💰 quantitative finance

Regret-Driven Portfolios: LLM-Guided Smart Clustering for Optimal Allocation

Dieses Paper schlägt ein neuartiges, durch LLMs gesteuertes No-Regret-Portfolio-Allokationsframework vor, das Online-Learning, Marktstimmung und Large-Language-Model-gesteuertes Hedging integriert, um die SPY Buy-and-Hold-Baseline sowohl bei den annualisierten Renditen als auch bei der Sharpe-Ratio für risikoaversen Anleger signifikant zu übertreffen.

Ursprüngliche Autoren: Muhammad Abro, Hassan Jaleel

Veröffentlicht 2026-01-27

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Muhammad Abro, Hassan Jaleel

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

Stellen Sie sich vor, Sie sind der Kapitän eines Schiffes, das versucht, einen Ozean zu überqueren. Ihr Ziel ist es, das Ziel so schnell wie möglich zu erreichen (hohe Renditen), aber Sie wollen auch Eisbergen oder massiven Stürmen ausweichen (hohes Risiko).

Die meisten traditionellen Schiffskapitäne (Investoren) stehen vor einer schwierigen Wahl: Entweder segeln sie schnell und riskieren einen Crash, oder sie segeln langsam und sicher, kommen aber zu spät an. Dieses Papier stellt eine neue Art von „intelligentem Autopiloten“ vor, der versucht, beides zu tun: schnell zu segeln und gleichzeitig den schlimmsten Stürmen auszuweichen.

So funktioniert dieses neue System, unterteilt in einfache Konzepte:

1. Der „Reuefrei“-Autopilot

Der Kern dieses Systems ist etwas, das man „No-Regret Learning“ (reuefreies Lernen) nennt.

Stellen Sie sich das so vor: Stellen Sie sich vor, Sie spielen ein Videospiel, bei dem Sie jeden Tag einen Pfad wählen müssen. Ein „reuevoller“ Spieler blickt am Ende der Woche zurück und denkt: „Oh nein! Wenn ich am Dienstag nur den sonnigen Pfad gewählt hätte, hätte ich gewonnen!“

Das „No-Regret“-System ist so konzipiert, dass es über einen langen Zeitraum hinweg nicht darauf ankommt, welcher einzelne Pfad tatsächlich der beste war. Das System passt seinen Kurs ständig an, um sicherzustellen, dass es im Rückblick keine besseren Ergebnisse verpasst hat. Es lernt aus seinen Fehlern in Echtzeit und verlagert sein Gewicht langsam auf die Vermögenswerte (wie Aktien, Gold oder Anleihen), die am besten abschneiden, während es diejenigen vermeidet, die untergehen.

2. Der „Stimmungs-Wetterbericht“

Das System schaut nicht nur auf die Zahlen; es prüft auch die „Stimmung“ des Marktes. Es verwendet ein Werkzeug namens Fear & Greed Index (Angst-und-Gier-Index), der misst, wie viel Angst oder Gier Investoren gerade empfinden.

Die Analogie: Stellen Sie sich einen Co-Piloten vor, der aus dem Fenster schaut. Wenn alle in Panik geraten (extreme Angst), sagt dieser Co-Pilot dem Autopiloten, er solle langsamer werden oder sogar den Anker werfen (alles verkaufen und Bargeld halten). Wenn alle übermäßig begeistert sind (extreme Gier), warnt er das Schiff zur Vorsicht. Dies dient als Sicherheitsbremse, um das Schiff während emotionaler Marktschwankungen vor dem Absturz zu bewahren.

3. Der „KI-Navigator“ (Das LLM)

Hier wird das Papier technisch anspruchsvoll. Die Autoren haben ein Large Language Model (LLM) verwendet – eine Art fortgeschrittene KI, die Texte liest und versteht – als speziellen Berater.

