Eine der am häufigsten untersuchten Fragestellungen in der finanzwirtschaftlichen Forschung ist die Prognostizierbarkeit von Aktien. Das Auffinden eines funktionierenden Prognosemodells scheint nicht nur die für Aktienprognosen bedeutsame Effizienzmarkthypothese in Frage zu stellen, sondern zudem profitable Investments am Kapitalmarkt zu ermöglichen. Die eingesetzten Prognosemodelle basieren dabei häufig auf Multifaktormodellen, eine Alternative dazu stellen Scoring-Modelle dar. Ihren Ursprung haben Scoring-Modelle in der Entscheidungstheorie und weisen damit eigentlich keinerlei Verbindungen zu Kapitalmarktthemen auf. In der vorliegenden Studie wird die Prognosefähigkeit von Scoring-Modellen mit aggregierten Informationssignalen für den deutschen Aktienmarkt untersucht.

Textprobe: Kapitel 3 Empirischer Ansatz der Untersuchung: Dieses Kapitel erläutert den empirischen Ansatz der Untersuchung, angesichts der Zielsetzung dieser Arbeit, ein Handelsmodell auf Grundlage eines Scoring-Modells mit aggregierten Informationssignalen zu entwickeln und die Performanceleistung gegenüber einer passiven Strategie zu untersuchen (vgl. Kap. 1.2). Im Folgenden erfolgt eine kurze Erläuterung der zu behandelnden Themen. Das Kapitel beginnt mit der Darstellung des Datensamples der Untersuchung. Hier werden neben dem Beobachtungszeitraum, der Investitionsgegenstand der Untersuchung, die potenziellen Modellvariablen, die Benchmark und der risikolose Zinssatz erläutert. Als letztes geht der Abschnitt auf die Aufteilung des Datensamples in einen Trainings- und Testbereich ein. Den Erläuterungen zum Datensample schließt sich der Abschnitt zum Investitionsansatz des Handelsmodells an. Der Investitionsansatz verwendet den Score-Wert als Handelssignal und als Gewichtungsfaktor, um daraus Entscheidungsvariablen abzuleiten, die das Investitionsverhältnis zwischen deutschen Aktien und dem fiktiven Tagesgeldkonto angeben. Der darauffolgende Abschnitt schildert die Ermittlung der Renditen. Dazu gehören die Berechnungen der Renditen aus Aktien und dem fiktiven Tagesgeldkonto, die darauf aufbauenden Investitionsrenditen und die Überschussrenditen. Zuletzt behandelt der Abschnitt den Ansatz der Portfoliobildung. Die Portfoliobildung dient einer differentiellen Auswertung der Ergebnisse. Nach den Renditeberechnungen folgt der Abschnitt zur Erzeugung und Aggregation von Informationssignalen. Hier wird erläutert mit welchen Methoden die Informationssignale zu transformieren sind. Der darauffolgende Abschnitt behandelt schließlich die Konzeption des Scoring-Modells, in der die Informationssignale aggregiert werden. Die bisher aufgeführten Aspekte haben in Bezug auf die empirische Untersuchung eher einen Vorbereitungscharakter. Der anwendungsorientierte Teil liegt im Optimierungsansatz für das Handelsmodell. Dem Optimierungsansatz liegt die Annahme zugrunde, dass eine Optimierung im Trainingsbereich sich positiv auf die spätere (Testzeitraum) Prognoseleistung auswirkt. Als Optimal gilt in diesem Zusammenhang die Konstellation mit der höchsten durchschnittlichen Überschussrendite. Der Abschnitt erläutert zunächst die Vorgehensweise, um aus den potenziellen Variablen optimale Informationssignale zu ermitteln. Durch diesen Optimierungsschritt sollen ausschließlich diejenigen Variablen in den weiteren Aggregationsprozess gelangen, die in der Einzelbetrachtung bereits einen