Kann KI künftige Aktienrenditen vorhersagen?

Künstliche Intelligenz kann menschliche Analysten übertreffen. Zusammen sind sie schwer zu schlagen.

Larry Swedroe 02.10.2024
Facebook Twitter LinkedIn

Artificial Intelligence UK Main

Maschinelles Lernen ist ein Forschungsgebiet, das Methoden verstehen und entwickeln will, die Daten auswerten, um Leistungen ohne menschliches Zutun zu verbessern. Es ist ein Teil der künstlichen Intelligenz. 

Algorithmen maschinellen Lernens erstellen ein Modell auf der Grundlage von Beispieldaten, so genannten Trainingsdaten, um Vorhersagen oder Entscheidungen zu treffen, ohne ausdrücklich dafür programmiert zu werden. Solche Algorithmen werden in einer Vielzahl von Anwendungen eingesetzt, z. B. in der Medizin, beim Filtern von E-Mails, bei der Spracherkennung und beim maschinellen Sehen, wo es schwierig oder undurchführbar ist, herkömmliche Algorithmen zur Erfüllung der erforderlichen Aufgaben zu entwickeln. 

Während der algorithmische Handel bei Investments schon seit langem weit verbreitet ist, könnte KI auch für Entscheidungen in der Frühphase der Portfoliokonstruktion eingesetzt werden. Zu den potenziellen Vorteilen von KI gehören: 

  • Überlegene Rechenleistung zur Analyse von Massendaten in kurzer Zeit

  • Vermeidung von kognitiven Verzerrungen, für die Menschen anfällig sind; KI ist rationaler

  • Kann KI den Menschen bei der Vorhersage von Aktienrenditen ersetzen oder seine Vorhersagen verbessern? 

KI vs. menschliche Analysten

Sean Cao, Wei Jiang, Junbo Wang und Baozhong Yang, die Autoren von „From Man vs. Machine to Man + Machine: The Art and AI of Stock Analyses“, veröffentlicht in der Oktoberausgabe 2024 des Journal of Financial Economics, untersuchten, wie KI im Vergleich zu menschlichen Analysten bei der Vorhersage von Aktienrenditen abschneidet. Ihr Ziel war es, zu ermitteln: 

  • unter welchen Umständen menschliche Analysten ihren Vorteil gegenüber KI behalten

  • wie sich die Kombination von menschlichen Analysten und KI auf die Genauigkeit von Aktienprognosen auswirkt

  • welche Auswirkungen diese Erkenntnisse auf die breitere Anwendung von KI in qualifizierten Berufen und Entscheidungsprozessen haben.

Die Autoren erstellten ihr eigenes KI-Modell zur Vorhersage von 12-Monats-Aktienrenditen (abgeleitet aus 12-Monats-Kurszielen) und verglichen diese mit Analystenprognosen, die zur gleichen Zeit für dieselben Aktien abgegeben wurden. Als Input dienten firmen-, branchen- und makroökonomische Variablen sowie Textinformationen aus Unternehmensmitteilungen, Nachrichten und sozialen Medien (aktualisiert bis kurz vor dem Zeitpunkt einer Analystenprognose), wobei Informationen aus den Analystenprognosen selbst bewusst ausgeschlossen wurden, damit das KI-Modell nicht von den Erkenntnissen der Analysten profitierte. 

Die Stichprobe der Analystenprognosen wurde aus der Analystendatenbank Thomson Reuters Institutional Brokers Estimate System zusammengestellt. Nach der Zusammenführung von IBES mit CRSP- und Compustat-Daten besteht die endgültige Stichprobe aus 1.153.565 12-Monats-Kurszielprognosen für 6.315 Unternehmen, die von 11.890 Analysten aus 861 Maklerfirmen abgegeben wurden, sowie aus 5.885.063 Gewinnprognosen für das erste bis vierte Quartal für 8.062 Unternehmen, die von 14.363 Analysten aus 926 Maklerfirmen abgegeben wurden. Ihr Modell erstreckte sich über den Zeitraum von 2001 bis 2018. Die Ergebnisse der Autoren: 

1. Ein KI-Analyst, der darauf trainiert ist, Unternehmensmitteilungen, Branchentrends und makroökonomische Indikatoren zu verarbeiten, übertrifft die meisten Analysten (54,5%) bei der Vorhersage von Aktienrenditen. Der Vorteil der Maschine könnte entweder aus ihrer überlegenen Fähigkeit resultieren, Informationen zu verarbeiten, oder aus ihrer Immunität gegenüber vorhersehbaren menschlichen Verzerrungen aufgrund von Anreizen oder psychologischen Merkmalen. 

