AB: Big Data beim Aktienresearch auf dem Vormarsch

Schlagworte: , , ,
Wie können Aktienanleger neue Datentechnologien mit Erfolg in ihren Anlageprozess integrieren?

„Big Data“, die Nutzung riesiger Datenmengen, ist die kommende
Herausforderung für die Investmentbranche. Aktienanleger müssen die
richtigen Fragen stellen, um neue Datentechnologien erfolgreich in ihren
Anlageprozess zu integrieren.

Warum ist „Big Data“ so wichtig?

Anlegern steht heute eine gigantische Menge an Daten zur Verfügung.
So erstellen beispielsweise mehr als 8.000 US-notierte Unternehmen
vierteljährliche Berichte mit jeweils mehreren hundert Seiten Umfang.
Wir haben 675.000 dieser Berichte gesammelt, die in den letzten 26
Jahren eingereicht wurden. Weltweit führen Unternehmen jährlich auch
etwa 20.000 Telefonkonferenzen in englischer Sprache zu den
Quartalsgewinnen durch, mit jeweils detaillierten Transkripten. Hinzu
kommen enorme Mengen von Unternehmensberichten in weiteren Sprachen
weltweit.

Theoretisch müssen Portfoliomanager Tausende von Datensätzen
durchforsten, um die Risiken und Chancen eines Unternehmens vollständig
einschätzen zu können. In der Praxis lässt sich das nicht umsetzen.

Die Datenwissenschaft bietet Lösungen, indem sie Techniken des
maschinellen Lernens und der künstlichen Intelligenz (KI) zur
Verarbeitung von Informationen einsetzt. Doch selbst die intelligenteste
Software erfordert menschliche Rahmensetzung und Expertise, um Daten in
Anlageergebnisse umzusetzen.

Symbiose von Researchfertigkeiten

Die Gewinnung von Erkenntnissen erfordert ein breites Spektrum an
Anlagekompetenzen. Große Datensätze müssen gebündelt und mit komplexen
statistischen Modellen und ökonomischen Modellen kombiniert werden.
Investmenthäuser, die im quantitativen Research verwurzelt sind, mögen
als besser geeignet für die Verarbeitung erscheinen, sind aber
möglicherweise nicht in der Lage, die Informationen zu deuten.

Fundamentalanalysten können intuitives Research anwenden, indem sie
die richtigen Fragen stellen, um nützliche Informationen aus riesigen
Datenbeständen zu extrahieren, aber sie haben möglicherweise nicht die
technischen Fähigkeiten, sie effizient zu verarbeiten.

Wir haben fortschrittliche Big Data-Techniken eingeführt, um Rätsel
der Aktienanlage anzugehen, die durch menschliche Analysen allein nicht
gelöst werden konnten. In den folgenden Fallstudien wollen wir zeigen,
wie ein hybrider Ansatz, der auf verschiedenen analytischen Fähigkeiten
basiert, Investmentteams helfen kann, die Datenherausforderung zu
bewältigen.

Fallstudie 1: Fluglinienauslastung

Frage: Inwieweit beeinflusst zusätzliche Kapazität die Preismacht einer Fluglinie?

Die Flugpreisgestaltung ist äußerst komplex und undurchsichtig, was
es für einen Branchenanalysten sehr schwierig macht, Rückschlüsse auf
die Kapazität, die Preise und letztlich auf die Profitabilität einer
Fluggesellschaft zu ziehen. Im Jahr 2018 haben wir große Datenmengen
gesammelt, um mehr darüber zu erfahren, wie sich die Kapazität der
Fluggesellschaften auf die Preisgestaltung auswirkt (Abbildung).

Flugzeugrätsel
Flugzeugrätsel
Lösung des Flugzeugrätsels

Wir haben unsere Datenbank so eingestellt, dass sie über 1 Million
Datenzeilen des US-Verkehrsministeriums mit einer Verzögerung von sechs
Monaten mit den von der Fluggesellschaft gemeldeten Daten über die Route
vergleichen. Anschließend haben wir die vierteljährlichen Tarif- und
Kapazitätsdaten abgeglichen, die Fluggesellschaften konsolidiert und die
Monopolmärkte aus dem Datensatz entfernt, um uns auf die Auswirkungen
des Wettbewerbs zu konzentrieren.

Die Studie zeitigte zwei eindeutige Ergebnisse. Erstens erhöhen die
Fluglinien meist die Kapazität auf Routen mit überdurchschnittlichem
Wachstum hinsichtlich Fluggastumsatz je verfügbarer Meile je Sitz (,
wichtigste Profitabilitätskennzahl der Branche, englische Abkürzung
PRASM). Zweitens verlangsamt sich das Kapazitätswachstum innerhalb von
vier Quartalen, was wiederum ein Ansteigen von PRASM bewirkt.

