Es sei gesagt: Data Science ist nicht gleich Data Science. Der Begriff impliziert bereits, dass es ganz darauf ankommt, welche Daten wir betrachten und wie diese ausgewertet werden.
Deep Reinforcement Learning im algorithmischen Handel
Beim Deep Reinforcement Learning trainierten die Studierenden einen Agenten in einem Deep
Q-Network mittels unterschiedlicher Zustände, die in der daraus folgenden Umwelt zu einer Belohnung führten und vom Agenten weiter maximiert wurden. Aufgrund dieser Vorgehensweise konnte der Agent neue Handlungsmuster (wie beispielsweise den Kauf und Verkauf von Aktien) erlernen, indem er mit einem höheren Gewinn „belohnt“ wurde. Ziel war es den Agenten so zu trainieren, dass er in der Lage ist, mit seinen Käufen und Verkäufen den Markt bei einer einzelnen Aktie zu schlagen. Eine Erweiterung erfolgte mit einem Deep Deterministic Policy Gradient (DDPG), bei dem das Zustands- und Handlungssystem weiter differenziert wurde.
Den Auswertungen zufolge ist dies jedoch aktuell nur bedingt möglich, denn der Markt kann lediglich in Einzelfällen geschlagen werden. In einigen Fällen hatte sich eine reine Buy-and-Hold-Strategie als vorteilhafter herausgestellt. Der Erfolg hängt im Wesentlichen von der Auswahl der Aktie ab, sodass sich die Ergebnisse nicht ausnahmslos auf andere Aktien übertragen lassen. Weitere Verbesserungen zielten daher auf ein iteratives Training mit neuen Datensätzen sowie höheren Auflösungen im Intraday-Bereich (Aufführung der Datensätze im Stunden- oder Minutentakt).
Dass Data Science hier der konventionellen Anlagestrategie nicht systematisch überlegen ist, zeigten auch immer wieder die Kurseinbrüche von Robo-Adivisors in Krisenzeiten. Es gilt dieses Problem zu lösen, da der Ansatz vielversprechend scheint.
Bewertung von Anlagestrategien aus historischen Daten (Backtesting)
Erstes Anwendungsfeld war der MSCI World mit insgesamt 1500 Unternehmen aus
23 (Industrie-)Ländern. Dieses deckt insgesamt 85 % der streubesitzbereinigten Marktkapitalisierung ab. Mit den historischen Daten wurde der Erfolg von sechs Anlagestrategien in der Vergangenheit getestet und analysiert. Die Handelsstrategien wurden separat analysiert, welche dabei auf eine Volatilität, eine hohe Dividenden-Rendite, qualitativ langlebige und hochwertige Geschäftsmodelle, einen Momentum-Ansatz, eine Value-Strategie mit einem hohen Buchwert/Preis-Verhältnis sowie einem Size-Ansatz, bei dem alle Aktien gleichgewichtet wurden, gezielt haben.
Entscheidend für den Erfolg einer Handelsstrategie ist der Zeitraum, auf den sie angewendet wird. Während besonders Trend lastigen Phasen konnten die Ansätze einen Vorteil erzielen. In der Gesamtbetrachtung lagen sie jedoch sowohl hinter der Marktentwicklung als auch hinter einem Buy-and-Hold-Ansatz. Der Handelserfolg hängt maßgeblich vom Handelsumfeld ab, indem passend zugeschnittene Strategien eingesetzt werden. Über die zukünftige Entwicklung lässt sich somit keine Verallgemeinerung ableiten. Eine wesentliche Herausforderung besteht im Zugang zu validen Daten, die für diese Forschung geeignet sind. Mit steigendem Datenumfang nimmt der Simulationsaufwand deutlich zu und ein Overfitting (Anpassung an die Daten) tritt ein.
Wie gut ist die Prognose von Aktienkursen mit Hilfe von ML?
Mit Machine Learning (ML) als Unterbereich des Data Science wurde eine Prognose für den Schlusskurs des nächsten Handelstages erstellt. Hierfür stehen verschiedene Techniken wie „Künstliche Neuronale Netze (ANN)“, „Support Vector Machines (SVM)“ oder „Long Short-Term Memory Networks (LSTM)“ zur Verfügung. Die von den Studenten genutzte Methode – Long Short-Term Memory Networks (LSTM) – verwendet rekurrente neuronale Netze zur Zeitreihendatenanalyse.
Eingesetzt wurden ein SimpleNet mit einem Datenschwerpunkt auf das einzelne Wertpapier mit seinen Kursen sowie ein ComplexNet, das weitere Datensätze wie z.B. makroökonomische Statistiken berücksichtigt. Die Anwendung erfolgte auf den Aktienkurs S&P 500. Mit beiden Varianten wurde der Schlusskurs des nächsten Handelstages prognostiziert. Bei Marktindizes zeigte sich eine Vorhersagewahrscheinlichkeit, die bei über 50 Prozent lag und damit über einem rein zufälligen Ergebnis. Bei einzelnen Aktien war eine geringere Accuracy von 50 Prozent zu beobachten, sodass der Ansatz weiter optimiert werden muss, damit er sich als ergänzender Indikator für Analysten eignet.
