Institutional Money, Ausgabe 4 | 2025

des jeweiligen Unternehmens gruppiert. Anschließend bewertet man Unterschiede in Genauigkeit, Variablenbe- deutung sowie die Auswirkungen von Interaktionen und Nichtlinearitäten zwischen den Gruppen. Dies ermöglicht ein besseres Verständnis des Zusammenhangs zukünftiger Gewinne mit aktuellen Fundamentaldaten und die Ablei- WXQJ GLȬHUHQ]LHUWHUHU XQG NRPSOH[HUHU *HZLQQSURJQRVH- modelle als andere. Ensemble schlägt Komponenten Erstens stellen die Autoren – im Einklang mit früheren Untersuchungen zur Modellmittelung – fest, dass Ensemb- lemodelle die Vorhersagegenauigkeit imVergleich zu ihren Einzelkomponenten sowohl bei traditionellen als auch bei maschinellen Lernverfahren verbessern. Beispielsweise ver- bessert das Ensemblemodell bei Einjahresprognosen die Genauigkeit gegenüber dem leistungsstärksten einzelnen maschinellen Lernmodell um ein Prozent. Angesichts der Tatsache, dass das beste maschinelle Lernmodell das beste WUDGLWLRQHOOH0RGHOO EHUHLWV GHXWOLFK ĞEHUWULȬW XQWHUVWUHLFKW diese zusätzliche Verbesserung den Wert der Ensemble- modellierung. Bemerkenswert ist, dass das Machine-Learning-Ensem- ble alle Komponentenmodelle über alle Prognosezeiträume KLQZHJ GXUFKJÌQJLJ ĞEHUWULȬW ,Q %H]XJ DXI GLH %LDVHV OLH- fern die traditionellen und die Machine-Learning-Ansätze sehr ähnliche Ergebnisse. Beide Modelltypen liefern weit- gehend Bias-freie Prognosen für Prognosezeiträume von bis zu drei Jahren. Über- und Unterschätzung Eine interessante Ausnahme bilden die traditionellen Modelle, die dazu neigen, die Gewinne für ein Jahr zu unterschätzen. Bei Prognosezeiträumen von vier und fünf Jahren beginnen die betrachteten Modelle, die Gewinne jedoch systematisch zu überschätzen. Die Machine-Lear- ning-Modelle sind aber im Vergleich zu ihren traditionel- len Pendants durchweg weniger verzerrt. In Anlehnung an frühere Erkenntnisse zuMachine-Lear- ning-Gewinnprognosen zeigen die drei Wissenschaftler außerdem, dass ihre Machine-Learning-Ansätze traditio- nelle lineare Ansätze hinsichtlich der Genauigkeit konstant ĞEHUWUHȬHQ )ĞU GHQ HLQMÌKULJHQ 3URJQRVH]HLWUDXP LVW GDV leistungsstärkste Machine-Learning-Modell, das ENML, um rund elf Prozent genauer als das leistungsstärkste tradi- tionelle Modell, das ENTD. Selbst für lange Prognosezeit- UÌXPH YRQ IĞQI -DKUHQ ĞEHUWULȬW GDV (10/ GDV (17' LQ punctoGenauigkeit umrund sechs Prozent. Die Bewertung der Genauigkeitsunterschiede über die Out-of-Sample-Zeit- räume hinweg zeigt zudem, dass die Modellperformance in den Zeiträumen nach der Finanzkrise konvergiert und danach zugunsten der Machine-Learning-Ansätze diver- giert. Die Bewertung des Ausmaßes, in demdieModelle in der Lage sind, Out-of-Sample-Schwankungen der Gewinne zu erklären, spricht nochmehr für dieML-Ansätze. Tatsäch- lich liegt das durchschnittliche Out-of-Sample R² (OOS R²) des ENML für die betrachteten Prognosezeiträume zwi- schen 15 und 23 Prozent über dem des ENTD. Implizite Eigenkapitalkosten Abschließend zeigen die Autoren in ihrer Arbeit, dass die genaueren Prognosen des maschinellen Lernansatzes zu SURljWDEOHUHQ 3RUWIROLRV DXI %DVLV YRQ ,&& LPSOL]LWH (LJHQ- NDSLWDONRVWHQ VRJHQDQQWH ,PSOLHG &RVWV RI &DSLWDO IĞKUHQ Eine Anlagestrategie, die auf Basis von ENML-Prognosen LQ GDV REHUVWH ,&& 4XLQWLO LQYHVWLHUW ĞEHUWULȬW MHGHV -DKU HLQH DQDORJH 6WUDWHJLH GLH GLH ,&& DXI %DVLV YRQ (17' 3UR JQRVHQ QXW]W 'DUĞEHU KLQDXV ljQGHQ VLFK %HOHJH GDIĞU GDVV EHLGH ,&& 6WUDWHJLHQ HLQ ZHUWJHZLFKWHWHV 0DUNWSRUWIROLR KLQVLFKWOLFK GHU NXPXOLHUWHQ 5HQGLWHQ ĞEHUWUHȬHQ (siehe *UDljN Ľ3RUWIROLRHYDOXLHUXQJĺ ). Bei der Modellinterpretation des maschinellen Lernan- satzes lässt sich feststellen, dass aktuelle I/S-(GuV)-Variablen, insbesondere die aktuellenGewinne, eine dominante Rolle bei kurzfristigen Gewinnprognosen spielen. Dies steht im Einklang mit traditionellen Modellen, die ebenfalls stark auf Gewinne als Schlüsselindikator setzen. Eine wichtige neue Erkenntnis ist jedoch, dass sich die Variablenbedeu- Portfolioevaluierung Der ENML-Ansatz schafft genauere Prognosen für profitablere Long-only-Portfolios auf ICC-Basis. Entwicklung einer Anfangsinvestition von 1 USD über verschiedene Stichprobenzeit- räume hinweg. Bewertet werden drei Strategien: Zunächst wird auf Basis der impliziten Kapitalkosten (ICC) investiert. Ende Juni des jeweiligen Jahres t sortiert man die Aktien nach ihren ICC und kauft das oberste Quintil. Anschließend erfasst man die Renditen von Juli in t bis Juni in t+1 und wiederholt den Prozess. Dies geschieht auf Basis der ICC, die über ENML-Prognosen (ENML-ICC) und über ENTD-Prognosen (ENTD-ICC) abgeleitet wur- den. Zweitens investiert man in das wertgewichtete Marktportfolio. Quelle: Studie ENTD-ICC- Portfolio ENML-ICC- Portfolio Value-weighted Portfolio 0 2 4 6 8 10 2020 I 2015 I 2010 I 2005 I 2000 Portfoliowert in USD » Unsere Modellinterpretation zeigt, dass Variablen aus der GuV die mit Abstand wichtigsten Prädiktoren sind. « Dr. Frederik Simons, ehemals wissenschaftlicher Mitarbeiter an der Universität zu Köln, nun quantitativer Investment Analyst bei Liqid N o . 4/2025 | institutional-money.com 107 Marktprognosen | THEORIE & PRAXIS FOTO: © UNIVERSITÄT KÖLN