Forecasting accuracy to portfolio value: Model risk and regime dependence in an emerging equity market
Diese Studie analysiert Aktien der Moskauer Börse, um aufzuzeigen, dass während CatBoost die beste statistische Prognosegenauigkeit bietet, PatchTST eine überlegene Portfolio-Performance liefert und keine Modellselektions- oder Regime-Switching-Strategie die fundamentale Diskrepanz zwischen Prognosepräzision und querschnittlicher Ranking-Fähigkeit in Schwellenländern zuverlässig überwinden kann.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Anleger, die große Geldmengen verwalten, stehen vor einem ständigen, stillen Dilemma: Sie müssen erraten, welche Aktien steigen und welche fallen werden, aber sie können niemals sicher sein, ob ihre Ratemethode die richtige ist. Dies ist nicht nur eine Frage von Pech; es ist ein grundlegendes Problem der Ungewissheit. Auf einer Ebene sorgt sich ein Anleger darum, dass seine Schätzung der zukünftigen Rendite einer Aktie falsch ist. Auf einer tieferen Ebene sorgt er sich darum, dass das gesamte mathematische Gerüst, das er zur Erstellung dieser Schätzung verwendet, fehlerhaft sein könnte. In stabilen Zeiten funktionieren einfache Regeln oft gut, aber wenn sich das wirtschaftliche Umfeld verschiebt – wenn die Inflation steigt, die Märkte volatil werden oder die Preise einbrechen – können dieselben Regeln versagen. Die Frage ist, ob eine komplexere, flexiblere Methode in der Lage ist, sich besser an diese wechselnden Bedingungen anzupassen als eine geradlinige, und ob eine Methode, die statistisch genau bei der Vorhersage von Zahlen ist, tatsächlich zu besseren Anlageergebnissen führt.
Ein Team von Forschern setzte sich zum Ziel, diese Fragen am russischen Aktienmarkt zu testen, einem Ort, an dem sich die wirtschaftlichen Bedingungen im letzten Jahrzehnt dramatisch verändert haben. Sie sammelten Daten von fast dreihundert Unternehmen, die an der Moskauer Börse gehandelt werden, und deckten dabei einen Zeitraum von Ende 2016 bis 2025 ab. Dieser Zeitraum beinhaltete Jahre mit stetiger Inflation, den globalen Schock der Pandemie sowie eine Phase intensiver geopolitischer Spannungen und geldpolitischer Straffung. Die Forscher wollten untersuchen, ob sich die Beziehung zwischen den Merkmalen eines Unternehmens und seinen zukünftigen Renditen änderte, je nachdem, ob der Markt ruhig oder gestresst war. Zu diesem Zweck bauten sie ein kontrolliertes Experiment auf, in dem acht verschiedene Prognosemethoden gegeneinander antraten. Diese Methoden reichten von einfachen linearen Gleichungen, die eine stetige Beziehung zwischen Faktoren und Renditen voraussetzen, bis hin zu hochentwickelten Algorithmen des maschinellen Lernens, die in der Lage sind, komplexe, nicht-lineare Muster zu erkennen und sich an neue Daten anzupassen.
Die Forscher fütterten alle acht Modelle mit exakt denselben Informationen: Daten zu Unternehmensgröße, Wert, Momentum und Liquidität, kombiniert mit Indikatoren für Marktstress wie hoher Inflation und starken Kursabfällen. Anschließend ließen sie jedes Modell die Renditen von Aktien über die nächsten drei Monate vorhersagen. Entscheidend war, dass sie den Modellen keinen freien Wettbewerb ließen; stattdessen zwangen sie jedes Modell dazu, dieselben Regeln für den Aufbau eines Portfolios anzuwenden. Sie wählten die fünfundzwanzig besten Aktien mit den höchsten prognostizierten Renditen aus, begrenzten den Betrag, der in eine einzelne Aktie investiert wurde, und steuerten das Risiko auf identische Weise. Dies stellte sicher, dass jeglicher Unterschied in den Endergebnissen rein aus der Qualität der Prognosen resultierte und nicht aus der Art und Weise der Kapitalallokation.
