Regime Dependent Machine Learning and the Limits of Algorithmic Trading in the Dhaka Stock Exchange

In der Welt der Finanzen hält sich hartnäckig die Überzeugung, dass der zukünftige Aktienkurs vorhergesagt werden kann, wenn man lediglich genügend Daten sammelt und die richtigen mathematischen Werkzeuge anwendet. Diese Idee stützt sich auf das Konzept, dass Märkte nicht völlig zufällig agieren, sondern sich in distinkten Mustern oder „Regimen“ bewegen, die zwischen Phasen der Ruhe, hoher Volatilität und Stress wechseln. Wenn ein Anleger diese Wechsel rechtzeitig identifizieren könnte, so die Logik, könnte er seine Strategie anpassen, um zu kaufen, wenn der Markt ruhig ist, und zu verkaufen, wenn er chaotisch ist, und damit den durchschnittlichen Teilnehmer ausmanövrieren. Dieser Ansatz ist zum Eckpfeiler des modernen algorithmischen Handels geworden, bei dem Computer mittels komplexem maschinellem Lernen riesige Mengen historischer Daten scannen, um Signale zu finden, die menschliche Händler übersehen könnten. Die Frage, die einen Großteil dieser Forschung antreibt, ist, ob diese hochentwickelten Systeme diese Signale tatsächlich in echte, dauerhafte Gewinne umwandeln können, insbesondere in Märkten, die weniger entwickelt und unvorhersehbarer sind als jene im Westen.

Eine aktuelle Studie, die sich auf die Dhaka Stock Exchange in Bangladesch konzentrierte, versuchte, diese Frage mit strenger Präzision zu beantworten. Der Forscher, Md. Shakil Sikder, testete nicht einfach nur ein einzelnes Modell an einer Handvoll Unternehmen. Stattdessen konstruierte er drei separate Aktiengruppen, um sicherzustellen, dass die Ergebnisse kein Zufall waren. Eine Gruppe bestand aus zwölf bekannten, liquiden Unternehmen, die vom Autor sorgfältig ausgewählt wurden. Eine zweite Gruppe war eine computergestützte Zufallsauswahl von sechs Unternehmen, um jegliche menschliche Voreingenommenheit im Auswahlprozess zu eliminieren. Eine dritte, wesentlich größere Gruppe von vierundzwanzig zusätzlichen Aktien wurde später hinzugefügt, um zu prüfen, ob die Ergebnisse über ein breiteres Spektrum an Branchen hinweg Bestand hatten, was schließlich insgesamt zweiundvierzig Wertpapiere aus siebzehn verschiedenen Sektoren abdeckte. Das Ziel war es zu sehen, ob eine spezifische Art des maschinellen Lernens, die ihre Vorhersagen an das aktuelle Markt-„Regime“ anpasst, konsequent eine einfache Baseline-Strategie schlagen kann, die davon ausgeht, dass der Markt nichts weiter tut, als seinen jüngsten Durchschnitt zu wiederholen.

Die Studie setzte fünf verschiedene Prognosemodelle ein, die von grundlegenden statistischen Methoden bis hin zu fortschrittlichen KI-Systemen wie neuronalen Netzen reichten. Diese Modelle wurden mit dreizehn verschiedenen technischen Indikatoren gespeist, wie etwa vergangenen Kursbewegungen, Handelsvolumen und Momentum, zusammen mit einem Signal, das angab, ob sich der Markt in einem normalen, hochvolatilen oder stressigen Zustand befand. Die Forscher verwendeten eine strikte Testmethode namens „Walk-Forward-Validierung“, die den Echtzeithandel simuliert, indem das Modell auf vergangenen Daten trainiert und dann auf zukünftigen, bisher ungesehenen Daten getestet wird, um sicherzustellen, dass keine Informationen aus der Zukunft in die Vergangenheit durchsickerten. Sie berücksichtigten auch die spezifischen Handelskosten in Bangladesch, einschließlich Maklergebühren, Steuern und des Slippage, der auftritt, wenn man versucht, große Mengen an Aktien zu kaufen oder zu verkaufen, ohne den Preis gegen sich selbst zu bewegen.

