Zum Inhalt

Machine Learning for Factor Investing

Autoren: Guillaume Coqueret und Tony Guida | Verlag: Chapman & Hall/CRC

Das Buch, das zwei Stränge des Bestands verbindet, die bisher nebeneinander lagen: Faktorinvestieren (factor_investing, momentum, robert_levy) und maschinelles Lernen. Und es tut das mit einer Gründlichkeit bei der Validierung, die in der ML-Trading-Literatur selten ist.

Aufbau

Notation und Daten · Einführung · Faktorinvestieren und Asset-Pricing-Anomalien (Kap. 3) · Datenvorverarbeitung · baumbasierte Verfahren · neuronale Netze · Support Vector Machines · Bayes-Methoden · Validierung und Tuning (Kap. 10) · Ensemble-Modelle · Portfolio-Backtesting (Kap. 12) · Interpretierbarkeit · unüberwachtes Lernen · Reinforcement Learning.

Mit Code — es existieren eine R- und eine Python-Fassung.

Warum Kapitel 10 und 12 die wichtigsten sind

Die meisten ML-Trading-Bücher zeigen Modelle. Coqueret und Guida zeigen, wie man prüft, ob sie etwas taugen — und behandeln dabei genau die Fallen, die der Bestand an anderer Stelle beschreibt:

  • Varianz-Bias-Abwägung, in Theorie und Illustration
  • Das Risiko der Überanpassung — Prinzip und Gegenmittel. Siehe system_testing_overfitting.
  • Hyperparametersuche über Gittersuche und Bayes'sche Optimierung — und damit die unbequeme Frage, wie viele Modellvarianten dabei eigentlich getestet werden. Genau hier setzt data_mining_bias an: Eine Hyperparametersuche ist ein Data-Mining-Durchgang mit hunderten Kandidaten.
  • Validierung im Backtest als eigener Abschnitt — der Übergang von der ML-Kreuzvalidierung zur zeitreihengerechten Prüfung, wo naive Kreuzvalidierung Zukunftsinformation durchsickern lässt.

Die Verbindung zu Kapitel 3

Dass die Autoren mit Asset-Pricing-Anomalien beginnen, ist die richtige Reihenfolge: ML ist hier kein Ersatz für eine ökonomische These, sondern ein Werkzeug, um bekannte Faktorstrukturen besser zu schätzen. Das grenzt das Buch von der Gattung ab, die neuronale Netze auf Rohkurse wirft und auf ein Muster hofft.

Damit steht es in derselben Linie wie 2026-07-28_barucci_fontana_financial_markets_theory, das die Anomalien theoretisch einordnet, und 2026-05-12_lopez_de_prado_advances_ml, das die methodischen Fallstricke systematisiert.

Bewertung

Für wen: Wer ML auf Faktordaten anwendet oder es vorhat. Setzt Statistik- und Programmierkenntnisse voraus.

Stärken: Die Gewichtung. Validierung, Backtesting und Interpretierbarkeit bekommen so viel Raum wie die Modelle selbst — das ist genau umgekehrt zur Marktnorm und genau richtig. Die Verankerung im Faktorinvestieren gibt den Modellen eine ökonomische These, statt sie im Leeren suchen zu lassen.

Schwächen: Wie die gesamte Gattung behandelt es Transaktionskosten und Kapazität nur am Rande — ein Faktormodell, das nach Kosten nichts übrig lässt, ist im Backtest trotzdem schön. Und die Frage, wie viele Modellvarianten insgesamt getestet wurden, bevor die berichtete übrig blieb, stellt auch dieses Buch nicht mit der Schärfe, die david_aronson verlangt.