Trends Markt News

iStock.com/georgeclerk

Machine Learning bei Preisfindung und Risikoeinschätzung: Das Bewertungsproblem bei non-bankable Assets

Bankfähige Vermögenswerte sind per definitionem Sicherheiten, die Banken verwenden, um die Rückzahlung eines Kredits zu garantieren. Bei den nicht bankfähigen Vermögenswerten handelt es sich dagegen oft um nicht liquide Vermögenswerte besonderer Natur. Zu diesen non-bankable Assets können Direktinvestitionen in Eigenmittel von Unternehmen ebenso gehören wie der Kauf oder der Miterwerb von Haupt- oder Zweitwohnsitzen, von Kunstwerken oder anderen seltenen Sammelobjekten.

Schon weil dabei frühere Transaktionsdaten fehlen, ist es inhärent komplex, eine Risiko-/Rendite-Bewertung vorzunehmen. Deswegen schließen es die meisten Finanzinstitute aus, diese Vermögenswerte als Garantie für einen Kredit zu verwenden. Eine ganzheitliche Portfolioverwaltung, die non-bankable Assets einschließt, war bisher einer sehr wohlhabenden Elite, etwa Family Offices, vorbehalten – gegen entsprechend hohe Managementgebühren. Distributed-Ledger-Technologie und Tokens ändern dies grundlegend.

Demokratisierung, Risikodiversifizierung und Nutzungsrechte
Tokenisierte non-bankable Assets werden auch die Demokratisierung des Wealth Managements vorantreiben. Denn Banken können Tokens in so kleinen Stückelungen ausgeben, dass sie für kleinere Anleger attraktiv werden, von Mass Affluent Clients bis zum Retailmarkt.

Ein weiterer wichtiger Vorteil liegt in der Diversifizierungswirkung. Bei Portfolios aus risikoreichen Finanzanlagen in hoch korrelierten Volkswirtschaften ist es immer kostspieliger und komplizierter geworden, sich richtig gegen systemische Risiken abzusichern. Nicht bankfähige Vermögenswerte haben vor diesem Hintergrund einen optimalen Risikodiversifizierungseffekt. Zudem erhalten Investoren durch Tokens gegebenenfalls nicht nur Anteile an dem Wert eines Assets: Ebenso wie in ein Miteigentum könnten Anleger in ein Mitnutzungsrecht investieren. So sind etwa bei Kunst- und Oldtimersammlungen, Schmuckstücken oder Luxusuhren ebenso Property Token wie Experience Token denkbar.

Das Problem der Wertbestimmung
Eine der größten Herausforderungen im Kontext von non-bankable Assets liegt darin, tragfähige Bewertungsansätze zu finden. Die erste Aufgabe, die beim Umgang mit nicht bankfähigen Vermögenswerten im Rahmen der Vermögensverwaltung zu bewältigen ist, besteht darin, diese Assets ex-post genau zu bewerten, damit eine einigermaßen exakte Einschätzung ihres aktuellen Preises möglich wird.

Möchte jemand seine Ferienwohnung verkaufen, ist dies nicht anders: Meist sind ein gewisser Rechercheaufwand und einige Zeit notwendig, um den Marktwert genau einschätzen zu können. Dass viele non-bankable Assets – ob Immobilen oder Sammlerstücke – nur selten auf dem Markt sind und es in er Regel nur wenige historische Daten gibt, macht die Wertbestimmung nicht einfacher.

Die zweite große Aufgabe, die sich beim operativen Umgang mit non-bankable Assets im Investmentkontext stellt, ist es, die mittel- und langfristige Spannbreite der Asset-Werte zu bestimmen. Für eine ordnungsgemäße Ex-ante-Risikoanalyse ist dies unerlässlich.

Die dritte Herausforderung besteht darin, sicherzustellen, dass sich das non-bankable Asset jederzeit unter den richtigen Bedingungen tauschen lässt. Anders gesagt: Es muss stets für ein akzeptables Niveau an Liquidität für diese Assets gesorgt sein. Diese drei Punkte bilden also die Mindestanforderungen, damit neben den traditionellen Finanzanlagen überhaupt alternative Vermögenswerte in ein Anlageportfolio aufgenommen werden können: die genaue Schätzung der aktuellen Preise von non-bankable Assets; die Schätzung ihrer zukünftigen Preise; und ein liquider Markt, auf dem sie zu gegebener Zeit gehandelt werden können.

