Missverständnisse über Maschinelles Lernen im Finanzwesen klären

Tony Guida, Senior Quantitative Researcher, RAM Active Investments

Technologische Innovationen haben bereits begonnen, unser tägliches Leben zu beeinflussen. Künstliche Intelligenz ist zu einer der bedeutendsten und störendsten Allzwecktechnologien geworden. Denken wir an die Rolle von Smartphones, die bis vor einem Jahrzehnt undenkbar waren, oder an die Verbreitung von Produkten wie Netflix oder Google Maps.
Asset Management steht vor einem epochalen Wandel. Die in den letzten drei Jahren verfügbare Datenmenge entspricht allen Daten, die in der Geschichte der Menschheit bis dahin generiert wurden. Und nur ein kleiner Teil dieser Informationen wurde bisher verarbeitet. Bisher haben wir in der Vermögensverwaltungsbranche und allgemein im Finanzbereich von dieser Veränderung nur die Spitze des Eisbergs gesehen. Die immense Menge an Daten, die durch Fortschritt verfügbar gemacht wird, und die Geschwindigkeit, mit der sie verfügbar werden, haben die Anzahl der Variablen vervielfacht, die Fondsmanager berücksichtigen müssen, um ihre besten Anlageentscheidungen treffen zu können. Um Markttrends zu antizipieren, Stimmungsänderungen vorherzusagen und die Unternehmen mit dem größten Wachstumspotenzial zu identifizieren, ist es wichtig, für die Navigation in diesem riesigen Informationsmeer gut gerüstet zu sein.

 

In einem Kontext, in dem die Finanzfachleute auf eine nie dagewesene Menge an Informationen zugreifen können, ist ihre Arbeit sicherlich schwieriger geworden. Diese Fülle an Daten bietet systematischen Vermögensverwaltern wie RAM Active Investments jedoch eine noch nie dagewesene Chance. RAM Active Investments ist eine systematische Verwaltungsgesellschaft und Alternative mit langjähriger Erfahrung in der Wertschöpfung für ihre Kunden unter allen Marktbedingungen. Der disziplinierte Investmentansatz und die forschungsorientierte Ausrichtung ermöglichen es, Marktineffizienzen zu identifizieren und auszunutzen, indem die neuesten innovativen Technologien eingesetzt werden. RAM wurde 2007 in Genf gegründet und ist seit März 2018 Teil der Group Mediobanca. Das Unternehmen ist unabhängig von den Niederlassungen in Genf, Zürich, Luxemburg und Mailand, Italien.

 

Wir bei RAM sind der festen Überzeugung, dass die richtige Kombination von Technologie und Forschung, die von erfahrenen Fachleuten verwaltet wird, sehr interessante Ergebnisse ermöglicht.

 

Das maschinelle Lernen als Teilmenge der Datenwissenschaft, die statistische Modelle verwendet, um Erkenntnisse zu gewinnen und Vorhersagen zu treffen, konnte sein volles Potenzial erst in den letzten Jahren dank der exponentiellen Zunahme der verfügbaren Daten und der stetigen Verbilligung von Hardware mit zunehmender Rechenleistung ausspielen Mit Computer Power können Tausende von Daten in kürzester Zeit verarbeitet werden. Algorithmen für maschinelles Lernen können Tausende von Datenquellen gleichzeitig analysieren, was menschliche Forscher und Trader unmöglich erreichen können.

 

Die Anwendung des maschinellen Lernens bei quantitativen Investitionen war in den letzten 3 Jahren eines der am häufigsten diskutierten Themen. Aufgrund des Interesses an diesem Thema wurde die Frage nach den möglichen Auswirkungen von ML aufgeworfen, um festzustellen, ob ML eine Revolution oder die Entwicklung von Quantentechniken darstellen würde.

Während die Beantwortung dieser Frage bis heute schwierig erscheint, haben die meisten Wissenschaftler und Praktiker bereits die Vorteile von ML erkannt. Häufige Fehleinschätzungen in Bezug auf den Anwendungsbereich von ML werden jedoch immer noch verwendet, um sie bei quantitativen Investitionen zu diskreditieren, die sich mehr auf das Schlagwort konzentrieren als auf das tatsächliche Potenzial. Diese frühe Phase, die vom emotionalen Aspekt des Themas dominiert wird, hat die Einführungsphase dieser modernen Ansätze verlangsamt.

