränkte sich die Modellinterpretation in älteren Studien auf Kenn- zahlen mit variabler Bedeutung und partiellen Abhängig- keiten. Darüber hinaus wurden diese Kennzahlen übli- cherweise auf einen vorgegebenen restriktiven Satz von Prädiktorvariablen angewendet. Anders ausgedrückt: Kapi- talmarktforscher wählen oder konstruieren typischerweise einen Satz von Prädiktorvariablen, die sie für wichtig erach- ten, bevor sie das Modell schätzen lassen. Nach der Schät- zung der Modelle leiten sie ab, inwieweit Variablen aus diesemvorgegebenen Satz zur Vorhersage partieller Abhän- gigkeiten der prognostizierten Gewinne beitragen. Die Studie vonHess, Simon undWeibels zielt darauf ab, den begrenzten Spielraumder Modellinterpretation in der bestehenden Literatur zu Gewinnprognosen zu erweitern: Zunächst ermitteln die Kölner Autoren die relative Bedeu- tung von Variablen mithilfe von SHAP-Werten (SHapley Additive ExPlanations), einem auf der kooperativen Spiel- theorie basierenden Ansatz. Da sie im Gegensatz zu ver- gleichbaren Studien keine Variablen im Voraus auswäh- len oder konstruieren, können sie ganzheitlich ableiten, welche Bilanzvariablen aus statistischer Sicht wichtig sind. 'LH $XWRUHQ HUPLWWHOQ DXĕHUGHP GLH UHODWLYH %HGHXWXQJ YHUVFKLHGHQHU *UXSSHQ YRQ %LODQ]YDULDEOHQ ] % &DVKijRZ Variablen (CF/S), Gewinn-und-Verlust-Rechnungs-Variab- len (I/S) und Bilanzvariablen (B/S). Wichtig ist zudem die Durchführung dieser Analyse für Prognosezeiträume von ELV ]X IĞQI -DKUHQ Längere Horizonte Dadurch können die Kapitalmarktforscher beurteilen, wie sich die Vorhersagekraft einzelner Variablen und DXFK YHUVFKLHGHQHU 9DULDEOHQJUXSSHQ MH QDFK EHWUDFKWHWHP Prognosezeitraum voneinander unterscheidet. Zweitens analysieren sie Nichtlinearität imKontext mit der Gewinn- prognose. Zusätzlich zu den partiellen Abhängigkeiten, die in bestehenden Studien in diesem Kontext untersucht wurden, ermitteln Hess, Simon und Weibels, inwieweit verschiedene Arten von Nichtlinearität eine Rolle spielen. Genauer gesagt zeigen sie mittels Surrogatmodellierung, LQZLHZHLW ,QWHUDNWLRQVHȬHNWH ]ZLVFKHQ %LODQ]YDULDEOHQ und anderen Formen vonNichtlinearitäten von Bedeutung sind. Dieser Ansatz sei vollständig transparent, intuitiv und leicht zu replizieren, unabhängig vomverwendetenModell oder der verwendeten Software, so das Autorentrio. Auch hier führen sie diese Analysen für Prognosezeiträume von ELV ]X IĞQI -DKUHQ GXUFK Der letzte Bestandteil ihrer Modellinterpretation besteht LQ GHU 6WUDWLlj]LHUXQJ 6FKLFKWXQJ GHU 6WLFKSUREH LQ YHU- schiedene Teilstichproben. Konkret werdenUnternehmens- MDKUH QDFK /HEHQV]\NOXVSKDVH *UĆĕHQWHU]LO XQG %UDQFKH Überlegen Das Machine-Learning-Ensemble ist beim R 2 über Out-of-Sample-Perioden der Gewinner. Darstellung von OOS R 2 für ENML und ENTD für jedes Jahr sowie für t+1 und t+5. Das Machine-Learning-Ensemble übertrifft das traditionelle in den meisten Jahren und für beide Prognosezeiträume. Das OOS R 2 beider Ensemblemodelle weist um 2009 einen deutlichen Rückgang auf, der besonders in Prognosen für t+5 ausgeprägt ist. Insbesondere bei Pro- gnosen für t+5 dauert es einige Jahre, bis sich OOS-R 2 -Werte erholen. Dieses Ergebnis unter- streicht die verzögerte Integration neuer Informationen in längerfristigen Prognosen. Diese verzögerte Anpassung ist dem verwendeten Rollfensteransatz inhärent. Quelle: Studie I I I I t+1 OOS R 2 t+5 OOS R 2 2020 2015 2010 2005 2000 2022 I 2017 I 2012 I 2007 -0,4 -0,2 0,0 0,2 0,4 0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 » Die Bedeutung von GuV-Variablen nimmt mit längerem Prognosezeitraum ab, jene der Bilanzinformationen hingegen zu. « Dr. Sebastian Weibels, wissenschaftlicher Mitarbeiter am Institut für Ökonometrie und Statistik der Universität zu Köln 106 N o . 4/2025 | institutional-money.com THEORIE & PRAXIS | Marktprognosen FOTO: © UNIVERSITÄT KÖLN