Systematische Aktienmodelle werden häufig durch die Kombination verschiedener Signale wie Value, Momentum und Quality zu einem einzigen Score aufgebaut. In den meisten Fällen geschieht dies linear, wobei jedes Signal unabhängig und proportional zum Endergebnis beiträgt. Dieser Ansatz ist einfach und wirksam, unterstellt jedoch, dass jedes Signal unabhängig vom jeweiligen Kontext auf die gleiche Weise wirkt. In der Praxis ist das nicht immer der Fall.
Im Rahmen unseres akademischen Forschungsprogramms zu Statistical-Learning-Methoden (Alentorn & Mrazik, 2025) untersuchen wir, wie sich nichtlineare Wechselwirkungen zwischen Investmentsignalen mithilfe von Entscheidungsbäumen, neuronalen Netzwerken sowie klassischerer Methoden besser identifizieren lassen. In diesem Fall haben wir uns für ein Modell entschieden, das Nichtlinearitäten erfasst und zugleich interpretierbar bleibt, sodass wir die zugrunde liegende Anlageeinsicht validieren können.
Nichtlineare Interaktionen, oder Zustandsabhängigkeit, ermöglichen es dem Modell, Situationen zu erfassen, in denen die Wirksamkeit eines Signals von einem anderen Signal abhängt. Anstatt Signale isoliert zu betrachten, kann das Modell erkennen, dass bestimmte Merkmalskombinationen besonders wichtig sind.
Der Vorteil dieses Ansatzes besteht darin, dass sich das Modell auf jene Marktbereiche konzentrieren kann, in denen Signale die größte Aussagekraft besitzen. Statt die Prognosekraft gleichmäßig über alle Aktien zu verteilen, helfen nichtlineare Ansätze dabei, spezifische Bedingungen zu identifizieren, unter denen Renditen besser vorhersehbar sind. Dadurch kann ein gezielteres und informativeres Signal entstehen, das besser mit dem tatsächlichen Marktverhalten im Einklang steht. Im Kern bieten nichtlineare Beziehungen eine Möglichkeit, aus bestehenden Signalen zusätzliche Erkenntnisse zu gewinnen, ohne völlig neue Daten zu benötigen, indem verstanden wird, wie diese Signale zusammenwirken statt getrennt voneinander.
Nichtlineare Interaktionen können Muster erfassen, die linearen Modellen entgehen.
Quelle: Jupiter. Nur zu Illustrationszwecken.
Kombination von Verhaltens- und Informationswirkungen
Unser neues nichtlineares Signal ist Teil unserer Company Management Aktienselektionsstrategie, die darauf abzielt, die Qualität eines Managementteams anhand der Daten zu bewerten, die aus dessen Entscheidungsfindung entstehen. Das neue Signal verbindet bestehende Signale zu einem Interaktionsterm, der darauf ausgelegt ist, die in jeder Komponente bereits enthaltenen Informationen zusätzlich zu verstärken. Konkret kombiniert es den Informationsgehalt des Management-Signallings mit dem Einfluss des Preisverhaltens.
Die zentrale Erkenntnis ist, dass die wechselseitigen Abhängigkeiten zwischen diesen beiden Effekten informativer sein können als jedes Signal für sich allein. So kann es bedeutungsvolle Divergenzen oder Konvergenzen zwischen der externen Wahrnehmung durch Marktteilnehmer und der internen Überzeugung des Managements erfassen. Divergierende Fälle können beispielsweise eher Hinweise auf eine Fehlbewertung liefern.
Durch die explizite Modellierung subtiler struktureller Zusammenhänge kann unser neues Signal Fälle identifizieren, in denen Divergenz oder Konvergenz besonders aussagekräftig sind. Das Modell kann Situationen besser erfassen, in denen Markterwartungen und zugrunde liegende Fundamentaldaten nicht im Einklang stehen. Daraus ergibt sich ein reichhaltigeres und ökonomisch plausibleres Signal. So könnte beispielsweise schwaches Preisverhalten in Verbindung mit schwachem Management-Signalling (Konvergenz) die Erwartung eines negativen Ergebnisses verstärken; schwaches Preisverhalten in Kombination mit starkem Management-Signalling (Divergenz) könnte in manchen Fällen hingegen auf eine Fehlbewertung und potenziell ein positives Ergebnis hindeuten.
