Gewinnprognosen sind in der Finanzwelt das, was Wettervorhersagen für den Wochenendausflug sind: Jeder will sie, jeder nutzt sie – und hinterher behaupten alle, sie hätten sowieso etwas ganz anderes erwartet. Der Unterschied: Wenn es regnet, wird man nass. Wenn Gewinnprognosen danebenliegen, wird man arm. Oder Fondsmanager im Ruhestand. Oder Kolumnist.
Seit Jahrzehnten versuchen Analysten, Investoren und andere Berufsoptimisten, die Zukunft der Unternehmensgewinne vorherzusagen. Früher geschah das mit Bleistift, Bilanz und Bauchgefühl. Heute mit Algorithmen, neuronalen Netzen und einer Rechenleistung, für die man früher ein eigenes Atomkraftwerk gebraucht hätte.
Die große Frage lautet also: Wer sieht die Zukunft besser – der Mensch oder die Maschine? Oder, etwas zugespitzter: Brauchen wir künftig überhaupt noch Menschen, wenn der Computer schon weiß, was Apple nächstes Jahr verdient?
Der Charme der einfachen Welt
Es gab eine Zeit, da war die Welt der Gewinnprognosen übersichtlich. Umsatz minus Kosten gleich Gewinn. EBIT gut, Aktie gut. EBIT schlecht, Aktie schlecht. Punkt. Diese Modelle hatten einen großen Vorteil: Man konnte sie verstehen. Und was man versteht, dem vertraut man. Zumindest so lange, bis die Realität etwas anderes macht.
Leider hatte die Realität die unschöne Angewohnheit, sich nicht an lineare Modelle zu halten. Sie war volatil, emotional, politisch, pandemisch und gelegentlich auch irrational. Kurz: Sie war menschlich. Und so kam es, dass traditionelle Prognosemodelle regelmäßig danebenlagen – allerdings mit beeindruckender Konstanz.
Enter: Machine Learning (bitte dramatische Musik einspielen)
Dann kamen sie: die Maschinen. Machine Learning. Neuronale Netze. Ensembles. Random Forests. Gradient Boosting. Begriffe, die klingen wie eine Mischung aus Fitnessstudio und Science-Fiction-Film.
Die Idee dahinter ist schnell erklärt: Man füttert den Computer mit riesigen Mengen an Daten, lässt ihn selbst Zusammenhänge erkennen – auch solche, auf die kein Mensch je gekommen wäre – und hofft anschließend, dass er die Zukunft ein kleines bisschen weniger falsch einschätzt als wir. Und siehe da: Es funktioniert. Zumindest ein bisschen.
Die Forschung zeigt: Machine-Learning-Modelle sind bei Gewinnprognosen im Durchschnitt präziser als klassische lineare Ansätze. Nicht dramatisch besser. Kein Quantensprung. Aber messbar. Ein Prozentpunkt hier, zwei dort. In der Finanzwelt ist das ungefähr so, als würde man sagen: „Ich bin beim Marathon nur drei Minuten schneller als du – aber ich bekomme das Preisgeld.“
Warum komplizierter manchnmal besser ist
Der entscheidende Vorteil moderner Modelle liegt in ihrer Fähigkeit, Komplexität auszuhalten. Während klassische Modelle gern sagen: „Wenn A steigt, steigt auch B.“ sagen Machine-Learning-Modelle eher: „Wenn A steigt, B fällt, C seitwärts läuft, D gestern schlecht geschlafen hat und E in einem anderen Land einen Tweet absetzt, könnte B steigen – außer an Donnerstagen.“ Das ist schwer zu erklären, aber erstaunlich oft näher an der Wahrheit.
Besonders interessant:
Je länger der Prognosehorizont, desto wichtiger werden Bilanzdaten gegenüber kurzfristigen GuV-Zahlen.
Mit anderen Worten:
Für morgen zählt die Laune.
Für übermorgen zählt die Substanz.
Das ist übrigens nicht nur für Maschinen eine wertvolle Erkenntnis.
Das Interpretationsproblem - oder: Der Computer schweigt
So beeindruckend diese Modelle sind, sie haben ein kleines Imageproblem: Sie erklären sich nicht gern.
Ein traditionelles Modell sagt: „Die Aktie steigt, weil das EBIT wächst.“
Ein Machine-Learning-Modell sagt: „Die Aktie steigt, weil… [kurze Pause] …ja.“
Natürlich gibt es Methoden wie SHAP-Werte oder Surrogatmodelle, mit denen man versucht, den Maschinen beim Denken zuzusehen. Aber ehrlich gesagt fühlt sich das manchmal an, als würde man versuchen, einem Hund Steuerrecht zu erklären – oder umgekehrt. Das führt zu einem Dilemma: Investoren wollen bessere Prognosen, aber sie wollen auch verstehen, warum diese Prognosen entstehen. Denn nichts ist unangenehmer, als Geld zu verlieren und dabei nicht einmal zu wissen, warum.
Mensch vs. Maschine? Falsche Frage.
Die spannende Erkenntnis ist: Es geht nicht um entweder oder. Es geht um sowohl als auch. Maschinen sind hervorragend darin, Muster zu erkennen, die wir übersehen.
Menschen sind hervorragend darin, Kontext zu verstehen, Ausnahmen zu erkennen und zu sagen: „Moment mal – das fühlt sich gerade nicht richtig an.“
Oder, wie es ein erfahrener Investor einmal formulierte: „Der Computer weiß alles. Aber er weiß nicht, wann er Unsinn redet.“ Die besten Ergebnisse entstehen dort, wo beide zusammenarbeiten. Der Algorithmus liefert die Prognose. Der Mensch stellt die unbequemen Fragen.
Was das für Anleger bedeutet
Für Privatanleger ist die wichtigste Botschaft erstaunlich beruhigend:
1. Nein, Sie müssen kein neuronales Netz programmieren, um erfolgreich zu investieren.
2. Ja, professionelle Investoren nutzen längst Machine Learning – aber auch sie liegen nicht immer richtig.
3. Nein, der Markt wird dadurch nicht „vorhersehbar“. Nur ein kleines bisschen weniger chaotisch.
Und vielleicht ist das die wichtigste Erkenntnis überhaupt: Auch die beste Gewinnprognose ist am Ende nur eine Schätzung. Die Zukunft bleibt offen. Und das ist vermutlich auch gut so.
Fazit: Mehr Demut - bessere Modelle
Machine Learning macht Gewinnprognosen besser. Nicht perfekt. Nicht magisch. Aber besser.
Es zwingt uns außerdem zu etwas, das in der Finanzwelt oft zu kurz kommt: Demut.
Denn wenn selbst hochkomplexe Modelle mit Milliarden Datenpunkten die Zukunft nur begrenzt treffen, dann sollte man seinem eigenen Bauchgefühl vielleicht mit etwas Vorsicht begegnen – vor allem, wenn es sich nach drei Espressi besonders selbstbewusst anfühlt.
Oder um es anders zu sagen: Der Computer ersetzt den Menschen nicht. Aber er erinnert ihn freundlich daran, dass er auch nicht allwissend ist. Und das ist, gerade an der Börse, eine ausgesprochen hilfreiche Eigenschaft.
Wer sich für das Traden interessiert
Bitte den Disclaimer lesen
