Portfolio-Optimierung basierte jahrzehntelang auf der Markowitz-Theorie von 1952. Diese Methode berechnet optimale Gewichtungen anhand historischer Renditen und Kovarianzen. Sie setzt jedoch voraus, dass Renditen normalverteilt sind und Korrelationen stabil bleiben. Beide Annahmen treffen in volatilen Märkten nicht zu.
Was Machine Learning anders macht
ML-Modelle lernen nichtlineare Beziehungen zwischen Hunderten von Marktindikatoren. Sie verarbeiten Aktienkurse, Makrodaten, Sentiment-Analysen aus Finanznachrichten und Optionspreise gleichzeitig. LSTM-Netzwerke erkennen zeitliche Abhängigkeiten über Wochen hinweg. Ein typisches Modell analysiert täglich 400 bis 600 Features pro Asset.
Datenvorbereitung für Zeitreihen
Finanzdaten enthalten strukturelle Brüche: Wirtschaftskrisen, Regulierungsänderungen, Technologiesprünge. Sie müssen diese Perioden identifizieren und getrennt behandeln. Rolling-Window-Verfahren trainieren das Modell mit den letzten zwei Jahren Daten und testen es am folgenden Quartal. Täglich wird das Fenster um einen Tag verschoben. Dieser Ansatz verhindert Look-Ahead-Bias.
Backtesting zeigt echte Leistung
Die Commerzbank testete Reinforcement-Learning-Strategien gegen passive ETF-Portfolios. Über einen Zeitraum von acht Jahren erzielte das ML-Portfolio eine um 2,3 Prozentpunkte höhere jährliche Rendite. Entscheidend war jedoch die Risikoadjustierung: Die Sharpe-Ratio verbesserte sich von 0,6 auf 0,9. Das Modell reduzierte Positionen automatisch vor bekannten Volatilitätsereignissen wie EZB-Sitzungen.