ALPORA METHODEN

Die unterschiedlichen Berechnungsmethoden von ALPORA beruhen auf innovativen, analytischen Modellen, welche in enger Kooperation mit führenden Universitäten entwickelt wurden. Sämtliche Methoden unterliegen intensiven Testszenarien und richten sich nach objektiven Bewertungskriterien, mit dem Ziel ein verbessertes Alpha für unsere Finanzprodukte zu generieren. 

START - ALPORA Methode

Unsere Methoden basieren auf einer quantitativen Input-Output-Betrachtung. Sie ermitteln in einem dreistufigem Verfahren die Innovationseffizienz oder die operative Effizienz von Unternehmen hinsichtlich der relevanten Kennzahlen. Auf diese Weise ist ein quantitativer Vergleich der Unternehmen möglich, nur besteh Unternehmen mit hohem Wertsteigerungspotenzial werden identifiziert. Die verschiedenen Methoden sind das Ergebnis wissenschaftlicher Forschung und umfassen rein quantitative, berechenbare Kriterien, werden ständig nach den neuesten wissenschaftlichen Erkenntnissen marktabhängig adaptiert und heben sich daher von bisherigen Investmentmethoden ab.

INNOVATION
ALPORA ICA ermittelt Unternehmen mit einer starken Innovationskraft

ALPORA ICA (Innovation Capability Analytics) beruht auf einer Long-Only-Strategie und hat zum Ziel ein Marktalpha von > 5% zu generieren, in Kombination mit einem geringen Marktrisiko. Eine bessere Innovationkraft von Unternehmen hat einen direkten Effekt auf die Unternehmens- oder Aktienperformance hat.

ALPORA ICA ist ein mathematisches Maximierungsverfahrens, welches eine Efficient Innovation Frontier berechnet in dem innovationsrelevante Input- und Output Parameter analysiert und daraus die individuelle Innovationskraft von Unternehmen objektiv und quantitativ berechnet. Mithilfe von ALPORA ICA können Unternehmen verschiedenster Branchen anhand ihrer Innovationskraft direkt verglichen werden. Unsere Forschungs- und Anwendungsresultate zeigen, dass Unternehmen auf der Efficient Innovation Frontier, ein besseres Alpha generieren.

Wissenschaftliche Fundierung (Auswahl):
  • Kauffeldt, J., Brecht L., Schallmo D., Welz K., Measuring Innovation Capability in German ICT- companies by using DEA-Models, 2012
  • Gunday, G., Ulusoy, G., Kilic, K., Alpkan, L., Effects of innovation types on firm performance“, 2011, International Journal of Production Economics 133 (2), pp. 662-676
  • De Clercq, D , Thongpapanl, N. , Dimov, D., The moderating role of organizational context on the relationship between innovation and firm performance, 2011, IEEE Transactions on Engineering Management, Volume 58, Issue 3, Pages 431-444
  • Rosenbusch, N., Is innovation always beneficial? A meta-analysis of the relationship between innovation and performance in SMEs, 2011, Journal of Business Venturing, 26(4):441-457
  • Mei, M., Review on the study of relationship between technology innovation ability and enterprise performance, 2011 International Conference on E-Business and E-Government, ICEE2011 – Proceedings, S.8230-8234, 2011
  • Terziovski M., Innovation practice and its performance implications in small and medium enterprises (SMEs) in the manufacturing sector: a resource-based view, 2010, Strategic Management Journal, Volume 31, Issue 8, pages 892–902
  • Varis, M., Littunen, H., Types of innovation, sources of information and performance in entrepreneurial SMEs, 2010, European Journal of Innovation Management 13 (2), pp. 128-154
  • Dharmadasa P., Organisational Learning, Innovation and Performance in Family-Controlled Manufacturing Small and Medium-Sized Enterprises (SMEs) in Australia, 2009
  • Salomo S.; Talke K., Strecker N., Innovation Field Orientation and Its Effect on Innovativeness and Firm Performance, 2008, Journal of Product Innovation Management 25 (6), pp. 560-576
  • Yonggui Wang; Shanji Yao;   Zhu Sun;   He Jia;  Sch., Nanjing Univ., Nanjing „Meta-analysis of the relationship between product innovation and business performance, 2008, 4th IEEE International Conference on Management of Innovation and Technology, S.906-911

OPERATIONS
ALPORA OCA ermittelt Unternehmen mit operationeller Leistungskraft

ALPORA OCA (Operational Capability Analytics) beruht auf einer Long-Only-Strategie und hat zum Ziel ein ein Marktalpha von > 3% zu generieren, in Kombination mit einem geringen Marktrisiklo. Eine verbesserte operationelle Leistungskraft hat einen Effekt auf die Unternehmens- oder Aktienperformance hat. Dies wurde in einer Vielzahl von Studien nachgewiesen.

ALPORA OCA ist ein mathematisches Maximierungsverfahrens, welches eine Efficient Operations Frontier berechnet in dem operationsrelevante Input- und Output Parameter analysiert und daraus die individuelle Leistungskraft von Unternehmen objektiv und quantitativ berechnet. Mithilfe von ALPORA OCA können Unternehmen verschiedenster Branchen anhand ihrer operationeller Umsetzungskraft miteinander zu verglichen werden.
Unsere Forschungs- und Anwendungsresultate zeigen, dass Unternehmen auf der Efficient Operations Frontier, ein besseres Alpha generieren.