2. Im Vergleich zu den Analysten konnte das KI-Modell überlegene Renditen (Alpha) in einer Größenordnung von 50 bis 72 Basispunkten pro Monat erzielen, die in fast allen Fällen statistisch signifikant auf dem 1 %-Niveau waren. 

3. Das KI-Modell schlug die Analysten in den Quantilen mit geringer Qualifikation deutlich und war praktisch gleichauf mit den Analysten (Gewinnquote gegenüber Analysten von 49,3%), die in jedem der letzten fünf Jahre eine überdurchschnittliche Leistung zeigten, eine Leistung, die nur von 7,3% aller Analysten erreicht wurde. 

4. Makrovariablen und Unternehmensrenditen trugen am meisten (27,6% bzw. 24,4%) zur Leistungsfähigkeit des KI-Modells bei, gefolgt von firmenbezogenen Variablen (22%) und Textinformationen (9,3%), was die Bedeutung qualitativer Informationen unterstreicht. Informationen aus den Erträgen hatten den geringsten Anteil (2%). 

5. Der Mensch schlägt KI, wenn institutionelles Wissen entscheidend ist, etwa bei immateriellen Vermögenswerten und finanziellen Notlagen. So schneiden menschliche Analysten bei der Vorhersage von Renditen für kleinere und weniger liquide Unternehmen besser ab. Sie schneiden zudem besser ab, wenn immaterielle Werte vorhanden sind, sowie in Branchen oder Unternehmen, die raschen Veränderungen oder einer hohen Wettbewerbsdynamik ausgesetzt sind, und in Fällen, in denen Unternehmen einem höheren Risiko ausgesetzt sind oder unter erheblichem finanziellem Stress stehen. 

6. KI gewinnt, wenn Informationen transparent, aber umfangreich sind. 

7. Nachdem Analystenprognosen jener Informationsmenge der maschinellen Lernmodelle hinzugefügt wurden, die ihrem KI-Analysten zugrunde liegen, übertraf das resultierende Modell die Prognosen des reinen KI-Modells um 54,8%, während gleichzeitig extreme Fehler reduziert wurden. 

8. Die Wahrscheinlichkeit, dass Analysten und das KI-Modell extreme Fehler machen, war etwa gleich hoch (9,3% bzw. 7,8% bei Verwendung des 90. Perzentil-Schwellenwerts). Das kombinierte Modell vermied etwa 90% der extremen Fehler, die von menschlichen Analysten gemacht wurden, und 40% der Fehler, die von der KI allein gemacht wurden. 

9. Das kombinierte Modell nutzt die komplementären Stärken von Menschen und KI. Die KI leistet hervorragende Arbeit bei der Verarbeitung großer Datenmengen und der Mustererkennung, während menschliche Analysten ein differenziertes Verständnis und kontextbezogene Erkenntnisse beisteuern, was zu einem robusteren und zuverlässigeren Prognoseinstrument führt. 

10. Analysten holen Maschinen ein, nachdem „alternative Daten“ verfügbar werden, wenn ihre Arbeitgeber KI-Funktionen aufbauen. 

11. Die dokumentierten Synergien zwischen Mensch und Maschine geben Aufschluss darüber, wie der Mensch seinen Vorteil nutzen kann, um sich besser an die zunehmenden Fähigkeiten von KI anzupassen. 

Erweiterung durch KI

Das vielleicht interessanteste Ergebnis war, dass das Modell zwar die Analysten bei der Vorhersage von Renditen übertraf, bei der Vorhersage von Gewinnen aber die Analysten mit einer Wahrscheinlichkeit von 69,2% die Maschine schlugen. Das kombinierte Analysten-KI-Modell übertraf jedoch 55% der Vorhersagen der Analysten.

Ihre Ergebnisse führten die Autoren zu der Schlussfolgerung: „Insgesamt unterstützt die Studie die Hypothese, dass die Fähigkeiten von Analysten durch KI erweitert werden können und, was noch wichtiger ist, dass die Arbeit von Analysten mit Hilfe der KI-Modellierung zusätzlichen Wert und Synergien bietet, insbesondere in ungewöhnlichen und sich schnell entwickelnden Situationen. 

