Das Fachmagazin für institutionelle Investoren

Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden:

Institutioneller will Volatilitätsprämien vereinnahmen!

Ad

Ein Großanleger tätigt über das Mandate-Tool eine Ausschreibung betreffend Vereinnahmung der Volatilitätsrisikoprämie. Mehr Informationen zum Mandat erhalten nur registrierte User. Mehr erfahren >>

Anzeige
1/2019 | Theorie & Praxis
twitterlinkedInXING

Twitter-Alarm

Ein Team um Andrew Lo analysierte die Verbindung zwischen Aktienmarktliquidität und ­Marktstimmung, indem Social-Media-Plattformen wie StockTwits und Twitter ausgewertet wurden.

1553694604_twitter.jpg

Der Informationsgehalt von StockTwits und Tweets ist zweifellos vorhanden. Daraus abgeleitetes Social Media Sentiment korreliert mit wichtigen Liquiditätskenngrößen wie den Handelsvolumina.

© mit, XYZ | stock.adobe.com

Zu den größten Anlegeralbträumen gehört das abrupte Austrocknen der Liquidität. Dabei ist nicht entscheidend, warum Märkte stillstehen, allein der Umstand, dass kein Handel stattfindet, kann enorme Kursschwankungen auslösen. Das Muster ist stets ähnlich: Wenn Preise massiv zu fallen beginnen, ziehen sich die Market Maker blitzartig zurück und verursachen damit eine sich selbst verstärkende Feedback-Schleife aus fallenden Preisen und sinkender Liquidität. Dass es sich hierbei um ein massenpsychologisches Phänomen handelt, steht fest, darum drängt sich angesichts neuer Datenquellen, die uns seit wenigen Jahren zur Verfügung stehen, die Frage auf, ob sich solche Flaschenhalssituationen nicht frühzeitiger erkennen lassen.

Nachrichten werden heute in aller Regel nicht mehr primär über traditionelle Medien verteilt, sondern haben ihren Ursprung immer öfter in sozialen Medien, wo sie bei ausreichender Brisanz extrem rasch global verbreitet werden. Was läge also näher, als zu versuchen, diesen Nachrichtenstrom der Social Media mithilfe von Machine-Learning-Tools zu analysieren? Erhöht sich etwa auf Twitter der Einsatz der Worte „Aktienmarkt“ und „Crash“ binnen kurzer Zeit deutlich, wäre es keine Überraschung, wenn sich das auch in realen Marktentwicklungen zeigen würde.

Die Forscher Shreyash Agrawal, Pablo Azar, Andrew Lo und Taranjit Singh, alle am Massachusetts Institute of Technology tätig, wollten wissen, ob dies tatsächlich der Fall ist. Sie gingen daher der Frage nach, ob ­Social-Media-Einträge und Nachrichten ­dazu in der Lage sind, Panik an Märkten frühzeitig erkennbar zu machen. Vor allem auf folgende Fragen versuchten die Kapitalmarktforscher Antworten zu finden: Beinhalten die Onlinebeiträge der Social-Media-Benutzer, die ja nur einen relativ kleinen Ausschnitt der Marktteilnehmer und auch Nichtinvestoren repräsentieren, relevante ­Informationen die Liquidität betreffend? ­Inwieweit können die sozialen Medien Einblicke gewähren, die über jene anderer Quellen wie etwa der traditionellen Newsfeeds hinausgehen? Haben positive und negative Stimmungen asymmetrische Auswirkungen auf die Märkte? Können News und soziale Medien die Zukunft bezüglich des Liquiditätsniveaus vorhersagen? Und schließlich: Können Informationen aus den sozialen Medien dazu benutzt werden, daraus ­eine Trading-Strategie abzuleiten?

Dreiteilige ­Untersuchung

Zu diesem Zweck führten das MIT-Team Regressionsanalysen durch. Dabei regressierte man mehrere Kenngrößen für Handelsvolumen und Liquidität – etwa die Anzahl der Trades, der Quotes und die Anzahl der Trades außerhalb der quotierten Geld-Brief-Spannen, Umsätze und durchschnittliche Spreads auf News und Social-Media-Indikatoren. In einem weiteren Schritt führte man Serien von Event-Studien in Bezug auf abnormales Social ­Media Sentiment durch, und zu guter Letzt wurden eine Intraday-Mean-Reversion-Strategie auf Basis historischer Daten simuliert, die So­cial-Media-Nachrichten verwendet, um damit die Portfoliogewichte zu bestimmen.

