Profitable Wortklauberei
Wie reagieren Märkte auf überraschende Bad News? Der landläufige Konsens läuft darauf hinaus, dass sie extrem schnell eingepreist werden. Im Rahmen eines Berkeley-Projekts wurde dieser Ansatz hinterfragt und ein frischer linguistischer Ansatz bei der Analyse eingesetzt. Das Ergebnis überrascht.
Wenn die britische Tageszeitung „The Guardian“ einen Bericht über „potenziell tödliche Defekte“ beim Design von Sicherheitsgurten in manchen VW-Modellen bringt, dann ist das für den Automobilkonzern definitiv nur eines: eine schlechte Nachricht. Auch aus Sicht der Marktteilnehmer gibt es laut vorherrschender Lehre nur ein relativ beschränktes Set an Interpretationen: Folgt man einem verhaltensökonomischen Ansatz, kommt es entweder zu Überreaktionen oder Verdrängung. Das hängt davon ab, ob die Nachricht der eigenen Einschätzung beziehungsweise allfällig vorhandenen Insiderinformationen entspricht oder nicht. Folgt man den modernen Asset-Pricing-Modellen von Fama und French, ist der Markt ohnehin effizient – der Konsens geht also tendenziell in die Richtung, dass die Effekte von Nachrichten extrem kurzlebig sind und sich sehr schnell glätten.
Eine Projektgruppe in Berkeley hat sich nun unter der Beratung von David Sraer und Eric Reiner – beide Professoren an der Haas School of Business – die Frage gestellt, ob sich dieser Sachverhalt tatsächlich so eingeschränkt darstellt.
Mittelfristige Überraschung
Die kurz gefasste Antwort: nicht wirklich. Das legt zumindest das Ergebnis der Projektarbeit „Predicting Market Reactions to Bad News“ nahe. Unter anderem bemerkenswert erschien den Autoren Liangliang Chen, Hang Sun Kim, Xin Xin und Xiaowen Yu, dass die während des Projekts untersuchten schlechten Nachrichten auch mittelfristig Auswirkungen auf den Kursverlauf von Aktien haben. Das widerspricht der landläufigen Meinung zum Einfluss von Unternehmensnachrichten und zum Tempo, mit dem sie eingepreist werden. Dass die Gruppe zu einem derart überraschenden Ergebnis kommt, liegt vielleicht auch daran, dass sie einen frischen Ansatz bei der Auswertung von Nachrichten verfolgt und Analyse-Tools aus dem Bereich des maschinellen Lernens verwendet, die tatsächlich „State of the Art“ sind. Insbesondere bediente man sich der Erkenntnisse des Natural Language Processing (NLP) – auf Deutsch: Computerlinguistik – und kombinierte sie mit den Lernprozessen des maschinellem Lern- und Kategorisierungsmodells SVM (Support Vector Machine).
Mit diesen Instrumenten ausgestattet, hat die Gruppe laut Reiner Antworten auf folgende Fragen gesucht: „Ziehen schlechte Nachrichten immer dieselben Marktreaktionen nach sich? Wenn nicht, welchen Mustern folgen die Reaktionen? Und schlussendlich: Lassen sich diese Reaktionen vorhersehen und in eine Trading-Strategie ummünzen?“
Um diesen Fragen nachzugehen, hat die Projektgruppe zunächst thematische Rahmenbedingungen definiert – entschieden hat man sich dazu, die Nachrichtenlage auf Neuigkeiten rund um das Thema ESG, also ethische und soziale Unternehmenskultur, einzuschränken. Dadurch sind die jeweiligen News und ihre Auswirkungen besser vergleichbar. Aus diversen Datenbanken zog das Team für einen Beobachtungszeitraum von 2005 bis 2017 mehr als 100.000 Nachrichten. Anschließend wurde der US-Aktienindex Russell 3000 auf Titel gescannt, die in der Testzeit Objekt der ausgewählten Berichterstattung waren. Von den 3.000 Werten blieben 1.008 übrig, deren Kursverlauf man nach dem Auftauchen von schlechten Nachrichten überprüfen konnte.
CAPM-Filter
Anschließend wurden unter Anwendung des Capital Asset Pricing Models (CAPM) die Störsignale des Marktes herausgefiltert, um präzise bestimmen zu können, ob eine schlechte Nachricht tatsächlich den Kursverlauf beeinflusste. Nachdem die Rahmenbedingungen abgesteckt waren, konnte man sich der Kernaufgabe widmen: nämlich, den Zusammenhang zwischen schlechter Nachricht und Kursverlauf herzustellen. Dies sollte auf kurzfristiger, aber – und vielleicht bedeutender – auch auf mittelfristiger Basis erfolgen. Als „mittelfristig“ wurde ein Zeitraum von bis zu 63 Handelstagen angenommen.