Was es tut: Anstatt die KI zu fragen, spezifische Gewinneraktien auszuwählen (wofür sie nicht besonders gut geeignet ist), haben sie sie als strategischen Berater eingesetzt. Sie fütterten die KI mit dem „Stimmungsbericht“ und fragten: „Basierend darauf, wie viel Angst oder Gier die Menschen gerade empfinden, welche Sektoren der Wirtschaft sehen wie gute Orte aus, um sich zu verstecken, und welche sehen so aus, als bräuchten sie einen Schutzschild?“
Das Ergebnis: Die KI schlug „Hedges“ (Absicherungen) vor. Stellen Sie sich einen Hedge wie einen Regenschirm vor. Wenn die KI spürt, dass im „Technologie“-Sektor ein Sturm aufzieht, schlägt sie den Kauf von Vermögenswerten in einem anderen Sektor vor (wie „Versorger“ oder „Gold“), die normalerweise ruhig bleiben, wenn Tech-Aktien abstürzen. Dies macht das Schiff nicht unbedingt schneller, aber es verhindert, dass es kentert.

4. Der Testlauf

Die Autoren testeten dieses System in zwei verschiedenen „Ozeanen“:

Der einfache Ozean: Eine Mischung aus nur vier Dingen: Bargeld, Gold, Anleihen und dem S&P 500 (einem großen Korb der führenden US-Unternehmen).
Der komplexe Ozean: Eine Mischung aus 51 verschiedenen Sektoren (wie Energie, Gesundheitswesen, Technologie usw.).

Die Ergebnisse:

Geschwindigkeit: Das neue System schlug die Standardstrategie „Buy and Hold“ (einfach den S&P 500 kaufen und nichts tun) um eine gewaltige Marge. Im komplexen Ozean erzielte es über den Testzeitraum 69 % mehr Geld.
Sicherheit: Es war nicht nur schneller, sondern auch sanfter. Als der Markt einbrach (wie während der Pandemie oder Inflationsschocks), fiel dieses System viel weniger stark als der Standardmarkt.
Die „Sharpe Ratio“: Dies ist ein Wert, der misst, wie viel Belohnung man für jede Einheit Risiko erhält. Das neue System schnitt 119 % besser ab als der Standardmarkt. Vereinfacht gesagt: Es brachte mehr Gewinn für die gleiche Menge an Sorge.

5. Wie oft bewegt es sich?

Sie könnten denken, dass ein so intelligentes System jede Sekunde handelt. Überraschenderweise bewegt es sich nur einmal pro Quartal (alle drei Monate). Dies ähnelt der Arbeitsweise vieler Standard-Indexfonds und ist wichtig, da es bedeutet, dass das System praktisch ist und kein Geld durch übermäßiges Handeln verschwendet.

Das Fazit

Das Papier behauptet, dass Investoren durch die Kombination eines mathematischen „No-Regret“-Lernsystems mit einer KI, die die emotionale Stimmung des Marktes liest, um Schutzschilde vorzuschlagen, ein Portfolio aufbauen können, das schneller wächst als der Durchschnittsmarkt, während es gleichzeitig weniger schmerzhafte Einbrüche erleidet. Es ist wie ein Schiff, das automatisch um Stürme herumsteuert, ohne dass ein Mensch ständig den Radar kontrollieren muss.

Technische Zusammenfassung: Regret-Driven Portfolios: LLM-gestütztes Smart Clustering für optimale Allokation

Problemstellung
Die Arbeit befasst sich mit der anhaltenden Herausforderung im kurz- bis langfristigen Portfoliomanagement: dem Ausgleich von Risiko und Rendite. Während passive Indexfonds (z. B. S&P 500) historisch gesehen viele aktive Hedgefonds auf Basis der nominalen Rendite übertroffen haben, priorisieren institutionelle und private Anleger oft risikobereinigte Renditen und den Schutz vor Abwärtsrisiken gegenüber reinen Gewinnmaximierungen. Traditionelle aktive Strategien leiden häufig unter hoher Volatilität, seltener Neugewichtung zur Vermeidung von Transaktionskosten und einem Zielkonflikt, bei dem höhere Renditen eine höhere Risikobereitschaft erfordern. Die Autoren schlagen eine Lösung vor, um überlegene Renditen ohne unangemessenes Risiko oder übermäßige Handelsfrequenz zu erzielen, wobei sie sich gezielt an risikoaversen Anlegern und Fondsmanagern orientieren.

