Kann mit Hilfe von Machine-Learning-Methoden der Rückzug von US-amerikanischen Börsengängen besser vorhergesagt werden als mit klassischen Methoden? Dieser Frage geht Dr. Annika Reiff in ihrem Artikel "Comparing the Prediction Performance of Random Forest, Lasso, and Logit in the Context of IPO Withdrawal" nach. Das Ergebnis: Wenn Training und Testdaten aus derselben Zeitperiode gezogen werden, liefert das Random-Forest-Verfahren die besten Vorhersagen – sowohl innerhalb der Stichprobe als auch bei querschnittsbasierten Tests außerhalb der Stichprobe. Wird das Modell jedoch mit historischen Daten trainiert und auf zukünftige Beobachtungen angewendet, versagen alle Verfahren gleichermaßen. Ursache hierfür ist der sogenannte "concept drift" – eine Veränderung in der Beziehung zwischen den Prädiktoren und dem Rückzug von Börsengängen im Zeitverlauf. Dieser tritt zu mehreren Zeitpunkten auf, betrifft unterschiedliche Prädiktoren und bleibt bestehen, selbst wenn ökonomische Schocks, institutionelle Veränderungen oder unterschiedliche Prognosehorizonte berücksichtigt werden. Damit wird die Generalisierbarkeit früherer Ergebnisse infrage gestellt.
Der Artikel von Dr. Annika Reiff ist im Journal "Intelligent Systems in Accounting, Finance and Management" erschienen.