CAPM als klassisches Bewertungsmodell
Einer der einfachsten und zugänglichsten Ansätze zur Bewertung der finanziellen Sicherheit ist das Capital Asset Pricing Model (CAPM), das auf die 1960er-Jahre zurückgeht. Dieses Modell setzt die erwartete Rendite des Wertpapiers auf einfachste Weise mit dem (systematischen) Marktrisiko in Beziehung. Das heißt linear, als ERs = Rf + Bs (ERm - Rf), wobei RF der risikofreie Zinssatz, ERs die erwartete Rendite des Wertpapiers über einen bestimmten Zeithorizont und ERm die erwartete Rendite des sogenannten Marktportfolios über denselben Zeithorizont ist. Das Marktportfolio ist dabei ein hypothetisches Portfolio, das aus allen gehandelten Wertpapieren in Relation zu ihrer Marktpräsenz besteht. In der Praxis wird das Marktportfolio durch Indices wie den S&P 500 für den US-Aktienmarkt oder den DAX für den deutschen Markt repräsentiert.

Arbitrage Pricing Theory
Trotz oder gerade wegen seiner Simplizität ist das CAPM oft kein guter Ausgangspunkt, um nicht bankfähige und auch etliche finanzielle Assets zu bewerten. Schon weil das Modell von starken Annahmen über den Markt und seine Teilnehmer ausgeht – einschließlich der Voraussetzung, dass die Informationen regelmäßig und beständig zwischen den Teilnehmern fließen. Diese Grundannahmen wurden im Laufe der Jahre allerdings stark kritisiert; manche von ihnen gelten inzwischen einfach als falsch. Zum Beispiel die Annahme, dass Investoren zu einem risikofreien Zinssatz leihen und verleihen können. In der Praxis ist dies unmöglich.

Das CAPM-Modell mit seinen nicht verifizierten Annahmen anwenden zu wollen, birgt Gefahren und hat in der Praxis unabsehbare Folgen. Diese Beobachtung führte 1976 zu einem flexibleren und leistungsfähigeren Bewertungsschema, der Arbitrage Pricing Theory (APT). Man könnte sagen, dass die APT-Preisformel das CAPM zu einem multilinearen Regressionsmodell verallgemeinert – um einen Begriff aus dem Machine Learning zu bemühen. So besagt die APT auch, dass sich Asset-Preise auf Basis einer linearen Beziehung vorhersagen lassen: der zwischen den erwarteten Renditen auf die Assets und einigen wenigen makroökonomischen Variablen, die ein systemisches Risiko erfassen.

Arbitrage-Gewinne mit non-bankable Assets
Bei Investments ist der Hauptvorteil der APT gegenüber dem CAPM, dass die APT eine vorübergehende Fehleinschätzung von Vermögenswerten zulässt. Wichtig ist, dass der Investor von der Rückkehr dieser Preise zu ihrem fairen Wert profitieren kann, indem er zulässt, dass Asset-Preise zumindest vorübergehend von ihrem Gleichgewichtswert abweichen – das Prinzip der Arbitrage. Die natürliche Art und Weise, wie sich in diesem Zusammenhang Gewinn erzielen lässt, besteht in einem langfristigen Kauf eines unterbewerteten Assets und seinem Verkauf zum Gleichgewichtswert – oder umgekehrt im Short-Selling bzw. Leerverkauf eines überbewerteten Vermögenswerts, bei dem man auf einen fallenden Preis spekuliert.

Liebhaber und Experten mit Wissensvorsprung
Wollen Anleger dies realisieren, müssen sie in der Lage sein, den fairen Wert eines Assets ebenso gut zu beurteilen wie die wahrscheinliche Angebots- und Nachfrageentwicklung auf mittlere bis lange Sicht. Eine gründliche Kenntnis des Assets und des Markts sind darum entscheidende Vorteile, um künftige Wertentwicklungen genau einzuschätzen.

