Macroeconomic Predictability and Machine Learning in REIT Returns: Out-of-Sample Evidence and Property-Sector Heterogeneity
Diese Studie stellt fest, dass nichtlineare Modelle des maschinellen Lernens zwar wirtschaftlich bedeutsame Out-of-Sample-Prognosegewinne für US-REIT-Renditen mit mittlerem Zeithorizont bieten – insbesondere im Gesundheitssektor und getrieben durch makroökonomische Faktoren –, sie jedoch nach Anpassungen für multiples Testen keine statistisch signifikante aggregierte Überlegenheit gegenüber linearen Benchmarks erreichen, wobei die prädiktiven Signale in gemeinsamen Zeitreihenkomponenten statt in der Querschnittsauswahl konzentriert sind.
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
In der Welt des Investierens verhalten sich einige Vermögenswerte wie Aktien, während andere eher wie Anleihen oder physische Gebäude agieren. Real Estate Investment Trusts, bekannt als REITs, sitzen genau in der Mitte dieser Kluft. Es handelt sich dabei um Unternehmen, die einkommensgenerierende Immobilien wie Einkaufszentren, Apartmentkomplexe und Krankenhäuser besitzen, und die wie jedes andere Unternehmen an der Börse gehandelt werden. Da ihr Wert sowohl von der Gesundheit des Aktienmarktes als auch von der physischen Realität der Wirtschaft – etwa Zinssätzen, Beschäftigungswachstum und Inflation – abhängt, ist die Vorhersage ihrer zukünftigen Performance ein komplexes Rätsel. Seit Jahrzehnten versuchen Investoren und Ökonomen, dieses Rätsel mit einfacher, geradliniger Mathematik zu lösen, unter der Annahme, dass die Aktien steigen, wenn die Wirtschaft steigt, auf eine vorhersehbare Weise. Doch die Wirtschaft verläuft selten in einer geraden Linie; sie windet und dreht sich, und die Beziehung zwischen einer Rezession, einem Anstieg der Zinssätze und dem Wert einer Immobilie kann sich je nach Kontext ändern. Hier kommt die moderne Informatik ins Spiel, die Werkzeuge bietet, mit denen man nach komplizierten, verborgenen Mustern in Daten suchen kann, die die traditionelle Mathematik vielleicht übersieht.
Ein Forscher unternahm den Versuch zu testen, ob diese fortschrittlichen Computertools, bekannt als maschinelles Lernen, tatsächlich die zukünftigen Renditen von REITs besser vorhersagen können als die alten, Standardmethoden. Er sammelte eine riesige Menge historischer Daten und verfolgte dabei 383 verschiedene Immobilienunternehmen über mehr als zwei Jahrzehnte, von dem Jahr 2000 bis 2023. Dieser Zeitraum deckte einige der dramatischsten wirtschaftlichen Verschiebungen der modernen Geschichte ab, einschließlich der globalen Finanzkrise, einer langen Phase sehr niedriger Zinssätze, des plötzlichen Schocks der Pandemie und der darauffolgenden schnellen Inflation. Der Forscher fütterte die Computermodelle mit einem spezifischen Satz an Hinweisen: aktuellen Zinssätzen, Arbeitslosenzahlen, Inflationsdaten, der Geschwindigkeit des Wirtschaftswachstums und der Leistung des breiteren Aktienmarktes. Dann bat er den Computer zu erraten, was in den nächsten Monaten mit den REIT-Renditen passieren würde. Um sicherzustellen, dass der Test fair war, trainierte er den Computer mit Vergangenheitsdaten und bat ihn dann, die Zukunft vorherzusagen, ohne ihm vorher einen Blick auf die Antworten zu gewähren.
