AQR-Studie löst Kontroverse über den Einsatz von KI für Quants aus

Quant-Händler, die regelbasierte Strategien verwenden, die aus Datenanalysen abgeleitet werden, glauben seit langem, dass ihre Modelle an Effektivität verlieren, wenn sie zu kompliziert werden. Das liegt daran, dass sie zu viel verzerrendes Rauschen aufnehmen, das die Vorhersage von Märkten überhaupt erst zu einer solchen Herausforderung macht.

Ein Kapitalmarktforscher bei AQR Capital Management hat jedoch mit einer Studie, die das Gegenteil behauptet, eine Gegenreaktion ausgelöst: Anstatt ein Nachteil zu sein, könnten größere und komplexere Modelle Vorteile im Finanzbereich bieten. Die Studie mit dem Titel „The Virtue of Complexity in Return Prediction" zeigt, dass eine US-Aktienmarkt-Handelsstrategie, die auf mehr als 10.000 Parametern und nur einem Jahr Daten trainiert wurde, eine einfache Buy-and-Hold-Benchmark übertraf.

Voreingenommenheit vermutet
„Diese Idee, kleine, sparsame Modelle zu bevorzugen, ist eine erlernte Voreingenommenheit, ein antrainierter Bias”, sagte Bryan Kelly, Leiter des Bereichs Machine Learning bei AQR und einer der drei Autoren der Studie. „Wir alle nutzen täglich diese großen Sprachmodelle (Large Language Models - LLMs), die aufgrund dieses Strebens nach außerordentlich großen Parametrisierungen revolutionär erfolgreich waren.” Die Studie hat seit ihrer Veröffentlichung im renommierten Journal of Finance im letzten Jahr eine hitzige Debatte ausgelöst, sowohl
unter Kollegen in der Quant-Branche als auch in verwandten akademischen Kreisen.

Mindestens sechs Artikel, darunter von Wissenschaftlern der Universität Oxford und der Stanford University, haben nun die Ergebnisse der Studie in Frage gestellt. Einige argumentieren, dass die Studie „Virtue of Complexity“ ein fragwürdiges Design hat, das sie für den Live-Handel irrelevant macht. Andere sagen, sie sei ohnehin weniger bahnbrechend, als sie scheint. (Kelly hat daraufhin eine Verteidigungsschrift verfasst.)

Vielerlei Kritik.......
Zu den prominentesten Kritikern gehört Stefan Nagel, Finanzprofessor an der University of Chicago – genau der Hochschule, an der sich zwei der Gründer von AQR kennengelernt haben und wo die ursprüngliche Anlagephilosophie des Unternehmens Gestalt annahm. Seine erste Reaktion? „Ich fand die empirischen Ergebnisse schwer zu glauben“, sagte er. Nachdem er sich eingehend mit den Details der Studie „Virtue of Complexity“ beschäftigt hatte, kam Nagel zu dem Schluss, dass das Modell, da es nur Daten aus zwölf Monaten analysierte, lediglich Signale kopierte, die in jüngerer Zeit funktioniert hatten. Mit anderen Worten, es folgte einer
Momentum-Strategie – einem etablierten Handelsansatz. „Es liegt nicht daran, dass der Ansatz aus den Daten gelernt hat, dass dieser Effekt vorhanden ist“, sagte Nagel. „Es liegt daran, dass sie implizit etwas Mechanisches getan haben, und dieses Mechanische hat zufällig gut funktioniert.“

Jonathan Berk, ein Ökonom aus Stanford, der zu den ersten und schärfsten Kritikern der Studie „Virtue of Complexity“ gehörte, bezeichnete sie als „praktisch nutzlos“, da sie Vorhersagen anstrebt, die nichts darüber aussagen, was die Renditen von Vermögenswerten antreibt. Daniel Buncic von der Stockholm Business School sagte, die Studie treffe einige offensichtlich falsche Designentscheidungen, um zu ihren Schlussfolgerungen zu gelangen.

Das gemeinsam mit Semyon Malamud von der EPFL in der Schweiz und Kangying Zhou von der Yale University verfasste Papier „Virtue of Complexity“ hat diese Reaktion hervorgerufen, weil es eine seit langem bestehende Annahme über die Prognose von Finanzmärkten in Frage stellt.

Zwar kann moderne KI bemerkenswerte Aufgaben wie die Unterscheidung von Katzen und Hunden in einem Bild ausführen, aber das liegt daran, dass sie aus einer riesigen Menge von Fotos lernen kann und dass Tiere definierte und unveränderliche Merkmale haben. Im Gegensatz dazu liefern Aktien von Natur aus nur eine begrenzte Menge an Daten (insbesondere bei langsameren Strategien, die möglicherweise nur einmal im Monat handeln), und jede Aktie kann von unzähligen verschiedenen Kräften beeinflusst werden.

Vermeidung von "Overfitting" als Herausforderung
Die Befürchtung war schon immer eine Überanpassung (Overfitting) – dass komplexe Modelle aus allen Störsignalen in historischen Daten lernen, von denen viele für den zukünftigen Handel möglicherweise nicht relevant sind. Daher haben sich Quants traditionell auf relativ einfache Erkenntnisse verlassen, wie das berühmte Fama-French-Drei-Faktoren-Modell (das die Renditen auf der Grundlage der Größe, Bewertung und Beziehung jedes Unternehmens zum Gesamtmarkt analysiert).

Traditionelle Quant-Modelle: Machen sie eine Art von Underfitting?
AQR selbst wurde auf solchen Faktoren aufgebaut, die darauf abzielen, über lange Zeiträume hinweg eine Outperformance zu erzielen. Erst in den letzten Jahren hat der 146 Milliarden US-Dollar schwere Vermögensverwalter Kapital für Maschinelles-Lernen-Strategien aufgebracht und erklärt, dass nicht alle Handelssignale durch Wirtschaftstheorien gestützt werden müssen. Kelly argumentiert vor allem, dass traditionelle Quant-Modelle so einfach sind, dass sie unteranpassen und minderwertige Prognosen liefern, während ausreichend komplexe Modelle
tatsächlich lernen, nicht zu stark überanzupassen.

Too good to be true?
Die Kritiker von „The Virtue of Complexity” behaupten natürlich nicht, dass maschinelles Lernen der Finanzwelt nichts zu bieten hat. Sie halten die Ergebnisse der Studie lediglich für zu gut, um wahr zu sein. „Die Methoden haben ihre Berechtigung und können eingesetzt werden”, sagte John Campbell, Wirtschaftsprofessor an der Harvard University und Mitbegründer von Arrowstreet Capital, einem Quant-Unternehmen. „Aber einige der auffälligsten Ergebnisse wurden erfolgreich in Frage gestellt.” (kb)

Diese Seite teilen