Für einschlägige Liebhaber, Experten und Sammler ist es viel einfacher, beispielsweise den potenziellen langfristigen Wert eines Picasso-Gemäldes, einer Luxusvilla in Davos oder einer seltenen Rolex zu antizipieren, als die potenziellen Renditen von liquiden Aktien oder Aktienfonds über einen Horizont von fünf bis zehn Jahren. Auch dies unterscheidet Investitionen in nicht bankfähige Vermögenswerte von ihrem traditionellen Gegenstück.

Vom Asset Pricing zum Machine Learning
Es lohnt, die grundlegenden Preismodelle – die APT und deren Sonderfall CAPM – noch eingehender aus der Perspektive des Machine Learnings zu betrachten. Wie die grundlegendsten Modelle des Machine Learnings gehen APT und CAPM von linearen Beziehungen zwischen den Prädiktoren (Faktorrenditen) und der Zielvariablen (Kapitalrendite oder Asset-Preis) aus. Was geschieht aber in Situationen, in denen die Annahme der linearen Beziehung generell nicht zutrifft? Wenn es also gute Gründe dafür gibt, eine (stark) nichtlineare Prädiktor-Ziel-Beziehung anzunehmen?

In solch einem Fall weiter auf falsche Annahmen zu vertrauen, führt zu gefährlichen Bewertungsfehlern: Die realen Risken, die mit den Vermögenswerten verbunden sind, werden dann erheblich unterschätzt. Ein fälschlich lineares Modell führt bei der Vermögensverwaltung zu hohen Betriebs- und Portfoliorisiken – für die Bank und den Investor.

KI-Algorithmen versprechen Abhilfe
Hier stattdessen ein flexibleres Machine-Learning-Modell zu nutzen, kann die Risikoexposition deutlich mindern. Die folgenden validen Kandidaten kommen schon seit Jahren im Vermögens- und Portfoliomanagement zum Einsatz:

  • Logistische Regression – hauptsächlich zur Klassifizierung.
  • Polynomiale Regression – eine Form der linearen Regression, bei der Beiträge von Prädiktoren höherer Ordnung erlaubt sind; typischerweise Varianz, Schiefe und Exzess von Vermögensrenditen.
  • Nicht-lineare Regression – eine Verallgemeinerung der polynomialen Regression, bei der eine nicht-lineare Funktion spezifiziert wird und zur Modellierung der Abhängigkeit zwischen Prädiktoren und dem Zielwert dient.
  • Ridge- und Lasso-Regressionen – bestrafte lineare Regressionsmodelle, die häufig verwendet werden, um die Estimatoren für Risiko und Rendite zu stabilisieren und so ein kostspieliges Portfolio-Turnover besser zu kontrollieren.
  • Künstliche neuronale Netze (KNN) – die praktisch jede Art von spezifizierter oder nicht spezifizierter Abhängigkeit zwischen Prädiktoren und einer Zielvariablen erfassen können; vorausgesetzt, es stehen genügend Daten zur Verfügung, um das Modell zu trainieren. Die breite Kategorie der KNN-Modelle umfasst insbesondere Feedforward- und rekurrierende neuronale Netze (RNN), die im Finanzsektor hauptsächlich dazu dienen, komplexe Regressions- und Zeitreihenvorhersage-Probleme wie etwa Intraday-Transaktionen und Market Making zu lösen.

Hedonische Preisschemata für Immobilien
Immobilien stellen einen besonders wichtigen Fall von non-bankable Assets dar. Traditionell werden in der Immobilienwirtschaft sogenannte hedonische Preismodelle verwendet, um einen Preis für so heterogene Produkte wie Häuser zu bestimmen.

In hedonischen Preisbildungsmodellen wird der Vermögenswert durch eine spezifische Mischung von einerseits intrinsischen und andererseits lokalen bzw. umweltbezogenen Merkmalen beeinflusst. Hedonische Modelle dienen in diesem Kontext auch dazu, eine Immobilie trotz fehlender spezifischer Daten über Markttransaktionen zu bewerten, die Nachfrage nach bestimmten Wohnungsmerkmalen zu analysieren und die Wohnungsnachfrage im Allgemeinen zu untersuchen.

