-
Automatisierte Identifikation von Anlagethemen mit Momentum und News-Sentiment
Absolut Report
-
Abstract
Künstliche Intelligenz revolutioniert Investmentstrategien! Die Deka Investment nutzt KI, um Anlagethemen mit Momentum- und News-Sentiment-Analysen zu identifizieren. Das Ergebnis: Effiziente Strategien, die Markttrends frühzeitig erkennen und klare Outperformance erzielen. Einblicke von Dr. Stefan Salbrechter, Prof. Dr. Dominik Wolff und Dr. Ulrich Neugebauer im Absolut Report Spezial 2025. Mehr dazu im aktuellen Bericht.
Weiterführende Informationen
-
DS@GT at CheckThat! 2025: Evaluating Context and Tokenization Strategies for Numerical Fact Verification
-
Abstract
Numerical claims — statements involving quantities, comparisons, and temporal references — pose unique
challenges for automated fact-checking systems. In this study, we evaluate modeling strategies for veracity
prediction of such claims using the QuanTemp dataset and building our own evidence retrieval pipeline. We
investigate three key factors: (1) the impact of more evidences with longer input context windows using
ModernBERT, (2) the effect of right-to-left (R2L) tokenization, and (3) their combined influence on classification
performance. Contrary to prior findings in arithmetic reasoning tasks, R2L tokenization does not boost natural
language inference (NLI) of numerical tasks. A longer context window does also not enhance veracity performance
either, highlighting evidence quality as the dominant bottleneck. Our best-performing system achieves competitive
macro-average F1 score of 0.57 and places us among the Top-4 submissions in Task 3 of CheckThat! 2025. Our
code is available at https://github.com/dsgt-arc/checkthat-2025-numerical.
-
Guided Topic Modeling with Word2Vec: A Technical Note
-
Abstract
We propose GTM (Guided Topic Modeling), an algorithm that enables the fast and flexible generation of comprehensive topic clusters from (a pair of) seed words. The unsupervised algorithm performs clustering in the word-embedding space while offering the possibility to adjust the characteristics of the topic clusters via several hyperparameters. Applications for this methodology are information retrieval, classification and the calculation of various topic indices from news feeds.
Weiterführende Informationen
-
Portfolio Optimization with Sector Return Prediction Models
Journal of Risk and Financial Management
-
Abstract
We analyze return predictability for U.S. sectors based on fundamental, macroeconomic, and technical indicators and analyze whether return predictions improve tactical asset allocation decisions. We study the out-of-sample predictive power of individual variables for forecasting sector returns and analyze multivariate predictive regression models, including OLS, regularized regressions, principal component regressions, the three-pass regression filter, and forecast combinations. Using an out-of-sample Black–Litterman portfolio optimization framework and employing predicted returns as investors’ ‘views’, we evaluate the benefits of sector return forecasts for investors. We find that portfolio optimization with sector return prediction models significantly outperforms portfolios using historical averages as well as passive benchmark portfolios.
Weiterführende Informationen
-
Martingale defects in the volatility surface and bubble conditions in the underlying
19.01.2024
-
Abstract
The martingale theory of bubbles enables testing for asset price bubbles by analyzing option prices. As recently shown by Piiroinen et al. (Asset price bubbles: an option-based indicator, 2018), the SABR model is a strict local martingale when its parameterization implies a positive correlation between stock and option prices. We operationalize this theoretical result and analyze stock price bubbles in 2576 stocks over 26 years. Martingale defect conditions are absorbed quickly by options markets, but identify high proportions in significant and permanent changes in distribution of price returns, option trading activity, short interest in the underlying, and institutional ownership. These results confirm many common assumptions about stock price bubbles. These bubbles are temporally clustered, and tend to occur in periods of positive market development. Martingale defects are rare in market corrections, which indicates that they are a result of overoptimistic speculation.
Weiterführende Informationen
-
When machines trade on corporate disclosures: Using text analytics for investment strategies
Decision Support Systems Volume 165 , February 2023, 113892
-
Abstract
In this study, we evaluate several trading strategies based on the textual content of corporate disclosures using machine learning. To obtain a conservative estimate of profitability, we require orders to be placed for the close price of the current trading day and stocks must exhibit high liquidity to ensure proper order execution. Our evaluation based on 354,992 form 8-K filings and 10,204 ad hoc announcements shows that the proposed trading strategies yield up to 7.81% and 9.34% out-of-sample annualized return. More importantly, we find that the prevalent approach in the literature of estimating the stock market reaction of a disclosure based on the closing price of the past trading and omitting liquidity filters substantially overestimates profitability. We also provide useful insights for practitioners by describing feature importance to shed light onto how the machine learning models arrive at decisions.
