15-06-2022

Prognose des Risikos eines Kurseinbruchs mittels Machine Learning

Auf Machine Learning basierende Verfahren lassen sich zur Identifikation nicht-linearer Beziehungen zwischen mehreren Variablen nutzen, um die Prognose des Risikos eines Kurseinbruchs zu unterstützen. Dadurch kann die Wertentwicklung quantitativer Aktienstrategien verbessert werden, in dem Unternehmen mit erhöhtem Risiko einer finanziellen Notlage gemieden werden.

Laden Sie die Publikation herunter

    Autoren/Autorinnen

  • Laurens Swinkels - Head of Quant Strategy

    Laurens Swinkels

    Head of Quant Strategy

  • Tobias Hoogteijling - Researcher

    Tobias Hoogteijling

    Researcher

Bedeutende Fortschritte in den Bereichen Big Data und Machine Learning (ML) erweitern das Leistungsvermögen von Quant Investing. Diese Fortschritte wurden durch den Zuwachs an Rechenleistung ermöglicht, welcher den Einsatz von ML-Modellen erlaubt. Im Unterschied zur regelbasierten Modellen verfolgen ML-Modelle einen vollständig datengetriebenen Ansatz und sind imstande, komplexe, nicht-lineare Beziehungen zu modellieren. Sie können systematische und sich wiederholende Muster identifizieren, die von einfachen linearen Modellen nicht erfasst werden.

In diesem Zusammenhang kann durch Meidung von Anlagen in Unternehmen, die sich in einer finanziellen Notlage befinden, die Wertentwicklung quantitativer Aktienstrategien verbessert werden. Allerdings ist die Identifikation derjenigen Firmen, die künftig in einer finanziellen Notlage geraten, keineswegs einfach. Zwar gibt es zahlreiche Charakteristika, welche die Prognose solcher Entwicklungen erleichtern. Allerdings leisten diese Variablen das unter Umständen am effektivsten auf nicht-lineare Weise oder in speziellen Kombinationen. Glücklicherweise sind ML-Verfahren darauf ausgerichtet, mit solchen Herausforderungen zurechtzukommen.

In unserem Whitepaper setzen wir uns intensiv damit auseinander, wie ML-Verfahren zur Prognose des Risikos eines Kurseinbruchs einzelner Aktien verwendet werden können.

Laden Sie die Publikation herunter