Wissenschaftliche Fundierung (Auswahl):
  • Bogetoft, Peter (2012): Performance Benchmarking: Measuring and Managing Performance (Management for Professionals): Springer.
  • Bowlin, William F. (1998): Measuring Performance. An Introduction to Data Envelopment Analysis (DEA). In: The Journal of Cost Analysis 15 (2), S. 3–27. DOI: 10.1080/08823871.1998.10462318.
  • Düzakın, Erkut; Düzakın, Hatice (2007): Measuring the performance of manufacturing firms with super slacks based model of data envelopment analysis. An application of 500 major industrial enterprises in Turkey. In: European Journal of Operational Research 182 (3), S. 1412–1432. DOI: 10.1016/j.ejor.2006.09.036.
  • Feroz, E. H.; Kim, S.; Raab, R. L. (2003): Financial statement analysis. A data envelopment analysis approach. In: J Oper Res Soc 54 (1), S. 48–58. DOI: 10.1057/palgrave.jors.2601475.
  • Hitchner, J. R. (2011): Financial Valuation: Applications and Models: WILEY. Online verfügbar unter https://books.google.de/books?id=cZmTUINZApcC.
  • Kaplan, Robert; Norton, David (2005): The Balanced Scorecard: Measures That Drive Performance. In: Harvard Business Review 83 (7).
  • Malhotra, Rashmi (2008): Financial Statement Analysis Using Data Envelopment Analysis. Northeast Business and Economics Association’s Annual Meeting. Brooklyn, New York, 2008.
  • Meyer, Christian A. (2007): Working Capital und Unternehmenswert. Eine Analyse zum Management der Forderungen und Verbindlichkeiten aus Lieferungen und Leistungen. Aufl. Wiesbaden: Dt. Univ.-Verl. (Gabler Edition Wissenschaft).
  • Sueyoshi, T oshiyuki; Goto, Mika (2010): Measurement of a linkage among environmental, operational, and financial performance in Japanese manufacturing firms. A use of Data Envelopment Analysis with strong complementary slackness condition. In: European Journal of Operational Research 207 (3), S. 1742–1753. DOI: 10.1016/j.ejor.2010.07.024.
  • Venkatraman, N.; Ramanujam, Vasudevan (1986): Measurement of Business Performance in Strategy Research: A Comparison of Approaches. In: The Academy of Management Review 11 (4), S. 801–814. Online verfügbar unter http://www.jstor.org/stable/258398.

MACHINE LEARNING ANALYTICS
ALPORA MLA berechnet und klassifiziert Unternehmen danach, ob für die Zukunft steigende oder fallende Aktienkurse zu erwarten sind

ALPORA MLA (Machine Learning Analytics) ermöglich den Aufbau von marktneutrales Long-Short-Portfolios mit sehr geringem Marktrisiko. Machine Learning wird bereits in unterschiedlichen Bereichen (Medizin, autonomes Fahren etc.) erfolgreich angewendet und ALPORA hat diese Methoden erfolgreich ins Investment Management übertragen.

ALPORA MLA verbindet dabei Big Data Analysen mit Maschine Learning Algorithmen. Mit ALPORA MLA wird eine trennende Hyperebene berechnet, welche in Abhängigkeit einer Vielzahl von Unternehmensparametern gute von schlechten Unternehmen differenziert.

Unsere Forschungs- und Anwendungsresultate zeigen, dass Unternehmen, welche über oder unter dieser Hyperebene liegen, das nötige marktneutrale Portfolio generieren.

Wissenschaftliche Fundierung (Auswahl):
  • Akbani, S. Kwek, und N. Japkowicz. Applying support vector machines to imba- lanced datasets. In Proceedings of the 15th European Conference on Machine Learning, 2004
  • Batuwita und V. Palade. Class imbalanced learning methods for support vec- tor machines. Imbalanced Learning: Foundations, Algorithms, and Applications, 2013
  • L. Cao und F. E. H. Tay. Financial forecasting using support vector machines. Neural Computing & Apllications, 2001.
  • Chandwani und M. Saluja Singh. Stock direction forecasting techniques: An empirical study combining machine learning system with market indicators in the indian context. International Journal of Computer Applications, 2014.
  • Emir, H. Dincer, und M. Timor. A stock selection model based on fundamental and technical analysis variables by using artificial neural networks and support vector machines. Review of Economivs & Finance, 2012.
  • Huang, Y. Nakamori, und S.-Y. Wang. Forecasting stock market movement di- rection with support vector machines. Computers & Operations Research, 2005.
  • Ince und T. B. Trafalis. Kernel principal component analysis and support vector machines for stock price prediction. 2004 IEEE International Joint Conference on Neural Networks, 2004.
  • Jiang, L. Xu, H. Wang, und H. Wang. Influencing factors for predicting financial performance based on genetic algorithms. Systems Research and Behavioral Science, 2009.
  • Kamley, S. Jaloree, und R. S. Thakur. Performance forecasting of share market using machine learning techniques: A review. International Journal of Electrical and Computer Enineering, 2016.
  • E. H. Tay und L. Cao. Improved financial time series forecasting by combining support vector machines wirh self-organising feature map. Intelligent Data Analysis, 2001.