Logo von Institutional Money
Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden:
2/2022 | Theorie & Praxis
twitterlinkedInXING

Die Menschenflüsterer

Irrationaler Optimismus oder irrationale Panik – keines dieser Marktphänomene kann durch rein quantitative Ansätze erfasst werden. Dasselbe galt bislang für künstliche Intelligenz. Ein koreanisches Team hat jedoch eine Strategie entwickelt, die der KI offenbar beibringt, Emotionen zu verstehen.

1653906719_tp_15.jpg

Die proverbiale Hochschaubahn der Gefühle lässt sich mit linearen quantitativen Modellen zwar ignorieren, aber nicht nützen. Ein Forscherteam aus Korea hat sich jetzt aber eines ­nonlinearen KI-Modells bedient, das nicht zuletzt auf die Berechnung latenter Faktoren abstellt und bei der Verarbeitung von behavioristischen Tendenzen bemerkenswerte Resultate erzielt.

© studiostoks | stock.adobe.com
Eines der Hauptargumente der Verfechter von künstlicher Intelligenz lautet dahingehend, dass diese in Hausse-Zeiten nicht zu Euphorie und in Krisenzeiten nicht zu Panik neigt. Übertreibungen in die eine oder andere Richtung werden ­damit vermieden. Dieses Argument ist – unter der Voraussetzung, dass menschliche ­Manager tatsächlich keinen Zugriff auf die KI haben – gerade in Krisenzeiten wie den gegenwärtigen nachvollziehbar und ver­lockend. Allerdings stellt sich die Frage, ob man als Investor dann nicht gleich ein erprobtes regelbasiertes System oder einfach eine schlichte Buy-and-Hold-Strategie anwendet. Das gilt umso mehr, als aktuelle Erkenntnisse zum Thema (siehe Artikel „KI gegen den Rest der Welt“, Institutional Money 1/22) nahelegen, dass quantitative Strategien bislang lukrativer sind als KI-Strategien. Das liegt vor allem am günstigeren Tradingverhalten. Die KI-Ansätze sind in der Regel aktiver als ihre quantitativen Cousins, entsprechend hoch sind die Transaktionskosten.
 
Emotionale KI
Doch was, wenn die KI darauf trainiert werden könnte, Emotionen nicht einfach nur zu ignorieren, sondern behavioristische Anomalien als Muster zu erkennen und entsprechend aktiv auf diese einzugehen? Sangheum Cho, Suk-Joon Byun, beide vom Korea Advanced Institute of ­Science and Technology, haben gemeinsam mit Da-Hae Kim von der Sungkyunkwan Univer­sity Business School genau diese Frage untersucht. In ihrer Arbeit „Can a Machine Learn from ­Behavioral Biases? Evidence from Stock Return Predictability of Deep Learning Models“ verwenden die Forscher einen Machine-Learning-Ansatz, der herkömmliche lineare Faktormodelle mit der Nonlinearität von Autoencodern kombiniert. Bei Letzteren handelt es sich um künstliche neuronale Netze, die dazu genutzt werden, effiziente Kodierungen zu erlernen (siehe Grafiken „Linearer KI-Autoencoder“ und „Nonlinearer KI-Autoencoder nach Gu et al.“). Dieses Modell wurde 2019 von ­Shihao Gu, Bryan Kell und Dacheng Xiu entwickelt, die in ihrer für die Chicago Booth School erschienenen Arbeit „Autoencoder Asset Pricing Models“ lineare KI-Modelle im Asset Management weiterentwickelt haben. Zur Erklärung: Im linearen Modell fließen auf einer ersten Ebene die Daten ein. Diese sind quasi noch aufgebläht, beinhalten Rauschen, Fehlsignale etc. Über eine variable Zahl von „Hidden ­Layers“ werden die Daten verbessert, das Rauschen wird reduziert, und schließlich in raffinierterer Form wieder auf der dritten Ebene aus­gegeben. Die Qualität der KI per se ergibt sich aus den Algorithmen, die in den Hidden Layers – auch „Bottle­neck“ genannt – stecken. Diese Art von Modell ist aber laut Gu et al. ­angesichts der „jüngeren Asset-Price-Theorie, die die lineare ­Interpretation von Anomalien infrage stellt“, nicht mehr zeit­gemäß. Zwar können lineare Modelle eine nichtlineare Welt bis zu einem ­gewissen Grad nachbilden, ein nichtlinearer Ansatz würde die Ergebnisse aber deutlich verbessern. 
 