Ergebnisse

Und die Ergebnisse sind beachtenswert: Die Regressionsrechnungen zeigen, dass das Social Media Sentiment, gemessen an den Twitter- und StockTwits-Nachrichten, eine Korrelation zu den Liquiditätskenn­größen aufweist, die von keinen anderen Datenquellen wie der Nachrichtenstimmung erklärt werden kann. Eine weitere wichtige Erkenntnis besteht darin, dass negative Stimmung in den sozialen Medien eine ­wesentlich größere Wirkung auf die Liquiditätskennzahlen hat als positive Stimmung. So hat ein einprozentiger Anstieg der bearishen Stimmung eine doppelt so hohe Auswirkung auf die Kenngrößen für Handelsvolumen und Liquidität als ein einprozen­tiger Anstieg. Dies zeigt exemplarisch das Ergebnis einer Regressionsrechnung mit dem Umsatz als der abhängigen Variable und der News-Stimmung, dem bullishen und bearishen Sentiment der Tweets und StockTwits sowie der Anzahl der Nachrichten als erklärenden Variablen (siehe Kasten „Umsatz erklärt“).

Verwendet man Messgrößen für die ­Stimmungslage vor Handelsbeginn, stellen Andrew Lo und seine Kollegen fest, dass Nachrichten und Social-Media-Daten dazu verwendet werden können, das Ausmaß der Liquidität zu Handelsbeginn vor dem eigent­lichen Start des Handels prognostizieren zu können.

Durch die Event-Studien kann nachgewiesen werden, dass einer extrem ausgeprägten Stimmung in den sozialen Medien – definiert als Sentiment Score, der um drei Standardabweichungen nach oben oder ­unten vom Durchschnitts-Score abweicht – ein sehr starkes Momentum vorausgeht. Auf diese Extremstimmung folgt dann regel­mäßig eine sehr stark ausgeprägte Mean Reversion. Das Sentiment in den sozialen Medien kann also dazu herangezogen werden, Hochs eines Intraday-Booms beziehungsweise Tiefs einer Intraday-Panik ausfindig zu machen. Dies illustriert die Grafik „Extremes Sentiment“.

Des Weiteren konnten die Kapitalmarktforscher des MIT feststellen, dass es innerhalb einer halben Stunde nach Erreichen der Extremstimmungen zu einer Spreadeinengung kommt. Diese Spreadeinengung fällt im Übrigen bei positiven Ereignissen größer aus als bei negativen Events.

Handelsstrategie

Die Resultate legen den Schluss nahe, dass auf hohe Volumina an Social-Media-Nachrichten ein Anstieg der Liquidität und eine Mean Reversion erfolgen. Die Autoren nutzen diese Erkenntnisse, um eine Handelsstrategie, die auf Intraday Mean Reversion setzt und in 30-Minuten-Intervallen handelt, durchzurechnen und mit einer Benchmark-Strategie zu vergleichen.

Die Benchmark-Strategie ist folgendermaßen definiert: Alle 30 Minuten wird gleichgewichtet in das Top-Dezil von 500 US-Aktien, also in die Top-50-US-Aktien, gereiht nach ihrer Rendite in den letzten 30 Minuten, auf der Short-Seite investiert, während man das Flop-Dezil und damit die Flop-50-US-Aktien der letzten halben ­Stunde long geht. Diese Strategie ist marktneutral.
Ihr gegenüber steht die Social-Media-Strategie, die ebenfalls alle 30 Minuten die Flop-50-Aktien kauft, die im vorigen Zeitfenster negative Renditen erzielt haben, und jene Top-50-Aktien leer verkauft, die in den letzten 30 Minuten positive Renditen gezeigt haben. Dabei führt die Strategie ­allerdings eine andere Form der Gewichtung durch, indem sie Aktien mit einer ­größeren Anzahl von StockTwits und Tweets in der letzten halben Stunde auch ein doppelt so hohes Gewicht beimisst. ­Damit wettet die Strategie also speziell auf eine Mean Reversion bei Titeln mit hohem Volumen an Social-Media-Events.

Benchmark geschlagen

Es lässt sich belegen, dass eine solche Strategie die Benchmark-Strategie, die ja keinen Social-Media-Input benutzt, in einer mittelfristigen Betrachtung von Anfang ­Januar 2011 bis Ende Dezember 2014 um zirka 3,5 Prozent pro Jahr schlägt. Das ­illustriert die Tabelle „Mean Reversion mit ­Social Media Input obenauf“. Infolge des hohen Portfolioumschlags – schließlich wird alle 30 Minuten ein neues Portfolio aufgesetzt – eignen sich solche Algorithmen nur für Market Maker mit extrem niedrigen Handelskosten wie etwa Broker-Dealer. Die Autoren merken aber an, dass eine große Anzahl der Limitorders ausgeführt wird, sodass sophistizierte Trader, die diese Mean-Reversion-Strategie verfolgen, Nettoanbieter von Liquidität sein können und dafür ein Entgelt erhalten, durch das sie einen Teil ­ihrer Handelskosten wieder hereinspielen können.