Sie fügten hinzu: „Während die Zukunft der KI ungewiss bleibt, ermöglichen die Teile der menschlichen Fähigkeiten, die komplementär zur KI sind, eine vielversprechende Zusammenarbeit und Ergänzung von Mensch und Maschine.“ 

Empirische Forschung zur Performance von KI-Fonds

Es gibt eine Studie, die sich mit der Live-Performance von KI-gesteuerten Investmentfonds befasst. Rui Chen und Jinjuan Ren, die Autoren der Studie „Do AI-Powered Mutual Funds Perform Better?“, die in der Augustausgabe 2022 der Finance Research Letters veröffentlicht wurde, haben die Performance von KI-gestützten Investmentfonds untersucht. Ihre Datenstichprobe stammte aus der CRSP Survivor-Bias-Free US Mutual Fund Database und umfasste den 26-Monats-Zeitraum von November 2017 bis Dezember 2019. Sie bezeichneten KI-gestützte Fonds als solche, die Technologien des maschinellen Lernens zur aktiven Auswahl von Aktien bei der Portfoliokonstruktion nutzen; quantitative Fonds als solche, die feste Regeln und numerische Methoden nutzen, um computergesteuerte Modelle zu erstellen und Anlageentscheidungen zu treffen; und diskretionäre Fonds als traditionellen Fonds, die Aktien auswählen und Anlageentscheidungen hauptsächlich durch menschliches Urteilsvermögen treffen. Hier eine Zusammenfassung der Ergebnisse: 

1. Die Performance KI-gestützter Investmentfonds war in 25 der 26 Monate des Stichprobenzeitraums statistisch nicht vom Gesamtmarkt zu unterscheiden. 

2. KI-gestützte Fonds erzielten keine nennenswerten risikobereinigten Renditen und zeigten nur geringfügig bessere Fähigkeiten bei der Aktienauswahl (außer bei Gleichgewichtung) und keine Fähigkeiten bei beim Markt-Timing. 

3. KI-gestützte Fonds übertrafen ihre von Menschen verwalteten Konkurrenten aufgrund des geringeren Turnovers - 31% im Vergleich zu 72 % -, was zu niedrigeren Transaktionskosten und einer geringfügig besseren Aktienauswahl führte. 

4. KI-gestützte Fonds hielten weniger Aktien (149 gegenüber 197), so dass ihre Portfolios konzentrierter waren. 

5. KI-gestützte Fonds vermeiden einige weit verbreitete Verhaltensmuster (wie etwa den Dispositionseffekt). 

Kernaussagen für Investoren

Cao, Jiang, Wang und Yang zeigten, dass Aktienprognosen durch die Kombination der Stärken von KI und menschlichen Analysten verbessert werden können, was zu besseren Ergebnissen führt, als wenn man sich nur auf einen von beiden verlässt. Sie zeigten, dass sich KI und menschliche Analysten gegenseitig ergänzen - KI ist hervorragend in der Lage, große Datenmengen zu verarbeiten und Muster zu erkennen, während Menschen ein kontextbezogenes Verständnis, Intuition und differenzierte Erkenntnisse liefern. Das Erkennen dieser Synergien hilft, Systeme zu entwickeln, bei denen sowohl KI als auch menschlicher Input maximiert werden. Bislang gibt es jedoch keine Beweise dafür, dass KI-gestützte Fonds auf risikobereinigter Basis besser abschneiden. 

Die vielleicht wichtigste Erkenntnis: KI-Modelle tragen dazu bei, menschliche Voreingenommenheit zu vermeiden und Prognosen genauer zu machen, was dazu führen sollte, dass die Märkte effizienter werden und die Möglichkeit, durch die Auswahl von Wertpapieren Alpha zu generieren, verringert wird. 

Larry Swedroe ist Autor oder Mitautor von 18 Büchern über Investments, darunter sein neuestes Buch Enrich Your Future.

 

Bleiben Sie auf dem Laufenden.

Abonnieren Sie unsere Newsletter

Facebook Twitter LinkedIn

Über den Autor

Larry Swedroe  ist Direktor und Leiter der Forschungsabteilung bei Buckingham Strategic Wealth