Nutzen aufweisen. Der anschließende Abschnitt erläutert einen weiteren Optimierungsschritt. Dieser stellt sich als ein iteratives Verfahren dar, um aus sämtlichen Kombinationsmöglichkeiten der Variablen und Investitionsansätze eine ideale Konstellation zu ermitteln. Der letzte Kapitelabschnitt erläutert die Kennzahlen für die spätere Performance-Analyse. Dabei handelt es sich um das Sortino-Maß als Alternative zum Sharpe-Maß und um das in der Praxis häufig eingesetzte Jensen-Alpha. Der empirischen Untersuchung liegen zudem folgende Annahmen zugrunde: - Die Transaktionen in Aktien oder auf das fiktive Tagesgeldkonto erfolgen vollständig und ohne Kosten – eine ausreichende Marktliquidität wird somit vorausgesetzt. - Die Renditeberechnungen berücksichtigen keine Steuern oder sonstige Kosten. 3.1 Datensample der Untersuchung: Die Datenbasis stammt aus Thomas Reuters Financial Datastream (nachfolgend nur Datastream) und enthält monatliche Kapitalmarktdaten für den Beobachtungszeitraum von 1973 bis 2012. Dieser lange Zeitraum erhöht die Wahrscheinlichkeit für Robustheit und Stabilität der späteren Ergebnisse. Zudem vermeidet dieses Vorgehen weitestgehend ein Small Sample Bias. Bei einem Small Sample Bias besteht die Gefahr, dass falsche Rückschlüsse auf die Grundgesamtheit entstehen. Dies liegt darin begründet, dass Aktienmärkte unterschiedliche Baisse- und Hausse-Phasen durchlaufen und ein kleiner Ausschnitt im Extremfall lediglich eine einzige Phase abbildet. Ein auf dieser Grundlage berechnetes Ergebnis kann daher nicht als repräsentativ für die gesamte Entwicklung angesehen werden. In den folgenden Abschnitten werden die benötigten Daten für die empirische Untersuchung eingehend erläutert. Die Abschließende Erläuterung erklärt zudem, wie der Datenbereich in zwei Datenabschnitte zu unterteilen ist, um bei der empirischen Auswertung die Prognoseleistungen in einem unbekannten Datenbereich beurteilen zu können. 3.1.1 Deutsche Aktien: Den zentralen Investitionsgegenstand für die empirische Untersuchung bilden deutsche Aktien. Es wurden monatliche Aktienschlusskurse und Aktienmengen von insgesamt 2.019 aktiven und inaktiven Unternehmen sämtlicher Branchen aus Datastream berücksichtigt. Die Einbeziehung inaktiver Unternehmen zielt dabei auf die Umgehung des Survivorship Bias ab. Ein Survivorship Bias liegt vor, wenn eine empirische Untersuchung ausschließlich diejenigen Unternehmen enthält, die am Ende einer Beobachtungsperiode noch Kursnotierungen aufweisen. Dadurch entfällt der Einfluss der Unternehmen ins Ergebnis, die im Zeitverlauf aus verschiedenen Gründen aus dem Listing der Börse ausscheiden mussten. Bei einem Survivorship Bias wäre zudem die Repräsentativität des Datenmaterials und des erzielten Ergebnisses fraglich.

• Scoring-Modell

• Informationsaggregation

• Multifaktormodell

• DAX

• Aktienprognosen

Süleyman Yücel wurde 1980 in Bremen geboren. Sein Studium mit betriebs- und finanzwirtschaftlichen Schwerpunkten an der Hochschule Bremen schloss der Autor im Jahre 2015 mit dem akademischen Grad Master of Arts erfolgreich ab. Bereits während seines Studiums sammelte der Autor umfassende Erfahrungen in der Datenanalyse und Prozessautomation in Unternehmen verschiedener Branchen. Fasziniert von der quantitativen Finanzanalyse und den finanzmathematischen Ansätzen, widmete er sich dieser Thematik in der vorliegenden Arbeit.