💰 quantitative finance

Overparametrized models with posterior drift

Dieser Beitrag zeigt, dass posteriorer Drift die Vorhersagegenauigkeit überparametrisierter maschineller Lernmodelle außerhalb der Stichprobe erheblich beeinträchtigt, insbesondere in Finanzmärkten mit Regimewechseln, und rät letztlich zur Vorsicht bei der Verwendung großer linearer Modelle für Aktienmarktprognosen aufgrund ihrer Empfindlichkeit gegenüber Parameterwahl und Teilzeiträumen.

Ursprüngliche Autoren: Guillaume Coqueret, Martial Laguerre

Veröffentlicht 2026-05-13

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Guillaume Coqueret, Martial Laguerre

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Der „übermütige Koch"

Stellen Sie sich vor, Sie sind ein Koch, der versucht, ein geheimes Rezept für die perfekte Suppe zu lernen (die Vorhersage von Aktienmarkterträgen).

In der Welt des modernen maschinellen Lernens gibt es eine populäre Idee namens „Double Descent". Sie besagt, dass, wenn Sie Ihr Rezept unglaublich komplex machen – indem Sie Hunderte von Gewürzen, Kräutern und geheimen Zutaten (Parametern) hinzufügen – Ihre Suppe tatsächlich besser schmecken könnte als eine einfache, selbst wenn Sie nicht genug Zutaten haben, um alle zu verwenden. Dies nennt man Überparametrisierung.

Eine berühmte Studie (Kelly et al., 2024) behauptete, dass für die Vorhersage von Aktienmärkten „mehr mehr ist". Sie sagten, dass die Verwendung massiver, komplexer Modelle mit Tausenden von Variablen der Schlüssel zum Schlagen des Marktes sei.

Dieses Papier sagt: „Moment mal. Das funktioniert nur, wenn die Welt gleich bleibt."

Die Autoren argumentieren, dass sich in der realen Welt das „Rezept" für den Aktienmarkt ständig ändert. Sie nennen dies Posterior Drift (Drift der Posterior-Verteilung). Es ist so, als würde der Koch das Rezept im Januar lernen, aber bis Juli haben sich die Zutaten geändert, das Wetter ist anders und der Geschmack der Kunden hat sich verschoben. Wenn Sie weiter mit dem alten, komplexen Rezept kochen, wird Ihre Suppe schrecklich schmecken.

Schlüsselkonzept 1: Die „Drift" (Das sich bewegende Ziel)

In der Statistik gibt es zwei Arten, wie ein Modell versagen kann:

Covariate Shift: Die Zutaten, die Sie erhalten, ändern sich (z. B. bekamen Sie früher Tomaten, jetzt erhalten Sie Kartoffeln).
Posterior Drift: Die Beziehung zwischen den Zutaten und dem fertigen Gericht ändert sich.

Der Fokus des Papiers: Die Autoren konzentrieren sich auf Posterior Drift.

Analogie: Stellen Sie sich vor, Sie lernen, dass „das Hinzufügen von Salz die Suppe salzig macht". Das ist eine stabile Regel. Aber am Aktienmarkt könnte die Regel lauten: „Im Jahr 2010 bedeuteten hohe Zinsen, dass Aktien steigen würden. Im Jahr 2020 bedeuteten hohe Zinsen, dass Aktien fallen würden."
Die „Ladungen" (die Regeln oder Koeffizienten, die das Modell lernt) driften. Das Modell lernt die Regeln der Vergangenheit, aber die Zukunft spielt nach anderen Regeln.

Schlüsselkonzept 2: Die „Komplexitätsfalle"

Das Papier untersucht, was passiert, wenn Sie ein super-komplexes Modell (eines mit mehr Parametern als Datenpunkten) in einer Welt verwenden, in der diese Regeln driften.

