Large Language Model-Driven Small-Capitalization Trading: Integrating Financial News Sentiment, Macroeconomic Indicators, and Technical Signals

Die digitale Kristallkugel und der Aktienmarkt

Stellen Sie sich den Aktienmarkt wie einen riesigen, chaotischen Ozean vor. Seit Jahrzehnten versuchen Anleger, die Wellen mit zwei Hauptwerkzeugen vorherzusagen: dem Blick auf die Wasseroberfläche (technische Signale wie Preisdiagramme) und dem Lesen der Wetterberichte (makroökonomische Indikatoren wie Zinssätze oder Ölpreise). Aber es gibt ein drittes, verrauschtes Element: den endlosen Nachrichtenstrom. In der Vergangenheit versuchten Computer, diese Nachrichten mithilfe einfacher „Lexika“ zu lesen, bei denen es sich lediglich um Listen von guten Wörtern (wie „Gewinn“) und schlechten Wörtern (wie „Verlust“) handelt. Es ist, als würde man versuchen, einen komplexen Film zu verstehen, indem man lediglich zählt, wie oft die Wörter „glücklich“ oder „traurig“ vorkommen; man verpasst die Handlung, die Ironie und den Kontext.

Hier kommen Large Language Models (LLMs) ins Spiel. Betrachten Sie diese als superintelligente digitale Leser, die tatsächlich die Geschichte hinter den Schlagzeilen verstehen können und Nuancen sowie Kontexte erfassen, die beim einfachen Wortzählen verloren gehen. Die große Frage, die sich Forscher stellen, lautet: Wenn wir diesen superintelligenten Lesern die Aufgabe geben, die Zukunft kleiner, risikoreicher Unternehmen (sogenannte „Small-Cap“-Aktien) vorherzusagen, können sie uns helfen, ein besseres Anlageportfolio aufzubauen? Die Antwort liegt nicht nur darin, was die Nachrichten sagen, sondern darin, wie wir diese Informationen nutzen, um zu entscheiden, welche Aktien wir kaufen und wie viel Risiko wir eingehen sollten.

Die Geschichte: Einem Roboter beibringen, den Raum zu lesen

In dieser Arbeit geht es um ein Team von Forschern, das ein hochentwickeltes Handelssystem entwickelt hat, um genau diese Idee zu testen. Sie wollten sehen, ob sie eine KI nutzen können, um Finanznachrichten zu lesen, diese mit großen Wirtschaftsdaten zu kombinieren und diese Informationen zu nutzen, um mit dem Handel von kleinen Unternehmen Geld zu verdienen. Aber sie wollten nicht einfach nur die Zukunft erraten; sie wollten, dass die KI zugibt, wenn sie sich unsicher ist.

So funktioniert ihr System Schritt für Schritt:

1. Der Nachrichtenfilter: Das Rauschen gruppieren
Stellen Sie sich eine Eilmeldung über ein Unternehmen vor. Dutzende von Nachrichtenagenturen schreiben möglicherweise darüber und wiederholen manchmal dieselben Fakten immer und immer wieder. Wenn man jede einzelne Meldung zählt, könnte diese eine Geschichte zehnmal wichtiger erscheinen, als sie eigentlich ist. Die Forscher haben dies gelöst, indem sie einen „Clustering“-Trick anwandten. Sie gruppierten ähnliche Artikel zu einer einzigen „Geschichte“, bevor die KI sie las. Auf diese Weise konzentriert sich die KI auf die Bedeutung des Ereignisses, nicht nur darauf, wie viele Reporter erschienen sind, um darüber zu berichten.

2. Die zwei Arten von Signalen: Die „reinen“ Akteure
Die Forscher erkannten, dass sich Aktien aus zwei sehr unterschiedlichen Gründen bewegen, und behandelten sie als separate Akteure in einem Spiel:

• Pure Alpha (Das eigene Drama des Unternehmens): Dies geschieht, wenn ein spezifisches Unternehmen etwas Ungewöhnliches tut – wie etwa der Rücktritt eines CEO oder die Einführung eines neuen Produkts –, das nicht durch die allgemeine Wirtschaft erklärt werden kann. Es ist, als würde ein spezifischer Schauspieler in einem Theaterstück plötzlich eine Szene improvisieren.
• Pure Beta (Die Welle des Ozeans): Dies geschieht, wenn sich ein großer Wirtschaftsindikator (wie Zinssätze oder Ölpreise) bewegt und eine Aktie sich bewegt, weil sie gegenüber dieser Veränderung sensibel reagiert, noch bevor die Aktie selbst etwas Ungewöhnliches getan hat. Es ist, als würde ein Surfer eine Welle reiten, noch bevor er die Wellenkrone überhaupt sieht.

Das Team testete drei Strategien: das Wetten nur auf das „Pure Alpha“-Drama, das Wetten nur auf die „Pure Beta“-Wellen und das Wetten nur dann, wenn beides zur exakt gleichen Zeit eintritt (die „Beta-Intersektion“).

