Institutional Money, Ausgabe 4 | 2025

tung mit zunehmendem Prognosehorizont deutlich ver- schiebt und zwischen den Bilanzarten ausgewogener wird. Bei Prognosen für ein Jahr tragen I/S-Variablen etwa 66 Prozent zur Gesamtbedeutung bei, während B/S-Variablen etwa 19 Prozent zur Gesamtbedeutung beitragen. Über län- gere Zeiträume hinweg verringert sich dieses Ungleichge- wicht: Bei t+5-Prognosen tragen I/S-Variablen etwa 47 Pro- zent bei, während B/S-Variablen etwa 37 Prozent beitragen. CF/S-Variablen tragen über die betrachteten Prognosezeit- räume hinweg konstant etwa 15 Prozent zur Gesamtbedeu- tung bei. Anders ausgedrückt: Je länger der Prognosezeit- raum, desto wichtiger werden B/S-(Bilanz)-Informationen. Diese Verschiebung deutet darauf hin, dass kurzfristige Gewinne in erster Linie die Dynamik der Gewinn-und- Verlust-Rechnung widerspiegeln, während längerfristige Gewinnerwartungen zunehmend von den Bilanzgrund- lagen der Unternehmen geprägt werden. Dominierende Faktoren (LQH ZHLWHUH (QWijHFKWXQJ GHU $XVZLUNXQJHQ YHUVFKLHGH- ner Komponenten von Bilanzinformationen zeigt, dass bestimmte Bilanzinformationen andere dominieren. Bei- spielsweise ähneln Schulden und Zusatzinformationen den wichtigsten B/S-Informationen. Bezüglich der CF/S- &DVKijRZ 9DULDEOHQ VWHOOHQ GLH $XWRUHQ IHVW GDVV 9DULD- EOHQ LP =XVDPPHQKDQJ PLW GHP RSHUDWLYHQ &DVKijRZ deutlich relevanter sind als solche imZusammenhang mit GHP ,QYHVWLWLRQV RGHU )LQDQ]LHUXQJV &DVKijRZ $EVFKOLH- ßend kommen die Autoren bei der Betrachtung der I/S zur Erkenntnis, dass insbesondere EBIT und Nettogewinn wichtig sind und etwa 18 Prozent beziehungsweise 25 Pro- zent zur Gesamtbedeutung für Einjahresprognosen beitra- gen. Interessanterweise sinkt die Bedeutung des Nettoge- winns für Fünfjahresprognosen auf etwa zwölf Prozent, ZÌKUHQG GDV (%,7 HLQ JOHLFKEOHLEHQGHV 6LJQLljNDQ]QLYHDX beibehält. Dies deutet darauf hin, dass Informationen, die weniger anfällig für Manipulationen in der Buchhaltung sind, für längerfristige Prognosen an Relevanz gewinnen. Surrogatmodelle Die Arbeit kann zudembelegen, dass ein lineares Surrogat- modell – also ein vereinfachtes Ersatzmodell, das komplexe oder rechenintensive Simulationen in der Systemanalyse und Optimierung approximiert, um schneller zu Resulta- ten zu kommen – für Einjahresprognosen etwa 90 bis 94 Prozent der Schwankungen der durch Machine Learning ermittelten Gewinnprognosen über Out-of-Sample-Zeit- räume hinweg erklären kann. Interaktionen und Nichtli- nearitäten tragen etwa im gleichen Ausmaß zur Erklärung der verbleibenden Schwankungen bei. Tatsächlich erhöht das Hinzufügen von Interaktionen das Bestimmtheitsmaß R² um etwa drei bis vier Prozent VLHKH *UDljN Ľ6XUURJDWPR- delle“) . Die Autoren führen die verbleibende unerklärte Variation auf andere Arten von Nichtlinearitäten zurück, die nicht durch Interaktionen erfasst werden, d.h. auf die Nichtlinearität der funktionalen Form. Mit zunehmen- demPrognosehorizont liefert das lineare Ersatzmodell eine immer ungenauereNäherung der Beziehung zwischen Pro- gnosen und Inputs. Dies deutet darauf hin, dass längerfris- tige Gewinnprognosen zunehmend komplexere funktio- QDOH $EKÌQJLJNHLWHQ EHLQKDOWHQ GLH ijH[LEOHUH 0RGHOOH HUIRUGHUQ XP GLHVH HȬHNWLY ]X HUIDVVHQ Der letzte Teil der Modellinterpretation besteht in der Schichtung der Stichprobe in verschiedene Unter- nehmenstypen. Dabei stellt sich heraus, dass das ENML (Ensemble der verwendeten ML-Modelle) das ENTD (Ensemble der traditionellen Modelle) im Allgemeinen hinsichtlich der Genauigkeit für jede betrachtete Unter- Surrogatmodelle Interaktionen erklären noch um einige Prozentpunkte mehr. Darstellung des adjustierten Bestimmtheitsmaßes R 2 der Surrogat-Modelle, die an die Machine-Learning-Ensemble-Prognosen für die Progno- sezeiträume t+1 und t+5 angepasst wurden. Das lineare Modell (linear) ist ein einfaches lineares Modell, in dem die jeweiligen Prognosen der 20 wichtigsten Prädiktorvariablen entsprechend ihrer durchschnittlichen absoluten SHAP-Werte für t+1-Prognosen regressieren. Das lineare Modell inklusive Interaktionen (linear inkl. Interaktionen) ist ein lineares Modell, in dem derselbe Satz von Prädiktoren sowie alle möglichen wechselseitigen Interaktionen verwendet werden. Quelle: Studie 0,0 0,2 0,4 0,6 0,8 1,0 2025 I 2020 I 2015 I 2010 I 2005 I 2000 t+1 Adj. R 2 t+5 Adj. R 2 Linear Linear inkl. Interaktion 0,0 0,2 0,4 0,6 0,8 1,0 2028 I 2023 I 2018 I 2013 I 2008 108 N o . 4/2025 | institutional-money.com THEORIE & PRAXIS | Marktprognosen