Research

Die Forscher von RAM AI erforschen unermüdlich neue Wege, Informationen aus Daten zu extrahieren, um neue Renditequellen zu erschließen, die Diversifizierung zu erhöhen und die Liquidität zu verbessern. Wir sind davon überzeugt, dass kontinuierliche Forschung und ein disziplinierter Investmentansatz dazu beitragen, Marktineffizienzen kontinuierlich auszunutzen. Dabei werden technologische Fortschritte genutzt, um die Vorhersagekraft der exponentiell wachsenden Informationsmenge, die uns zur Verfügung steht, zu erschließen.

RAM AI hat eine Deep-Learning-Infrastruktur entwickelt, um Aktienrenditen auf der Grundlage einer breiten Palette von Zeitreihen-Inputs vorherzusagen. Dieser Artikel veranschaulicht, inwiefern kürzerfristige Strategien alleinstehend attraktive Merkmale aufweisen und längerfristige Strategien komplementieren können. Lesen Sie den vollständigen Artikel hier. Nur in Englisch.

Die von einem Unternehmen erwirtschafteten Gewinne können entweder in Form von Dividenden/Aktienrückkäufen an die Aktionäre ausgeschüttet, zur Rückzahlung eines Teils der Schulden oder für Investitionen verwendet werden. Ein Unternehmen investiert in sein zukünftiges organisches Wachstum entweder durch Forschung und Entwicklung (F&E) oder durch Investitionen (Capex). In einem früheren Forschungspapier haben wir die Auswirkungen von Investitionsankündigungen auf die Aktienrenditen untersucht. Das vorliegende Dokument analysiert die F&E-Aktivitäten und ihre Auswirkungen auf die Fundamentaldaten der Unternehmen. Lesen Sie das vollständige Papier hier. Nur in Englisch.

Die von einem Unternehmen erwirtschafteten Gewinne können entweder durch Dividenden/Aktienrückkäufe an die Aktionäre ausgeschüttet, zum Schuldenabbau oder für Investitionen verwendet werden. Ein Unternehmen investiert in sein zukünftiges organisches Wachstum, entweder durch Forschung und Entwicklung oder durch Investitionen (Capex). Im Januar 2021 lag das Verhältnis zwischen Nettoinvestitionen und Umsatz bei den US-Unternehmen bei 2,54 %. Lesen Sie hier das vollständige Papier. Nur in Englisch. 

RAM AI ist 2021 der Net-Zero Asset Manager's Initiative beigetreten und hat sich verpflichtet, bis 2050 Netto-Null-Emissionen zu erreichen. Darüber hinaus haben wir uns zu Zwischenzielen verpflichtet, die die Reduktion von Kohlenstoffemissionen um 33% bis 2025 und um 50% bis 2030 vorsehen. Um diese Ziele zu erreichen, wurden drei komplementäre Ansätze umgesetzt:
- Minderung des Klimarisikos auf Stufe des Anlageuniversums
- Integration von Klimawandel-bezogenen Opportunitäten
- Aktive Eigentümerschaft
In diesem Artikel konzentrieren wir uns auf die Konstruktion des Anlageuniversums und analysieren, wie sich die Verringerung des CO2-Fußabdrucks auf die finanzielle Performance und Style-Tendenz auswirkt. Lesen Sie den vollständigen Artikel hier. Nur in Englisch.

Die Verordnung über die Offenlegung nachhaltiger Finanzprodukte (Sustainable Finance Disclosure Regulation - SFDR) ist eine europäische Bestimmung, die 2019 eingeführt wurde und am 10. März 2021 verbindlich in Kraft getreten ist, um die Transparenz auf dem Markt für nachhaltige Finanzprodukte zu verbessern, Greenwashing zu verhindern und Klarheit zu Nachhaltigkeitsaussagen von Finanzmarktteilnehmern zu schaffen. In diesem Artikel analysieren wir die Auswirkungen dieses Governance-Frameworks auf Rendite- und Style-Biases innerhalb eines Investmentportfolios. Lesen Sie den vollständigen Artikel hier. Nur in Englisch.

Die Daten zur Messung der Nachhaltigkeitsmerkmale von Unternehmen haben sich in den letzten Jahren stark vermehrt. Eine große Herausforderung für Investmentmanager ist die Kombination von ESG-Faktoren und traditionellen Faktoren wie Quality, Grwoth und Momentum, die für eine optimale Aktienauswahl und Portfoliokonstruktion entscheidend ist. Das Systematic Equity Team von RAM AI hat ein Deep-Learning-Infrastruktur entwickelt, die die Interaktion zwischen verschiedenen Arten von Daten-Inputs modelliert. In diesem Beitrag veranschaulichen wir die Effektivität dieser Infrastrukturim Kontext ebendieser Kombination von ESG- und traditionellen Faktoren auf  die Genauigkeit der Aktienrenditevorhersage. Lesen Sie den vollständigen Artikel hier. Nur in Englisch.

