Zweimal pro Woche - Kostenlos per E-Mail. Jeden Werktag neu - Kostenlos per E-Mail.

Der Newsletter ist selbstverständlich kostenlos und kann jederzeit abbestellt werden.

Praxiseinblick: Wie lassen sich textbasierte Investitionssignale automatisch generieren?

Die automatisierte Verarbeitung, vor allem die automatisierte Interpretation von Text mit Hilfe Künstlicher Intelligenz, stellt eine der spannendsten Innovationen im Asset Management und einen der aktivsten Bereiche in der akademischen Forschung der vergangenen Jahre dar. Research | 08.12.2021 11:30 Uhr
Univ.-Prof. DDr. Michael Halling, Wissenschaftliche Leitung des IQAM Research Centers / © IQAM Invest
Univ.-Prof. DDr. Michael Halling, Wissenschaftliche Leitung des IQAM Research Centers / © IQAM Invest

Die Interpretation von Text und die automatisierte Extraktion von fundamentaler Information aus Text steckt derzeit allerdings noch in den Kinderschuhen. „Sowohl aktuelle Studien als auch State of the Art-Ansätze konzentrieren sich darauf, das Sentiment eines gegebenen Textes zu bestimmen, wobei im Normalfall drei Kategorien – positiv, negativ und neutral – unterschieden werden“, erklärt Univ.-Prof. DDr. Michael Halling, Wissenschaftliche Leitung des IQAM Research Centers. Darüber hinaus generieren diese Ansätze aufgrund der im Allgemeinen großen Anzahl unterschiedlicher Worte, von denen in einem durchschnittlichen Text jedoch nur sehr wenige vorkommen, ineffiziente mathematische Repräsentationen des Texts, die bei der weiteren Verarbeitung häufig zu Problemen führen.

Die letzte Generation von Natural Language Processing (NLP)-Algorithmen ist optimiert, um genau diese Probleme zu lösen. Das BERT-System (Bidirectional Encoder Representations from Transformers) wurde 2018 von Google vorgestellt und repräsentiert im Moment das Benchmark-Modell im NLP-Bereich. Es ist in der Lage kontextuelle Wortrepräsentationen darzustellen und kann einem spezifischen Wort je nach Kontext unterschiedliche Bedeutungen zuordnen. Das gesamte System hat 110 Millionen Parameter und wurde auf mehr als drei Milliarden Wörtern vortrainiert.

Wie funktioniert der BERT-Algorithmus im finanzwirtschaftlichen Kontext?

Im Rahmen eines Projekts des IQAM Research Centers unter Wissenschaftlicher Leitung von Univ.-Prof. DDr. Thomas Dangl wird eine vereinfachte Form des BERT-Modells trainiert, das einerseits effizienter zu schätzen und andererseits für die Verarbeitung von finanzwirtschaftlichen Nachrichten optimiert ist. Zu diesem Zweck werden 372.438 Nachrichtenartikel im Zeitraum von Jänner 1996 bis Februar 2020 genutzt. Um die Güte des Klassifikationsmodells zu beurteilen, macht es Sinn zu evaluieren, wie oft das Modell das Sentiment im vorabklassifizierten Trainingsdatensatz korrekt klassifiziert. Dieser Wert ist im gegebenen Fall rund 58 % und stellt fast eine Verdopplung zu einem naiven Modell dar. Naive Modelle, die Sentiment völlig zufällig klassifizieren, liegen in rund 33 % der Fälle richtig. Auf der anderen Seite erreicht das volle BERT-Modell einen Wert von weit über 90 % in einer Datenbank von 50.000 Filmkritiken – eine Datenbank, die sehr oft in akademischen Studien über Sentiment-Klassifikation verwendet wird. „Dieser Vergleich zeigt eindrucksvoll, dass das spezifische Anwendungsgebiet eine große Rolle spielt und dass der finanzwirtschaftliche Kontext, beispielsweise aufgrund der Variabilität von Aktienpreisen, besonders herausfordernd ist“, so Halling weiter.

IQAM Research Center zeigt möglichen Einsatz von Algorithmus in Handelsstrategien

Im Rahmen des IQAM Research Center-Projektes wird für ein Investmentuniversum von 1.330 Unternehmen gezeigt, welche die Konstituenten des S&P 500 über den Betrachtungszeitraum der Studie darstellen, dass die automatisiert generierten Sentiment-Klassifikationen in Handelsstrategien genutzt werden können. Beispielsweise finden die Experten heraus, dass die folgende Strategie abnormale monatliche Renditen von mehr als 6 % – vor Berücksichtigung von Transaktionskosten – generiert: Man kauft an einem spezifischen Tag Aktien, für die aktuelle Nachrichten mit positivem Sentiment vorhanden sind und leerverkauft jene Aktien, für die Nachrichten mit negativem Sentiment vorhanden sind.