Blick zurück
Während frühere Forschungen, die sich der Computerlinguistik bedienen, in der Regel zuerst die Inhalte der Nachrichten analysierten und in sogenannte „Topics“, also Themen, einordneten und dann die Marktreaktion betrachteten, geht die Gruppe aus Berkeley den umgekehrten Weg: Sie misst zuerst die Reaktionen auf schlechte Nachrichten und ordnet die Marktbewegungen in vier Cluster ein: den sofort einsetzenden „Abwärtstrend“, „kurzfristige Abschläge“, die am nächsten Tag aufgeholt werden, „mittelfristige Abschläge“, die innerhalb von 63 Tagen aufgeholt werden, und einen sofort einsetzenden „Aufwärtstrend“. Erst wenn diese Kurs-Cluster ausdefiniert sind, blicken die Autoren zurück auf die Nachricht und zerlegen diese in die jeweiligen Token – also die einzelnen sinnerfassenden Bestandteile eines Textes. Diese Token werden dann zu Themen – oder Topics – zusammengefasst. Auf diese Weise erfassen sie aus der Rückschau heraus, welche Topics zu welcher Art von Kursbewegung führen. „Die Gruppe ist davon ausgegangen, dass man Information verlieren würde, wenn die Themen vorab definiert würden“, so Reiner. Aufgeteilt wurden die verwendeten Token in positive und negative Begriffe, die dann (siehe Grafiken „Kurs-Cluster“) visuell dargestellt wurden. Je häufiger ein Wort in einem Kurs-Cluster vorkommt, desto stärker ist es in der Grafik abgebildet. Die jeweiligen Zuordnungen und Projektionen erfolgen, wie bereits erwähnt, über das inzwischen bewährte maschinelle Lernmodell SVM.
Exakte Messung notwendig
Bemerkenswert ist bei näherer Aufschlüsselung der Daten, dass in jeder noch so schlechten Nachricht relativ viele positiv besetzte Wörter vorkommen. Selbst in relevanten News, die einen sofortigen Kursrutsch auslösten, waren in der Nachbetrachtung durchschnittlich 21,4 Prozent der Wörter positiv besetzt und 32,1 Prozent negativ. Tatsächlich liegen die Ergebnisse ziemlich nahe an jenen des gegenteiligen Falls, nämlich eines sofortigen Kursanstiegs. Hier liegt das Verhältnis von positiven zu negativen Wörtern bei 21,7 zu 31,6 Prozent – die Verschiebungen sind also marginal, eine entsprechend genaue Messung unabdingbar.
Doch wenn die Ergebnisse so nahe beisammen liegen, wie hoch ist dann die Prognosekraft? Tatsächlich funktioniert die SVM-Prognose im kurzfristigen Bereich relativ schlecht. Rechnet man die verschiedenen computerlinguistischen Ansätze durch, kommt man auf einen Exaktheitsgrad von etwas über 0,5. Deutlich besser funktioniert die SVM-Klassifikation bei einem mittelfristigen Ansatz. Hier liegt die durchschnittliche Prognosekraft im Trainingszeitraum zwischen 0,64 und 0,68. Out of sample werden von 2016 bis 2017 Werte zwischen 0,71 und 0,75 Prozent erreicht. Das ist ermutigend und zeigt, dass das Modell für mittelfristige Zeithorizonte zu greifen scheint. Die Ratio dahinter: Die inhaltliche Zusammensetzung einer schlechten Nachricht kann unbewusst Informationen in sich tragen, die auf eine mittelfristige Stärke des Unternehmens hindeuten.
Das Trading
Mit diesen Prognosen im Rücken wagt sich die Projektgruppe nun in den Markt. Sowohl für die Kurzfriststrategie, die über 24 Stunden läuft, als auch die Mittelfriststrategie, in der auf einen positiven Ausgang innerhalb von 63 Tagen gesetzt wird, wird eine Long/Short-Strategie gefahren, also auf fallende wie steigende Kurse gesetzt. Sowohl das kurz- wie das mittelfristige Trading liefern akzeptable Ergebnisse. „Die kumulierten Erträge haben den Markt geschlagen“, resümiert Reiner. Besonders interessant ist einmal mehr, wie gut die mittelfristige Strategie funktioniert. In der Lernperiode liegt der kumulierte Ertrag 50 Prozent über dem Markt. In der wesentlich kürzeren, nur zwei Jahre dauernden Out-of-sample-Periode liegt die Outperformance bei rund 100 Prozent.
Das ist durchaus erfreulich und hat das Potenzial, die Diskussion über perfekte Märkte, in denen alles eingepreist ist, deutlich zu beleben.
Ein Haar in der Suppe gibt es aber doch: Gerade der Trading-Ansatz muss hinterfragt werden. Im kurzfristigen Ansatz wird ja an dem Tag, an dem eine schlechte Nachricht veröffentlicht wird, eine Position eingegangen, die long oder short gehandelt und am nächsten Tag glattgestellt wird. Kommen an einem solchen Tag Meldungen zu mehreren Unternehmen heraus, wird davon ausgegangen, dass das Portfolio in allen betroffenen Titeln gleich gewichtet ist. Das verzerrt natürlich für alle Portfolios, die nicht equal weight positioniert sind, die Performance. In der mittelfristigen Strategie wird wiederum angenommen, dass immer genügend Kapital vorhanden ist, um gleichzeitig mit einer „Breaking Bad News“ eine Position einzugehen. In beiden Fällen ist auch nicht klar, wie das Volumen der jeweiligen Positionsänderungen definiert wird – eine entsprechende Anfrage blieb bis Redaktionsschluss unbeantwortet. Nichtsdestotrotz: Die Arbeit wirft interessante neue Fragen auf und liefert erfrischende Sichtweisen auf bestehende Theorien zur Markttheorie. Insofern ist es nur zu begrüßen, dass das Team eine Fortsetzung des Projekts mit einem erweiterten Datenset angekündigt hat.
Anekdotisches
Anekdotisch interessant ist auch das eingangs erwähnte Beispiel der Bad News zu Volkswagen. In der Online-Version des für VW negativen Kurzberichts im „Guardian“ kam nur ein Wort vor, das innerhalb der Wort-Kurs-Cluster relevant erscheint – dieses lautet „top“ und ist somit positiv. Zu finden ist es in der Sparte „Aufwärtstrend“, die für Kursgewinne spricht. Wie gesagt: streng anekdotisch.