Die Ergebnisse zeigten eine überraschende Diskrepanz zwischen statistischer Genauigkeit und realem Wert. Eines der fortschrittlichsten Machine-Learning-Modelle, bekannt als CatBoost, erzeugte die geringsten durchschnittlichen Fehler bei der Vorhersage von Renditen. Es war am präzisesten darin, die Zahlen zu erraten. Als die Forscher jedoch untersuchten, ob die Modelle in der Lage waren, die besten Aktien korrekt gegen die schlechtesten einzustufen, schnitten alle acht Methoden schlecht ab. Keines von ihnen konnte die Top-Performer konsistent besser als der Zufall identifizieren. Dieser Befund deutet darauf hin, dass selbst die anspruchsvollsten Algorithmen Schwierigkeiten haben, ein verlässliches Signal im Rauschen eines Schwellenmarktes zu finden, insbesondere wenn dieser Markt unter raschen strukturellen Veränderungen steht.
Noch wichtiger war die Erkenntnis der Studie, dass das Modell mit der besten statistischen Genauigkeit nicht das beste Anlageportfolio lieferte. Ein anderes Modell, das auf einer Sequenzlern-Architektur namens PatchTST basierte, hatte vergleichsweise schlechte Gesamteffektivität in seinen Vorhersagen. Dennoch lieferte es, wenn seine Prognosen zum Aufbau eines Portfolios verwendet wurden, risikobereinigte Renditen, die mit den besten Strategien konkurrieren konnten, und verzeichnete in Marktabwärtsphasen geringere Verluste. Dieses Ergebnis unterstreicht eine entscheidende Lektion: Ein Modell muss nicht perfekt darin sein, jede Zahl vorherzusagen, um nützlich für die Anlage zu sein. Es muss lediglich gut genug sein, um die spezifischen Aktien zu identifizieren, die gut abschneiden werden, selbst wenn es den Rest des Marktes falsch einschätzt.
Die Forscher testeten auch, ob es möglich sei, je nach aktuellen Marktbedingungen zwischen Modellen zu wechseln, etwa indem man ein anderes Modell während hoher Inflation und ein anderes während Börsencrashs verwendet. Sie entwickelten eine Regel, die automatisch das beste Modell basierend auf den jüngsten Ergebnissen oder dem aktuellen Zustand der Wirtschaft auswählte. Während diese Wechselregel in ihrem Backtest die höchsten nominalen Renditen erzielte, war der Vorteil statistisch nicht belastbar. Die Ergebnisse lagen so nah an denen fester Strategien, dass der Unterschied leicht auf Zufall zurückzuführen sein könnte. Da die Regel zudem erst nach der Betrachtung der Daten erstellt wurde, kann sie nicht als bewährte Strategie für die Zukunft angesehen werden. Die Studie legt nahe, dass das Wissen darüber, ob ein Markt gestresst ist, zwar nützlich ist, um zu verstehen, wann Prognosen unzuverlässig sein könnten, aber kein klares, automatisches Signal dafür liefert, welches mathematische Werkzeug zu verwenden ist.
Letztlich kommt das Paper zu dem Schluss, dass es kein einzelnes „bestes“ Modell für die Vorhersage von Aktienrenditen in einem Schwellenmarkt gibt. Die flexibelsten und komplexesten Modelle schneiden nicht automatisch besser ab als einfachere, und das Modell, das in einem statistischen Wettbewerb gewinnt, ist nicht zwangsläufig dasjenige, das das profitabelste Portfolio aufbaut. Die Ungewissheit, der Anleger gegenüberstehen, ist zweifach: Sie müssen mit der inhärenten Schwierigkeit der Zukunftsprognose umgehen und sie müssen zudem akzeptieren, dass sie nicht mit Sicherheit wissen können, welche Methode der Vorhersage im Moment die richtige ist. In einem solchen Umfeld besteht der robusteste Ansatz möglicherweise nicht darin, nach einer perfekten Prognosemaschine zu suchen, sondern zu erkennen, dass alle Modelle Risiken bergen und dass der Wert eines Modells nicht in seiner durchschnittlichen Genauigkeit liegt, sondern in seiner Fähigkeit, unter Druck fundierte Anlageentscheidungen zu leiten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.