Vorteile der neuen Erweiterung
Die Ergänzung des neuen Management-Signalling-Interaktionssignals innerhalb der Company Management Aktienselektionsstrategie des Modells stellt eine sinnvolle Weiterentwicklung dar. Indem bedingte Zusammenhänge und ökonomisch intuitive funktionale Abhängigkeiten zwischen Signalen erfasst werden, eröffnet sie Zugang zu inkrementellem Alpha, das von linearen Frameworks nicht vollständig erfasst wird. Bei sorgfältiger Umsetzung kann dies:
- die Modelldiversifikation verbessern, indem ein neues, unkorreliertes Signal integriert wird, das auf einer anderen Dimension arbeitet als die bestehenden Signale
- das Risikomanagement verbessern, insbesondere beim Umgang mit Informationen zum Preisverhalten, die in Phasen gestresster Marktbedingungen zu deutlichen
- die Gegenbewegungen neigen können die Fähigkeit des Modells stärken, Alpha zu generieren, indem ein verfeinerter und robusterer Aktienselektionsprozess entsteht.
Den systematischen Prozess kontinuierlich verbessern
Zentral für die Jupiter-Systematic-Philosophie ist eine kontinuierliche und disziplinierte Forschungsarbeit, um sicherzustellen, dass sich unser Investmentprozess im Zeitverlauf verbessert. Seit mehr als 20 Jahren hat diese Philosophie zu einer regelmäßigen Folge evolutionärer Veränderungen unseres Investmentprozesses geführt und damit im Zeitverlauf zu Verbesserungen unserer erwarteten risikoadjustierten Renditen beigetragen. Derzeit laufen mehrere weitere spannende Forschungsprojekte, darunter die Entwicklung zusätzlicher nichtlinearer Signale, und wir freuen uns darauf, Ihnen hierzu zu gegebener Zeit weitere Details mitzuteilen.
Der Investmentprozess des Teams ist seit mehr als zwei Jahrzehnten implementiert und wird fortlaufend verfeinert. Jüngste Erweiterungen sind nachfolgend dargestellt. Diese Erweiterungen basieren auf umfangreicher Forschungsarbeit des Teams.
Jüngste Erweiterungen
Erweiterungen in allen drei Bereichen des Investmentprozesses
Quelle
James G, Witten D, Hastie T, Tibshirani R & Taylor J. An Introduction to Statistical Learning, 2023. Available at https://www.statlearning.com/
Alentorn A & Mrazik M. Fooled by noise? Why statistical learning, not hype, drives our process, Jupiter, 2025. Available at https://www.jupiteram.com/uk/en/professional/insights/why-statistical-learning-not-hype-drives-our-process/
Wichtige informationen:
Dieses Marketingdokument richtet sich nur an professionelle Investoren und nicht an sonstige Personen. Dieses Dokument dient ausschließlich zu Informationszwecken und stellt keine Anlageempfehlung dar. Markt- und Wechselkursschwankungen können dazu führen, dass der Wert von Anlagen steigt oder fällt, und es ist möglich, dass Sie bei der Rückgabe Ihrer Anteile nicht den vollen Anlagebetrag zurückerhalten. Die hier geäußerten Meinungen sind die der genannten Personen zum Zeitpunkt des Verfassens dieses Artikels. Sie stimmen nicht notwendigerweise mit den Meinungen von Jupiter insgesamt überein und können sich ändern. Das gilt insbesondere in Phasen, in denen sich das Marktumfeld sehr schnell verändert. Während alle Anstrengungen unternommen werden, um die Genauigkeit der dargestellten Informationen sicherzustellen, kann diesbezüglich keine Haftung übernommen werden.
Herausgegeben im Vereinigten Königreich von Jupiter Asset Management Limited (JAM), eingetragener Gesellschaftssitz: The Zig Zag Building, 70 Victoria Street, London, SW1E 6SQ, Vereinigtes Königreich, zugelassen und beaufsichtigt durch die Financial Conduct Authority. Herausgegeben in der EU von Jupiter Asset Management International S.A. (JAMI), eingetragener Gesellschaftssitz: 5, Rue Heienhaff, Senningerberg L-1736, Luxemburg, zugelassen und beaufsichtigt von der Commission de Surveillance du Secteur Financier. Kein Teil dieses Dokuments darf ohne vorherige Genehmigung von JAM/JAMI reproduziert werden.