Wie sehen Sie Anomalien und Faktorprämien?
„Anomalien sind im Wesentlichen Muster in den Aktienrenditedaten, die sich mit Standardrisikomodellen nicht leicht erklären lassen. In der grundlegenden Finanzausbildung wird uns beigebracht, dass die Finanzmärkte extrem effizient sind. Es ist also sehr spannend, Bereiche zu entdecken, die sich nicht mit Risiken erklären lassen und Alpha erzeugen. Das ist meiner Meinung der Grund dafür, das eine Menge von Menschen bereit sind, diese Daten auf der Suche nach Methoden zu durchsuchen, mit denen sie den Markt schlagen können. Wenn man also eine Anomalie entdeckt, kann das ein Wettbewerbsvorteil sein.“
„Es gibt aktuelle Artikel, in denen diskutiert wird, was die Anomalien tatsächlich verursacht. Wie viele der Hunderten von gemeldeten Anomalien sind echt und wie viele sind ein Symptom von Data Mining? Darüber wird intensiv in der akademischen Finanzliteratur diskutiert. Damit eine Anomalie ein Faktor wird, muss sie sehr robust sein. Für die Existenz einer Prämie muss es einen guten Grund geben. Sie sollte sich über einen langen Zeitraum in den Daten widerspiegeln und muss auch nach ihrer Veröffentlichung Bestand haben.
Zhi Da
Professor of Finance at the University of Notre Dame’s Mendoza College of Business
“
Wenn verschiedene Inputs eine Vorhersage der Rendite in sehr komplizierter Weise ermöglichen, können Techniken des maschinellen Lernens dies recht schnell erkennen.
Welche Rolle spielen alternative Datensätze und Techniken des maschinellen Lernens?
„Aus akademischer Perspektive sind alternative Datensätze wirklich faszinierend. Sie ermöglichen Ihnen nun ein Nowcasting der Fundamentaldaten eines Unternehmens. Wir können alternative Daten beispielsweise zu Parkplatzkapazitäten, Satellitenaufnahmen oder Kreditkartengebrauch finden. Derartige Datenpunkte können Ihnen einen Eindruck von den Fundamentaldaten eines Unternehmens in Echtzeit verschaffen. Unternehmensergebnisse werden mit einer Verzögerung gemeldet und verursachen Verspätungen der Marktreaktionen. Diese alternativen Datensätze können also bei der Vorhersage zukünftiger Ergebnisse hilfreich sein.“
„Etwas zurückhaltender bin ich bei der Beurteilung des maschinellen Lernens aus akademischer Sicht. Wenn wir über Datenmuster sprechen, möchten wie die Treiber hinter ihnen verstehen. Techniken des maschinellen Lernens sind immer noch häufig „Blackboxen“. Ein Random-Forest-Algorithmus kann zum Beispiel sehr effektiv sein, aber Sie haben möglicherweise keinen Einblick, warum bestimmte Kriterien funktionieren. Dies kann dazu führen, dass Sie die grundlegenden wirtschaftlichen Zusammenhänge nicht richtig verstehen. Als Wissenschaftler fühle ich mich nicht sehr wohl dabei, eine Blackbox zu benutzen, um unser Verständnis der Finanzmärkte zu verbessern.
„Andererseits sind sie großartige Hilfsmittel für Praktiker. Sie ermöglichen Ihnen, Datenmuster zu erkennen, die ansonsten sehr schwierig zu finden wären, insbesondere bei nicht-linearen Beziehungen. Wenn verschiedene Inputs also eine Vorhersage der Rendite in sehr komplizierter Weise ermöglichen, können Techniken des maschinellen Lernens dies recht schnell erkennen. Ich weiß, dass es viele Hedgefonds gibt, die diese Techniken nutzen und damit Erfolg haben. Das liegt daran, dass sie die Tools haben, mit denen sie komplizierte und im Zeitverlauf wechselnde Datenmuster identifizieren können. Maschinelles Lernen kann also in der Praxis sehr gut funktionieren.“
Bleiben Sie mit den monatlichen E-Mail-Updates zu unseren neuesten Einblicken stets auf dem Laufenden
Welche Elemente sind wichtig für kurzfristige Umkehrstrategien?
