Faktoren aus LLM-Textsignalen bauen vom Text zum cross-sektionalen Score.

Ein Sprachmodell, das pro Aktie ein Textsignal erzeugt — etwa eine Einschätzung zur Tonalität der jüngsten Berichterstattung oder zur Qualität des Managements — ist noch lange kein handelbarer Faktor. Zwischen „das Modell sagt etwas über eine einzelne Aktie“ und „ich habe ein cross-sektionales Signal, auf dem ich ein Portfolio bauen kann“ liegt erhebliche quantitative Arbeit. Rohe Textsignale sind verzerrt: Sie hängen an Sektoren, an der Marktkapitalisierung, an der bloßen Menge an Nachrichten, die ein Wert produziert. Wer sie ungefiltert handelt, wettet oft auf etwas ganz anderes als auf das vermeintliche Signal. Dieser Beitrag zeigt den Weg vom einzelnen LLM-Textsignal zum belastbaren Querschnitts-Faktor: Normalisierung, Ranking, Sektor- und Größen-Neutralisierung, die Analyse des Informationsgehalts und des Signal-Zerfalls über die Zeit. Es geht darum, ein Textsignal so aufzubereiten, dass am Ende klar ist, ob es echtes, unabhängiges Alpha trägt — oder nur bekannte Faktoren in neuer Verkleidung.

Vom Einzelsignal zum Querschnitt.

Ein Faktor im quantitativen Sinn ist kein Urteil über eine einzelne Aktie, sondern eine Ordnung über das gesamte Universum: Welche Werte sind nach diesem Kriterium attraktiver, welche weniger? Gehandelt wird die Differenz — typischerweise long im oberen, short im unteren Bereich der Rangliste. Das ist ein grundsätzlich anderer Blick als die Einzelbetrachtung, die ein LLM zunächst liefert.

Daraus folgt eine zentrale Anforderung: Das Textsignal muss über alle Werte des Universums konsistent erzeugt werden. Wenn das Modell für große, nachrichtenreiche Werte detailliertere und damit systematisch anders gefärbte Einschätzungen liefert als für kleine, stille Werte, ist die Rangliste verzerrt, bevor die eigentliche Analyse beginnt.

Konsistenz heißt hier: gleicher Prompt, gleiche Datenbasis-Logik, gleicher Zeitbezug für jeden Wert. Schon kleine Unterschiede in der Eingabe — etwa unterschiedlich lange Nachrichtenhistorien — erzeugen Scheinsignale, die mit der eigentlichen Fragestellung nichts zu tun haben.

Normalisierung und Ranking.

Rohe LLM-Ausgaben — sei es eine Note von 1 bis 10 oder eine Wahrscheinlichkeit — sind als Faktor selten direkt brauchbar. Ihre Verteilung ist oft schief, gestaucht oder verklumpt; viele Werte landen auf denselben wenigen Stufen. Bevor daraus ein Faktor wird, braucht es eine Aufbereitung.

Der robusteste erste Schritt ist das Ranking: Statt mit den absoluten Werten zu arbeiten, ordnet man alle Aktien nach dem Signal und nutzt den relativen Rang. Das macht den Faktor unempfindlich gegen die genaue Skala und gegen Ausreißer. Eine verbreitete Variante ist die Umwandlung in Z-Scores nach vorheriger Rang-Transformation, was eine handhabbare, näherungsweise normalverteilte Größe liefert.

Wichtig ist, diese Transformation zu jedem Zeitpunkt im Querschnitt durchzuführen — also über alle Aktien an einem Stichtag — und nicht über die Zeit. Wer versehentlich über die Zeitachse normalisiert, schmuggelt Zukunftsinformation ein und ruiniert jeden Backtest. Dieser Fehler ist häufiger, als man denkt.

Sektor- und Größen-Neutralisierung.

Hier entscheidet sich, ob ein LLM-Faktor eigenständig ist oder nur bekannte Effekte wiederholt. Textsignale sind fast immer mit Sektor und Größe korreliert. Bestimmte Branchen produzieren systematisch positivere oder negativere Berichterstattung; große Werte werden anders behandelt als kleine. Ohne Korrektur handelt man am Ende eine Sektor- oder Größenwette und nennt sie fälschlich ein Textsignal.

Die Neutralisierung entfernt diese bekannten Einflüsse. Praktisch geschieht das, indem man den Faktor innerhalb jedes Sektors normalisiert oder die Sektor- und Größen-Komponente per Regression herausrechnet und mit dem Residuum weiterarbeitet. Was übrig bleibt, ist der Teil des Signals, der nicht durch Sektor und Größe erklärt wird — und nur dieser Teil ist potenziell echtes, neues Alpha.

Die ehrliche Erfahrung: Oft schrumpft ein zunächst beeindruckendes Textsignal nach sauberer Neutralisierung deutlich. Das ist keine schlechte Nachricht, sondern eine notwendige. Ein Faktor, der nach Neutralisierung noch trägt, ist viel mehr wert als einer, der nur Sektor-Beta in hübscher Verpackung war.

Den Informationsgehalt messen.

Bevor ein Faktor in irgendein Portfolio kommt, muss seine Vorhersagekraft gemessen werden. Das Standardwerkzeug ist der Information Coefficient (IC) — die Rangkorrelation zwischen dem Faktorwert heute und der Rendite im folgenden Zeitraum.

