Not logged in.

Quick Search - Contribution

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Value Investing mittels künstlicher Intelligenz am Beispiel des deutschen Fonds-Anbieters ACATIS: Eine empirische Analyse
Organization Unit
Authors
  • Ardit Morina
Supervisors
  • Thorsten Hens
Language
  • German
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Number of Pages 38
Date 2020
Zusammenfassung Diese Bachelorarbeit untersucht, welchen Wert künstliche Intelligenz (KI) für Akteure schafft, die in Value-Fonds anlegen. Hierfür werden die KI-Fonds des deutschen Fonds-An-bieters ACATIS, ACATIS Global Value Total Return (AGV) und ACATIS AI Global Equities (AGE), analysiert. Der Untersuchungszeitraum erstreckt sich vom 20.10.2016 bis zum 31.12.2019. In den Kapiteln 2, 3 und 4 werden zunächst die für das Verständnis der Fragestellung zentralen Begriffe "Investmentfonds", "Value Investing" und "künstliche Intelligenz" dargestellt. In Kapitel 2 werden eine Definition und die unterschiedlichen Typen und Charakteristiken von Fonds betrachtet sowie die Unterschiede zwischen aktivem und passivem Management dis-kutiert. In Kapitel 3 wird die Grundidee des Value Investing wiedergegeben und zusammen-gefasst, wie sich die Finanzmarktforschung in den Jahren nach der Veröffentlichung der Idee damit befasst hat. In Kapitel 4 werden drei Definitionen des Begriffs der künstlichen Intelligenz präsentiert und die Konzepte "maschinelles Lernen" und "künstliche neuronale Netze" aus ei-ner nicht-mathematischen Perspektive erläutert. Anschliessend werden die Vor- und Nachteile von künstlicher Intelligenz im Kontext des Asset Management einander gegenübergestellt. In Kapitel 5 werden die Eigenheiten, der Investmentprozess und die Performance der Fonds betrachtet. Während der AGV seinen Vergleichs- index übertrifft, liegt der AGE unter seinem Benchmark. Im Zeitraum 27.06.2017 - 31.12.2019 erzielte der AGV eine mehr als doppelt so hohe Rendite wie der AGE (annualisiert: 11.3% vs. 5.2%). Im darauffolgenden Kapitel werden Studien vorgestellt, die die Kombination aus Value In-vesting und Methoden der künstlichen Intelli- genz untersuchen. Sie legen den Schluss nahe, dass die Kombination bessere Ergebnisse erzielen kann als bekannte Strategien bzw. als ein Vergleichsindex. In Kapitel 7 wird dargelegt, woher die Daten für diese Arbeit stammen und wie die Faktor-portfolios des Multi-Faktor-Modells, das Frazzini, Kabiller und Pedersen (2018) verwenden, konstruiert werden. Zudem wird das methodische Vorgehen erläutert. Als Erstes werden in einer multiplen linearen Regression die Renditen der Fonds abzüglich des risiko- losen Zinssatzes im Sinne einer Stilanalyse auf die Faktoren MKT (Marktrisikoprämie), SMB (Sizeprämie), HML (Valueprämie), UMD (Momentumprämie), BAB (Low Risk) und QMJ (Qualität) regressiert. Damit soll herausge- funden werden, ob die Faktoren die Renditen erklären können. Als Zweites werden die Renditen der KI-Fonds mit denen eines Nicht-KI-Fonds verglichen. Im darauffolgenden Kapitel werden die empiri- schen Ergebnisse präsentiert. Es zeigt sich, dass im Fall von AGV die Faktoren MKT, SMB, UMD, BAB und QMJ und im Fall von AGE die Faktoren MKT, SMB, HML, UMD und BAB die Renditen am besten erklären. Ausserdem zeigt der Vergleich der Renditen der KI-Fonds mit denen des Nicht-KI-Fonds, dass nicht ausge-schlossen werden kann, dass die Renditen der KI-Fonds gleich hoch wie oder höher als die des Nicht-KI-Fonds sind. Im abschliessenden Kapitel werden die Ergebnisse dieser Arbeit zusammengefasst. Des Weiteren wird darauf hingewiesen, dass zukünftige Arbeiten mehr Daten untersuchen sollten, um Ergebnisse zu erhalten, die eine Verallgemeinerung erlauben. Ausserdem werden Alternativen zur Messung des Mehrwerts von KI im Investmentfondsgeschäft vorgeschlagen.
Export BibTeX