Logo ManagementJournal
10. September 2020 | von Dr. Ulrich Deinwallner

Portfolio Management: Einsatz von Deep Neuronale Netzwerken

Der modernen Portfolio-Theorie nach, ist die Diversifizierung von Aktien und Wertpapieren Trumpf für das Entwickeln von Portfolios. Systematisches Risiko lässt sich gegenüber unsystematischem Risiko reduzieren, wobei das Portfolio-Management bei Investitionsentscheidungen meist einer Investment-Strategie folgt, um einen Wert zu kaufen oder zu verkaufen (siehe Markowitz, 1952). Doch wie lassen sich solche Investitionsentscheidungen quantifizieren? Um 1950 herum und gipfelnd in den Jahren um 1980, wurden neuronale Netzwerke und die Konzepte der künstliche Intelligenz (KI) von damaligen Forschern entwickelt und sind bis heute im Investment-Managementbereich weiter auf dem Vormarsch. Ziel der KI ist es intelligente Aufgaben, bspw. Investitionsentscheidungen des Portfolio-Managements zu automatisieren. In Bezug auf die Abgrenzung des Themas, umfasst das Themenfeld KI die Teilbereiche des Machine Learning und des Deep Learning, wobei KI auch einige Bereiche miteinschließt, die nicht direkt mit dem Lernen angebunden sind (bspw. Schachprogramme, die lediglich Regeln befolgen). Die damalige symbolische KI ermöglichte hierdurch die Lösung von komplexen, fuzzy Problemen, Klassifizierung von Bildern, Stimmwiedererkennung sowie Sprachübersetzung und führte zu dem Paradigma des Machine Learning (Chollet & Allaire, 2018, S4-5).

Bei dem Machine Learning wird der Ansatz der Mustererkennung weiterverfolgt, wobei das System eigenständig Lösungsansätze lernt, um eine bestimmte Aufgabe zu erfüllen. Die Frage, die sich stellt ist, kann ein Computer bei der Betrachtung von Daten automatisch Regeln lernen? Demnach wird dem Computer ein Datensatz vorgegeben sowie die daraus folgenden Antworten, die man erwartet, und das Machine Learning entscheidet letztlich selbst, wie es auf die richtigen Antworten durch selbstentwickelte Berechnungen kommt (Chollet & Allaire, 2018, S4-5). Folglich bedeutet dies, dass für den Einsatz neuronaler Netzwerke ein Trainingsdatensatz erforderlich ist, um durch computergestützte Berechnungen (bspw. sigmoidale / tangentiale Wahrscheinlichkeitsfunktionen) die Regeln und Werte zu ermitteln (bspw. Gewichte und Biases). Anschließend kann der Portfolio-Manager oder die Managerin einen Testdatensatz verwenden, unter den vorherig errechneten Einstellungen, um eine Entscheidung für einen Kaufen oder Verkauf von getesteten Wertpapieren durch das neuronale Netzwerk bestimmen zu lassen. Das Machine Learning respektive neuronale Netzwerke eignen sich grundsätzlich für die Vorhersage (prediction), Klassifizierung, und Identifikation von Werten. Bspw. um Kursverläufe vorherzusagen, Kauf-Signale zu identifizieren, oder Kreditausfallrisiken von Anleihen zu klassifizieren. Demnach sind das Vorhersagen, Identifizieren und Klassifizieren von Wertpapierentscheidungen äußerst relevante Aufgaben für eine Automatisierung im Portfolio-Management.

Aus dem Teilbereich des Machine Learning geht der Bereich des Deep Learning hervor, welcher weitere Unterschichten (Hidden Layers) dem Lernprozess des neuronalen Netzwerkes hinzufügt, um so die Eindeutigkeit und die Zuordnung von nichtlinearen Daten zu erhöhen (Chollet & Allaire, 2018, S8; Hodnett & Wiley, 2018, S. 8). Aktuell haben Deep Learning basierte Vorhersage- bzw. Klassifizierungs- Modelle immer mehr und mehr für das Portfolio-Management an Bedeutung gewonnen. Im Vergleich der Modelle, dominieren und übertreffen Bildverarbeitungsmodelle die anderen Deep Learning Modelle in ihren Ergebnissen. Bezüglich der Deep Learning Modelle für den Einsatz im Portfolio-Management, sind die folgenden

Modelle zu nennen: (a) Recurrent Neuronale Netzwerke (RNN), die rekursiv sich für eine Berechnung Daten merken und wiederverwenden. (b) Convolutional Neuronale Netzwerke (CNN), die bspw. Indikatoren der technischen Finanzmarktanalyse in Bilddateien verwandeln und als solches verarbeiten. (c) Weiter sind Long Short Term Memory (LSTM) Modelle zu nennen, die ebenfalls den Deep Neuronalen Netzwerken zuzuordnen sind. Über die Jahre sind die Fehlerraten für die Vorhersage stetig gesunken, auf eine 75-80%ige Erfolgsrate, was Deep Neuronale Netzwerke zu einer höchst relevanten Unterstützung für Portfolio-Manager und Managerinnen macht (Sezer & Ozbayoglu, 2018, 525). Deep Neuronale Netzwerke können daher das Portfolio-Management in der Quantifizierung von Investitionsentscheidungen maßgeblich unterstützen

 

Dr. Ulrich R. Deinwallner

 

Literaturverzeichnis:

Chollet, F., & Allaire, W. J. (2018). Deep learning with R. Shelter Island, NY: Manning Publication.

Hodnett, M. & Wiley, J. F. (2018). R Deep learning essentials (2 Aufl.) Birmingham, UK: Packt Publishing.

Markowitz, H (1952). Portfolio selection. The Journal of Finance, 7(1), 77-91. https://doi.org/10.1111/j.1540-6261.1952.tb01525.x

Sezer, O. B., & Ozbayoglu, A. M. (2018). Algorithmic financial trading with deep convolutional neural networks: Time series to image conversion approach. Applied Soft Computing, 70, 525-538. https://doi.org/10.1016/j.asoc.2018.04.024

Dr. Ulrich Deinwallner
Dr. Ulrich Deinwallner promovierte mit einem PhD Management an Finance in den USA und veröffentlichte mehrere Publikationen aus dem Bereich Management und Finance.
WordPress Cookie Plugin von Real Cookie Banner