Die Erkenntnis: Wenn sich die Regeln ändern (Drift), werden komplexe Modelle extrem zerbrechlich.
Die Analogie: Denken Sie an ein komplexes Modell als einen Hochleistungs-Rennwagen mit 1.000 maßgeschneiderten Teilen. Er gewinnt leicht auf einer glatten, vorhersehbaren Strecke (einem stabilen Markt). Aber wenn die Strecke plötzlich in ein schlammiges Feld mit verschiebenden Felsen verwandelt wird (Posterior Drift), kracht dieser Rennwagen spektakulär. Ein einfacher, robuster Lkw (ein einfaches Modell) ist vielleicht nicht so schnell, aber er kommt viel besser durch den Schlamm.

Die Autoren fanden heraus, dass die Leistung dieser komplexen Modelle vollständig davon abhängt, wann Sie sie testen.

In einem 15-Jahres-Zeitraum könnte das komplexe Modell Sie reich machen (eine monatliche Rendite von 7 %).
In einem anderen 15-Jahres-Zeitraum könnte es Sie fast alles verlieren lassen (eine Rendite von -50 %).
Die „durchschnittliche" Rendite verbirgt diese schreckliche Volatilität.

Schlüsselkonzept 3: Das „Signal-zu-Rauschen"-Problem

Das Papier erklärt, dass Finanzdaten „rauschbehaftet" sind. Das wahre Signal (der eigentliche Grund, warum Aktien sich bewegen) ist sehr schwach.

Die Analogie: Stellen Sie sich vor, Sie versuchen, ein Flüstern (das Signal) in einem lauten Stadion (dem Rauschen) zu hören.
Wenn das Stadion ruhig ist (stabile Regeln), kann ein komplexes Modell das Rauschen herausfiltern und das Flüstern hören.
Wenn sich die Stadionregeln ändern (Drift), gerät das komplexe Modell in Verwirrung. Es beginnt, das Rauschen und die falschen Flüstern zu verstärken. Die Autoren zeigen, dass in diesen Fällen ein komplexes Modell tatsächlich schlechter abschneiden kann als bloßes Raten oder das vollständige Ignorieren der Daten.

Das „Bandbreiten"-Dilemma

Die Forscher testeten ein spezifisches Werkzeug namens Random Fourier Features (RFFs), eine Methode, um einfache Daten komplex aussehen zu lassen. Sie mussten einen „Bandbreiten"-Parameter wählen (denken Sie daran als „Zoom-Stufe" oder „Empfindlichkeit" des Modells).

Niedrige Bandbreite (Hohe Empfindlichkeit): Das Modell reagiert sehr empfindlich auf kleine Änderungen. Es erzielte in einigen Perioden enorme Renditen, stürzte aber in anderen ab. Es war eine Achterbahnfahrt.
Hohe Bandbreite (Niedrige Empfindlichkeit): Das Modell glättete das Rauschen. Es war konsistenter, aber die Renditen waren so niedrig (nahe Null), dass es das Risiko nicht wert war.

Die Schlussfolgerung: Es gibt keinen „Sweet Spot". Sie können keine Einstellung wählen, die für immer funktioniert.

Der Realitätscheck des „15-Jahres-Investors"**

Die Autoren untersuchten, was passiert, wenn ein durchschnittlicher Investor eine Strategie 15 Jahre lang hält (ein typischer Anlagehorizont für die Altersvorsorge).

Das Ergebnis: Die Renditen waren wild unterschiedlich, je nachdem, welche 15 Jahre Sie wählten.
- Wenn Sie 2005–2019 wählten, sah die komplexe Strategie wie ein Genie aus.
- Wenn Sie 1975–1989 wählten, sah sie wie eine Katastrophe aus.
Die Erkenntnis: Sie können sich nicht auf einen einzelnen „Backtest" (einen Test der vergangenen Leistung) verlassen, um Ihnen zu sagen, ob ein komplexes Modell in der Zukunft funktionieren wird. Das Modell ist zu empfindlich gegenüber der spezifischen Ära, in der es trainiert wurde.