3. Das unsicherheitbewusste Gehirn
Die meisten Handelssysteme behandeln Risiko als eine feste Zahl, wie ein Tempolimit-Schild. Dieses Team nutzt jedoch eine KI, die Risiko dynamisch berechnet. Sie unterteilt das Risiko in zwei Teile:

• Aleatorische Unsicherheit: Die Zufälligkeit des Marktes selbst (das Wetter ist einfach unvorhersehbar).
• Epistemische Unsicherheit: Der eigene Mangel an Vertrauen der KI (die KI sagt: „Ich bin mir noch nicht sicher, ob ich diese Geschichte schon verstehe“).

Indem das System diesen „Unsicherheitsscore“ direkt in die Mathematik einspeist, die entscheidet, wie viel Geld in jede Aktie investiert wird, wird das System vorsichtiger, wenn es verwirrt ist, und aggressiver, wenn es sich sicher ist.

Was sie fanden: Die überraschenden Ergebnisse

Die Forscher ließen ihr System auf einer massiven Liste kleiner Unternehmen (Russell 2000) über einen bestimmten Zeitraum im Jahr 2025 laufen. Sie testeten verschiedene Haltedauern (wie lange eine Aktie gehalten wird) und verschiedene Transaktionskosten (die Gebühren, die beim Handel anfallen).

Die große Überraschung: Warten Sie nicht auf Einigkeit
Die wichtigste Erkenntnis war, dass die Trennung der Signale viel besser funktionierte als das Warten darauf, dass sie übereinstimmten.

• Die „Beides“-Strategie scheiterte: Die Anforderung, dass sowohl das „Pure Alpha“-Drama als auch die „Pure Beta“-Welle gleichzeitig auftreten mussten, führte meist zu der schlechtesten Performance. Es war, als würde man auf den perfekten Sturm und den perfekten Schauspieler warten, der gleichzeitig auftritt; man verpasste einfach zu viele gute Gelegenheiten.
• Die „separaten“ Strategien gewannen: Das System erzielte das meiste Geld, wenn es die beiden Signale als separate Strategien behandelte.
  • Kurzfristig (1 Tag): Die „Pure Beta“-Strategie (das Reiten der wirtschaftlichen Welle) funktionierte gut, wenn die Transaktionskosten niedrig waren, aber der Vorteil verschwand, wenn die Kosten hoch waren (100 Basispunkte).
  • Mittelfristig (20–40 Tage): Die „Pure Beta“-Strategie glänzte erneut. Es scheint, dass große wirtschaftliche Veränderungen eine Weile brauchen, um sich bei kleinen Unternehmen voll und ganz durchzusetzen, und die KI konnte diesen langsamen Drift einfangen.
  • Langfristig (5, 10 und 60 Tage): Die „Pure Alpha“-Strategie (das eigene Drama des Unternehmens) war der klare Gewinner. Dies deutet darauf ab, dass es Zeit braucht, bis der Markt eine spezifische Nachricht vollständig verstanden und eingepreist hat.

Die beste Kombination
Das erfolgreichste Setup, das sie fanden, war ein „konservatives“:

• Strategie: Pure Beta (das Reiten der wirtschaftlichen Welle).
• KI-Modell: GPT-4o mini (eine spezifische Version der KI).
• Haltedauer: 40 Tage.
• Risikomanagement: Verwendung eines „Student-t Target“ (eine mathematische Methode, die extreme Markteinbrüche besser handhabt) und „Risk Parity“ (Ausgleich von Risiko statt nur Ausgleich von Geld).
• Ergebnis: Dieses Setup erreichte eine Sharpe-Ratio von 2,33, selbst bei hohen Transaktionskosten von 100 Basispunkten.

Was dies bedeutet

Die Arbeit legt nahe, dass das Geheimnis beim Einsatz von KI für den Handel nicht nur darin besteht, einen klügeren Leser zu haben, sondern darin, wie man das Spiel organisiert. Indem man die „unternehmensspezifischen“ Nachrichten von den „wirtschaftsweiten“ Nachrichten trennt und der KI erlaubt, die eigene Unsicherheit als Leitfaden für das Risikomanagement zu nutzen, können Anleger besser abschneiden als mit traditionellen Methoden.

Die Autoren weisen jedoch vorsichtig darauf hin, dass dies eine Simulation basierend auf einem Jahr an Daten ist. Sie deuten an, dass diese Ergebnisse vielversprechende Belege sind, aber kein garantierter „Sieg“ für die Zukunft. Sie merken auch an, dass ihre KI, obwohl sie intelligent ist, immer noch einen „Wissensstopp“ hat (sie weiß nichts über Dinge, die nach dem Ende ihres Trainings geschehen sind), und dass die Zusammenfassung langer Nachrichtenartikel einige winzige Details verlieren kann. Aber der Kern der Idee bleibt bestehen: In der lauten Welt der Small-Cap-Aktien ist zu wissen, wann man auf die Wirtschaft hört und wann man auf das Unternehmen hört – und zu wissen, wann man vorsichtig sein muss – genauso wichtig wie die Nachrichten selbst.