„Meinen Untersuchungen zufolge gibt es potenziell zwei Treiber für eine kurzfristige Renditeumkehr.1 Einer ist der Ausgleich für die Bereitstellung von Liquidität. Wenn große Institute versuchen, in kurzer Zeit enorme Mengen von Aktien zu verkaufen, wirkt sich das auf den Aktienkurs aus, der vorübergehend nach unten gedrückt wird. Wenn der Kursdruck durch den Verkauf endet, erholen sich die Kurse üblicherweise. Wenn Sie entgegengesetzt zu diesen Instituten handeln, könnten Sie von dieser Umkehr profitieren, da Sie die Aktien bei niedrigen Kursen kaufen und dann warten können, bis sie sich erholen. Letztendlich werden Sie dafür vergütet, dass Sie Liquidität bereitstellen.“
„Auch die Anlegererwartungen können eine kurzfristige Renditeumkehr verursachen. Beispielsweise können weniger erfahrene Anleger die jüngsten Renditen in die Zukunft extrapolieren. Dies kann dazu führen, dass sie eine Aktie kaufen, die sich im Aufwärtstrend befindet, weil sie erwarten, dass sich die gute Entwicklung fortsetzt. Das treibt den Aktienkurs wiederum zu sehr in die Höhe. Wenn der Markt feststellt, dass die Fundamentaldaten des Unternehmens nicht so gut sind, wie der Aktienkurs vermuten lässt, kann das eine Korrektur oder Umkehr verursachen. Um davon zu profitieren, könnten Sie nach Gelegenheiten suchen, bei denen dieses extrapolative Verhalten auftritt und zu überhöhten Bewertungen führt, z. B. bei in sozialen Medien beliebten Aktien.“
Zhi Da
Professor of Finance at the University of Notre Dame’s Mendoza College of Business
“
Was ich für die Zukunft sehr spannend finde, ist die Möglichkeit, durch die Nutzung alternativer Datenquellen mehr über Anlegerverhalten zu lernen.
Mit welchen Themen beschäftigten Sie sich in Ihrer aktuellen Forschung?
„Ich verbringe viel Zeit mit der Betrachtung von Big Data und Anlegerverhalten. Für Wissenschaftler kann Big Data einen Schatz an Informationen heben und uns helfen, das Anlegerverhalten genauer zu analysieren. Beispielsweise arbeiten wir an einer Reihe von Aufsätzen, die sich mit den Aktivitäten von Bloomberg-Benutzern befassen. Bloomberg ähnelt einem sozialen Netzwerk. Wenn Sie sich in einem Terminal anmelden, ist Ihr Status öffentlich verfügbar. Andere Menschen wissen also, ob Sie angemeldet sind oder nicht, und ob Sie aktiv oder untätig sind. Wir analysieren diese Informationsarten und können uns vorstellen, dass sich mit Ihnen der Arbeitseinsatz messen lässt.“
Was ich für die Zukunft sehr spannend finde, ist die Möglichkeit, durch die Nutzung alternativer Datenquellen mehr über Anlegerverhalten zu lernen.
„Früher hatten wir beispielsweise keine konkrete Vorstellung davon, wie viele Stunden Hedgefondsmanager oder Analysten arbeiten. Ja, es gibt Umfragedaten, die aber üblicherweise unter Verzerrungen durch Eigenbeurteilungen leiden. Aber mit diesen alternativen Datensätzen können wir ihre Aktivitäten viel genauer beobachten. Wir können z. B. untersuchen, wie sich die Covid-Pandemie auf ihre Arbeitsgewohnheiten ausgewirkt hat, was sie dazu bringt, länger zu arbeiten, oder ob es tatsächlich einen positiven Zusammenhang zwischen längeren Arbeitszeiten und Performance gibt. Was ich für die Zukunft sehr spannend finde, ist die Möglichkeit, durch die Nutzung alternativer Datenquellen mehr über Anlegerverhalten zu lernen.“
Fußnote
1Da, Z., Liu, Q. und Schaumburg, E. (März 2014): „A closer look at the short-term return reversal“ in Management Science und Da Z, Huang, X., and Jin, L. (April 2021): „Extrapolative beliefs in the cross-section: what can we learn from the crowds?“ im Journal of Financial Economics.