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3910451
Weiterführende Informationen
-
Firm-specific Climate Risk Estimated from Public News
-
Abstract
We estimate firm-specific exposures to climate risk from public news covering a period of 20 years by applying a novel topic modeling algorithm. We differentiate between regulatory (or transition) and physical climate risks and document that financial markets price both risks. Our study is the first to find a positive and statistically significant risk premium for physical climate risk. For regulatory climate risk we find a regime shift occurring around the year 2012 reconciling the conflicting evidence in the literature. While the risk premium is positive in the earlier period, it becomes significantly negative in the later one. A long-short portfolio that is long “green” firms and short “brown” firms, as identified by their topic exposures in public news, constitutes a priced risk factor and shows a surprisingly strong correlation with an ESG-sorted benchmark portfolio.
Weiterführende Informationen
-
Vol, Skew and Smile Trading
The Journal of Derivatives
-
Abstract
Al-Jaaf, A., & Carr, P. (2023). Vol, Skew, and Smile Trading. The Journal of Derivatives 31:64-95.
We show how a three-strike option portfolio can be used to trade the difference between the instantaneous variance rate and the implied variance rate, the difference between the instantaneous covariation rate and the implied slope, or the difference between the instantaneous variance rate of volatility and the implied convexity. We label each one of these strategies as vol, skew, and smile trades. Our results yield precise financial interpretations of particular measures of the level, slope, and curvature of a BMS implied variance curve. We provide empirical evidence that the average returns of the vol and smile (skew) trades are negative (positive) and that the returns of the skew and smile trades cannot be explained by the CAPM.
© [2023] PMR. All rights reserved.
Weiterführende Informationen
-
Stock Picking with Machine Learning
Journal of Forecasting
-
Abstract
We analyze machine learning algorithms for stock selection. Our study builds on weekly data for the historical constituents of the S&P500 over the period from January 1999 to March 2021 and builds on typical equity factors, additional firm fundamentals, and technical indicators. A variety of machine learning models are trained on the binary classification task to predict whether a specific stock outperforms or underperforms the cross-sectional median return over the subsequent week. We analyze weekly trading strategies that invest in stocks with the highest predicted outperformance probability. Our empirical results show substantial and significant outperformance of machine learning-based stock selection models compared to an equally weighted benchmark. Interestingly, we find more simplistic regularized logistic regression models to perform similarly well compared to more complex machine learning models. The results are robust when applied to the STOXX Europe 600 as alternative asset universe.
Weiterführende Informationen
-
Der Algorithmus sorgt für stabilere Prognosen
Deka Institutionell
-
Abstract
Der Algorithmus sorgt für stabilere Prognosen.
Wie lassen sich die Stärken maschinellen Lernens und künstlicher Intelligenz im Portfoliomanagement nutzen? Leistungsstärkere Computer und die Verfügbarkeit gigantischer Datenmengen haben in den letzten Jahren ganz neue Möglichkeiten geschaffen, um Signale und Zusammenhänge zwischen unterschiedlichen Faktoren zu identifizieren. Die Deka setzt diese Erkenntnisse schon heute erfolgreich in der Portfoliokonstruktion ein.
Im Asset Management steigt das Interesse am Einsatz von künstlicher Intelligenz (KI). Anwendungen wie das Machine Learning (ML) ermöglichen die Verarbeitung und Auswertung immer größerer Datenmengen. Daraus können Asset-Management-Experten tiefere Erkenntnisse über die Zusammenhänge von unterschiedlichen Faktoren gewinnen und neue Prognose-Modelle entwickeln.
Bei der Deka arbeiten Dr. Dominik Wolff und sein Kollege Dr. Fabian Echterling seit 2018 daran, Investmentprozesse mit Hilfe von Machine Learning zu optimieren. „Die Idee, durch die Auswertungen von Kennzahlen Muster mit Prognosefähigkeit zu identifizieren ist für uns nicht neu, da wir im quantitativen Fondsmanagement der Deka schon seit mehreren Jahren erfolgreich damit arbeiten“, erklärt Dominik Wolff. „Dabei kommen im quantitativen Asset Management traditionell vor allem lineare Modelle wie Regressionsanalysen zum Tragen. Mit Hilfe von Machine Learning sind wir nun in der Lage, auch nicht lineare Zusammenhänge zwischen Variablen abzugreifen. Die ML-Modelle identifizieren solche Interaktionen selbständig. So erhalten wir feinere und deutlich belastbarere Signale. Auch laufen wir nicht Gefahr, einzelne Faktoren zu stark zu gewichten, da die Algorithmen in den Modellen aus den Daten ‚lernen′, welche Faktoren relevant sind.“ Die Interpretation und Bewertung dieser Signale ist dabei allerdings weiterhin Sache der Portfoliomanager – ebenso wie die Entscheidung, ob und wie darauf gehandelt wird.
Dieses Zusammenspiel mit dem traditionellen Portfoliomanagement macht es leichter, den Einsatz von KI und ML mit potenziellen Kunden zu diskutieren. „Es hilft sicherlich, dass wir unser Machine Learning-Konzept aus unserer Quant-Expertise herleiten können, denn dadurch wird greifbarer, was wir machen und welchen Nutzen Machine Learning bietet“, betont Jörg Winner, Leiter des Kompetenzteams Unternehmen & Family Offices bei Deka Institutionell.
Qualität der Input-Daten entscheidend.