Deka Investment nutzt NLP-Methoden zur Generierung von Investitionssignalen

Die Experten von Deka Investment unter Leitung von Dr. Dominik Wolff, Head of Quantitative Research und Portfoliomanager in der quantitativen Asset Allocation, folgen einem anderen Weg. Sie verwenden NLP-Methoden, um aus Unternehmensberichten Investitionssignale zu generieren. Im Spezifischen werden dabei sogenannte 8-K Filings für US- und Ad-Hoc-Veröffentlichungen für deutsche Unternehmen analysiert, die im Falle von Aktienkurs relevanter Unternehmensevents wie Akquisitionen von börsennotierten Unternehmen verfasst werden müssen. Eines der untersuchten Signale ist ein Sentiment-Indikator. Zusätzlich nutzen die Experten von Deka Investment Signale, die versuchen die Qualität bzw. Lesbarkeit des Textes, aber auch die Spezifizität der Information zu quantifizieren. Diese textbasierten Signale werden dann zusammen mit Aktienmarktsignalen wie Liquidität, Handelsvolumen oder historischen Renditen in Vorhersagemodellen kombiniert und liefern je nach betrachteter Strategie eine Rendite von bis zu 14 % pro Jahr.

Erfolgversprechende Research-Studien beider Häuser

Aktuelle Ergebnisse bzgl. der Sentiment-Klassifikation von News zeichnen ein vielversprechendes Bild von Fähigkeiten automatisierter Systeme wie BERT und dem Nutzen textbasierter Investitionssignale im Asset Management. „Ob diese Systeme auch in der Lage sein werden, verlässlich und nachvollziehbar fundamentale ökonomische Informationen aus Text automatisiert zu extrahieren bzw. Text eigenständig zu interpretieren, wird die Zukunft zeigen“, so Halling abschließend.

Performanceergebnisse der Vergangenheit lassen keine Rückschlüsse auf die zukünftige Entwicklung eines Investmentfonds oder Wertpapiers zu. Wert und Rendite einer Anlage in Fonds oder Wertpapieren können steigen oder fallen. Anleger können gegebenenfalls nur weniger als das investierte Kapital ausgezahlt bekommen. Auch Währungsschwankungen können das Investment beeinflussen. Beachten Sie die Vorschriften für Werbung und Angebot von Anteilen im InvFG 2011 §128 ff. Die Informationen auf www.e-fundresearch.com repräsentieren keine Empfehlungen für den Kauf, Verkauf oder das Halten von Wertpapieren, Fonds oder sonstigen Vermögensgegenständen. Die Informationen des Internetauftritts der e-fundresearch.com AG wurden sorgfältig erstellt. Dennoch kann es zu unbeabsichtigt fehlerhaften Darstellungen kommen. Eine Haftung oder Garantie für die Aktualität, Richtigkeit und Vollständigkeit der zur Verfügung gestellten Informationen kann daher nicht übernommen werden. Gleiches gilt auch für alle anderen Websites, auf die mittels Hyperlink verwiesen wird. Die e-fundresearch.com AG lehnt jegliche Haftung für unmittelbare, konkrete oder sonstige Schäden ab, die im Zusammenhang mit den angebotenen oder sonstigen verfügbaren Informationen entstehen.

Melden Sie sich für den kostenlosen Newsletter an

Regelmäßige Updates über die wichtigsten Markt- und Branchenentwicklungen mit starkem Fokus auf die Fondsbranche der DACH-Region.

Der Newsletter ist selbstverständlich kostenlos und kann jederzeit abbestellt werden.

Für diesen Suchebgriff konnten wir leider keine Ergebnisse finden!
Fonds auf e-fundresearch.com

Weitere Informationen zu diesem Fonds Kennzahlen per 31.12.2021 / © Morningstar Direct
Bereiche auf e-fundresearch.com
NewsCenter auf e-fundresearch.com
Kontakte auf e-fundresearch.com

{{ contact.email }}

{{ contact.phonenumber }}

{{ contact.secondary_phonenumber }}

{{ contact.address }}

Weitere Informationen im {{ contact.newscenter.title }} Newscenter
Artikel auf e-fundresearch.com