Wie man mithilfe von AI Aktien auswählt, die den Markt übertreffen

Sentifi: Aktienauswahlmodell auf der Grundlage des KI-powered ESG-Scores

Projekt von: Eduardo Aguilar Moreno, Anselme Borgeaud, und Rubén Coll Menéndez 


Im letzten Monat des Bootcamps arbeiten unsere Studenten in Gruppen, um ein Abschlussprojekt durchzuführen. Dies ist eine hervorragende Gelegenheit für die Studenten, echte Data-Science-Probleme zu lösen, die von Unternehmen und Forschungseinrichtungen zur Verfügung gestellt werden. Den Studenten wurde von Sentifi ein Projekt zugewiesen. 

 

Wer ist Sentifi?

Sentifi ist ein etabliertes Fintech-Unternehmen und Anbieter alternativer Daten. Das Unternehmen hat Rohdaten in Investitionsanalysen umgewandelt, mit dem Ziel, institutionelle Anleger in mehreren Phasen ihres Entscheidungsprozesses zu unterstützen. Sentifi wird von führenden Finanzdienstleistern genutzt, um einzigartige Einblicke in über 50'000 Unternehmen, Währungen, Rohstoffe und die Ereignisse, die ihre Bewertung beeinflussen, zu gewinnen.

 

Umfang des Capstone-Projekts

Die Studenten hatten die Aufgabe, ein KI-Modell zu entwickeln, das den ESG-Score von Sentifi und damit zusammenhängende Merkmale (wie ESG-Ereignisse, Stimmung, Aufmerksamkeit usw.) nutzt, um Aktien so auszuwählen, dass das jeweilige Portfolio besser abschneidet als der Markt.

Ein ESG-Score (Environmental, Social, and Corporate Governance) ist eine Bewertung des kollektiven Bewusstseins eines Unternehmens für soziale, ökologische und Governance-Faktoren. Investoren verwenden diese nicht-finanziellen Faktoren zunehmend als Teil ihres Investitionsprozesses, um wesentliche Risiken und Wachstumschancen zu identifizieren. Zur Unterstützung von Anlegern und Behörden bieten Datenanbieter ESG-Ratings für Unternehmen/Aktien an. Das Problem bei diesen Bewertungen ist, dass sie manuell von Analysten erstellt und nur jährlich aktualisiert werden.

Sentifi hat eine ESG-Bewertung entwickelt, die von einer KI-Maschine in Echtzeit berechnet werden kann. Die KI-Engine von Sentifi scannt täglich fünfhundert Millionen Nachrichtenartikel, Blogs, Foren und Tweets. Sie erkennt ESG-Ereignisse, über die in diesen Quellen berichtet wird, und aktualisiert den Score entsprechend auf der Grundlage der Intensität und Stimmung der Diskussion um ein ESG-Ereignis. 

 

Das Ziel des Projekts

Ziel dieses Projekts war es, ein maschinelles Lernmodell zu entwickeln, das den ESG-Score von Sentifi und damit verbundene Merkmale (wie ESG-Ereignisse, Stimmung, Aufmerksamkeit usw.) verwendet, um Aktien so auszuwählen, dass das jeweilige Portfolio den Markt übertrifft.






 

Modell-Resultat

Unter Verwendung der ESG-Bewertungen von Sentifi und der Aufmerksamkeitsdaten als Merkmale trainierten Eduardo, Anselme und Ruben XGBoost-Modelle zur Vorhersage der erwarteten Wertentwicklung von Aktien. Indem sie ihr Modell zur Auswahl der vielversprechendsten Aktien aus dem S&P 500 verwendeten, gelang es ihnen, den Basisindex über einen Zeitraum von 6 Jahren um 20 % zu übertreffen. Darüber hinaus gelang es ihnen auch, eine Zufallsauswahlstrategie um mehr als 45 % zu übertreffen. Wie die Abbildung unten zeigt, wurde die Outperformance gegenüber dem Markt erzielt, während die Portfolioauswahl über die Sektoren hinweg diversifiziert blieb. Durch den Einsatz von maschinellem Lernen zur Erklärung von Fähigkeitstools konnten sie ausserdem die Relevanz der ESG-bezogenen Merkmale von Sentifi nachweisen. Insbesondere konnten sie zeigen, wie höhere Werte für Umwelt- und Sozialbewusstsein mit einer besseren Gesamtperformance korrelieren. 







Um den Erfolg der ESG zu sichern, liegt der Schwerpunkt weiterhin auf langfristigen Anlagestrategien. So musste die Gruppe, die am besten bewerteten Unternehmen finden, die zu hohen Renditen führten. Eine hohe 7-Tage-Performance und eine niedrige 30-Tage-Performance führten zu hohen Renditen. 

 

Ein Modell zur Maximierung der Rendite

Die Gruppe hat ein maschinelles Lernmodell entwickelt, das in der Lage ist, einen kurzfristigen Durchschnitt mit einem langfristigen Durchschnitt zu vergleichen und ein Kaufsignal auszusenden, wenn sich diese beiden Durchschnitte überschneiden. Dieses Signal hilft den Anlegern zu wissen, welche Unternehmen sie für die Erstellung eines Portfolios auswählen müssen, um die Rendite des Kunden zu maximieren.
Sie konnten den positiven Einfluss der ESG auf die Performance bestätigen und stellten fest, dass höhere ESG-Scores zu höheren Renditen führten. Es ist also sinnvoll, in Unternehmen zu investieren, die umwelt- und sozialbewusst sind.  

Zusätzlich zu ihren Ergebnissen machte die Gruppe einige Vorschläge zur Verbesserung ihres Modells. Zu diesen Empfehlungen gehören:

• Hinzufügen von Informationen über jedes einzelne ESG-Ereignis 
• Verwendung der Leistung anstelle eines Ranges als Zielvariable
• Die Erprobung anderer Modellarchitekturen wie CNN oder LSTM könnte neue Erkenntnisse liefern und als Querverweismodelle dienen

 

Schlussfolgerung

Das entwickelte Machine Learning Modell übertraf die Zufallsauswahlstrategie über einen Zeitraum von 6 Jahren um mehr als 45 % und den Basisindex um 20 %. Durch die Verfolgung des Schnittpunkts zwischen kurzfristigen und langfristigen Durchschnittswerten sendet das Modell ein Kaufsignal an die Anleger, dass sie über den richtigen Zeitpunkt zum Kauf informiert. Dieses Signal hilft den Anlegern bei der Entscheidung, welche Unternehmen sie für die Erstellung eines Portfolios auswählen sollten, um die Rendite des Kunden zu maximieren. In Zukunft könnten andere Modelle wie CNN oder LSTM als Querverweis-Modelle verwendet werden, um eine breitere Perspektive der Wirksamkeit der ESG zu erhalten. 


Wir bei Constructor Academy bedanken und bei Sentifi für die tolle Zusammenarbeit bei diesem Projekt!