Machine Learning-Konzepte sowohl für die Analyse von Einzeltiteln als auch für die Prognose von Märkten und Indizes. Schon seit Längerem ist Machine Learning bei der taktischen Allokationssteuerung der quantitativen Mischfonds (Sigma Plus-Produktfamilie) im Einsatz. Hier prognostiziert ein Modell Aktienrenditen auf einer monatlichen Basis und wertet eine Vielzahl von Faktoren aus.
„Dazu zählen fundamentale Indikatoren wie Kurs-Gewinn- oder Kurs-Dividenden-Verhältnis und makroökonomische Indikatoren wie der Chicago Fed National Activity Index (der verschiedene Indikatoren zur Messung der wirtschaftlichen Aktivität kombiniert) oder der Index der Industrieproduktion. Andere Indizes wie der Einkaufsmanagerindex der University of Michigan (ISM) oder der Sentix messen das Marktsentiment und die Erwartungen der Marktteilnehmer. Risikoindikatoren wie Term-Spreads, Credit-Default-Spreads oder der Volatilitätsindex VIX reflektieren die Risikowahrnehmung der Markteilnehmer
Insgesamt fließen über 40 Variablen in das Modell ein, die wiederum auf eine tägliche Datenhistorie von 21 Jahren zurückgreifen können.
Ein weiteres Anwendungsfeld für ML bei der Deka ist die Identifikation von Aktienmärkten mit hohem kurzfristigen Outperformancepotenzial, um durch entsprechendes Market Timing Zusatzerträge zu generieren. Täglich werden 19 Aktienindizes weltweit, wie der DAX, der S&P 500 oder der MSCI Emerging Markets, auf die Wahrscheinlichkeit hin untersucht, am Folgetag eine Outperformance zu erzielen. Entsprechend der Signale des Modells gewichten die Fondsmanager der Deka über Futures den Index mit der höchsten Outperformancewahrscheinlichkeit über. Der Index, bei dem die Signale eine Underperformance erwarten lassen, wird über Short-Positionen untergewichtet.
Für Fabian Echterling sind die Auswahl der passenden Daten und die Qualitätskontrolle wesentliche Faktoren, die maßgeblich auch die Verwertbarkeit der Ergebnisse mitbestimmen. An dieser Stelle ist die Erfahrung menschlicher Experten, Datenanalysten oder auch Portfoliomanager gefragt: „Entscheidend ist, dass die historische Datenbasis gleich ist. Bei Preisdaten ist das in der Regel kein Problem, da diese Daten fix sind. Anders sieht es bei Makrodaten, wie z.B. den Inflationszahlen aus, die gelegentlich nachträglich angepasst werden. Wir nutzen deshalb die erstveröffentlichten Daten und achten bei den Backtests darauf, dass die Daten zum Zeitpunkt unserer Prognoseerstellung auch verfügbar waren.“
Die Algorithmen werden jährlich auf Basis der Daten der vorangegangenen Jahre trainiert, um die Prognosefähigkeit des Modells laufend zu verbessern. Im Konzept der Deka kommen dabei verschiedene Modellansätze wie Regression, baumbasierte Ansätze oder neuronale Netze zum Tragen. „Die jeweiligen Ansätze haben unterschiedliche Eigenschaften“, so Dominik Wolff. „Entscheidungsbaumbasierte Ansätze und neuronale Netze können im Gegensatz zu linearen Regressionsansätzen wie PCA oder LASSO auch Interaktionen und nicht lineare Zusammenhänge autark lernen. Allerdings brauchen sie ausreichend große Trainingsdaten, um ihre Überlegenheit auszuspielen. Es hängt also immer stark von den zugrundeliegenden Daten ab, welches Modell die besten Ergebnisse liefert. Wir gehen mit diesem Problem pragmatisch um: Die verschiedenen Modelle werden trainiert und der Mittelwert über alle Modeloutputs berechnet. So diversifizieren wir über verschiedene Modelle und erhalten letztendlich stabilere Prognosen.“
Mehrwert durch Erweiterung bestehender Ansätze.
Die Deka hat ihr Machine-Learning-Modell für das tägliche Futures Timing bereits seit Mitte 2020 als Testportfolio erprobt. Seit Dezember 2020 wird das Konzept in der Praxis als geringe Beimischung in ausgewählten Deka-Publikumsfonds erfolgreich eingesetzt: „Wir konnten mit unserem Modell einen positiven Performancebeitrag erzielen, der die Erträge passiver Aktieninvestments zum Beispiel deutlich übersteigt“, so das Fazit von Dominik Wolff. Künftig sind für ihn auch eigenständige KI-Fonds vorstellbar. Dabei bietet immer das Zusammenspiel aus Expertise und neuen technischen Möglichkeiten den eigentlichen Mehrwert: „Künstliche Intelligenz kann im Portfoliomanagement langjährige Erfahrung nicht vollständig ersetzen. Aber die erweiterten Möglichkeiten, die etwa Machine Learning bietet, können uns helfen, bestehende Prozesse zu optimieren und die Ergebnisse zu verbessern.“
Weiterführende Informationen