 

Einige Beispiele der wichtigsten Missverständnisse über ML:

  • Missverständniss Nr. 1: ML bei systematischen Investitionen gilt nur für höhere Frequenzen
  • Missverständniss Nr. 2: ML ist eine Black Box

 

Missverständniss Nr. 1: ML bei systematischen Investitionen ist nur für höhere Frequenzen gedacht

 

Es gibt ein weit verbreitetes Missverständnis, dass sich der Einsatz von Technologie bei Investitionen auf kurzfristige Handelsmöglichkeiten konzentrieren und nur für diesen Zeithorizont von Nutzen sein sollte. In einer empirischen Studie zu US-Aktien haben wir gezeigt, dass ML-Modelle trainiert werden können und gute Ergebnisse für die Vorhersage von Aktienrenditen in einem Zeithorizont von 1 Woche bis 1 Jahr liefern.

 

Langfristiger Aktienkurs wird als zu schwer vorhersehbar angesehen, da viele Faktoren den Aktienkurs beeinflussen können sowie die Tatsache, dass statistisch belegt ist, dass auf lange Sicht die sich entwickelnden Fundamentaldaten eines Unternehmens eine wichtige Rolle bei der Bestimmung seines Marktwerts spielen.

 

Bei RAM haben die von uns durchgeführten Simulationen gezeigt, dass ML-Modelle erfolgreich an verschiedenen Zeithorizonten trainiert werden können. Dabei wird ein guter Genauigkeitsgrad zwischen 52 und 55% und eine Praezisionsgrad zwischen 51 und 54% erreicht.

 

Missverständniss Nr. 2: ML ist eine Black Box

 

Viele Leute denken immer noch, dass die Ansätze des maschinellen Lernens im Wesentlichen Black Boxes sind, in denen es nicht möglich ist, die Funktionsweise des Algorithmus zu überprüfen und zu verstehen, warum er bestimmte Vorhersagen getroffen hat.

Einige Modelle sind von Natur aus interpretierbar, zum Beispiel sind tree-based Modelle von Haus aus global interpretierbar. In Ergänzung zu global interpretierbaren Modellen wurden agnostisch interpretierbare Modelle entwickelt. In jüngerer Zeit ist eine Reihe von Untersuchungen zur Interpretierbarkeit aufgetaucht, die sich mit diesem Problem befassen, jedoch die richtigen axiomatischen und operativen Instrumente bereitstellen.

Das maschinelle Lernen kann nun alle interpretiert werden, indem agnostisch interpretierbare Modelle verwendet werden, die zu jedem Zeitpunkt die Wichtigkeit der einzelnen verwendeten Merkmale (Faktoren) aufschlüsseln.

 

Maschinelles Lernen ist nicht neu. Diese Technologie ist in den 50er Jahren entstanden und hat sich seitdem stetig weiterentwickelt. Doch erst jetzt hat sie begonnen, ihr volles Potenzial auszuschöpfen. Die Implementierung von Techniken des maschinellen Lernens hat die Art und Weise, wie Forschung heute betrieben werden kann, verändert. Die Anwendung von Technologie ermöglicht die Erkennung von Stimmungssignalen, die für die Ergänzung entscheidend sind, Tony Guida arbeitet mit den Aktienportfoliomanagern zusammen, um systematische Anlagestrategien zu entwickeln. Tonys Arbeit konzentriert sich in erster Linie darauf, Marktineffizienzen aus verschiedenen Quellen aus traditionellen Fundamentaldaten, Marktsignalen, alternativen Daten und maschinellem Lernen zu extrahieren. Seine Expertise liegt in der mittleren bis niedrigen Frequenz von Aktien.

 

Der Autor:

Tony Guida begann seine Karriere bei Unigestion im Jahr 2006, als er als Research-Analyst im Team für quantitative Aktien mit niedriger Volatilität arbeitete. Er entwickelte sich zu einem Mitglied des Research- und Anlageausschusses für Minimum-Varianz-Strategien, wo er die Factor-Investing-Research-Gruppe für institutionelle Kunden leitete. 2015 wechselte er als Senior Consultant für Risikoallokation und Faktorstrategien zu Edhec Risk Scientific Beta, bevor er 2016 zu einem großen britischen Pensionsfonds wechselte, um das interne systematische Eigenkapital aufzubauen Manager. Er kam im Januar 2019 zu RAM Active Investments.

Tony Guida hat einen Bachelor- und Master-Abschluss in Ökonomie und Finanzen von der Universität von Savoyen, Frankreich.

Tony Guida ist Chefredakteur des Journal of Machine Learning in Finance und Vorsitzender des EMEA machineByte Think Tank. Tony ist Co-Autor und Herausgeber des Buches „Big Data und maschinelles Lernen in quantitativen Investitionen“ Wiley 2018.




Nachricht an die Redaktion

Hier können Sie uns einen Kommentar zu dem Artikel zukommen lassen.
Wir freuen uns auf Ihr Feedback.

[honeypot additional-name-406]]

Bei unseren Lesern momentan beliebt