Diese Schlussfolgerungen waren nicht akademisch. Durch ein besseres
Verständnis der Preisdynamik haben wir aber eine klarere Sicht auf das
Gewinnpotenzial einer unserer Aktienpositionen entwickelt, was unsere
Überzeugung untermauert und uns ermöglicht hat, die Position auszubauen.
Darüber hinaus hat uns das Research in die Lage versetzt, die Preise
von Fluggesellschaften in Echtzeit genauer zu überwachen, und wir nutzen
diese Daten, um das Management in die Diskussion über ihre Pläne für
zukünftige Streckenerweiterungen einzubeziehen.

Fallstudie 2: Risiken in Unternehmensberichten entdecken

Frage:Können Veränderungen in der Managementsektion eines Quartalsberichts bei der Identifikation von Risiken helfen?

Unternehmensberichte bieten Investoren eine Fülle von Informationen.
Aber wie kann man aus Tausenden von zu entschlüsselnden Seiten
herausfinden, was wirklich wichtig ist? Wir haben uns vorgenommen,
potenzielle Risiken in Unternehmensanmeldungen zu identifizieren, indem
wir NLP (Neuro-Linguistische Programmierung) und KI nutzen, um die
jährlichen 10K-Berichte (offizielle Unternehmensberichte in den USA) zu
durchsuchen.

Die Logik ist einfach. In der Managementdiskussions- und
Analyse-Sektion (MD&A) eines 10K ändert sich das Gros des Textes von
Jahr zu Jahr kaum. Durch das systematische und umfassende Auffinden von
geänderten Abschnitten können wir potenzielle Risiken früher als die
anderen erkennen.

Zuerst haben wir die SEC-Website (amerikanische Börsenaufsicht) für
Transkripte von S&P 500-Unternehmen seit 1996 durchforstet. Dann
analysierten wir die MD&A-Abschnitte und wandten NLP an, um die
Berichte von Jahr zu Jahr zu vergleichen. Unser System hat eine
Punktzahl erstellt, um zu zeigen, wie ähnlich oder unterschiedlich ein
Bericht von einem Jahr zum anderen war. Fundamentalanalysten überprüften
dann die 10Ks der Unternehmen, die als solche gekennzeichnet waren, um
die erkannten Risiken zu validieren.

Textanalyse
Textanalyse
Textanalyse und künstliche Intelligenz

Im Ergebnis tendierten Aktien von Unternehmen, die wenig Punkte
erzielten, innerhalb der ersten drei Monate nach Veröffentlichung des
Berichts zu einer schlechteren Performance. Basierend auf dieser Analyse
kann ein breiteres datengesteuertes Instrument entwickelt werden, das
Aktienanalysten dabei unterstützt, einen Vorteil bei der Antizipation
von Unternehmensveränderungen zu erlangen, die sich wahrscheinlich auf
die Aktienkurse auswirken werden.

Der Mensch zählt

Diese Fälle zeigen, wie wichtig eine enge Integration der
Datenanalysefunktion mit Investmentteams und Branchenanalysten ist.
Angesichts der damit verbundenen Kosten ist es wichtig, die richtigen
Projekte auszuwählen, bei denen die Datenanalyse den größten Einfluss
ausüben kann.

Investmenthäuser, die sich diesen Herausforderungen stellen, werden
unserer Meinung nach Datentechnik besser nutzen können, um ihre
Portfolioerträge zu verbessern. Es gibt keine einfachen Antworten. Aber
ein Leitsatz ist klar: Selbst mithochentwickelter künstlicher
Intelligenz ist die Anwendung einer menschlichen Komponente im
Aktienresearchprozess der beste Weg, um große Daten in lohnende
Anlageerkenntnisse zu verwandeln.

Nelson Yu is tHead of Quantitative Research bei AllianceBernstein (AB).

Chris Hogbinist Chief Operating Officer—Equities bei AllianceBernstein (AB).

Die hier zum Ausdruck gebrachten Meinungen stellen keine Analysen,
Anlageberatungen oder Handelsempfehlungen dar und spiegeln nicht
unbedingt die Ansichten aller Portfoliomanagementteams bei AB wider.

In diesem Dokument zum Ausdruck gebrachte Meinungen stellen keine
Analysen, Anlageberatungen oder Handelsempfehlungen dar, spiegeln nicht
unbedingt die Ansichten aller Portfoliomanagementteams bei AB wider und
können von Zeit zu Zeit überarbeitet werden. AllianceBernstein Limited
ist von der Financial Conduct Authority im Vereinigten Königreich
zugelassen und wird durch diese Behörde reguliert.