Jenseits der Zahlen: Asset-Pricing mit grafischen und alternativen Daten

• Antragsteller: Professor Dr. Christian Fieberg
• Fachliche Zuordnung: Accounting und Finance
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 563675652

Dieses Projekt erforscht das Potenzial alternativer Daten, insbesondere bildbasierter Darstellungen, in der Asset-Bewertung und der Vorhersagbarkeit von Renditen. Aufbauend auf den Fortschritten im maschinellen Lernen wird die Forschung traditionelle Asset-Bewertungsmodelle herausfordern, indem nicht-traditionelle Datentypen integriert werden. ZIELE: Das Hauptziel ist zu prüfen, ob die Kombination visueller Daten mit maschinellen Lerntechniken neue Erkenntnisse in der globalen Asset-Bewertung liefert. Weitere Ziele umfassen: 1) der Informationsgehalt grafischer Daten für Renditeprognosen; 2) Verbesserungen in der Bildanalyse für Finanzprognosen; 3) Unsicherheiten in der bildbasierten Analyse; 4) die Anwendbarkeit bildbasierter Methoden auf Assets mit begrenzten Fundamentaldaten; 5) die prädiktive Bedeutung von technischen, fundamentalen und alternativen Daten; 6) der Informationsgehalt für Asset-Renditen über verschiedene Zeiträume; 7) marktübergreifende und zeitliche Variationen in der Vorhersagbarkeit von Renditen; 8) die Machbarkeit eines Asset-Bewertungsmodells mit grafischen Daten. METHODOLOGIE: Die Forschung nutzt ein globales Datenset, das 45-49 entwickelte und aufstrebende Märkte (1990-2024) umfasst, sowie Datenquellen wie CRSP, Compustat und Bloomberg. Maschinelles Lernen wird mit Asset-Bewertungsmodellen kombiniert, um das Potenzial grafischer Daten zu untersuchen. Methoden wie Convolutional Neural Networks (CNNs) und Long Short-Term Memory Networks (LSTMs) identifizieren Trends. Die Ergebnisse werden in traditionelle Asset-Bewertungstests integriert, um ihren wirtschaftlichen Wert zu prüfen. Die Portfoliokonstruktion wird mit Kennzahlen wie Sharpe-Ratios und Alphas beurteilt. ERWARTETE BEITRÄGE: Das Projekt wird die Asset-Bewertung durch neue Ansätze mit alternativen Datenquellen und maschinellem Lernen verbessern. Es adressiert Herausforderungen des "Faktor-Zoo" und schafft eine Grundlage für zukünftige Studien. Zudem entwickelt es innovative Methoden zur Analyse von Renditemustern und fördert das Verständnis von Markteffizienz und Vorhersagbarkeit. Schließlich bietet es praktische Werkzeuge für Asset-Allokation und inspiriert neue Investitionsstrategien.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Polen
• Kooperationspartner: Professor Dr. Adam Zaremba