Die Ergebnisse waren über alle drei Aktiengruppen hinweg eindeutig und konsistent. Keines der hochentwickelten Modelle des maschinellen Lernens gelang es, den einfachen Benchmark zu übertreffen. Tatsächlich schnitt das komplexeste Modell, ein Gradient-Boosted-Tree-Algorithmus namens LightGBM, in jedem einzelnen Panel signifikant schlechter ab als der Baseline-Ansatz. Als die Forscher versuchten, die Regime-Informationen zur Steuerung der Handelsentscheidungen zu nutzen, scheiterten die Strategien daran, überhaupt Gewinne zu erwirtschaften. Stattdessen verloren die Handelsstrategien den Großteil des eingesetzten Kapitals. Die Studie fand heraus, dass das zugrunde liegende Signal, das die Modelle zu nutzen versuchten, in einer Weise, die nach Abzug der Kosten in Geld umgemünzt werden konnte, schlicht nicht existierte. Selbst als die Forscher versuchten, die Anzahl der Trades zu reduzieren, um Gebühren zu vermeiden, blieben die Renditen negativ, was darauf hindeutete, dass das Problem nicht nur die Handelskosten waren, sondern das Fehlen eines echten prädiktiven Signals.

Ein besonders aufschlussreicher Befund betraf die Interpretation der einzigartigen Mechanik der Dhaka Stock Exchange durch die Computermodelle. Die Börse verfügt über einen Regulierungsmechanismus, der einen Mindestpreis festlegt und verhindert, dass Aktien unter ein gewisses Niveau fallen. In Zeiten extremer Stressphasen kann dieser Mechanismus dazu führen, dass der Handel aussetzt oder die Preise über längere Zeiträume flach bleiben. Die Studie entdeckte, dass die Modelle des maskiniellen Lernens, die auf Volatilität basieren, um Marktstress zu erkennen, diese flachen Preisphasen missinterpretierten. Da sich der Preis nicht bewegte, berechneten die Modelle eine Volatilität von Null und stuften diese gefährlichen Phasen als „geringes Risiko“ oder „normal“ ein. Dieser Fehler bedeutete, dass die Modelle die Anleger genau in den Momenten im Stich ließen, in denen sie am dringendsten benötigt wurden. Die Forscher testeten eine Regel, um diese eingefrorenen Tage vom Handel auszuschließen, aber diese Anpassung verschlechterte die Performance sogar noch, da die Kosten für die Neugewichtung des Portfolios den potenziellen Nutzen überstiegen.

Die Studie befasste sich auch mit einer häufigen Falle in der Finanzforschung: dem Unterschied zwischen dem, was ein Modell im Nachhinein weiß, und dem, was es in Echtzeit weiß. Die Forscher fanden heraus, dass die Fähigkeit des Computers, Marktregime zu identifizieren, nachdem er die gesamte Historie der Daten gesehen hatte, sich drastisch von seiner Fähigkeit unterschied, diese Regime während des Geschehens zu identifizieren. Rückblickend konnte das Modell einen Tag korrekt als stressig kennzeichnen, doch bei der Entscheidungsfindung im Moment des Geschehens lag es in mehr als der Hälfte der Fälle falsch. Diese Lücke zwischen Rückschau (Hindsight) und Echtzeit-Vorhersage ist ein kritischer Grund, warum viele Backtesting-Strategien bei der Anwendung auf Live-Märkte scheitern. Die Studie bestätigte, dass die Strategien selbst mit fortgeschrittenen statistischen Korrekturen und mehreren Validierungsebenen keine Fähigkeiten zeigten, die nicht durch Zufall erklärbar gewesen wären.

Letztlich legt die Forschung nahe, dass sich der Markt für die Dhaka Stock Exchange in einer Weise verhält, die konsistent mit der Idee der schwachen Effizienzform ist. Dies bedeutet, dass vergangene Kursbewegungen und Handelsvolumina keine verlässliche Roadmap für zukünftige Gewinne bieten, zumindest nicht in einer Weise, die durch aktuelle Techniken des maschinellen Lernens ausnutzbar wäre. Die Studie kommt zu dem Schluss, dass die Annahme, dass regime-bewusstes maschinelles Lernen einfach auf Frontier-Märkte mit einzigartigen regulatorischen Merkmalen übertragen werden kann, fehlerhaft ist. Das spezifische Zusammenspiel zwischen volatilitätsbasierter Detektion und dem Floor-Price-Mechanismus schafft einen blinden Fleck, den Algorithmen nicht ohne Weiteres überwinden können. Die Ergebnisse dienen als Warnung für Praktiker und Forscher und zeigen auf, dass selbst die anspruchsvollsten Werkzeuge in Märkten mit geringer Liquidität und spezifischen regulatorischen Beschränkungen möglicherweise nicht in der Lage sind, einen Vorteil zu finden, wo keiner existiert. Die Evidenz deutet auf einen Markt hin, in dem die einzige statistisch zuverlässige Strategie die passive Methode des langfristigen Haltens von Aktien bleibt, statt zu versuchen, den Markt mit komplexen Algorithmen zu timen.