Zusammenfassung der Ratschläge der Autoren

Das Papier endet mit einer Warnung für jeden, der versucht, den Aktienmarkt mit ausgefallenen, massiven KI-Modellen vorherzusagen:

Seien Sie vorsichtig: Nur weil ein Modell komplex und „intelligent" ist, bedeutet das nicht, dass es funktioniert, wenn sich die Wirtschaft ändert.
Beobachten Sie die Drift: Der größte Feind ist nicht ein Mangel an Daten; es ist die Tatsache, dass sich die Beziehung zwischen Wirtschaftsindikatoren und Aktienkursen im Laufe der Zeit ändert.
Einfachheit gewinnt (manchmal): Obwohl komplexe Modelle funktionieren können, sind sie für den durchschnittlichen Investor oft zu riskant, da ihre Leistung so instabil ist. Ein einfacherer, robusterer Ansatz könnte sicherer sein, auch wenn er einige potenzielle Aufwärtspotenziale verpasst.

Kurz gesagt: Das Papier argumentiert, dass die „Magie" überparametrisierter Modelle zusammenbricht, wenn sich die Welt verändert. Am Aktienmarkt ändert sich die Welt immer. Daher ist es ein Glücksspiel mit sehr hohen Einsätzen und unvorhersehbaren Ergebnissen, sich für langfristige Investitionen auf diese komplexen Modelle zu verlassen.

Technisches Fazit: Überparametrisierte Modelle mit Posterior-Drift

Problemstellung

Dieser Beitrag untersucht die Auswirkungen von Posterior-Drift (auch bekannt als Konzeptdrift) auf die Vorhersagegenauigkeit von überparametrisierten linearen Modellen (Modelle, bei denen die Anzahl der Parameter $p$ die Anzahl der Beobachtungen $n$ übersteigt) im Out-of-Sample-Bereich. Während neuere Literatur, insbesondere Kelly et al. (2024), nahelegt, dass eine Erhöhung der Modellkomplexität (das Verhältnis von Parametern zu Beobachtungen) für die Vorhersage des Aktienrisikoprämien vorteilhaft sein kann, stützen sich diese Erkenntnisse oft auf die Annahme, dass der datengenerierende Prozess (DGP) zwischen Trainings- und Testphasen invariant bleibt.

Die Autoren argumentieren, dass in Finanzmärkten diese Invarianz aufgrund von Regimewechseln selten gegeben ist. Insbesondere unterscheiden sie zwischen zwei Arten von Verteilungsverschiebungen:

Covariate Shift: Änderungen in der Verteilung der Prädiktoren ( $P_X$ ).
Posterior-Drift: Änderungen in der bedingten Beziehung zwischen Prädiktoren und der Zielvariable ( $P_{y|X}$ ), was bedeutet, dass sich die Regressionskoeffizienten (Ladungen) im Laufe der Zeit ändern.

Das zentrale Problem besteht darin, zu quantifizieren, wie Posterior-Drift die Leistung komplexer, überparametrisierter Modelle verschlechtert, insbesondere im Kontext von Market-Timing-Strategien.

Methodik

Der Beitrag kombiniert hochdimensionale asymptotische Theorie, Monte-Carlo-Simulationen und eine empirische Analyse historischer Finanzdaten.

Theoretischer Rahmen

Die Autoren erweitern die Ergebnisse zu „fehl spezifizierten isotropen" Modellen von Hastie et al. (2022) auf ein Setting mit nicht-i.i.d.-Daten und Posterior-Drift.

Datengenerierender Prozess (DGP): Das Modell geht von einem linearen Zusammenhang $y_i = x_i'\beta + w_i'\theta + e_i$ aus, wobei $x_i$ beobachtete Merkmale und $w_i$ unbeobachtete Merkmale sind. Das Modell ist „fehl spezifiziert", da der Akteur nur $x_i$ beobachtet.
Drift-Mechanismus: Die Autoren modellieren explizit eine Änderung der wahren Parameter zwischen den Trainings- (In-Sample) und Test- (Out-of-Sample) Perioden. Seien $(\beta_{is}, \theta_{is})$ die Parameter während des Trainings und $(\beta_{oos}, \theta_{oos})$ die Parameter während des Tests.
Asymptotisches Regime: Die Analyse findet im proportionalen Regime statt, wobei $n, p, q \to \infty$ so, dass $p/n \to c_\phi$ und $(p+q)/n \to c$ .
Schätzer: Die Studie konzentriert sich auf Ridge-Schätzer (mit Regularisierungsparameter $z$ ) und deren Grenzwert für $z \to 0$ (ridgeless).