Die Ergebnisse offenbarten eine Geschichte, die nuancierter ist als ein einfacher Sieg der neuen Technologie. Wenn der Forscher den Computer fragte, was in der sehr nahen Zukunft passieren würde – in einem, zwei oder drei Monaten – schnitten die Modelle des maschinellen Lernens nicht besser ab als eine einfache Schätzung basierend auf der durchschnittlichen vergangenen Performance. Tatsächlich waren die Computermodelle für diese kurzen Zeiträume etwas schlechter als die grundlegenden Benchmarks. Die Geschichte änderte sich jedoch, als der Forscher einen mittelfristigen Horizont betrachtete und den Computer speziell fragte, die kumulativen Renditen über einen Zeitraum von sechs Monaten vorherzusagen. Hier begannen die fortschrittlichen Modelle ihre Stärke zu zeigen. Die ausgefeiltesten Algorithmen, die dadurch arbeiten, viele kleine Entscheidungsbäume aufzubauen, um komplexe Muster zu finden, konnten ihre Vorhersagefehler im Vergleich zu den traditionellen linearen Methoden signifikant reduzieren. Sie erfassten etwa 9,3 Prozent der Variation der Sechs-Monats-Renditen, eine bedeutsame Verbesserung gegenüber dem Standardansatz, der tatsächlich etwas schlechter als ein einfacher historischer Durchschnitt abschnitt.
Trotz dieser Verbesserung der Genauigkeit war der Forscher vorsichtig, keinen totalen Sieg zu erklären. Als er strenge statistische Tests anwandte, um zu sehen, ob der Erfolg des Computers ein echter Durchbruch oder nur ein Glückstreffer war, waren die Ergebnisse weniger eindeutig. Die Verbesserungen waren zwar wirtschaftlich spürbar, aber statistisch nicht stark genug, um mit absoluter Gewissheit zu beweisen, dass die Modelle des maschinellen Lernens den älteren Methoden flächendeckend überlegen waren. Die Studie legt nahe, dass die Computermodelle kein magisches Rezept finden, das für jede einzelne Immobilie oder jeden einzelnen Monat funktioniert. Stattdessen erfassen sie eine spezifische Art von Signal: die breite, gemeinsame Bewegung des gesamten Immobilienmarktes, die durch die Gesamtwirtschaft angetrieben wird. Die Modelle sind gut darin, den allgemeinen Markt zu timen und zu spüren, wann sich die Gezeiten von Zinssätzen und Beschäftigung voraussichtlich wenden werden, aber sie sind nicht gut darin, die einzelnen Gewinner und Verlierer unter den verschiedenen Unternehmen auszuwählen.
Der Forscher entdeckte auch, dass die Nützlichkeit dieser Werkzeuge stark von der Art der analysierten Immobilie abhängt. Die Modelle des maschinellen Lernens funktionierten am besten für Gesundheitsimmobilien (Healthcare REITs), bei denen die Vorhersagen nicht nur genau, sondern auch statistisch signifikant waren, selbst nach strengen Tests. Einzelhandelsimmobilien zeigten ebenfalls Potenzial, während Wohnimmobilien und diversifizierte Immobilienunternehmen besser durch die einfacheren, traditionellen Methoden vorhergesagt wurden. Dieser Befund unterstreicht, dass die Wirtschaft verschiedene Arten von Gebäuden auf unterschiedliche Weise beeinflusst und dass ein Einheitsmodell der Computer nicht jede Nuance erfassen kann. Darüber hinaus zeigte die Studie, dass die Computermodelle nicht nur die Vergangenheit auswendig lernten, sondern lernten, verschiedene wirtschaftliche Faktoren, wie etwa die Wechselwirkung zwischen Veränderungen der Arbeitslosigkeit oder der Zinssätze, unterschiedlich zu gewichten, um ein vollständigeres Bild der Zukunft zu zeichnen.
Letztendlich bietet diese Forschung eine klare, fundierte Perspektung auf die Rolle der künstlichen Intelligenz in der Finanzwelt. Sie zeigt, dass maschinelles Lernen zwar wertvolle Muster darin aufdecken kann, wie die Wirtschaft den Immobilienmarkt beeinflusst, aber kein Kristallball ist. Die Technologie glänzt, wenn es um mittelfristige Trends und spezifische Sektoren geht, aber sie ersetzt nicht die Notwendigkeit einer sorgfältigen statistischen Prüfung oder das Verständnis dafür, dass die Wirtschaft eine sich ständig verändernde Landschaft ist. Die Studie kommt zu dem Schluss, dass der Wert dieser fortschrittlichen Werkzeuge real, aber bedingt ist; sie sind kraftvolle Instrumente, um die allgemeine Richtung des Marktes zu verstehen, sofern sie mit den richtigen Erwartungen und auf die richtigen Arten von Vermögenswerten angewendet werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.