Viele empirische Prognosemodelle in der Finanzwirtschaft basieren auf linearen Regressionsmodellen. Ein Vorteil von linearen Regressionsmodellen ist ihre Interpretierbarkeit der Beziehung zwischen den erklärenden Variablen und der abhängigen Variable. Ein Vorhersagemodell muss allerdings noch weitere Anforderungen erfüllen: es sollte präzise Schätzungen liefern, einen stabilen Zusammenhang zwischen abhängiger Variablen und den unabhängigen Variablen abbilden, und gegenüber Ausreißern robust sein. Die Entwicklung eines geeigneten Prognosemodells ist vor diesem Hintergrund eine komplexe Aufgabe und lineare Regressionsmodelle stellen nicht immer die beste Lösung für dieses Problem dar (z.B. im Fall von Nicht-Linearitäten). Methoden des maschinellen Lernens haben Potential, die oben genannten Herausforderungen zu bewältigen, indem sie im Vergleich zu herkömmlichen Methoden eine Vielzahl an Modellspezifikationen ermöglichen und dabei sogar genauere Vorhersagen erzielen als lineare Regressionsmodelle. Aus diesem Grund beschäftigt sich das Institut für Finanzwirtschaft in seinen Forschungsarbeiten mit dem Vergleich verschiedener Modelle des maschinellen Lernens und linearen Regressionsanalysen, um das bestmögliche Modell für die jeweilige Anwendung in der Finanzwirtschaft zu entwickeln.