Die jüngs­te Ent­wick­lung in der empi­ri­schen Ver­mö­gens­be­wer­tung ist der Ein­satz von Metho­den des maschi­nel­len Ler­nens, um das Pro­blem des Fak­to­ren­zoos anzu­ge­hen. Die­se Tech­ni­ken bie­ten gro­ße Fle­xi­bi­li­tät und Vor­her­sa­ge­ge­nau­ig­keit, erfor­dern aber beson­de­re Sorg­falt, da sie sich stark von der tra­di­tio­nel­len Öko­no­me­trie unter­schei­den. Wir über­prü­fen und bewer­ten kri­tisch die neu­es­ten und rele­van­tes­ten Bei­trä­ge in der Lite­ra­tur und grup­pie­ren sie in fünf Kate­go­rien, die durch den ver­wen­de­ten Ansatz des maschi­nel­len Ler­nens (ML) defi­niert wer­den: Regu­la­ri­sie­rung, Dimen­si­ons­re­duk­ti­on, Regressionsbäume/​Random Forest (RF), neu­ro­na­le Net­ze (NNs) und ver­glei­chen­de Ana­ly­sen. Wir fas­sen die empi­ri­schen Ergeb­nis­se mit beson­de­rem Augen­merk auf ihre öko­no­mi­sche Inter­pre­ta­ti­on zusam­men und geben Hin­wei­se für zukünf­ti­ge Entwicklungen.

Quel­le: Asset Pri­cing and Machi­ne Lear­ning: A cri­ti­cal review

Wei­te­re Informationen:

Can finan­cial theo­ry make sen­se of the fac­tor zoo?

Navi­ga­ting the fac­tor zoo around the world: an insti­tu­tio­nal inves­tor perspective

Taming the Fac­tor Zoo