Empirisches Protokoll

Daten: Die Autoren verwenden denselben Datensatz wie Kelly et al. (2024), abgeleitet von Goyal et al. (2024), bestehend aus 14 makroökonomischen Indikatoren und verzögerten Renditen.
Merkmalsausweitung: Um ein überparametrisiertes Setting zu erzeugen, setzen sie Random Fourier Features (RFFs) ein, um die 14 Prädiktoren auf $p=600$ Merkmale zu erweitern, was zu einem Komplexitätsverhältnis $c=50$ führt (bei $n=12$ Monaten rollierender Daten).
Validierung: Sie testen die Strategie über verschiedene 15-Jahres-Teilperioden und über einen Bereich von Bandbreitenparametern ( $\gamma$ ), die die Nichtlinearität der RFFs steuern.
Change-Point-Erkennung: Um die Existenz von Posterior-Drift empirisch zu validieren, wenden sie einen multivariaten nicht-parametrischen Change-Point-Erkennungsalgorithmus (Londschien et al., 2023) auf die Zeitreihe der geschätzten Betas an.

Hauptbeiträge

1. Theoretische Erweiterung auf Posterior-Drift

Der Beitrag leitet analytische Ausdrücke für die erwartete Rendite und die Varianz einer Market-Timing-Strategie unter Posterior-Drift ab.

Erwartete Rendite: Es wird gezeigt, dass die limitierende Out-of-Sample-Erwartete Rendite proportional zum Skalarprodukt der In-Sample- und Out-of-Sample-Ladungsvektoren ist: $E[r] \propto \langle \beta_{is}, \beta_{oos} \rangle$ .
Leistungsverschlechterung: Die Autoren beweisen, dass die erwartete Rendite der Strategie sich verschlechtert, wenn die In-Sample- und Out-of-Sample-Ladungen nicht übereinstimmen (insbesondere, wenn $\langle \beta_{oos} - \beta_{is}, \beta_{is} \rangle < 0$ ). Im Worst-Case (orthogonale Ladungen) sinkt die erwartete Rendite auf null.
Risikoadjustierte Renditen: Es wird gezeigt, dass die Sharpe-Ratio hochsensibel auf das Signal-zu-Rausch-Verhältnis reagiert. In Regimen mit schwachen Signalen (typisch für Finanzdaten) führt Posterior-Drift zu einem signifikanten Zusammenbruch der Sharpe-Ratio, insbesondere bei Modellen mit geringer Regularisierung (hohe Komplexität).

2. Simulationsverifikation

Durch Monte-Carlo-Simulationen verifizieren die Autoren, dass die für die ersten und zweiten Momente der Rendite der Strategie abgeleiteten theoretischen Grenzen gültig sind. Sie zeigen, dass:

Die erwartete Rendite linear im Skalarprodukt $\langle \beta_{is}, \beta_{oos} \rangle$ ist.
Höhere Regularisierung (größeres $z$ ) die Volatilität reduziert, aber auch die erwarteten Renditen senkt, was einen Trade-off erzeugt.
Das Phänomen des „Double Descent" (bei dem sich die Leistung verbessert, wenn die Komplexität über die Interpolationsschwelle hinaus steigt) auch bei Vorhandensein von Drift gilt, die Spitzenleistung jedoch deutlich niedriger ist als in driftfreien Szenarien.