Methodik
Die Autoren schlagen ein neuartiges Framework vor, das No-Regret Online Learning mit der Führung durch Large Language Models (LLM) integriert. Der Ansatz ist als sequenzielles Entscheidungsproblem strukturiert, bei dem ein Agent dynamisch Portfoliogewichte auswählt, um den „Regret“ (das Bedauern) zu minimieren – die Differenz zwischen der kumulativen Performance des Agenten und dem besten festen Portfolio im Rückblick.

Das Framework besteht aus vier Primärkomponenten:

Datenaufbereitung & Sentiment-Filterung: Das System verarbeitet Asset-Preisdaten und Marktsentiment-Indizes (speziell den Fear & Greed Index von CNN). Ein binärer Sentiment-Filter fungiert als grobkörnige Risikokontrolle, der entweder eine Portfolio-Neugewichtung oder eine vollständige Liquidation unter extremen Sentiment-Bedingungen auslöst.
LLM-gestützte Absicherung und Clustering: Ein LLM interpretiert historische Sentiment-Trends, um sektorale Anpassungen vorzuschlagen.
- Dynamisches Clustering: Das LLM wird mit einer 12-monatigen Sentiment-Zeitreihe gefüttert, um vielversprechende Sektoren zu empfehlen. Um die Varianz zu mindern, wird der Prompt fünfmal wiederholt, und die am häufigsten empfohlenen Sektoren werden ausgewählt.
- Pseudo-Hedging: Das LLM wird abgefragt, um komplementäre Sektoren zu identifizieren, die als Absicherung (Hedge) gegen die ausgewählten Cluster dienen sollen, mit dem Ziel, die Volatilität zu reduzieren und die Sharpe-Ratio zu verbessern.
Regret-gesteuerte Allokation (Der Kernmechanismus): Der Allokationsmechanismus nutzt eine von „Follow-the-Leader“ (FTL) inspirierte Strategie.
- Spieltheoretische Formulierung: Das Problem wird als Single-Agent-Spiel modelliert, bei dem der Agent in jedem Zeitschritt einen Portfolio-Vektor $a(t)$ über $n$ Assets auswählt.
- Aktionsgenerierung: Anstatt gewichtete Mischungen von Experten (wie bei klassischen Hedge-Algorithmen) beizubehalten, generiert das System Kandidaten-Aktionen, indem es die aktuelle Baseline-Allokation perturbiert (stört). Konkret wird das Gewicht eines einzelnen Assets innerhalb vordefinierter Grenzen modifiziert und die verbleibenden Allokationen angepasst, um die Summe-eins-Beschränkung zu erfüllen.
- Selektion: Der Agent wählt die Kandidaten-Aktion aus, die über ein bestimmtes Lookback-Fenster ( $k$ ) die höchste absolute Performance (z. B. Maximierung der Sharpe-, Calmar- oder Sortino-Ratio) erzielt hat.
Backtesting-Mechanik: Das System simuliert den Handel unter Berücksichtigung realistischer Beschränkungen, einschließlich Transaktionskosten, Handhabung von Delistings (Blacklisting von Assets) sowie täglicher Preisverfolgung für Anleihen und Cash.