Trotz der geringeren Bandbreite an Informationen konnte das SimpleNet dabei das ComplexNet schlagen, was überrascht, da bei einem „Mehr“ an Informationen eine genauere Prognose erwartet wurde. Dieses Gebiet verspricht ein starkes Wachstums- sowie Zukunftspotenzial, das sinnvoll genutzt werden kann.
Sentimentanalyse auf Twitter und Korrelation zum Aktienmarkt
Bei diesem Ansatz kam „Neurolinguistisches Programmieren (NLP)“ zum Einsatz. Mit dieser Methode wird einer Formulierung eine bestimmte Stimmung also ein Sentiment zugeordnet. Die Zuordnung erfolgte durch Beiträge auf Twitter, indem ein Filter mit einer Mindestanzahl von Buchstaben gesetzt wurde. Die Ticker-Bezeichnung der Wertpapiere wurde mit der NASDAQ-Liste abgeglichen. Die Daten wurden anschließend mit Datum, Text und Liste der Börsenticker für die weitere Verarbeitung gespeichert. Besonders positive Äußerungen zu einer Aktie sollen demnach auf eine Kurssteigerung schließen lassen, während negative Bewertungen auf Verkäufe und damit sinkende Kurse hinweisen. Dafür wurden 3,5 Millionen Tweets einzelnen Indizes und Aktien zugeordnet und entsprechend ausgewertet.
Bei der Kausalitätsanalyse zeigte sich, dass mit RoBERTa, eines von drei Modellen (FinancialBERT, GPT2), über mehrere Tage hinweg ein signifikanter Nachweis erbracht werden kann. Um eine sichere Prognose stellen zu können, bedarf es im Ergebnis noch zusätzlicher Daten.
Fazit
Die anschließenden Diskussionen zeigten, dass auf beiden Seiten ein überwältigendes Interesse an einem Austausch zwischen Theorie und Praxis besteht. Schwerpunkte der Diskussion waren die Validität der Ergebnisse und ihre mögliche Umsetzung in konkrete Handlungsmaßnahmen für Portfoliomanager und Vermögensverwalter. Seitens der Studierenden war interessant zu erfahren, in welchen Feldern ein Handlungsbedarf für die Praktiker besteht und somit ein Mehrwert durch weitere Forschungsergebnisse erzielt werden kann. Ergebnisse zu neuen Themen, die wieder präsentiert und diskutiert werden, sind in diesem Sinne leicht zu prognostizieren.
Sollten Sie noch Fragen haben, nehmen Sie gerne Kontakt auf!
Whitepaper: Investieren in Dividendenaktien
Anleger sollten bei der Auswahl ihrer Dividendenaktien nicht nur auf die Dividendenrendite achten. Denn diese wird oft auf Basis der zuletzt gezahlten Dividende angegeben, steht aber im Verhältnis zum derzeitigen Aktienkurs. Erfahren Sie mehr in unserem kostenlosen Whitepaper.
Wichtige Hinweise:
Die in der Rubrik zur Verfügung gestellten Informationen erfolgen nach bestem Wissen und Gewissen. Informationen im Rahmen von Finanzanlagen unterliegen aber stetiger Veränderungen und wechselnder Einschätzungen. Eine Haftung wird ausgeschlossen.
Sofern in den Darstellungen Charts verwendet werden, beziehen sich diese auf den dort angegebenen vergangenen Zeitraum, die angegebene Währung und es ist angegeben, ob es sich um eine Betrachtung vor oder nach Kosten handelt. Eine Kurs- oder Wertentwicklungen in der Vergangenheit ist kein verlässlichen Indikator für zukünftige Ergebnisse. Jede Finanzanlage hat bestimmte Risiken, bitte beachten Sie die Risikohinweise.
Die Plutos Vermögensverwaltung AG ist ein kommerzieller Anbieter, die Ausführungen können daher auch werbliche und bezahlte Elemente beinhalten. Die Informationen stellen keine Anlageberatung oder Kauf- oder Verkaufsempfehlung dar, sondern sind eine Momentaufnahme der Finanzmärkte. Wir empfehlen grundsätzlich vor jeder Entscheidung die Beratung durch Ihre Bank oder einen unabhängigen Vermögensverwalter. Die Plutos Vermögensverwaltung AG erhält, sofern nicht anders angegeben, keine besondere Vergütung für die veröffentlichten Beiträge. Sofern sie aber Funktionen im Rahmen einer dargestellten Finanzanlage wahrnimmt, kann sie hierfür eine Vergütung erhalten.
Zur weiteren Information beachten Sie bitte die rechtlichen Hinweise.
