Wie kann Machine Learning von Hedgefonds genutzt werden, um klügere Anlageentscheidungen zu treffen? Wie können Ökonomen Machine Learning mit wichtigen finanziellen Theorien integrieren? Mehmet Caner, Thurman-Raytheon Distinguished Professor für Wirtschaftswissenschaften am Poole College of Management, beschäftigt sich mit diesen und anderen Themen in seiner laufenden Forschung. Seine Arbeit “Sharpe Ratio Analysis in High Dimensions: Residual-Based Nodewise Regression in Factor Models” integriert Sharpe-Ratios und Machine Learning, während seine Arbeit “Generalized Linear Models with Structured Sparsity Estimators” eine neue Machine-Learning-Methode vorschlägt. Beide Arbeiten wurden im Journal of Econometrics, einem führenden Fachjournal, veröffentlicht.
Caner hat kürzlich sein Fachwissen in einer Podiumsdiskussion über den Einfluss von Big Data und KI auf Wirtschaft und Finanzen an der Indiana University Bloomington sowie auf einer Konferenz über maschinelles Lernen in der Finanzwelt an der Erasmus-Universität Rotterdam eingebracht. Um mehr darüber zu erfahren, haben wir mit Caner über die Bedeutung von Machine Learning und die praktischen Auswirkungen seiner Forschung gesprochen.
Deep Learning ist eine Art von Machine Learning, die künstliche neuronale Netzwerke verwendet, um Probleme auf eine menschenähnliche Weise zu lösen. Der Unterschied besteht darin, dass es in der Lage ist, große Datenmengen zu verarbeiten – um Probleme zu lösen, die Menschen zuvor nicht so einfach lösen konnten. Es wird in verschiedenen Anwendungen wie Spracherkennung und Bildverarbeitung eingesetzt, aber auch in der Anlage. Die Forschung von Caner ermöglicht es, Maschinelles Lernen mit bestehenden Finanztheorien wie der Markowitz Portfolio Theorie zu kombinieren, um zu bestimmen, in welche Aktien investiert werden soll.
Die Forschung von Caner ermöglicht es, Maschinelles Lernen mit bestehenden Finanztheorien wie der Markowitz Portfolio Theorie zu kombinieren, um zu bestimmen, in welche Aktien investiert werden soll. Was wir nicht tun, ist einfach Daten einzugeben und Maschinelles Lernen darüber entscheiden zu lassen, ob bestimmte Aktien gekauft oder verkauft werden sollen. Er empfiehlt diesen Ansatz nicht. Vielmehr verwenden sie Deep Learning, um eine Geschichte zu erzählen, die ihre Zwischenschritte beeinflusst. In einem kürzlich veröffentlichten Papier zeigte er, dass mit Deep Learning-basierter Portfolioberatung viel Geld im NASDAQ verdient werden kann. Sie setzen diese Formel auch erfolgreich bei der Portfolioerstellung für zwei Hedgefonds an der Istanbuler Börse ein.
Caners Forschung hilft dabei, Machine Learning mit Umgebungen mit niedrigem Signal-Rausch-Verhältnis zu verbinden. Im Vergleich zu anderen Modellen ist Deep Learning sehr nützlich, um bessere Portfolioberatung und Asset Pricing zu bieten – insbesondere für die Bildung großer Portfolios. Die Zukunft des Investierens sieht also vielversprechend aus, wenn es darum geht, Machine Learning effektiv für Anlageentscheidungen zu nutzen.