Neural Networks revolutionieren Portfolios: Joint Return & Risk Modellierung

Ein neues Forschungsprojekt aus dem Bereich der Finanztechnologie präsentiert einen innovativen Ansatz zur Portfolio‑Konstruktion, bei dem erwartete Renditen und Risikostrukturen gleichzeitig mithilfe von tiefen neuronalen Netzwerken modelliert werden.

Im Gegensatz zu herkömmlichen Verfahren, die Renditen und Kovarianzen separat schätzen, lernt das vorgeschlagene Modell die dynamischen Zusammenhänge zwischen beiden Größen in einem einzigen End‑to‑End‑Prozess. Durch die Analyse von Zeitreihen wird die Fähigkeit des Netzwerks verbessert, Volatilitätscluster und Marktregimewechsel zu erkennen.

Die Autoren setzten das Modell auf tägliche Kursdaten von zehn großen US‑Aktien, die den Zeitraum 2010 bis 2024 abdecken. Die Bewertung erfolgte anhand von Rückwärtsprojektionen für die Jahre 2020 bis 2024, wobei das Netzwerk eine Root‑Mean‑Square‑Error‑Wert von 0,0264 und eine richtungsbezogene Genauigkeit von 51,9 % erreichte.

Wichtig ist, dass die aus dem Netzwerk gewonnenen Risikodaten in eine klassische Portfolio‑Optimierung integriert wurden. Das daraus resultierende „Neural Portfolio“ erzielte eine jährliche Rendite von 36,4 % und einen Sharpe‑Ratio von 0,91 – deutlich besser als gleichgewichtige Portfolios oder traditionelle Mittel‑Varianz‑Strategien.

Diese Ergebnisse demonstrieren, dass die gleichzeitige Modellierung von Rendite‑ und Risikodynamik signifikante Vorteile gegenüber herkömmlichen Allokationsansätzen bietet. Das vorgestellte Framework stellt eine skalierbare und praxisnahe Alternative für datengetriebene Portfolios dar, die unter nichtstationären Marktbedingungen zuverlässig funktionieren soll.