Die Einbeziehung von Klimaüberlegungen in die Portfolioanalyse und systematische Investitionen hat in letzter Zeit viel Aufmerksamkeit auf sich gezogen. Der Grund dafür ist das Streben nach nachhaltigen Investitionen für einen kohlenstoffarmen Übergang. In diesem Papier schlagen wir vor, sowohl strukturierte als auch unstrukturierte klimabezogene Daten in quantitative Investitionen für Aktienmärkte zu integrieren, z. B. Kohlenstoffemissionswerte und Klimaereignisse aus Nachrichtenströmen. Wir entwickeln ein Deep-Learning-Modell, um diese Daten für die Bewertung von klimabezogenen Chancen und Risiken von Aktien im Anlageuniversum zu nutzen. Eine experimentelle Bewertung anhand realer Daten zeigt die geringe Kohlenstoffintensität des konstruierten Portfolios sowie eine angemessene Rendite. Lesen Sie das vollständige Papier hier. Nur in Englisch.

Die rasante Zunahme von ESG-Daten in den letzten Jahren macht sie zu einer überzeugenden neuen Dimension für den Anlageprozess, aber die Integration von ESG-Daten birgt eine Vielzahl von Herausforderungen, von der Rauschfilterung bis hin zu versteckten Verzerrungen. In diesem Beitrag stellen wir einige der Unzulänglichkeiten von ESG-Daten sowie den Mehrwert vor, den ESG-Inputs in einen Aktienauswahlprozess einbringen können. Lesen Sie das vollständige Papier hier. Nur in Englisch.

Carbon Credit ist ein allgemeiner Begriff für ein handelbares Zertifikat, das eine bestimmte Menge an Kohlenstoffemissionen repräsentiert. Eine Regierung, ein Unternehmen oder eine Einzelperson, die eine bestimmte Menge an Kohlenstoffemissionen aus ihren Aktivitäten ausgleichen möchte, kann Gutschriften für eine bestimmte Menge an CO² kaufen, um ihre Emissionen auszugleichen. Lesen Sie das vollständige Papier hier. Nur in Englisch. 

Heutzutage gehören große Sprachmodelle zu den wirkungsvollsten Techniken der Verarbeitung natürlicher Sprache und haben in verschiedenen Anwendungen wie maschineller Übersetzung undSprachverständnis  an Popularität gewonnen. Diese Sprachmodelle können auf domänenspezifischen Datensätzen feinabgestimmt werden, um sie an die entsprechenden Anwendungen anzupassen. In diesem Beitrag untersuchen wir die Auswirkungen von Stimmungen in Finanznachrichtenartikeln und Texteinbettungen auf die Vorhersage von Aktienrenditen. Unsere eigens entwickeltes Deep-Learning-Infrastruktur ist in der Lage, Wechselwirkungen zwischen verschiedenen Daten-Inputs zu modellieren und erleichtert den Vergleich mehrerer Arten von Daten. Lesen Sie den vollständigen Artikel hier. Nur in Englisch.

In diesem Beitrag befassen wir uns mit der zunehmenden Popularität der künstlichen Intelligenz und dem Potenzial, das maschinelles Lernen für das Finanzwesen birgt. Da die Technologie die Grenzen unserer Vorstellungskraft immer weiter verschiebt, werden sich mit der Zeit zweifellos neue Dimensionen ergeben. Lesen Sie das vollständige Papier hier. Nur in Englisch. 

Herkömmliche Markt- und Faktordatensätze sind in der Regel numerisch in einer Form strukturiert, die von statistischen Modellen verarbeitet werden kann. Maschinelles Lernen kann dabei helfen, mit der Fülle an Textdaten umzugehen, die aus Finanznachrichten, Vierteljahresberichten und Transkripten gewonnen werden, und deren Korrelation mit den Märkten, die derzeit von quantitativen Managern weniger genutzt wird. In der folgenden Frage und Antwort gehen wir auf NLP-Techniken und ihre Integrationsmethoden bei RAM AI ein. Eine Frage und Antwort mit Tian Guo, Data Scientist bei RAM. Nur in Englisch.

Die Einbeziehung von Umwelt-, Sozial- und Governance-Aspekten (ESG) in systematische Investitionen hat in letzter Zeit viel Aufmerksamkeit auf sich gezogen. In diesem Beitrag konzentrieren wir uns auf ESG-Ereignisse in Finanznachrichten und untersuchen die Vorhersagekraft von ESG-bezogenen Finanznachrichten für die Aktienvolatilität. Insbesondere entwickeln wir eine Pipeline für die Extraktion von ESG-Nachrichten, die Darstellung von Nachrichten und die Bayes'sche Inferenz von Deep-Learning-Modellen. Die experimentelle Auswertung auf realen Daten und verschiedenen Märkten zeigt die überlegene Vorhersageleistung sowie den Zusammenhang zwischen der Vorhersage hoher Volatilität und Aktien mit potenziell hohem Risiko und geringer Rendite. Sie zeigt auch, dass die vorgeschlagene Pipeline ein flexibler Rahmen für die Vorhersage verschiedener Textdaten und Zielvariablen sein kann. Lesen Sie das vollständige Papier hier. Nur in Englisch.