Maximilian Knoblich über die Vorhersage von Aktienpreisen mittels Finanzkennzahlen
Glückwunsch zur Auszeichnung. Wussten Sie im Vorfeld, dass Ihre Masterarbeit für den Kamax Masterarbeitsaward nominiert wurde und was haben Sie in dem Moment gedacht, als Sie von Ihrer Auszeichnung erfahren haben?
Vielen Dank! Ehrlicherweise kam die Mitteilung sehr überraschend, da ich nichts davon wusste, dass ich für den Award nominiert wurde. Umso mehr habe ich mich darüber gefreut, dass die Arbeit auch über den Lehrstuhl hinaus Interesse geweckt hat.
Nehmen Sie uns mit in die fachliche Welt Ihrer Masterarbeit: Was haben Sie untersucht und wie sind Sie auf Ihre Themenidee gekommen?
Meine Masterarbeit habe ich am Chair of Finance bei Prof. Dr. Theissen geschrieben. Die Masterarbeit wollte ich möglichst empirisch gestalten und ich war daran interessiert, mich in die Machine Learning-Thematik einzuarbeiten. Inhaltlich habe ich untersucht, inwiefern sich Aktienpreise mittels Finanzkennzahlen vorhersagen lassen.
Dabei habe ich mich im ersten Schritt klassischer Asset Pricing-Literatur bedient und die erste Analyse basierend auf Faktorenmodellen der Koryphäen Eugene Fama und Kenneth French aufgebaut. Die zu Grunde liegende Idee dieser Modelle ist die zusätzliche Aussagekraft von Faktoren zu bestimmen, die in Relation zu bereits bekannten Faktoren untersucht werden. Diese Faktoren umfassen beispielsweise das Verhältnis von Börsenkurs zu Bilanzkurs oder das Momentum der Aktie.
Besonders spannend gestaltete sich der zweite Teil meiner Analyse. Da ich bei meiner Untersuchung jeweils circa 20,000 Finanzkennzahlen in einer umfangreichen Stichprobe von mehr als 11,000 US Aktien über mehr als 50 Jahre untersucht habe, stießen die klassischen Faktorenmodelle für den Zweck meiner Masterarbeit schnell an ihr Limit. Um jedoch alle 20,000 Faktoren relativ zueinander zu betrachten und die aussagekräftigsten Faktoren zu identifizieren, verwendete ich ein Ensemble an Machine Learning-Algorithmen. Im Grunde handelt es sich hierbei um weiterentwickelte statistische Methoden, die Muster in Daten erkennen, welche sich auf neue Datensätze anwenden lassen um auf diese Weise Vorhersagen zu treffen.
Die identifizierten Faktoren mit der höchsten Aussagekraft umfassten letztendlich bekannte Finanzkennzahlen wie Gewinn und Änderungen im Gesamtvermögen, aber auch Faktoren, die bislang wenig bis gar nicht in der Finanzliteratur behandelt wurden, wie Marketingkosten und Zinsaufwendungen. Diese Erkenntnisse spiegeln sich auch ökonomisch wider: Hätte man in die vom Trading-Algorithmus vorgeschlagenen Portfolien über die letzten 25 Jahre investiert, so hätte man nun kumulierte Gewinne bis zur vierfachen Höhe des Marktes, bzw. des S&P 500-Indexes, realisieren können.
Wie schätzen Sie die Bedeutung Ihrer Forschung für die Praxis ein?
Meine Masterarbeit zeigt die Anwendung von Machine Learning-Methoden auf ein Praxisbeispiel aus dem Asset Pricing. Neben der wissenschaftlichen Komponente bieten die Ergebnisse auch für das private oder institutionelle Portfolio einen Mehrwert.
Allgemein gesprochen hat die Finanzliteratur zum Thema Machine Learning in den letzten Jahren zugenommen. Auch die Tatsache, dass Machine Learning-Methoden mittlerweile im Tagesgeschäft von einigen Hedgefonds und Asset Managern nicht mehr wegzudenken sind, verdeutlicht die Relevanz von Machine Learning im Asset Pricing.
Nichtsdestotrotz ist der von mir untersuchte Anwendungsfall im Asset Pricing nur einer von vielen Anwendungsfällen. Weitere Anwendungsfälle von Machine Learning im Finanzsektor, welche einen ähnlichen Lösungsansatz verfolgen, umfassen beispielsweise die Bekämpfung von Geldwäsche und Terrorismusfinanzierung sowie den Einsatz von verbesserten Scoring-Modellen im Risikomanagement.
Was sind Ihre Pläne für die Zukunft und welche Rolle spielt dabei das Thema Ihrer Masterarbeit?
Nach meinem Masterabschluss bin ich bei McKinsey im Bereich Risk eingestiegen. Das abgedeckte Spektrum ist breit und wir beraten Klienten unter anderem zu finanziellen Risiken, aufsichtsrelevanten Änderungen, Cyberrisiken und Klimarisiken. Hieraus ergeben sich sowohl qualitiative als auch quantitative Fragestellungen.
Von meiner Masterarbeit konnte ich bislang weniger inhaltlich als methodisch profitieren. So hatte ich bereits die Möglichkeit im Rahmen einer Kapitalmanagement-Studie für eine Bank Kreditportfolien mit Python zu untersuchen. Schnittstellen zu Machine Learning finden sich im Bereich Risk insbesondere bei der Modellierung von Kreditrisiken und bei der Entwicklung von Diagnosetools.
Über den KAMAX Master Study Award:
Mit dem KAMAX Master Study Award wird einmal jährlich die beste Masterarbeit zum Thema Analytics im Fachbereich Betriebswirtschaftslehre der Universität Mannheim prämiert. Damit werden herausragende Leistungen des wissenschaftlichen Nachwuchses gewürdigt, die hohen Wert für die Praxis haben, indem sie Organisationen dabei unterstützen datengetriebener zu arbeiten. Der Preis des Management Analytics Centers wird von der KAMAX Holding GmbH & Co. KG finanziert und ist mit 500€ dotiert.