Institutional Money, Ausgabe 3 | 2023

Z ahlreiche Studien dokumentieren, wie die Anle- gerstimmung dabei hilft, die Marktrisikoprämie zu verstehen und zu prognostizieren sowie Aktien- renditen vorherzusagen. Ein vollkommen neuer Ansatz dies- bezüglich ist, einen Indikator zu entwickeln, der täglich die Anlegerstimmung auf Marktebene anhand von Nachrich- tenfotos misst. Die Autoren Khaled Obaid, Assistant Profes- sor am Department of Accounting & Finance an der Cali- fornia State University, und Kuntara Pukthuanthong, Profes- sor of Finance am Robert J. Trulaske Senior College of Busi- ness an der University of Missouri, beschlossen zu unter- suchen, wie sich visuelle Inhalte in Nachrichten über die Finanzmärkte konkret auf das Marktgeschehen auswirken. Conditio sine qua non Bei diesem Vorhaben stellte sich heraus, wie man die wich- tigsten Hürden bei der Untersuchung der Bedeutung visuel- ler Inhalte im Finanzwesen überwinden kann, nämlich indemman Machine-Learning-Techniken zur Fotoklassifizie- rung einsetzt. Die Verwendung von Fotos in Nachrichten hat aufgrund moderner Technik und dem Anspruch, schnell Informationen zu erhalten, an Bedeutung gewon- nen. Studien deuten darauf hin, dass Fotos emotionale Informationen effektiver transportieren als Worte, und es ist wichtig herauszufinden, in welchem Verhältnis die aus den Nachrichtenfotos extrahierten Stimmungsinformationen zu den Marktaktivitäten stehen. Aufgrund der Komplexität der Fotoanalyse und der Kosten für die manuelle Durchsicht wäre eine solche Untersuchung ohne Machine-Learning- Einsatz teuer, fehleranfällig und langwierig. Sich auf Umfra- gen und Crowdsourcing-Websites (Amazon Mechanical, Turk, MTurk) zur Auswertung von Fotos zu verlassen, ist zwar mittlerweile eine gängige Methode zum Extrahieren von Informationen aus Fotos. Zusätzlich zu den hohen Kos- ten sind Ökonomen aber bei Umfragedaten vorsichtig, da diese subjektiv und nicht durch objektive externe Messung überprüfbar sein können. Zu nennen ist in diesem Zusam- menhang die Arbeit von Annette Vissing-Jorgensen von 2003 mit dem Titel „Perspectives on Behavioral Finance: Does Irrationality Disappear with Wealth? Evidence from Expectations and Actions“. Eleanor Singer beispielsweise dokumentierte 2002 in „The Use of Incentives to Reduce Nonresponse in Household Surveys“, dass Befragte tenden- ziell weniger Anreiz haben, Fragen sorgfältig und wahrheits- gemäß zu beantworten, wenn sie sich auf ein sensibles The- ma beziehen und von ihrer Wahrnehmung abhängen. Der Ansatz von Obaid und Pukthuanthong,maschinelles Lernen zu verwenden,mildert diverse Bedenken, da in Fotos eingebettete Stimmungen einheitlich von einer Maschine extrahiert werden. Konkret wenden die beiden Autoren CNN (Convolutional Neural Networks) an, eine beliebte maschinelle Lerntechnik zur Klassifizierung von Fotos, um eine große Stichprobe von Nachrichtenfotos basierend auf der Stimmung akkurat, überprüfbar und kostengünstig zu klassifizieren. Den Autoren zufolge fasst der in Nachrichten- fotos eingebettete Pessimismus den Pessimismus im Nach- richtentext zusammen, woraus man schließen kann, dass Fotos die Aufmerksamkeit des Betrachters auf sich ziehen sollen, um ihn zum Lesen zu animieren. Studien wie jene von Paul Tetlock mit dem Titel „Giving Content to Investor Sentiment: The Role of Media in the Stock Market“ von 2007 und jene von Diego Garcia – „Sentiment during Re- cessions“ von 2013 – messen die Investorenstimmung rein anhand von Textanalysen.Obaid und Pukthuanthong gehen offenbar als erstes Kapitalforschungsteam darüber hinaus. Machine Learning am Vormarsch Maschinelles Lernen findet in der Finanzwissenschaft breite Anwendung, dessen Lerntechniken werden häufig zur Klas- sifizierung von Textinhalten eingesetzt.Manela und Moreira Die Anlegerstimmung durch Kombination von maschinellem Lernen mit Nachrichtenfotos zu messen und daraus einen Indikator abzuleiten, der beim Investment Timing hilft, ist ein interessanter Ansatz. …mehr als tausend Worte 84 N o . 3/2023 | institutional-money.com THEORIE & PRAXIS | Machine Learning FOTO: © JENNIFER HOLLIS | UNIVERSITY OF MISSOURI 2018 Die in Fotos einge- bettete Stimmung wird einheitlich von einer Maschine extrahiert, die die Klassifizierung von Fotos zuvor lernt. » Fotopessimismus steht in einem negati- ven Kontext zu den aktuellen und in einem positiven zu den künftigen Marktrenditen. « Khaled Obaid, Assistant Professor am Department of Accounting & Finance an der California State University