Für die Master-Thesis wurden börsennotierte, vorrangige, auf Euro, britische Pfund und US-Dollar lautende Anleihen und deren Renditen in den Jahren 2005 bis 2020 mit Machine-Learning-Methoden vorhergesagt. Dabei floss das Wissen über die tatsächlichen Renditen und die Markteinflüsse dieser 15 Jahre aber nicht in die Algorithmen ein. Stattdessen wurde so getan, als lägen diese Jahre wirklich in der Zukunft und die Renditeentwicklung von 2005 bis 2020 wäre unbekannt gewesen.
Heraus kam, dass fast alle an den Anleihen kreierten und getesteten maschinellen Lernmodelle bessere Vorhersagefähigkeiten und Anlageergebnisse als traditionelle Faktormethoden zeigten. Insbesondere Boosted-Regression-Tree-Modelle bringen große ökonomische Gewinne für Investoren – unter anderem Überrenditen. Ein Beispiel dafür: Der Einsatz dieser Modelle brachte für ein Long-Short-Anleiheportfolio mehr als 15 Prozent und für ein Long-Only-Anleiheportfolio fast 10 Prozent Überrendite im Vergleich zu den jeweiligen Benchmarks – pro Jahr!
Die Modelle verarbeiten verschiedene Arten von Prädiktorvariablen und berücksichtigen fehlende Daten. Sie benötigen keine vorherige Datentransformation oder Eliminierung von Ausreißern, können komplexe nichtlineare Beziehungen anpassen und automatisch Interaktionseffekte zwischen Prädiktoren behandeln. Der größte Nachteil einzelner Modelle ist ihre relativ schlechte Prognosequalität. Doch nach der Einpassung mehrerer „Bäume“ ist ihre Vorhersageleistung den meisten herkömmlichen Modellierungsmethoden überlegen.
Die Analyse der Unternehmensanleihen-Auswahl mit Hilfe maschinellen Lernens deutet darauf hin, dass die Überrendite hauptsächlich auf Markt-Timing-Effekten basiert. Das heißt, dass sich damit Long-Short-Strategien, mit denen Investoren in allen Marktphasen Renditen erzielen, besonders gut umsetzen lassen. Zudem zeigt die empirische Evidenz, dass Aktiencharakteristika, wie Aktien- und Marktmomentum sowie systematische Risikovarianten eine aufeinander aufbauende Vorhersagekraft außerhalb der Stichprobe für Überrenditen von Anleihen besitzen.
Diese Arbeit, die der Autor auf Anfrage an Interessenten versendet, trägt dazu bei, Renditen für Unternehmensanleihen auf Basis einer Datenmasse zu prognostizieren, für die die üblichen (Personal-)Ressourcen in Banken und Fondsgesellschaften nicht annähernd ausreichen. Machine Learning ist um ein Vielfaches schneller und genauer. Kein Wunder, dass Anleiheportfolio-Managementteams mittlerweile dringend Programmierer suchen, die statistische Modelle verstehen. Die Rolle von Anleiheportfolio-Managern ändert sich.
AI-Outperformer über alle 12 Monats-Perioden hinweg
Herausragend im Plexus AI-Outperformance Index ist übrigens auch ein KI-basierter US-Kommunalanleihen-Fonds. Dieser hat seit der Aufnahme in den Index – zum Indexstart im März 2019 – seine Benchmark über alle 12-Monats-Perioden hinweg geschlagen. Sehr wahrscheinlich werden Investoren in den kommenden Jahren in immer mehr solcher Strategien investieren können – wenn sie wissen, welche die nachhaltig erfolgreichen KI-Strategien sind. Hier unterstützt die dritte Säule der KI-Denkfabrik von Plexus Investments: Diese Säule ist der Zugang für Investoren zu individuell passenden KI-Strategien.
Über die Gastautoren:
Günter Jäger ist Geschäftsführer von Plexus Investments und Initiator der Konferenz „Artificial Intelligence in the Financial Sector“ und des Plexus-Thinktanks.
Colin Glag von der Technischen Universität Darmstadt und Allianz Global Investors ist Autor der Masterarbeit „Robust Machine- Learning-Based Estimation of Credit Returns“.
Sasan Mansouri von der Goethe-Universität Frankfurt am Main ist Autor der Dissertation „Essays on Information Transmission & Machine Learning in Finance“.