Konsequenterweise haben Gu et al. ein nonlineares Modell entwickelt, das über zwei Stränge läuft, die sie Beta und Factor nennen (siehe „Nonlinearer KI-Autoencoder nach Gu et al.“). Die Faktorseite funktioniert wie die herkömmlichen linearen Modelle. Je nach Präferenz werden zum Zeitpunkt „t“ die Erträge „N“ von einzelnen Positionen oder die Portfoliocharakteristika („P“) eingegeben, die schließlich in der Ausgabe von latenten Faktoren münden. Auf der linken Seite des Encoders findet man die mehr­dimensionale Verarbeitung von Erträgen und Portfoliocharakteristika. Über die Aktivierungsfunktion „g“ werden die Daten verarbeitet und ergeben die Beta-Output-Ebene N x K. Diese Faktor-Betas werden zum Zeitpunkt „t–1“ erhoben und fließen gemeinsam mit den Faktoren des rechten ­Modellstrangs in die finale Portfoliokonstruktion ein. Zusammengefasst führt das dazu, dass „auf der linken Seite Faktoren als nonlineare Funktionen von Kovariaten – ­etwa den Charakteristika eines Assets – geladen werden. Die rechte Seite modelliert Faktoren wiederum als Portfolios von individuellen Aktienerträgen“, wie Shihao Gu erklärt.
 
Nonlineare KI triumphiert
Gu und seine Co-Autoren lassen ihren Conditional Autoencoder gegen bekannte Faktorstrategien wie diverse Fama-French-Modelle, die Principal Components Analysis (PCA) sowie die weiter entwickelte linearbedingte Instrumented Principal Component Analysis (IPCA), laufen. Der Conditional Autoencoder schlägt im US-Aktienmarkt über sechs Jahrzehnte hinweg alle ­erwähnten Modelle um Längen. Im schlechtesten Fall übertrifft die Sharpe ­Ratio von 1,53, die der Autoencoder erzielt, die von IPCA um 0,57 Punkte. In den restlichen Fällen ist die Differenz noch höher. Es waren genau diese Ergebnisse, die Byun, Cho und Kim dazu veranlasst haben, den Conditional Autoencoder in Situationen zu testen, in denen Emotionen einen vermeintlich relevanten Einfluss auf die Entwicklung des jeweiligen Wertpapiers haben. Interessanterweise untersuchen die Autoren dabei nicht den Markt in besonders turbulenten Zeiten, sondern einzelne US-Titel, „die ­besonders anfällig für behavioristische Einflüsse – also spekulativ – sind“, wie Cho ­erklärt. Die Autoren folgen dabei einer gängigen Definition von Justin Birru aus dem Jahr 2018, wonach „Aktien spekulativ sind, wenn sie schwer zu bewerten und/oder zu arbitrieren, klein, neu, unprofitabel, volatil, dividendenlos, potenziell ausfallgefährdet oder exponentiell wachsend, illiquid und mit einem hohen Beta ausgestattet sind“.
 
Ausgewertet wurden Daten von 1972 bis 2020 aus den Aktiensegmenten NYSE, AMEX und NASDAQ. Die dazu passenden Finanzdaten werden von Compustat bezogen, Analysteneinschätzungen kommen vom Institutional Brokers’ Estimate System (I/BE/S). Von Birru entnehmen die Autoren 20 Anomalie-Variablen (siehe linke Spalte der Tabelle „Wie die KI mit emotionalen Märkten umgeht“), aus denen der spekulative Index SPEC hergeleitet wird. 
 
