Schätzung von Risikoprämien aus Optionsdaten und mit Methoden Maschinellen Lernens: Vergleich, Prognosequalität und Potential hybrider Strategien

• Antragsteller: Professor Dr. Joachim Grammig; Professor Dr. Christian Schlag
• Fachliche Zuordnung: Statistik und Ökonometrie ; Accounting und Finance
• Förderung: Förderung von 2020 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 440957921

• Erstellungsjahr: 2025

Zusammenfassung der Projektergebnisse

Die empirische Finanzmarktanalyse (oder Finanzökonometrie) gilt als eines der methodisch entwickeltesten Gebiete der Wirtschaftswissenschaften. Nobelpreise für prominente Vertreter der Disziplin und eine hohe Praxisrelevanz für den Finanzsektor belegen ihre Bedeutung. In jüngerer Zeit haben sich neue Entwicklungen ergeben, die in das Kernthema der empirischen Finanzmarktanalyse - die Quantifizierung von Risikoprämien - aus verschiedenen Richtungen neu denken. Da ist zum einen die Integration von Methoden maschinellen Lernens (MML), zum anderen die Vertiefung der Analyse von Optionsdaten, weniger aus einer agnostisch-statistischen Perspektive, sondern streng theorie-basiert. Die klassischen Methoden der Finanzmarktökonometrie erhalten so neue Perspektiven und Impulse. Zum Zeitpunkt der Antragstellung konnte man die Beobachtung machen, dass die genannten Entwicklungspfade parallel und ohne expliziten Bezug aufeinander verliefen, obwohl doch die gleiche wissenschaftliche Fragestellung bearbeitet wurde. In diesem Projekt wurde versucht, die Vor- und Nachteile der methodisch sehr verschiedenen Ansätze herauszuarbeiten. Dazu wurde - dank der sehr guten Ausstattung des Standorts an der Uni Frankfurt - eine umfangreiche Datenbasis erstellt, die es zum ersten Mal ermöglichte, die alternativen Methoden auf einer gemeinsamen empirischen Grundlage zu vergleichen. Ein weiteres Ziel des Projektes war es, Synergien der Methoden auszuleuchten, also zu prüfen, ob und wie die sehr unterschiedlichen Methoden sinnvoll kombiniert werden können. Zum einen wurde also evaluiert, wie theoretisch begründete und mit alternativen Datenquellen ermittelte Faktoren die Erklärungskraft agnostischer MML verbessern können. Zum anderen wurde dem theoriebasierten Ansatz Priorität eingeräumt und geprüft, welche Unterstützung von MML geliefert werden kann, um die Qualität der Abschätzung von Riskoprämien zu erhöhen. Diese Analysen sind Teil eines umfangreichen Arbeitspapiers, das auf führenden internationalen Konferenzen präsentiert wurde und in der führenden Fachzeitschrift der Finanzökonometrie zur Veröffentlichung angenommen wurde. Ein zweites Arbeispapier ist in einer späteren Projektphase entstanden, es kombiniert die klassische finanzökonometrische Analyse mit einem options-basierten Ansatz und verwendet MML für den notorisch schwierigen Test des konditionalen CAPM (Capital Asset Pricing Model). In beiden Studien zeigt sich die Sinnhaftigkeit hybrider Modelle, welche theorie-/optionsbasierte Ansätze mit Methoden maschinellen Lernens verknüpfen, um die Quantifizierung von Riskoprämien zu verbessern.

Projektbezogene Publikationen (Auswahl)

• Diverging Roads: Theory-Based vs. Machine Learning-Implied Stock Risk Premia. SSRN Electronic Journal.
  Grammig, Joachim; Hanenberg, Constantin; Schlag, Christian & S.önksen, Jantje
  
• Quantifying Equity Risk Premia: Financial Economic Theory and High-Dimensional Statistical Methods. Dissertation an der Universität Tübingen, Fakultät für Wirtschafts- und Sozialwissenschaften
  Hanenberg, Constantin
  
• Essays in Econometrics and Finance. Unveröffentlichte Habilitationsschrift. Fakultät für Wirtschafts- und Sozialwissenschaften an der Universität Tübingen.
  Sönksen, Jantje
  
• Testing the Conditional CAPM using Cross-sectional Regressions: A Multi-task Learning Approach. SSRN Electronic Journal.
  Grammig, Joachim; Hanenberg, Constantin; Schlag, Christian & S.önksen, Jantje