Intelligentes System zur Portfoliooptimierung für neuartige Volatilitätsprognosen mithilfe von Machine Learning

Warum intelligenteres Investieren wichtig ist

Wer schon einmal beobachtet hat, wie Ersparnisse mit dem Aktienmarkt steigen und fallen, weiß, dass schwere Verluste oft stärker schmerzen als bescheidene Gewinne Freude machen. Dieses Papier geht eine Frage an, die für Privatanleger wie für große Institutionen gleichermaßen relevant ist: Lassen sich moderne Methoden der künstlichen Intelligenz nutzen, um Portfolios zu gestalten, die nicht nur langfristig wachsen, sondern auch scharfe Markteinbrüche in vielen Ländern besser verkraften?

Von klassischer Theorie zu datenhungrigen Maschinen

Die traditionelle Portfoliotheorie, zurückgehend auf Harry Markowitz in den 1950er-Jahren, lehrt Anleger, Risiko und Rendite durch Streuung über verschiedene Vermögenswerte auszubalancieren. In den letzten zehn Jahren versprachen komplexere Ansätze auf Basis von Deep Learning und Reinforcement Learning zusätzliche Erträge aus Finanzdaten zu heben. Diese neueren Methoden sind jedoch oft schwer zu interpretieren, teuer im Betrieb und in unterschiedlichen Märkten schwer vertrauenswürdig. Entscheidender noch: Die meisten konzentrieren sich auf Renditeprognosen, während professionelle Risikomanager stark an Drawdowns—den größten Peak‑to‑Trough‑Verlusten—interessiert sind.

Marktschmerz statt nur Marktertrag betrachten

Die Autoren verlagern den Fokus von der Vorhersage kurzfristiger Renditen hin zur Prognose, wie stark Verluste ausfallen können. Sie untersuchen 40 Aktienmärkte, von entwickelten Volkswirtschaften wie den USA und Deutschland bis zu Schwellenländern wie Brasilien und Südafrika, über einen Zeitraum von 20 Jahren von 1999 bis 2018. Für jedes Land und Jahr berechnen sie weit verbreitete risikoadjustierte Leistungskennzahlen: das Sharpe‑Verhältnis (Rendite pro Einheit des Gesamtrisikos), das Sterling‑Verhältnis (Rendite im Verhältnis zu durchschnittlichen vergangenen Verlusten) und das Calmar‑Verhältnis, das Jahresgewinne direkt mit dem schlimmsten Drawdown in Beziehung setzt. Diese Kennzahlen werden dann in einfache Kategorien „hoch“, „mittel“ und „niedrig“ zusammengefasst, die anzeigen, wie attraktiv oder fragil ein Markt aus Risiko‑Ertrags‑Sicht erscheint.

Wie das intelligente System tatsächlich funktioniert

Unter der Haube besteht das vorgeschlagene System aus sorgfältiger Datenaufbereitung und einem strukturierten Machine‑Learning‑Modell, einem Multi‑Support‑Vector‑Machine‑(Multi‑SVM)‑Klassifikator. Zuerst bereinigt das Team zwei Jahrzehnte an Börsendaten von Bloomberg: fehlerhafte Einträge werden entfernt, kurze Lücken aufgefüllt und Skalen normalisiert, sodass kleine und große Märkte fair vergleichbar sind. Anschließend werden Merkmale (Features) konstruiert, die das Verhalten jedes Marktes zusammenfassen, darunter Höchst‑, Tiefst‑ und Durchschnittspreise, Volatilität, Jahresrenditen und rollierende Dreijahres‑Drawdowns. Diese Merkmale dienen als Eingaben für mehrere SVM‑Teilmodelle, die jeweils auf eine der Schlüsselkennzahlen spezialisiert sind und nichtlineare Kernel verwenden, um komplexe Zusammenhänge zwischen Risiko und Ertrag abzubilden. Ein Fusionsschritt kombiniert dann die Konfidenzniveaus der Teilmodelle zu einem einzelnen Urteil darüber, ob ein gegebenes Land‑Jahr in die Kategorie hoch, mittel oder niedrig eingeordnet werden soll.

Vorhersagen in Portfolioentscheidungen umsetzen

Um zu prüfen, ob diese Intelligenz Anlegern tatsächlich nützt, führen die Autoren ein langes historisches „Was-wäre-wenn“-Experiment durch. Jedes Jahr stellen sie sich vor, ein globales Portfolio aufzubauen, das Märkten, die das System als qualitativ hoch einstuft, höheres Gewicht verleiht, mittleren Märkten neutrales Gewicht gibt und niedrig eingestufte Märkte reduziert gewichtet. Die Ergebnisse vergleichen sie mit drei bekannten Benchmarks: einem einfachen Marktmodell (CAPM), einem gleichgewichteten globalen Portfolio und dem populären Drei‑Faktoren‑Modell von Fama und French. Im Zeitraum 1999–2018 erzielt das multi‑SVM‑gesteuerte Portfolio die höchste kumulative Rendite, den kleinsten schlimmsten Verlust und das stärkste Sharpe‑Verhältnis. Der Klassifikator selbst ordnet Märkte in etwa 97,5 % der Fälle korrekt den Risiko‑Ertrags‑Kategorien zu, eine deutliche Verbesserung gegenüber einer einzelnen SVM und einem einfachen Naïve‑Bayes‑Modell.

Was das für Anleger und die Zukunft bedeutet

Für Nicht‑Spezialisten lautet die Hauptaussage: Die Autoren erfinden keinen neuen Black‑Box‑Trading‑Roboter; stattdessen kombinieren sie bewährte Werkzeuge sorgfältig, um sich auf das zu konzentrieren, wovor Anleger sich am meisten fürchten—große, andauernde Verluste. Indem das Modell auf drawdown‑bezogene Maße ausgerichtet und die Struktur relativ transparent gehalten wird, liefern sie einen praktischen Weg, globale Portfoliogewichte zu steuern, der leichter zu erklären ist als viele Deep‑Learning‑Systeme und dennoch in der Performance konkurrenzfähig bleibt. Die Studie legt nahe, dass eine intelligente Klassifikation von Märkten nach ihrem risikoadjustierten Zustand, statt nur rohen Renditen nachzujagen, zu Portfolios führen kann, die gleichmäßiger wachsen und weniger heftige Schocks erleiden—was Anlegern eine ruhigere Fahrt durch turbulente Märkte bietet.

Zitation: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

Schlüsselwörter: Portfoliooptimierung, finanzielle Volatilität, Machine Learning in der Finanzwirtschaft, Risikomanagement, globale Aktienmärkte