Angst breitet sich rascher aus

Die MIT-Studie weist sehr klar darauf hin, dass Social-Media-Aktivität einen signi­fikanten Einfluss auf die Liquidität auf Intraday-Ebene haben kann, wobei sich zeigt, dass ein negatives Stimmungsbild deutlich größere Auswirkungen auf Liquiditätskenngrößen hat, als das im Fall einer positive Stimmung der Fall ist. Dieses Ergebnis steht im Einklang mit der Idee, dass Panik und Angst ­einen wesentlich größeren Einfluss auf das Markt-Sentiment haben beziehungsweise haben können als eine opti­mistische Haltung der Akteure. Die durchgeführten Event-Studien belegen, dass auf Intraday-Ebene der Höhepunkt der Stimmung in den sozialen Medien das Ende des Momentums darstellt und den Beginn der Mean Reversion anzeigt. Die hochfrequente Mean-Rever­sion-Strate­gie, die jenen Titeln, die stärker in den sozialen Medien Beachtung finden, doppeltes Gewicht zuordnet, prognostiziert, dass Aktien mit einem höheren Social Media Sentiment die Tendenz zeigen, zu ihrem Mittelwert zurückzukehren.

Ursache oder Wirkung?

Die Autoren geben zu bedenken, dass sie keine Fragen der Kausalität oder den Feedback-Effekt zwischen sozialen Medien und dem Markt angesprochen haben. Es sei wahrscheinlich, so Andrew Lo, dass die Stimmung in den sozialen Medien bei ­Twitter und den Stock-Twits von Kursbewegungen getrieben werde, und es sei plausibel, dass die Stimmung die Trades selbst beeinflusse, ob das jetzt durch die User dieser Seiten oder institutionelle Investoren geschehe, die die von Twitter und Co. produzierten Signale nutzen. Eine Schlüsselfrage sei, ob diese Feedback-Schleife das systemische Risiko vergrößere und wie deren Rolle beim Auslösen von Flashcrashs sei. Eine andere offene Frage ist, ob die Strukturen der sozialen Netzwerke für die Entscheidungen von Investoren von Belang sind. Die MIT-Studie bezieht außerdem nicht die Identität der User, die Nachrichten absetzen, in ihre Untersuchung ein. Es ist wahrscheinlich, dass einflussreichere User – bekannte Fondsmanager, Notenbankmitarbeiter oder prominente Finanzjournalisten – in den sozialen Netzwerken eher die Richtung für die Stimmung vorgeben und damit durch dieses Sentiment einen höheren Einfluss auf die Aktienkurse haben. Interessant wäre, ob Ähnliches auch auf andere Regionen wie Asien oder Europa zutrifft.     

Dr. Kurt Becker


Umsatz erklärt

Die Regressionsrechnung zeigt den Einfluss vor allem des bearishen Sentiments von Tweets und Co. auf den Umsatz.

Der Koeffizient für bearishes Sentiment von Tweets und StockTwits in der Regressionsrechnung ist positiv und fällt in etwa doppelt so stark aus wie jener für das bullishe Sentiment. Das zeigt an, dass die Nachfrage nach Liquidität ungefähr doppelt so hoch ausfällt, wenn die Stimmung der Investoren bearish ist. Der Koeffizient für die Nachrichtenstimmung in Bezug auf den Aktienumsatz ist negativ, was eine asymmetrische Reaktion des Umsatzes auf das Nachrichten-Sentiment impliziert. Obwohl es in diesem Set-up keine separaten Kenngrößen für positive und negative Nachrichtenstimmung gibt, zeigt die Tatsache, dass der Koeffizient ein negatives Vorzeichen aufweist, dass die Nachfrage nach Liquidität sich bei schlechten Nachrichten stärker  erhöhen wird als bei ­positiven.
Die letzte Spalte zeigt die Regressionsergebnisse, wenn Nachrichten- und So­cial-Media-Stimmung in den Stunden vor der Handelseröffnung gemessen werden, um daraus die Liquidität während der Handelszeit zu prognostizieren. Dabei kann man feststellen, dass der Stimmung eine gewisse Prognosekraft innewohnt. ­Allerdings sind die Koeffizienten – obwohl statistisch signifikant – und R² kleiner als in den anderen Regressionsrechnungen. Wie in den anderen Regressionsrechnungen sind auch hier die Koeffizienten für bullishes und bearishes Sentiment sowie die Anzahl der Messages signifikant und positiv. Daraus lässt sich ableiten, dass die Social-Media-Aktivität vor Handelseröffnung eine höhere Nachfrage nach Liquidität während des Handelstages prognos­tiziert. Eine Irrtumswahrscheinlichkeit von weniger als einem Prozent ist durch die Markierung mit *** gekennzeichnet und bedeutet Signifikanz auf dem 99-Prozent-Niveau.


Anhang:

twitterlinkedInXING
 Schliessen

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