Die Studie zeigte zwei eindeutige Ergebnisse: Erstens erhöhen die Fluglinien meist die Kapazität auf Routen, die überdurchschnittlich wachsen hinsichtlich Fluggastumsatz je verfügbarer Meile je Sitz (wichtigste Profitabilitätskennzahl der Branche, englische Abkürzung PRASM). Zweitens verlangsamt sich das Kapazitätswachstum innerhalb von vier Quartalen, was wiederum ein Anstieg von PRASM bewirkt.
Durch ein besseres Verständnis der Preisdynamik kann eine klarere Sicht auf das Gewinnpotenzial von Aktienpositionen entwickelt werden, was beispielsweise Überzeugungen, eine Position auszubauen, untermauert. Darüber hinaus versetzt das Analysetool Investmenthäuser in die Lage, die Preise von Fluggesellschaften in Echtzeit genauer zu überwachen. Diese Daten können auch genutzt werden, um das Management des Unternehmens in die Diskussion über ihre Pläne für zukünftige Streckenerweiterungen einzubeziehen.
Fallstudie 2: Risiken in Unternehmensberichten entdecken
Unternehmensberichte bieten Investoren eine Fülle von Informationen. Es ist möglich, potenzielle Risiken in Unternehmensanmeldungen zu identifizieren, indem NLP (Neuro-Linguistische Programmierung) und KI genutzt werden, um die jährlichen 10K-Berichte (offizielle Unternehmensberichte in den USA) zu untersuchen.
Die Logik ist einfach. In der Managementdiskussions- und Analyse-Sektion (MD&A) eines 10K ändert sich das Gros des Textes von Jahr zu Jahr kaum. Durch das systematische und umfassende Auffinden von geänderten Abschnitten können potenzielle Risiken früher erkannt werden.
Zuerst wird die Website der amerikanischen Börsenaufsicht für Transkripte von S&P-500-Unternehmen seit 1996 durchforstet. Dann werden die MD&A-Abschnitte analysiert und NLP angewendet, um die Berichte von Jahr zu Jahr zu vergleichen. Das System kann eine Punktzahl erstellen, um zu zeigen, wie ähnlich oder unterschiedlich ein Bericht von einem Jahr zum anderen war. Fundamentalanalysten überprüfen dann die 10Ks der Unternehmen, die als solche gekennzeichnet sind, um die erkannten Risiken zu validieren.
Im Ergebnis tendierten Aktien von Unternehmen, die wenig Punkte erzielten, innerhalb der ersten drei Monate nach Veröffentlichung des Berichts zu einer schlechteren Performance. Basierend auf dieser Analyse kann ein breiteres datengesteuertes Instrument entwickelt werden, das Aktienanalysten dabei unterstützt, einen Vorteil bei der Antizipation von Unternehmensveränderungen zu erlangen, die sich wahrscheinlich auf die Aktienkurse auswirken werden.
Hybrider Ansatz: Kombination von Mensch und Maschine
Diese Fälle zeigen, wie wichtig eine enge Integration der Datenanalysefunktion mit Investmentteams und Branchenanalysten ist. Angesichts der damit verbundenen Kosten ist es wichtig, die richtigen Projekte auszuwählen, bei denen die Datenanalyse den größten Einfluss ausüben kann.
Investmenthäuser, die sich diesen Herausforderungen stellen, werden die Datentechnik besser nutzen können, um ihre Portfolioerträge zu verbessern. Dennoch gilt: Selbst mit hochentwickelter Künstlicher Intelligenz ist die Anwendung einer menschlichen Komponente im Aktienresearchprozess der beste Weg, um große Daten in lohnende Anlageerkenntnisse zu verwandeln. Denn selbst die intelligenteste Software erfordert menschliche Rahmensetzung und Expertise, um Daten in Anlageergebnisse umzusetzen.
Über die Autoren:
Christopher Hogbin ist Chief Operating Officer des globalen Aktiengeschäfts von Alliance Bernstein. Er stieß 2005 als Analyst von Bernstein Research zum Unternehmen. Zuvor war er Strategieberater bei der Boston Consulting Group in London, San Francisco und Shanghai.
Nelson Yu ist Leiter des Bereichs Quantitative Research für Aktien und für Risiko- und Renditemodelle verantwortlich. Er kam 1997 als Programmierer und Analyst zum Unternehmen und besitzt mehr als 20 Jahre Erfahrung in Research und quantitativen Strategien.