Maschinelles Lernen ermöglichte Vermögensallokation

zurück zur Übersicht

Projektart und Laufzeit

Vorstudie zur Dissertation, seit September 2020

Koordinator

Lehrstuhl für Finance

Forschungsschwerpunkt

Wealth Management

Forschungsgebiet/e

Portfolio Management

Beschreibung

Mit zunehmender Rechenleistung, fortschrittlicheren Algorithmen und wachsenden Datenressourcen wird Maschinelles Lernen in verschiedenen wissenschaftlichen Bereichen verstärkt angewandt. Maschinelles Lernen ist insbesondere nützlich für Vorhersage- und Clustering-Aufgaben und bereichert den Werkzeugkasten des Ökonometrikers. Maschinelles Lernen im Finanzbereich unterscheidet sich von klassischem Maschinellem Lernen, weil Finanz(markt)daten unter einem niedrigen Signal-Rausch-Verhältnis leiden, was die Signalextraktion erschwert. Das hohe Maß an Rauschen behindert auch klassische Vermögensallokations-Aufgaben. Die traditionelle Markowitz Mittelwert-Varianz Optimierung scheitert daran, die (außerhalb der Stichprobe) Rendite eines einfachen 1/N-Portfolios zu übertreffen, was hauptsächlich durch Rauschen in den Daten und Schwierigkeiten bei der Matrixinversion der Korrelationsmatrix verursacht wird. Algorithmen des Maschinellen Lernens haben das Potenzial Finanzforschern neue Erkenntnisse und Einblicke zu gewähren. Auf maschinellem Lernen basierendes hierarchisches Clustering zeigte bereits vielversprechende Ergebnisse in diese Richtung. Das Ziel dieser Dissertation ist die weitere Untersuchung des Potenzials des maschinellen Lernens in der Vermögensallokation. Sowohl Clustering, als auch Vorhersagetechniken werden hierbei angewandt, um die Stärken des maschinellen Lernens im Vergleich zur klassischen Ökonometrie zu evaluieren.