Wesentliche Beiträge
Die Arbeit skizziert drei wesentliche Beiträge:

Greedy Regret-basierte Portfoliostrategie: Ein neuartiges Optimierungsframework, das Assets dynamisch neugewichtet, um den Regret im Rückblick zu minimieren. Im Gegensatz zu traditionellen statischen Methoden passt sich dieser Ansatz an wechselnde Marktdynamiken an und optimiert explizit für risikobereinigte Performance-Metriken.
LLM-gestütztes Clustering und Hedging: Die Integration von LLM-Erkenntnissen direkt in die Portfolio-Konstruktionspipeline. Die Autoren zeigen, dass LLMs zwar Schwierigkeiten haben könnten, allein aus Sentiment-Daten High-Return-Sektoren vorherzusagen, aber effektiv darin sind, komplementäre Hedging-Sektoren zu identifizieren, wodurch sie Verhaltensebene-Signale systematisch mit Allokationsentscheidungen verknüpfen.
Empirische Outperformance: Das Framework wurde auf zwei unterschiedlichen Asset-Universen validiert: einem minimalistischen „COCKROACH“-Mix (Cash, Gold, Anleihen, SPY) und einem komplexen Set aus 51 sektorbasierten ETFs. Die Studie liefert umfassende Sensitivitätsanalysen hinsichtlich Rebalancing-Frequenz, Lookback-Fenstern und Sentiment-Filtern.

Ergebnisse
Empirische Ergebnisse des Backtestings (Januar 2011 – Juni 2024 für das ETF-Universum) zeigen eine signifikante Outperformance gegenüber traditionellen Benchmarks:

Rendite und risikobereinigte Metriken: Die vorgeschlagene Strategie übertraf die SPY Buy-and-Hold-Baseline um 68,6 % bei den kumulierten Renditen und erreichte eine 119 % höhere Sharpe-Ratio.
Drawdown-Kontrolle: Die Strategie wies einen signifikant niedrigeren maximalen Drawdown (ca. 16 %) auf als der SPY (34 %) im gleichen Zeitraum, was eine überlegene Absicherung gegen Abwärtsrisiken unterstreicht.
LLM-Impact: Das LLM-gestützte Hedging verbesserte die risikobereinigten Renditen erheblich und steigerte die Sharpe-Ratios in spezifischen Konfigurationen (quartalsweises Rebalancing) um bis zu 63 %. Umgekehrt führte das dynamische Sektor-Clustering allein nicht zu einer Outperformance des gesamten Asset-Universums, was darauf hindeutet, dass LLMs in diesem Kontext besser für das Hedging als für die primäre Sektorwahl geeignet sind.
Rebalancing-Frequenz: Ein quartalsweises Rebalancing-Schema erwies sich als optimal, da es einen Ausgleich zwischen der Erfassung mittelfristiger Trends und der Minimierung von Transaktionskosten schafft.

Bedeutung und Ansprüche
Das Paper behauptet, dass sein Framework eine robuste, adaptive Lösung für das Niedrigfrequenz-Assetmanagement bietet, die Online Learning erfolgreich mit Sentiment-Signalen kombiniert. Durch die Beschränkung des Suchraums auf inkrementelle Anpassungen um eine diversifizierte Baseline und die Nutzung von LLMs für die Risiko-Offsetting statt für reine Alpha-Generierung, produziert die Methode Portfolios, die Standard-Benchmarks konsistent mit geringerer Volatilität übertreffen.

Die Autoren positionieren diese Arbeit als Brücke zwischen klassischer Optimierung, No-Regret-Learning-Theorie und modernen NLP-Fähigkeiten. Sie behaupten, dass der Ansatz besonders wertvoll für risikoaverse Anleger und institutionelle Manager ist, die nach Strategien suchen, die einen Schutz vor Abwärtsrisiken und eine geringe Korrelation zu Marktschwankungen bieten, ohne die hohen Gebühren oder die Underperformance, die oft mit traditionellem aktivem Management einhergehen. Die Studie kommt zu dem Schluss, dass trotz bestehender Limitationen (wie fester Rebalancing-Frequenz und LLM-Vorhersagebeschränkungen) die Integration von „No-Regret“-Updates mit leichtgewichtigem Sentiment-Conditioning einen bedeutenden Schritt nach vorn in der praktischen Portfolio-Konstruktion darstellt.