The Illusion of Accuracy: Machine-Learning and GARCH Forecasts of UK Equity Index Prices
Diese Studie stellt fest, dass fortgeschrittene Modelle des maschinellen Lernens und der GARCH-Modelle zwar die Preise britischer Aktienindizes genau vorhersagen, es jedoch versäumen, bei der Renditeprognose einfache Benchmarks zu übertreffen, was darauf hindeutet, dass ihr eigentlicher Wert eher in der Risikomessung als in der Renditeprognose liegt.
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 der Finanzen besteht eine hartnäckige Hoffnung, dass ein kluger Algorithmus in die Vergangenheit blicken und die Zukunft sehen kann. Diese Hoffnung stützt sich auf die Idee, dass Aktienkurse, obwohl sie scheinbar chaotisch sind, Muster verbergen könnten, die ein Computer erlernen kann, um sie auszunutzen. Das zentrale Konzept hierbei ist der „Random Walk“ (Random Walk), ein einfacher Maßstab, der nahelegt, dass die beste Schätzung für den morgigen Preis einfach der heutige Preis ist, da alle bekannten Informationen bereits in der aktuellen Zahl eingepreist sind. Wenn ein hochentwickeltes Computermodell die Preisänderungen nicht konsistent besser vorhersagen kann als diese einfache Vermutung, dann verhält sich der Markt effizient, und das Versprechen von leichten Gewinnen durch Vorhersagen ist eine Illusion. Diese Frage ist für jeden, der Ersparnisse oder eine Altersvorsorge besitzt, von tiefer Bedeutung, denn wenn künstliche Intelligenz den Markt wirklich prognostizieren kann, könnte sie die Vermögensverwaltung grundlegend verändern; wenn sie es jedoch nicht kann, dann könnte das Vertrauen in diese Werkzeuge Anleger in die Irre führen.
Eine aktuelle Studie setzte sich zum Ziel, dieses Versprechen direkt zu testen, wobei sie sich auf die zwei großen Aktienindizes des Vereinigten Königreichs konzentrierte. Die Forscher sammelten wöchentliche Daten von Januar 2015 bis Oktober 2026, ein Zeitraum, der bedeutende wirtschaftliche Turbulenzen wie Zinsschocks und Zoll-Verkäufe einschloss. Sie stellten acht verschiedene Prognosemethoden gegeneinander auf. Auf der einen Seite standen die einfachen Benchmarks: ein Modell, das einfach den Preis der Vorwoche wiederholt, und ein anderes, das die durchschnittliche Rendite aller vergangenen Wochen nutzt. Auf der anderen Seite standen die Schwergewichte der modernen Finanzwelt: traditionelle statistische Modelle, die darauf ausgelegt sind, Volatilität zu verfolgen, und drei verschiedene Arten von künstlicher Intelligenz, darunter ein Random Forest, der viele Entscheidungsbäume aufbaut, um Muster zu finden, und ein neuronales Netz, das die Arbeitsweise eines Gehirns bei der Informationsverarbeitung nachahmt. Das Ziel war nicht nur zu sehen, welches Modell auf einem Diagramm am besten aussieht, sondern festzustellen, ob eines dieser Modelle tatsächlich die Richtung des Marktes besser vorhersagen kann als der Zufall, und ob diese Vorhersagen nach Abzug der Handelsgebühren in echtes Geld umgemünzt werden können.
Die Ergebnisse zeigten eine frappierende Diskrepanz zwischen der Genauigkeit, mit der die Modelle optisch wirkten, und ihrem tatsächlichen Nutzen. Als die Forscher die vorhergesagten Preisniveaus mit den tatsächlichen Preisen verglichen, erschienen alle Modelle als äußerst genau. Der durchschnittliche Fehler war minimal und lag zwischen 1,3 und 1,6 Prozent. In einer Grafik lagen die vorhergesagten Linien fast perfekt auf den realen Linien, was den visuellen Eindruck von Meisterschaft erzeugte. Diese Genauigkeit war jedoch eine Illusion, die durch die Natur der Aktienkurse entstand, die dazu neigen, in der Nähe ihres Wertes der Vorwoche zu bleiben. Da die Preise so beständig waren, erreichte selbst das einfachste Modell, das lediglich davon ausging, dass sich nichts ändern würde, eine nahezu gleiche Genauigkeit wie die komplexen Systeme der künstlichen Intelligenz. Als die Forscher das Preisniveau entfernten und strikt auf die wöchentlichen Wertänderungen blickten, änderte sich das Bild grundlegend. Keines der acht Modelle, einschließlich der fortschrittlichen Machine-Learning-Systeme, vermochte es, den einfachen Random Walk auf eine statistisch bedeutsame Weise zu schlagen. Tatsächlich schnitten der Random Forest und eine Standard-Regressionsprognose beim größeren Index deutlich schlechter ab, als wenn man einfach davon ausgegangen wäre, dass der Markt flach bleibt.