Realistische Erwartung: Ein einzelner, ehrlich gemessener Faktor mit einem durchschnittlichen IC im Bereich von 0,02 bis 0,05 ist bereits brauchbar; Werte deutlich darüber sind selten und ein Anlass zur Skepsis, nicht zur Freude — sie deuten oft auf Lookahead-Leakage oder Überanpassung hin. Wichtiger als der reine IC ist seine Stabilität: Ein Faktor, der über die Zeit konstant einen kleinen positiven IC liefert, ist wertvoller als einer, der mal stark positiv, mal negativ ist.

Ergänzend lohnt der Blick auf Quantil-Portfolios: Teilt man das Universum nach dem Faktor in Gruppen, sollten die Renditen monoton mit dem Faktorwert steigen. Ein sauberer, monotoner Verlauf über die Quantile ist ein gutes Zeichen; ein zackiges Muster deutet darauf hin, dass das Signal vor allem Rauschen ist.

Signal-Zerfall und die richtige Haltedauer.

Textsignale altern — manche schnell, manche langsam. Ein Signal aus einer brandaktuellen Nachricht kann nach wenigen Tagen verbraucht sein, weil der Markt die Information bereits eingepreist hat. Ein Signal aus einer langsamer wirkenden Quelle, etwa der Tonalität von Geschäftsberichten, kann über Wochen tragen.

Die Decay-Analyse misst, wie der IC eines Faktors mit zunehmendem Vorhersagehorizont abnimmt. Sie beantwortet die praktisch entscheidende Frage: Wie oft muss ich das Signal aktualisieren und das Portfolio umschichten, um den Informationsgehalt zu nutzen, bevor er verfällt?

Das hat unmittelbare Kostenfolgen. Ein schnell zerfallendes Signal verlangt häufiges Umschichten, was Transaktionskosten erzeugt, die den theoretischen Vorteil ganz oder teilweise auffressen können. Ein Faktor mit einem brauchbaren IC, aber sehr kurzer Haltbarkeit, ist nach Kosten womöglich nicht handelbar. Diese Rechnung gehört zwingend in die Bewertung — ein Faktor ist erst dann etwas wert, wenn er nach realistischen Kosten noch positiv ist.

Überschneidung mit etablierten Faktoren prüfen.

Selbst ein neutralisierter Faktor mit stabilem IC kann redundant sein, wenn er stark mit bereits bekannten Faktoren korreliert — Value, Momentum, Quality, Low Volatility. Wer einen LLM-Faktor neben einem bestehenden Momentum-Faktor laufen lässt, ohne die Überschneidung zu prüfen, zahlt womöglich für dasselbe Signal doppelt.

Die Prüfung erfolgt über die Korrelation der Faktor-Renditen und über eine Regression des neuen Faktors gegen die etablierten. Entscheidend ist der residuale Beitrag: Liefert der LLM-Faktor noch Erklärungskraft, wenn man für die bekannten Faktoren kontrolliert? Nur dann ist er ein echter Zugewinn für ein bestehendes Modell.

Diese Hürde ist hoch, und das ist gut so. Viele textbasierte Signale entpuppen sich nach gründlicher Prüfung als verkapptes Momentum — gute Nachrichten folgen oft steigenden Kursen. Ein LLM-Faktor, der diesen Test besteht und unabhängige Information beisteuert, ist eine ernstzunehmende Ergänzung; einer, der ihn nicht besteht, gehört ehrlich verworfen, so aufwendig seine Konstruktion auch war.

Realistische Einordnung und Aufwand.

Der ehrliche Rahmen: LLM-basierte Faktoren sind kein Wundermittel. Sie können eine sinnvolle, eigenständige Informationsquelle in einem Multi-Faktor-Modell sein — aber der Weg dorthin ist quantitative Handwerksarbeit, nicht ein cleverer Prompt. Der Modellaufruf zur Signalerzeugung ist der kleinere Teil; die Mehrheit der Arbeit steckt in Normalisierung, Neutralisierung, IC- und Decay-Analyse, Kosten- und Redundanzprüfung.

Zur Datendisziplin gehört strikte Point-in-Time-Sauberkeit: Das Signal für einen Stichtag darf ausschließlich Informationen nutzen, die an diesem Tag verfügbar waren. Bei LLM-Signalen ist das besonders tückisch, weil das Modell aus seinem Training Wissen über die Zukunft mitbringen kann. Wer ein Modell rückwirkend auf alte Nachrichten ansetzt, riskiert subtiles Lookahead-Leakage, das den Backtest schönrechnet.

Realistisch sollte man mit mehreren Wochen rechnen, bis ein LLM-Faktor sauber konstruiert, getestet und ehrlich gegen bestehende Faktoren abgegrenzt ist. Wer diesen Aufwand scheut und ein rohes Textsignal direkt handelt, baut auf Sand.

Sie haben ein vielversprechendes Textsignal aus einem Sprachmodell und wollen wissen, ob daraus ein handelbarer, eigenständiger Faktor wird? Unverbindlich anfragen — wir bauen die quantitative Kette von Normalisierung über Neutralisierung bis zur Faktor-Abgrenzung und beurteilen das Alpha-Potenzial ehrlich.