3. Empirische Evidenz für Instabilität

Die empirische Analyse zeigt, dass die Leistung überparametrisierter Modelle hochsensibel sowohl auf den Zeitraum als auch auf den Bandbreitenparameter reagiert:

Periodensensitivität: Eine Strategie, die im Zeitraum 2005–2019 eine monatliche Rendite von 7,24 % erzielte, kollabierte im Zeitraum 1975–1989 unter denselben Bandbreiteneinstellungen auf 0,52 %.
Bandbreitensensitivität: Die optimale Bandbreite ist nicht statisch; sie variiert über verschiedene wirtschaftliche Regime hinweg.
Change Points: Der Change-Point-Erkennungsalgorithmus identifiziert signifikante strukturelle Brüche in der Zeitreihe der Betas (z. B. 1982, 1963 und 2002), was bestätigt, dass der DGP nicht stabil ist.

Ergebnisse

Leistungsverlust: Theoretische Ergebnisse deuten darauf hin, dass der Verlust an finanzieller Leistung direkt mit der Fehlausrichtung zwischen Trainings- und Testladungen zusammenhängt. Wenn das Signal schwach ist (niedriges $R^2$ ), ist der Einfluss von Posterior-Drift schwerwiegend und macht komplexe Modelle oft schlechter als einfache Benchmarks.
Risikoadjustierte Renditen: Obwohl komplexe Modelle in spezifischen günstigen Teilperioden hohe Rohrenditen generieren können, sind ihre risikoadjustierten Renditen (Sharpe-Ratios) oft unangemessen niedrig oder negativ, wenn die Volatilität berücksichtigt wird. Der Beitrag stellt fest, dass eine monatliche Rendite von 0,03 eine annualisierte Volatilität von über 100 % impliziert, was prohibitiv hoch ist.
Regularisierungs-Trade-off: Eine Erhöhung des Regularisierungsparameters (Bandbreite) reduziert die Unsicherheit und Varianz der Renditen der Strategie, treibt aber gleichzeitig die durchschnittliche Rendite gegen null, was die Komplexität aus risikoadjustierter Sicht weniger attraktiv macht.
Gegenfaktische Analyse: Wenn die Autoren „gegenfaktische" Renditen unter der Annahme erzeugen, dass kein Posterior-Drift vorliegt (d. h. die Ladungen konstant bleiben), performt die Strategie deutlich besser. Diese Lücke quantifiziert die spezifischen Kosten von Regimewechseln.

Bedeutung und Behauptungen

Der Beitrag kommt zu dem Schluss, dass zwar Fortgeschrittenheit in Prognosemodellen einen Wert bringen kann, überparametrisierte Modelle jedoch nicht bedingungslos vorteilhaft sind. Die Autoren behaupten:

Sensitivität gegenüber Regimewechseln: Die Wirksamkeit komplexer linearer Modelle bei der Vorhersage der Aktienrisikoprämie wird durch sich ändernde wirtschaftliche Umgebungen schwerwiegend gefährdet. Die in der früheren Literatur (z. B. Kelly et al., 2024) berichtete „Tugend der Komplexität" könnte ein Artefakt spezifischer, stabiler Teilperioden oder eine Unterschätzung der Auswirkungen von Posterior-Drift sein.
Vorsicht für Praktiker: Analysten, die sich auf überparametrisierte Modelle verlassen, müssen der Stabilität und Sensitivität der Leistung in Backtests besondere Aufmerksamkeit widmen. Die Ergebnisse deuten darauf hin, dass Halteperioden von 15 Jahren je nach spezifischem Regime und gewählter Bandbreite hochgradig heterogene Renditen erzeugen können.
Empfehlung: Die Erkenntnisse empfehlen Vorsicht beim Rückgriff auf große lineare Modelle für Aktienmarktprognosen. Die Autoren schlagen vor, dass die Vorteile der Komplexität oft durch die Risiken von Posterior-Drift aufgewogen werden, insbesondere in Finanzmärkten, wo Signale schwach und Regimewechsel häufig sind.

Zusammenfassend liefert der Beitrag eine theoretische und empirische Erklärung für die Ambivalenz bezüglich der Rolle der Überparametrisierung in der Finanzwelt und führt die Instabilität komplexer Modelle auf die Nicht-Stationarität des zugrunde liegenden datengenerierenden Prozesses zurück.