Die Studie untersuchte auch, ob diese Modelle einem Anleger helfen könnten, mehr Geld zu verdienen. Die Forscher simulierten eine Handelsstrategie, bei der ein Anleger den Index kauft, wenn das Modell einen Anstieg vorhersagt, und Bargeld hält, wenn es einen Fall vorhersagt, wobei die Kosten jedes Handels berücksichtigt wurden. Im steigenden Markt des größeren Index übertraf die „Buy-and-Hold“-Strategie, bei der man einfach nichts tut und die Anlage hält, jede prognosebasierte Strategie nach Abzug der Kosten. Das ausgefeilteste Machine-Learning-Modell verlor tatsächlich Geld im Vergleich zum bloßen Halten der Aktie. Beim kleineren Index schnitten einige Modelle etwas besser ab als das Halten der Aktie, dies war jedoch weitgehend darauf zurückzuführen, dass sie sich während eines starken Rückgangs aus dem Markt zurückzogen – eine Form der Risikoreduzierung statt eines Zeichens für prognostische Geschicklichkeit. Die Forscher kamen zu dem Schluss, dass der scheinbare Erfolg dieser Modelle bei der Vorhersage von Preisniveaus irreführend war; sie sagten nicht die Zukunft voraus, sondern verfolgten lediglich die Vergangenheit.
Während die Modelle zwar nicht vorhersagen konnten, wohin sich der Markt bewegen würde, waren sie bemerkenswert gut darin, vorherzusagen, wie stark er schwanken würde. Die Studie ergab, dass ein spezieller Typ statistischer Modelle, bekannt als asymmetrisches GARCH-Modell, weitaus überlegen bei der Prognose der Volatilität – also der Größe der Preisschwankungen – anstatt der Richtung war. Dieses Modell antizipierte korrekt, dass schlechte Nachrichten größere Erschütterungen am Markt verursachen würden als gute Nachrichten, ein Phänomen, das als Leverage-Effekt bekannt ist. Es lieferte die genauesten Schätzungen des Risikos und produzierte zuverlässige „Value-at-Risk“-Werte, die Anlegern mitteilen, wie viel sie in einer schlechten Woche potenziell verlieren könnten. Diese Unterscheidung ist entscheidend: Die Werkzeuge waren exzellent darin, die Gefahr des Marktes zu messen, aber nutzlos darin, sein Ziel vorherzusagen.
Die Autoren argumentieren, dass dieser Befund eine häufige Falle in der Finanzberichterstattung offenlegt. Viele Studien und kommerzielle Tools präsentieren Diagramme, in denen vorhergesagte Preise eng mit den tatsächlichen Preisen übereinstimmen, als Beweis für ihre Leistungsfähigkeit. Dieses Paper zeigt, dass solche Diagramme täuschend sind, da sie nicht berücksichtigen, dass Preise von Natur aus zusammenhängen. Der wahre Test für ein Prognosewerkzeug ist, ob es die Preisänderung besser vorhersagen kann als eine einfache Vermutung, und in diesem strengen Test versagten die Modelle der künstlichen Intelligenz. Der Wert dieser quantitativen Werkzeuge liegt nicht darin, Anlegern zu sagen, wann sie kaufen oder verkaufen sollen, um den Markt zu schlagen, sondern darin, ihnen zu helfen, das Risiko ihrer Anlagen zu verstehen und zu steuern. Für den neugierigen Anleger ist die Lektion klar: Die Fähigkeit, eine Linie zu zeichnen, die dem Markt folgt, ist nicht dieselbe wie die Fähigkeit, zu sehen, wohin der Markt als Nächstes geht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.