SROML

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

01.01.2021 bis 31.12.2022

Mit diesem Forschungsprojekt wollen wir die Leistungsfähigkeit von zwei aktuellen Ansätzen zur Quantifizierung von Risikoprämien auf Finanzmärkten überprüfen, deren Philosophien grundsätzlich verschieden sind. Der erste Ansatz ist theoriebasiert und zukunftsgerichtet, in dem Sinne als dass Erwartungen von Investoren aus Optionsdaten interpretiert und extrahiert werden. Der zweite Ansatz ist datenwissenschaftlicher Natur, nutzt Methoden Maschinellen Lernens und verzichtet auf einen expliziten finanzwirtschaftlichen Theoriebezug. Der optionsbasierte Ansatz hat noch nicht den Weg in die Finanzpraxis gefunden, aber Methoden Maschinellen Lernens erfreuen sich bei Finanztechnologie-Unternehmen enormer Beliebtheit. Sie erleben auch in der akademischen finanzwirtschaftlichen Forschung eine erneute Blüte. Dabei erinnert vieles an die hohen Erwartungen, die man an quantitative Modelle der Finanzwirtschaft in den 1990ern und 2000ern hatte. Die verwendeten Methoden Maschinellen Lernens sind aber oft intransparent, ihre implizierten Prognosen haben den Charakter einer Black-Box. Und auch der optionsbasierte Ansatz verwendet Approximationen, deren Bedeutung und Restriktivität noch nicht untersucht wurde. Dieser Befund macht die Problematik der unkritischen Anwendung beider Ansätze deutlich, war doch das unzureichende Verständnis der Grenzen finanzökonomischer quantitativer Modelle eine Ursache der jüngsten Wirtschafts- und Finanzkrisen. Mit diesem Projekt wollen wir helfen, der Wiederholung solcher Entwicklungen vorzubeugen und einen kritischen Vergleich der empirischen Leistungsfähigkeit des optionsbasierten und des datenwissenschaftlichen Ansatzes zur Approximation von Risikoprämien liefern. Um eine solche vergleichende Studie zu ermöglichen, ist die Erstellung einer aufwendigen Datenbasis und eine leistungsfähige informationstechnologische Infrastruktur notwendig, weshalb die Kräfte von zwei aktiven und in ihren Kompetenzen kompatiblen und komplementären Arbeitsgruppen an den Universitäten Frankfurt und Tübingen gebündelt werden. Mit neu zu entwickelnden Ansätzen wollen wir überprüfen, inwieweit sich die datenwissenschaftlichen und die optionsbasierten Methodiken kombinieren lassen und Möglichkeiten und Grenzen solcher hybriden Strategien aufzeigen.