Inhärente und umweltbezogene Merkmale
In hedonischen Modellen finden Schätzungen oft mithilfe nichtlinearer Regression statt. Dabei geht man davon aus, dass Immobilien eine Vielzahl leicht messbarer, inhärenter Merkmale besitzen – wie Baujahr, Zimmerzahl, Wohnfläche, Vorhandensein von Kamin oder Swimmingpool usw. Darüber hinaus hängt der Immobilienwert auch von geografischen und umweltbezogenen Merkmalen ab, zum Beispiel von regionalen Lebenshaltungskosten und Steuern, der Attraktivität des Standorts usw.

Ein vollständiges hedonisches Modell aufzubauen, ist wegen dessen hoher Datenanforderungen keine leichte Aufgabe – von der Aktualisierung all dieser Daten ganz zu schweigen. Vermutlich ist ein Vollzeitteam mit einem hohen Maß an Fachwissen in Sachen Immobilienbewertung nötig, um alle relevanten Daten zu sammeln und das richtige Preismodell zu erstellen.

Dies gilt übrigens nicht nur für Immobilien, sondern ganz analog für alle nicht bankfähigen Vermögenswerte. Ein Bewertungsmodell für non-bankable Assets zu definieren, es anzuwenden und zu pflegen, ist nicht selten eine gewaltige Aufgabe, die oft weit vom Kerngeschäft traditioneller Finanzintermediäre wie Banken, Family Offices und Vermögensverwalter entfernt ist.

Wie können Portfoliomanager also die Herausforderung meistern, solche Kapazitäten intern zu erwerben und zu pflegen? Lohnt es sich überhaupt, dies zu tun? Die Antwort darauf lautet eindeutig ja. Denn meist obliegt dem Portfoliomanager die Verantwortung dafür, einen fairen Preis für alle Vermögenswerte in einem Portfolio zu erzielen. Zudem ist es unbedingt empfehlenswert, in einem weitgehend deregulierten Markt wie dem der non-bankable Assets eine gewisse Unabhängigkeit von externen Dienstleistern und Marktmachern zu bewahren.

Machine-Learning-Algorithmen zur hedonischen Preisbildung
Die intrinsischen und die lokalen Merkmale sind beide in der hedonischen Preisbildungsfunktion P eingebettet. Bezeichnen wir die inhärenten Merkmale wie Baujahr und Zimmerzahl hier als (i1, i2,...) und die umweltbezogenen Merkmale als (I1, I2,...). Dann ließe sich die Preisbildungsfunktion notieren als P = F(i1, i2,...,l1, l2,...). Anders gesagt: Der hedonische Preis einer Immobilie ist nichts anderes als eine Funktion ihrer inneren und äußeren Eigenschaften – diese Eigenschaften beeinflussen den Wert.

Deswegen lässt sich der hedonische Bewertungsansatz auch so leicht auf andere non-bankable Assets übertragen, ob dies Oldtimer, Kunstwerke oder andere wertvolle Sammlerstücke sind. Traditionell erfolgt die Schätzung von P, indem man die bereits erwähnten Machine-Learning-Algorithmen in der Reihenfolge ihrer Komplexität ausprobiert: Zunächst verwendet man lineare und polynomiale Regressionen und, falls erforderlich, allgemeine nicht-lineare Regressionen.

Neuronale Netze versus hedonische Regression
Leider gibt es noch vergleichsweise wenig Literatur über die Bewertung von Immobilien mithilfe neuronaler Netze. Dass den Spezialisten für Immobilienbewertung diese Technik noch weitgehend unbekannt ist, überrascht allerdings nicht – liegen neuronale Netze bislang doch außerhalb ihrer Expertise. Dennoch haben einige Veröffentlichungen der letzten Zeit verglichen, wie leistungsfähig künstliche neuronale Netze (KNN) einerseits und die traditionelle hedonische Regression andererseits sind, wenn es darum geht, die Transaktionspreise von Immobilien vorherzusagen.
Eine peer-reviewte und inzwischen häufig zitierte Studie1 hat den Vergleich anhand der Verkaufspreise von Häusern in der Türkei angestellt. Die Autoren kamen zu dem Schluss, dass in diesem spezifischen Anwendungsfall die Vorhersagekraft künstlicher neuronaler Netze der allgemeinen hedonischen Regression ebenbürtig, wenn nicht sogar überlegen ist.  » 1 