Die Portfoliobildung läuft auf eine Unterteilung der untersuchten Werte in spekulative Quintile hinaus. Diese werden in weiterer Folge vom nonlinearen Autoencoder verwaltet, wobei die Autoren mit der Zahl der Hidden Layer experimentieren: Vereinfacht könnte man sagen: Je mehr Layer, desto nonlinearer das Modell. Ausgewiesen werden schlussendlich über ein Long/Short-Portfolio die Performances des Conditional Autoencoders, der drei Layer ausweist, ­sowie die Erträge von zwei linearen Ansätzen – hierbei handelt es sich um das erwähnte IPCA-Modell und einen Autoencoder, der über null nonlineare Aktivierungs-Layer ­beziehungsweise „Hidden ­Layers“  verfügt, womit dieser Autoencoder ebenfalls zu einem linearen Modell mutiert.
 
Spekulative Überrendite
Vergleicht man nun die risikoadjustierte Performance entlang des Sechs-Faktor-Modells von Fama/French, ergeben sich recht eindeutige Resultate: Entlang der Anomalie SIGMA, die die Volatilität der betreffenden Werte berücksichtigt, ergibt sich etwa bei nicht spekulativen Aktien ein monatlicher Übertrag des dreischichtigen Autoencoders mit nonlinearen Aktivierungsfunktionen ­gegenüber dem linearen IPCA-Modell ein monatlicher, risikoadjustierter Überertrag von lediglich 0,065 Prozent, der statistisch nicht relevant ist. Bei spekulativen Aktien beträgt die Differenz hingegen statistisch hochrelevante 1,6 Prozent. Ähnlich sieht das Verhältnis zwischen einem nonlinearen Autoencoder mit drei und null Ebenen an nonlinearen Aktivierungsfunktionen aus. 
 
Das Muster wiederholt sich tendenziell über alle Anomalien hinweg. „Im Spekulationsindex SPECF produziert die Long/ Short-Portfoliostrategie, die auf non­linearem Machine Learning basiert, gegenüber linearen Strategien für spekulative ­­Aktien eine statisch hochrelevante risiko­adjustierte Überrendite von 1,18 Prozent pro Monat.“ Auch für den Index gilt, dass die Überrenditen bei nichtspekulativen ­Titeln keine statistische Relevanz aufweisen. Die Autoren erweitern ihre Versuchsreihen auf Aktien, die bevorzugt von nichtprofessionellen Anlegern gehandelt werden, woraufhin sich die Ergebnisse verfestigen.
 
Letzten Endes beantworten die Autoren die Frage, ob KI aus behavioristischen Tendenzen lernen und diese Anomalien auch für sich verwenden kann, mit einem klaren „Ja“. Voraussetzung ist ein nonlineares ­Encoding-Modell, das latente Variablen ­berücksichtigt und berechnet – was auch naheliegend ist, da menschliche Emotionen letzten Endes alles andere als linear sind. „Genau dieser Vorteil erklärt die bereits nachgewiesene Outperformance von non­linearen gegenüber linearen Modellen über den gesamten Markt hinweg“, wie Cho meint. Spannend wird sein, wie sich diese ­Erkenntnisse in die Praxis umsetzen lassen. Kann eine nonlineare KI über ihren behavioristischen Interpretationsvorsprung die Kostenersparnis wettmachen, die mit regelbasierten quantitativen Strategien einhergeht? Wir erinnern uns: Herkömmliche Quant-Strategien schlagen KI-Ansätze derzeit in der Praxis, weil ihre Tradingfrequenz und die damit verbundenen Kosten deutlich niedriger sind. Sollte die KI diesen Nachteil durch das Erkennen behavioristischer Muster ausgleichen können, ist ihre Dominanz im Asset Management wohl nur eine Frage der Zeit.

Hans Weitmayr

Anhang:

twitterlinkedInXING
Institutional Money Kontakt
Logo von Institutional Money
Institutional Money
c/o FONDS professionell Multimedia GmbH, Landstrasser Hauptstraße 67, EG/Hof, 1030 Wien

Telefon: +43 1 815 54 84-0
Fax: +43 1 815 54 84-18
E-Mail: office@institutional-money.com

Redaktion Köln:
Hohenzollernring 52
50672 Köln
Telefon: +49 221 33 77 81-0
Telefax: +49 221 33 77 81-19
 Schliessen

Mit der Nutzung dieser Website stimmen Sie der Verwendung von Cookies und unserer Datenschutzerklärung zu. Mehr erfahren