Rekurrente neuronale Netze eignen sich ideal
Gegenüber traditioneller hedonischer Regression liegt der Hauptvorteil von künstlichen neuronalen Netzen in ihrer Flexibilität. Bei KNNs ist es nicht erforderlich, irgendeine Form der funktionalen Abhängigkeit zwischen den Prädiktoren (Asset-Eigenschaften) und dem Ziel (Asset-Preise) zu spezifizieren. Dies eliminiert das Risiko einer Fehlspezifizierung des Modells. Das neuronale Netzwerk kann stattdessen die optimale Preisfunktion lernen – also diejenige, die den Schätzfehler bei der Vorhersage minimiert. Die Voraussetzung dafür ist, dass über den Vermögensgegenstand und seine Umgebung genügend Daten verfügbar sind.

Gegenüber vielen ökonometrischen Zeitreihen und anderen Machine-Learning-Modellen haben KNNs und besonders rekurrente neuronale Netze (RNNs) einen weiteren wichtigen Mehrwert. So können beispielsweise RNNs des Typs Long Short-Term Memory (LSTM) auch unregelmäßige und verstreute Daten, die nicht in einer bestimmten Frequenz anfallen, berücksichtigen.

Die fortgeschrittenen Techniken des maschinellen Lernens begegnen also zwei großen Herausforderungen: der Datenknappheit (Data Scarcity, zu wenige Datenpunkte für das einzelne, konkrete Asset) und der Datensparsamkeit (Data Sparsity, Datenpunkte, die unregelmäßig über die Zeit verteilt sind). Und für viele non-bankable Assets ist es charakteristisch, dass sie nur unregelmäßig gehandelt werden. Rekurrente neuronale Netze unterstützen aber auch in solchen Fällen bei der Preisfindung und dabei, das zu erwartende Risiko und die Erträge zu schätzen.

Fazit
Der Einsatz neuronaler Netze und das Vorhandensein reichhaltiger Datensets sind zwei Faktoren, die Privatbanken und Wealth Managern dabei helfen, nicht bankfähige Vermögensgegenstände sinnvoll zu bewerten. Spezifisches Expertenwissen im Feld der jeweiligen non-bankable Assets bleibt dennoch unverzichtbar. Machine-Learning-Algorithmen allein sind kein valider Ersatz dafür.

Was neuronale Netze allerdings leisten können, ist Finanzintermediären und Anlegern mehr Unabhängigkeit und Einsicht im Bereich der nicht bankfähigen Vermögenswerte zu verschaffen. Schließlich handelt es sich dabei um sehr vielversprechende alternative Investitionsvehikel – schon wegen ihrer besonderen Eignung zur Diversifizierung von Portfolios. Die Anstrengung, sich jetzt mit non-bankable Assets zu beschäftigen, lohnt in jedem Fall.

 

Autoren

David Morton de Lachapelle ist als Daten­wissenschaftler und Experte für die Integra­tion von nicht bankfähigen Vermögenswerten bei Avaloq tätig. Zuvor war er Product Owner für Digital Advisory bei der Credit Suisse, Chief Data Scientist bei TEND Technology und Head of Innovation bei Evooq.
Gery Zollinger ist Head of Data Science & Analytics bei Avaloq mit umfassender Erfahrung im Bereich Analytics und quantitative Modellierung. Zuvor arbeitete er bei Credit Suisse im globalen Credit Risk Analytics Team, war für die Kreditrisikomodellierung im Private- und Investment Banking verantwortlich und leitete ein globales Data Scientist Team im Bereich Compliance Analytics.

 

(1) Selim, Hasan. (2009). Determinants of house prices in Turkey: Hedonic regression versus artificial neural network. Expert Syst. Appl.. 36. 2843-2852. 10.1016/j.eswa.2008.01.044.

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge