Asset Allocation der dritten Generation
Diplomarbeit zur Erlangung des akademischen Grades
Mag. rer. soc. oec.
im Diplomstudium Wirtschaftswissenschaften
Angefertigt am
Institut für betriebliche Finanzwirtschaft, Abteilung für Asset Management
Eingereicht von:
Daniel Steininger
Betreuer:
Univ. Prof. Dr. Teodoro D. Cocca
Mitbetreuer:
Dr. David Dietachmair
Linz, Mai 2016
EIDESSTATTLICHE ERKLÄRUNG
Ich erkläre an Eides statt, dass ich die vorliegende Diplomarbeit selbstständig und ohne fremde
Hilfe verfasst, andere als die angegebenen Quellen und Hilfsmittel nicht benutzt bzw. die
wörtlich oder sinnesgemäß entnommen Stellen als solche kenntlich gemacht habe.
Die vorliegende Arbeit ist mir der elektronisch übermittelten Arbeit identisch.
Linz, am …………………………… ………………………………………………..
DANKSAGUNG
Danken möchte ich in erster Linie meinen Betreuern Herrn Prof. Dr. Teodoro D. Cocca und
Herrn Dr. David Dietachmair für die umfangreiche Unterstützung bei der Forschung und bei
der Ausführung meiner Diplomarbeit. Dank der herausragenden Expertise und der stets
raschen Hilfestellung meiner Betreuer, wurde ich immer wieder in meiner Recherche und bei
meinen Fragen unterstützt. Vielen Dank für die Zeit und Mühen, die Sie in meine Arbeit
investiert haben.
Des Weiteren möchte ich mich bei Mag. Simon Pröll, Corinna Resch, Fabian Steininger und
Florian Atzmüller bedanken für die Korrektur meiner Arbeit. Meinen Eltern möchte ich dafür
danken, dass sie mich nicht nur während der Schulzeit, sondern auch während des Studiums
stets unterstützten.
GENDER-ERKLÄRUNG
Aus Gründen der besseren Lesbarkeit wird in dieser Diplomarbeit die Sprachform des
generischen Maskulinums angewendet. Es wird an dieser Stelle darauf hingewiesen, dass die
ausschließliche Verwendung der männlichen Form geschlechtsunabhängig verstanden werden
soll.
INHALTSVERZEICHNIS
1 Einleitung ........................................................................................................................... 1
2 Asset Allocation der ersten Generation .............................................................................. 3
2.1 Die Entstehung der modernen Portfoliotheorie ........................................................... 3
2.1.1 Zwei Fonds Theorem / Tobin Seperation ............................................................. 6
2.2 Capital Asset Pricing Modell (CAPM) ........................................................................ 7
2.2.1 Gleichgewichtsmodell .......................................................................................... 8
2.2.2 Korrektur des Betas .............................................................................................. 8
2.3 Effiziente Märkte ......................................................................................................... 9
2.4 Kritik an der AA der ersten Generation ..................................................................... 10
3 Asset Allocation der zweiten Generation ......................................................................... 12
3.1 Drei Fonds Theorem .................................................................................................. 13
3.2 Portfoliooptimierung mittels Conditional Value at Risk (CVaR) .............................. 14
3.3 Black/Litterman Modell (BL) .................................................................................... 14
3.4 Marktmodell .............................................................................................................. 16
3.5 Treynor/Black Modell ............................................................................................... 17
3.6 Risk Parity Portfolio (RP) .......................................................................................... 19
3.6.1 Leverage in Risk Parity Portfolios ..................................................................... 20
3.6.2 Performancevergleich von Risk Parity zu anderen Allokationsansätzen ........... 20
3.6.3 Kritische Würdigung von Risk Parity Portfolios ............................................... 21
3.7 Resampling Portfoliooptimierung ............................................................................. 23
3.7.1 Unterschied zwischen RM und MV Optimierung .............................................. 24
3.7.2 Rebalancing im Resampling Modell .................................................................. 29
3.7.3 Kritische Würdigung der RM Optimierung ....................................................... 29
3.8 Szenariobasierte Portfoliooptimierung ...................................................................... 32
3.8.1 Erstellung des Portfolios mittels Szenarien ........................................................ 32
3.9 Yale Modell................................................................................................................ 33
3.10 Naive Asset Allokation .............................................................................................. 36
3.11 Zero-basedTactical Asset Allocation (ZebTAA)........................................................ 37
3.12 Best of Two Strategie (BoT) ...................................................................................... 37
3.12.1 Performance der Best of Two Strategie .............................................................. 38
3.13 Kritik an den Modellen der zweiten Generation ....................................................... 40
4 Asset Allocation der dritten Generation ........................................................................... 42
4.1 Das Arbitrage Preis Modell als Übergang von Einfaktor- zu Multifaktormodellen (APT) ................................................................................................................................... 43
4.1.1 Faktoren, die Renditen beeinflussen .................................................................. 45
4.1.2 Faktorportfolios .................................................................................................. 48
4.1.3 Performancemessung APT ................................................................................. 49
4.1.4 Risikokontrolle unter APT ................................................................................. 49
4.1.5 Long Short Strategie unter APT ......................................................................... 50
4.1.6 Kritische Würdigung APT .................................................................................. 50
4.2 Portfoliokonstruktion mittels Risikofaktoren ............................................................ 51
4.2.1 Korrelationen zwischen Anlageklassen .............................................................. 51
4.2.2 Risikoproxies ...................................................................................................... 54
4.2.3 Performance Portfolio konstruiert mittels Risikofaktoren vs. Anlageklassen .... 57
4.2.4 Einsatz von Anlageklassen nach Wirtschaftszyklus unter Zuhilfenahme von Risikofaktoren .................................................................................................................. 60
4.2.5 Von Liability-Hedge zu Riskofaktoren-Hedge ................................................... 61
4.2.6 Kritische Würdigung der Portfoliokonstruktion mittels Risikofaktoren ............ 62
4.3 Smart Beta ................................................................................................................. 65
4.3.1 Aktienallokation mittels Smart Beta .................................................................. 65
4.3.2 Einbindung von alternativen Anlageklassen/-strategien mittels Smart Beta...... 68
4.3.3 Performancemessung von Smart Beta Strategien .............................................. 70
4.3.4 Auswahl der Risikoeinflüsse .............................................................................. 73
4.3.5 Begrenzung des Tracking Errors gegenüber kapitalgewichteten Indices ........... 73
4.3.6 Entscheidungsdilemma ....................................................................................... 75
4.3.7 Praktische Umsetzung einer Smart Beta Strategie auf globale Staatsanleihen .. 78
4.3.8 Praktische Umsetzung einer Smart Beta Strategie auf ein Multi-Faktor Set ..... 79
4.3.9 Risiken passiver Investments ............................................................................. 81
4.3.10 Kritische Würdigung Smart Beta Strategien ...................................................... 83
4.4 Overlay Strategien ..................................................................................................... 85
4.4.1 Risiko-Overlay für traditionelle Assets .............................................................. 86
4.4.2 Absolut Return Overlay ..................................................................................... 94
4.4.3 Kritische Würdigung Overlay Strategien ........................................................... 96
4.5 Core-Satellite-Strategie ............................................................................................. 98
4.5.1 Unterschiede zum Treynor/Black Modell .......................................................... 98
4.5.2 Einteilung der Märkte in aktive/passive Investments ........................................ 99
4.5.3 Risikoabsicherung mit dynamischen Core-Satellite-Portfolios ....................... 100
4.5.4 Risikoabsicherung mit dynamischer Core/Satellite Gewichtung anhand des Tracking Errors ............................................................................................................... 102
4.5.5 Kritische Würdigung Core-Satellite-Strategie ................................................. 104
5 Resümee ......................................................................................................................... 105
6 Literaturverzeichnis ........................................................................................................ 111
ABBILDUNGSVERZEICHNIS
Abbildung 1: Systematisches und unsystematisches Risiko (nach Grimm et al. 2014, S 277) ... 4
Abbildung 2: Effiziente Rendite/Risiko Kombinationen (nach Markowitz 1952, S 82) ............. 4
Abbildung 3: Verhalten der Effizienzkurve in Abhängigkeit von der Korrelation zwischen den
Assets im Portfolio (nach Söhnholz et al. 2010, S 76) ............................................................... 5
Abbildung 4: Rendite/Risikoverhältnis bei verschiedenen Anlagekombinationen (nach Grimm
et al. 2014, S 277) ....................................................................................................................... 7
Abbildung 5: Grafische Darstellung der Rendite/Risikobeziehung des Drei Fonds Theorems
(nach Söhnholz et al. 2010, S 98) ............................................................................................. 13
Abbildung 6: Kombination aktives und passives Portfolio (nach Mondello 2013, S 219) ...... 18
Abbildung 7: Performancevergleich Anlagestrategien 1926–2010 (nach Asness et al., 2012)20
Abbildung 8: Nachteile der hohen Anleihengewichtung in Risk Parity Portfolios (eigene
Darstellung, Daten von www.fondsweb.at, 20.07.2015) .......................................................... 23
Abbildung 9: Effizienzlinien der Markowitz und Resampling Portfoliooptimierung (nach
Michaud & Michaud 2008, S 11) ............................................................................................. 24
Abbildung 10: Annäherung der RM Effizienzlinie an die Effizienzkurve der
Markowitzoptimierung mit steigender Sicherheit (nach Michaud & Michaud 2008, S 16) .... 26
Abbildung 11: Unterscheidungen der Gewichtungen von Assetklassen bei zunehmendem
Risikograd zwischen MV/RM Optimierung (nach Michaud & Michaud 2008, S 13) .............. 27
Abbildung 12: Prognostizierte und tatsächlich eingetretene Effizienzkurven von MV und RM
Optimierung (nach Michaud & Michaud 2008, S 14).............................................................. 28
Abbildung 13: Beispiel Gewichtung von US-Aktien in verschiedenen Samples (nach Scherer
2003, S 327) .............................................................................................................................. 31
Abbildung 14: Performancevergleich im Zeitraum von 2004 bis 2014 p. A.: Yale vs. aktive
Fonds vs. Index (nach Swensen 2015, S 21) ............................................................................ 34
Abbildung 15: Vergleich Allokation Yale und andere Universitätsstiftungen (nach Swensen
2015, S 13) ................................................................................................................................ 35
Abbildung 16: Konzept Naive Asset Allocation (nach Söhnholz et al. 2010, S 104) ............... 36
Abbildung 17: Kumulierte Wertentwicklung und Wertentwicklung in zehn- Jahres-Abständen
der einzelnen Anlagestrategien (nach Dichtl und Schlenger 2003, S 812) .............................. 38
Abbildung 18: Verlustgefahren der einzelnen Anlagestrategien (nach Dichtl & Schlenger
2003, S 813) .............................................................................................................................. 39
Abbildung 19: Prognose ein Jahr im Voraus über Rendite von zehnjährigen Bonds (nach
Montier 2007, S 97) .................................................................................................................. 41
Abbildung 20:Prognose ein Jahr im Voraus über Stand S&P 500 (nach Montier 2007, S 97) 41
Abbildung 21: Berechnungsauszug BIRR für den S&P 500 (nach Burmeister et al. 2003, S 9 -
10) ............................................................................................................................................. 48
Abbildung 22: Durchschnittliche Gewichtung von Assets aus den 200 führenden
Pensionsfonds (nach Podkaminer 2013, S 4) ........................................................................... 52
Abbildung 23: Überlappung von Risikofaktoren bei zwei verschiedenen Anlageklassen (nach
Podkaminer 2013, S 5) ............................................................................................................. 53
Abbildung 24: Korrelationen von Assetklassen/Risikofaktoren im Zeitraum von März 1994 bis
Dezember 2009 im Durchschnitt, in wirtschaftlich gemäßigten und turbulenten Phasen (nach
Page 2010, S 2) ........................................................................................................................ 54
Abbildung 25: Verschiedene Kategorien von Risikofaktoren (nach Podkaminer 2013, S 5) ... 55
Abbildung 26: Korrelationen zwischen den einzelnen Anlageklassen in verschiedenen
Zeiträumen (nach Podkaminer 2013, S 7) ............................................................................... 57
Abbildung 27: Portfolio mit gleichgewichteten Risikofaktoren im Vergleich zu einem
traditionellen 60/40 Portfolio (nach Podkaminer 2013, S 9) ................................................... 58
Abbildung 28: Optimierte Risikofaktorenportfolios in verschiedenen Betrachtungszeiträumen
(nach Podkaminer 2013, S 10) ................................................................................................. 59
Abbildung 29: Wirtschaftszyklen und Anlageklassen welche in diesen bevorzugt eingesetzt
werden sollten (nach Podkaminer 2013, S 11) ......................................................................... 60
Abbildung 30: Bündelung der Anlageklassen nach Investitionsvorhaben (nach Podkaminer
2013, S 12) ................................................................................................................................ 61
Abbildung 31: Detailliertere Sichtweise eines Portfolios durch Risikofaktorenanalyse (nach
Cintolo 2014, S 6) ..................................................................................................................... 64
Abbildung 32: Erreichbare Sharpe-Ratio ohne Schätzfehler und mit Schätzfehler für
verschiedene Optimierungsverfahren (nach Amenc et al. 2013, S 22) .................................... 72
Abbildung 33: Allokationsformen gebildet durch alle Aktien in Panel 1 und gebildet durch
Aktien mit hoher Liquidität in Panel 2 (nach Amenc et al. 2013, S 19) ................................... 73
Abbildung 34: Smart-Beta-Strategien mit und ohne Tracking-Error-Schranke zum Scientific
Beta USA Cap-Weighted-Index im Zeitraum von Juni 2002 bis Dezember 2012 (nach Amenc
et al. 2013, S 24) ....................................................................................................................... 74
Abbildung 35: Verhalten von Investmentstrategien in verschiedenen Konjunkturzyklen und
deren Partizipation von den Renditequellen Beta, Alpha und Diversifikation: Capital-
Weighted (CW) Allocation, Low Volatility Diversified (LVD) und Minimum Variance (MV)
(nach Cazalet et al. 2013, S 18) ............................................................................................... 76
Abbildung 36: Beziehung von Rendite zu Volatilität (nach Cazalet et al. 2013, S 17) ............ 77
Abbildung 37: Verbesserte Streuung des Index durch Einziehen eines Caps auf das
Investitionsvolumen pro Land (nach Towers Watson 2013, S 6) .............................................. 78
Abbildung 38: Wechsel der Renditeverteilung am Beispiel des DAX-Turnaround Mitte März
2003 (nach Söhnholz et al. 2010, S 160) .................................................................................. 87
Abbildung 40: Ablauf der Overlay-Strategie (nach Söhnholz et al. 2010, S 161) ................... 88
Abbildung 41: Mehrwert generiert durch Overlay-Strategie im Zeitraum 2008/2009 (nach
Söhnholz et al. 2010, S 162) ..................................................................................................... 89
Abbildung 42: Verschiedene Vorgehensweisen für die Absicherung eines Hedgefonds (nach
Söhnholz et al. 2010, S 169) ..................................................................................................... 91
Abbildung 43: Ergebnisse aus den Absicherungsbeispielen in Abbildung 43 (nach Söhnholz et
al. 2010, S 175) ........................................................................................................................ 93
Abbildung 44: Darstellung der einzelnen Ansätze zur Alphaaufnahme im Portfolio (nach
Söhnholz et al. 2010, S 179) ..................................................................................................... 95
Abbildung 45: Prozentueller Anteil von aktiven US-Large-Cap-Fonds, die im Jahr 2002 eine
Underperformance gegenüber ihres Referenzindex verzeichneten (nach Malkiel 2003, S 78) 99
Abbildung 46: Abweichung der Rendite von aktiven Managern in verschiedenen Märkten
(nach Swensen 2000, S 77) ..................................................................................................... 100
Abbildung 47: Entwicklung des Core-, Satelliteportfolios und des dynamischen Core-Satellite-
Ansatzes mit dynamischem Floor im Zeitraum von Jänner 1999 bis Dezember 2008 (nach
Amenc et al. 2010, S 7) ........................................................................................................... 101
Abbildung 48: Umschichtungsprozesse im Satellite-Portfolio und die jährlich erreichten
Werte durch den dynamischen Mechanismus im Vergleich zu einer statischen Strategie und
den Einzelportfolios (nach Amenc et al. 2010, S 8) ............................................................... 102
TABELLENVERZEICHNIS
Tabelle 1: Konstruktionsmöglichkeiten von Risikoproxis mittels Long Short-Investments in
verschiedene Indices (eigene Darstellung nach Podkaminer 2013, S 6) ................................. 56
Tabelle 2: ARIX Swap im Vergleichszeitraum von 2002 bis 2009 zu anderen
Portfoliokombinationen (eigene Darstellung nach Söhnholz et al. 2013, S 186) .................... 97
ABKÜRZUNGSVERZEICHNIS
APT ............................................................................... Arbitrage Price Theory
BL ............................................................................................. Black-Litterman
BoT .................................................................................................. Best of Two
CAPM .................................................................... Capital Asset Pricing Model
CVaR ......................................................................... Conditional Value at Risk
CW .......................................................................................... Capital Weighted
GDP ............................................................................. Gross Domestic Product
GMV .........................................................................Global Minimum Variance
E(r) ........................................................................................... erwartete Rendite
EW ............................................................................................. Equal Weighted
FW ................................................................................. Fundamental Weighted
LDI ......................................................................... Liability Driven Investment
MRP ............................................................................. Maximum Return Point
MSR ............................................................................. Maximum Sharpe-Ratio
MV ............................................................................................. Mean Variance
p.A. ....................................................................................................... per Anno
RM ........................................................................................ Resampling Model
RP ..................................................................................................... Risk Parity
ZebTAA .................................................... Zero based Tactical Asset Allocation
1
1 Einleitung
„Verstärkt durch die Finanzkrise und deren Nachwirkungen standen insbesondere institutionelle
Kapitalanleger vor schwerwiegenden Entscheidungen bei ihrer Kapitalanlage. Durch
rekordtiefe Zinsniveaus und hohe Drawdown-Risiken an den Kapitalmärkten sind Investoren
in der aktuell unsicheren Zeit auf der Suche nach funktionierenden Investmentkonzepten1.“
Die Asset Allocation stellt einen Mechanismus zur Hilfestellung dar, wie ein Vermögen am
besten in verschiedene Anlagen zu verteilen ist, um ein ideales Rendite/Risikoverhältnis zu
erreichen. Da sich Individuen hinsichtlich ihrer Risikotragfähigkeit unterscheiden, muss ein
Modell zur Vermögensverteilung die Allokation auf Basis des Risikoprofils eines Anlegers
vornehmen. Darüber hinaus sollte eine effiziente Vermögensverwaltung auf Veränderungen der
Marktlage reagieren, um den Investor einerseits vor einem Anstieg über das von ihm als
annehmbar erachteten Risikos zu schützen und andererseits etwaige Potentiale zur Erhöhung
der Performance zu nutzen. Um diesen Problemen zu begegnen, wurden im Zeitverlauf
verschiedene Modelle entwickelt. Durch empirische Überprüfungen wurden Schwächen
aufgedeckt und versucht diese durch neue Lösungsansätze zu eliminieren. Diese Arbeit
versucht diesen Entwicklungsprozess darzustellen, welcher sich in drei Generationen der Asset
Allocation einteilen lässt. Das Verstehen der Ausbildung der Anlagenallokation ist von zentraler
Bedeutung, da die neuen Modelle auf den Erkenntnissen von vergangenen beruhen. Es wird
versucht zu ermitteln, ob mit den aktuellsten Modellen sämtliche Probleme der Vergangenheit
beseitigt wurden oder noch offene Punkte anstehen, die weitere Forschungsarbeit nötig machen.
Diese Frage zu beantworten ist sehr wichtig, da Modelle der vergangenen zwei Generationen
keinerlei Lösung zur Problematik der steigenden Korrelationen im Portfolio in turbulenten
Marktphasen bereitstellen konnten. Seit der Finanzkrise im Jahr 2008/2009 ist jedoch klar, dass
eine effiziente Vermögensallokation fähig sein muss, diese Korrelationen zu überwachen, um
eine entsprechende Risikokontrolle zu gewährleisten.
Der Aufbau der Arbeit gliedert sich wie folgt:
1. Der erste Teil der Arbeit umfasst die Vermögensallokation der ersten Generation. Es
wird die Grundidee der modernen Vermögensallokation dargestellt. Auch die
1 Grimm et al. 2014, S 287
2
Annahmen, auf welche die Forscher ihre Modelle aufbauten, werden behandelt.
2. Aufbauend auf die Probleme, die durch die erste Generation der Vermögensallokation
nur bedingt oder unzureichend gelöst werden konnten, werden im zweiten Teil der
Arbeit die nächste Generation und deren Lösungsansätze näher beleuchtet. Die Modelle
der zweiten Generation hinterfragen die Allokationsmethoden der ersten Generation, da
manche Annahmen durch empirische Forschungen wiederlegt werden konnten. Der
Hauptunterschied liegt darin, dass die Modelle eine Beeinflussung durch mehrere
Faktoren und eine Veranlagungsdauer über mehrere Perioden annehmen.
3. Der Hauptfokus dieser Arbeit liegt auf den neuesten Entwicklungen, der dritten
Generation der Asset Allocation. Diese greift vor allem die Problematik der Erhöhung
der Korrelation zwischen den Anlageklassen in Krisenszenarien auf.
Durch eine Portfoliokonstruktion mittels Risikofaktoren wird genau dieses Problem der
zweiten Generation eliminiert, da investierbare Risiken eine sehr viel geringere
Korrelation als Anlageklassen zueinander aufweisen und somit auch in Stressphasen
stabil bleiben. Neben der erhöhten Stabilität ermöglichen Risikofaktoren dem Investor
auch eine exaktere Risikokontrolle, da ihm zu sämtlichen Zeitpunkten bewusst ist,
welche Risiken in seinem Portfolio enthalten sind. Überprüft wird, inwiefern sich diese
theoretische Idee praktisch umsetzen lässt.
Eine Hilfestellung zur Investition in Risiken sind Smart Beta Investments, diese Vehikel
werden daher in dieser Arbeit näher erläutert. Durch ein Regelwerk im Hintergrund
werden Investments nach bestimmten Kriterien ausgeführt. Smart Beta stellt eine
kostengünstige Möglichkeit dar, von kapitalgewichteten Indices abzuweichen, da auf
ein aktives Management verzichtet wird. Neben Risikofaktoren lassen sich mit Smart
Beta eine Reihe von Anlagestrategien realisieren, ohne ein teureres aktives
Fondsmanagement einzusetzen.
Um Risiken gezielt zu kontrollieren und zu steuern wird in der dritten Generation vor
allem auf Overlay Konzepte und den Core-Satellite-Ansatz zurückgegriffen. Neben den
theoretischen Modellen wird in der Arbeit auch besonders auf die praktische Umsetzung
eingegangen. Dafür wird die tatsächliche Effizienz der Theorie anhand von Beispielen
untermauert und überprüft.
Die Arbeit stellt für die jeweilige Generation der Vermögensallokation die wichtigsten
3
Annahmen und Modelle dar. Die einzelnen Modelle werden hinsichtlich ihrer Chancen und
Schwachstellen untersucht. Abschließend wird für jede Generation zusammengefasst, welche
Fragen und Probleme ungelöst bleiben und welche Herausforderungen sich daraus ergeben.
Diesbezüglich werden auch Vorschläge für weitere Forschungen aufgezeigt.
2 Asset Allocation der ersten Generation
Lange Zeit erfolgte die Vermögensverwaltung ohne genaue Zielsetzung und Strategien zur
Erreichung dieser. Zwar wurden Risiken der einzelnen Anlagen geprüft, die Zusammensetzung
des Portfolios erfolgte jedoch ohne Überlegung bezüglich des Gesamtrisikos oder einer
Zielrendite, die erreicht werden sollte. Zwar wurde von Investoren angenommen, dass eine
Diversifikation einen positiven Effekt auf das Gesamtrisiko des Portfolios hat,
Investitionsentscheidungen wurden durch dieses Wissen jedoch nicht maßgeblich beeinflusst2.
Erst durch die Publikation von Markowitz (1952) war klar, dass durch eine ausreichende
Portfoliodiversifikation das Rendite/Risikoverhältnis signifikant verbessert werden kann3.
Somit war der Grundstein für die moderne Portfoliotheorie gelegt.
2.1 Die Entstehung der modernen Portfoliotheorie
Der Begriff Diversifikation bedeutet, dass unterschiedliche Anlagen sich im Zeitablauf nicht
gleich entwickeln. So können Risiken, die nur einen Titel betreffen, eliminiert werden, da die
Summe der positiven und negativen Einflüsse der einzelnen Titel gegen Null konvergiert4.
Dieser Diversifikationseffekt bewirkt, dass das Gesamtrisiko des Portfolios gegenüber der
Einzeltitel oder Anlageklassen reduziert wird, da nur mehr das Marktrisiko, welches nicht durch
Diversifikation entfernt werden kann, im Portfolio enthalten bleibt. Die Höhe des Effektes, der
durch die Diversifikation zweier Anlagen hervorgerufen wird, wird durch den
Korrelationskoeffizienten gemessen5. Die Senkung des titelspezifischen Risikos durch
Aufnahme weiterer Anlagen in ein Portfolio wird in Abbildung 1 dargestellt.
2 Vgl. Grimm et al. 2014, S 275f 3 Vgl. Markowitz 1952, S 77ff 4 Vgl. Markowitz 1952, S 77ff 5 Vgl. Söhnholz et al. 2010, S 23
4
Abbildung 1: systematisches und unsystematisches Risiko (nach Grimm et al. 2014, S 277)
Das systematische Risiko kann vom Investor nicht beeinflusst werden6. Markowitz geht von
einem rationalen Investor aus, der entweder bei gegebenem Risiko seinen Ertrag maximieren
oder das notwendige Risiko, um eine gewisse Rendite zu erreichen, minimieren möchte7. Eine
höhere Rendite kann bis zu einem gewissen Maß durch zunehmendes Risiko generiert werden,
welches durch die Volatilität gemessen werden kann8.
Abbildung 2: Effiziente Rendite/Risiko Kombinationen (nach Markowitz 1952, S 82)
6 Vgl. Grimm et al. 2014, S 276f 7 Vgl. Söhnholz et al. 2010, S 73f 8 Vgl. Markowitz 1952, S 79
5
Abbildung 2 verdeutlicht, dass eine zusätzliche Aufnahme von Risiko nur effizient ist, wenn
sich dadurch die zu erwartende Rendite erhöht. Die x-Achse bildet den Ertrag (E) ab und die y-
Achse die eingegangene Volatilität (V). Als Risiko- bzw. Volatilitätsmaß dient die
Standardabweichung9. Die Portfoliokombinationen sind auf der dicken Linie eingezeichnet,
diese wird als Effizienzlinie bezeichnet. Die Zusammensetzung mit dem niedrigsten Risiko
wird als Minimumvarianzportfolio bezeichnet. Jede Abweichung von dieser Kombination
resultiert in einem höheren Risiko, das jedoch nicht durch eine höhere Rendite entschädigt
wird10. Ein Portfolio wird dann als effizient bezeichnet, wenn es kein anderes Portfolio gibt,
das bei einer niedrigeren Volatilität die gleiche Rendite oder bei gleicher Volatilität eine höhere
Rendite aufweist11.
Abbildung 3 zeigt: Je niedriger die Korrelation der kombinierten Anlageklassen ist, desto
gekrümmter ist die Effizienzkurve. Bei einer Korrelation von -1 kann das Portfolio-Risiko zur
Gänze durch Diversifikation beseitigt werden. Im Falle einer Korrelation von +1 wird kein
Diversifikationseffekt erreicht. Eine Diversifikation macht also nur Sinn, wenn
„richtig“ diversifiziert wird12.
Abbildung 3: Verhalten der Effizienzkurve in Abhängigkeit von der Korrelation zwischen den Assets im Portfolio (nach
Söhnholz et al. 2010, S 76)
9 Vgl. Söhnholz et al. 2010, S 73 10 Vgl. Markowitz 1952, S 82ff 11 Vgl. Söhnholz et al. 2010, S 776 12 Vgl. Söhnholz et al. 2010, S 76
6
Anlagen, die hohe Kovarianzen zueinander aufweisen, weil sie beispielsweise im selben
Industriezweig tätig sind und so von Außeneinflüssen ähnlich beeinflusst werden, tragen zu
keiner merklichen Risikoreduktion im Portfolio bei. Auch wenn die Anzahl der verschiedenen
Positionen im Portfolio hoch ausfällt. Wenn jedoch in ein Portfolio eine weitere Anlage mit
derselben Varianz aufgenommen wird, kann es nur zu einer Senkung des Risikos, nicht jedoch
zu einem Anstieg kommen13.
2.1.1 Zwei-Fonds-Theorem / Tobin Seperation
Eine auf den Grundlagen von Markowitz basierende Erweiterung stellt der Ansatz von Tobin
(1958) dar14. Dabei erfolgt die Portfoliokonstruktion in zwei Schritten. Im ersten Schritt wird
ein effizientes Portfolio nach Markowitz konzipiert. Im zweiten wird in Abhängigkeit von der
Risikoneigung des Investors das Vermögen zu einem gewissen Anteil in das Markowitz
Portfolio und in Anlagen, die dem risikolosen Zinssatz entsprechen, investiert. Dabei kann der
risikolose Zinssatz mit Anlagen der allerhöchsten Sicherheit erzielt werden. Abhängig vom
Risikoprofil des Investors wird der Anteil des effizienten Portfolios größer oder kleiner
ausfallen15. Ein typisches zwei Fonds Investment ist das Balanced Portfolio. Das klassische
ausbalancierte Portfolio ist zu 60 Prozent in Aktien und zu 40 Prozent in Anleihen investiert16.
Die Effizienzgrenze stellt ein Hilfsmaß dar, das zeigt, ob das Portfolio eine entsprechende
Vergütung für das eingegangene Risiko einbringt17. Die Kapitalmarktlinie zeigt, wie sich die
Rendite beginnend von einer Veranlagung zu hundert Prozent in den risikolosen Zinssatz zu
einer höheren Gewichtung in das Portfolio von Markowitz verändern muss, da ein erhöhtes
Risiko mit einer höheren Rendite kompensiert werden muss. Diese Linie zeigt dem Investor,
welche Rendite bei welchem Risikomaß zu erwarten ist. Alle Portfolios, die auf dieser Linie
liegen, können als effizient angesehen werden. Portfolios, die sich unterhalb der Linie befinden,
haben kein ideales Rendite/Risiko Verhältnis. Sie sollen daher vom Investor gemieden
werden18.
13 Vgl. Markowitz 1952, S 89f 14 Vgl. Tobin 1958, S 65ff 15 Vgl. Grimm et al. 2014, S 277 16 Vgl. Grimm et al. 2014, S 286 17 Vgl. Grimm et al. 2014, S 278 18 Vgl. Grimm et al. 2014, S 278
7
Abbildung 4: Rendite/Risikoverhältnis bei verschiedenen Anlagekombinationen (nach Grimm et al. 2014, S 277)
Das in Abbildung 4 ersichtliche Optimal Risky Portfolio stellt das ideal diversifizierte Portfolio
(risikoloser Zinssatz plus Portfolio) dar. Es erreicht somit ein optimales Rendite/Risiko
Verhältnis. Diese Anlagekombination wird durch den Schnittpunkt zwischen Kapitalmarktlinie
und Effizienzgrenze gebildet19. Einzelne Wertpapiere können kein optimales Rendite/Risiko
Profil erreichen. Dies erscheint logisch, da durch eine Investition in nur einen Titel der
Diversifikationseffekt nicht genutzt wird und so das unsystematische Risiko bestehen bleibt20.
Wie in Abbildung 4 dargestellt, liegen Einzeltitel daher unter der Kapitalmarktlinie.
2.2 Capital Asset Pricing Modell (CAPM)
Das CAPM21, von Sharpe 1964 entwickelt, basiert auf den Grundannahmen von Markowitz
und Tobin22. Sharp geht davon aus, dass im Marktgleichgewicht alle Anleger dasselbe Portfolio
unabhängig von deren Risikoneigung halten. Dieses Portfolio wird auch als Marktportfolio
bezeichnet und weist ein Beta, das im CAPM als Risikomaß fungiert, von 1 auf23. Genau wie
Markowitz teilt das CAPM das Risiko einer Aktie in ein systematisches und ein
unsystematisches Risiko. Da das titelspezifische Risiko durch Diversifikation eliminiert werden
19 Vgl. Grimm et al. 2014, S 278f 20 Vgl. Tobin 1958, S 65ff 21 Capital Asset Pricing Modell 22 Vgl. Sharpe 1964, S 425ff 23 Vgl. Grimm et al. 2014, S 279
8
kann, erhält der Anleger nur für das eingegangene Marktrisiko eine Entschädigung24. Je
nachdem, ob das Beta kleiner oder größer 1 ist, wird die Rendite der Aktie unter oder über der
des zu Grunde liegenden Marktes liegen. Das Beta stellt daher den Einfluss des systematischen
Risikos auf eine Anlage dar25. Das Beta kann als Sensitivitätsmaß gegenüber dem Markteinfluss
gesehen werden. Die Höhe dieses Wertes zeigt, wie stark eine Aktie die Bewegungen am Markt
abbildet. Dies gilt sowohl für eine positive als auch für eine negative Marktentwicklung. Bei
einem Wert unter 1 schwankt die Aktie schwächer als der zugrunde liegende Index. Beträgt der
Wert null, wird die Aktie durch die Bewegungen am Markt überhaupt nicht beeinflusst. Ein
negatives Beta impliziert, dass sich die Aktie stets entgegen dem Index bewegt26.
2.2.1 Gleichgewichtsmodell
Das CAPM nimmt an, das alle Investoren in gleicher Weise risikoavers und nutzenmaximierend
agieren und dadurch dasselbe Marktportfolio halten. An den Märkten wird eine strenge
Informationseffizienz angenommen. Diese besagt, dass sämtliche Informationen über ein
Unternehmen bereits im Preis enthalten sind27. Daher liegen sämtliche Aktien auf der
Wertpapiermarktlinie. Liegt eine Aktie über der Wertpapiermarktlinie, weist diese ein positives
Alpha auf. Das heißt, die Aktie ist unterbewertet, weil der Ertrag im Vergleich zum eingegangen
Marktrisiko zu hoch ist. Eine Anlage mit einem negativen Alpha liegt unterhalb der
Wertpapierlinie und entschädigt den Investor nicht ausreichend mit Rendite für das
eingegangene Risiko. Das Capital Asset Pricing Modell nimmt jedoch an, dass die
Abweichungen von der Wertpapiermarktlinie durch Preiskorrektur mittels Kauf bzw. Verkauf
wieder selbstständig ins Gleichgewicht gedrängt werden28.
2.2.2 Korrektur des Betas
Das Beta im CAPM wird aus vergangenheitsbezogenen Daten geschätzt. Da aber auch das Beta
keinem Random Walk Verlauf folgt, sondern langfristig gegen 1 konvergiert, kann das Beta,
das beispielsweise aus den vergangenen fünf Jahren geschätzt wurde, einen gravierenden
Schätzfehler aufweisen. Ein Beta von 1 in der langen Frist kann unter anderem durch das
24 Vgl. Sharpe 2013, S 439 – 442 25 Vgl. Sharpe 1964, S 436 26 Vgl. Sharpe 1964 S 441f 27 Siehe Punkt 2.3 Effiziente Märkte 28 Vgl. Sharpe 1964, S 433 – 436
9
durchschnittliche Marktbeta von 1 erklärt werden. Ein weiterer Erklärungsansatz ist, dass sich
ein neugegründetes Unternehmen nur anfangs stark von seinen Mitbewerbern unterscheidet,
der Unterschied wird sich im Zeitverlauf nivellieren29. Eine zu starke Abweichung von 1
entspricht daher nicht der langfristigen Realität. Um diesen kurzfristigen Schätzfehler zu
korrigieren, kann folgende Formel angewendet werden:
Korrigiertes Beta = a + b x historisches Beta (1)
Beispielsweise wird für a ein Wert von 0,33 und für b ein Wert von 0,667 angenommen. Ein
historisches Beta von 1,4 wird so auf 1,267 korrigiert. Für einen historischen Wert von 0,8 ergibt
sich ein adjustierter Wert von 0,867. Die Werte von a und b können auch von den Werten 0,33
beziehungsweise 0,667 abweichen. Sie werden in der Praxis aufgrund des KGV, des
Gewinnwachstums, dem Fremdkapital-Gesamtkapital-Verhältnis oder der Marktkapitalisierung
berechnet30. Durch die Korrektur des Betas verschieben sich, wie im berechneten Beispiel
ersichtlich, die Werte gegen den langfristigen Wert von 1. So wird die Abweichung der
kurzfristigen Schätzung des Betas gegenüber der langfristigen Entwicklung abgeschwächt.
Kurzfristige Über- oder Untertreibungen werden so vermindert und der Beta Wert auf eine
langfristig realistische Schätzung korrigiert.
2.3 Effiziente Märkte
Mit der Effizienzmarkthypothese wurde ein sogenannter „Random Walk“, also ein absolut
unvorhersehbarer Verlauf der Märkte, bewiesen. Der Preis von Anlagen kann zur Gänze durch
die verfügbaren Informationen erklärt werden. Eine Preisänderung findet nur statt, wenn neue
Informationen zu einem Titel veröffentlicht werden. Werden keine neuen Informationen
veröffentlicht, ist der Aktientitel durch die vergangenen Informationen und deren Verarbeitung
bereits fair bewertet. Durch die hohe Anzahl von Analysten, die die Einflüsse von neu
verfügbaren Informationen auf den Preis untersuchen, erfolgt die neue Preisbildung sehr
schnell. Das Erkennen eines zukünftigen Aktienverlaufs aufgrund von charttechnischer Bilder
aus der Vergangenheit ist daher bei einem zufälligen Kursverlauf als nicht sinnvoll zu
erachten31. Fama (1970) stellte durch eine erneute Studie fest, dass seine Random Walk
29 Vgl. Mondello 2013, S 210f 30 Vgl. Mondello 2013, S 211 31 Vgl. Fama, 1965, S 55ff
10
Annahme nicht halten kann, da nicht alle Märkte dieselbe Informationseffizienz aufweisen32.
Märkte können eingeteilt werden in
schwach informationseffizient,
halb-streng informationseffizient und in
streng informationseffizient33.
In der schwachen Form sind sämtliche vergangene Daten im Kurs eingepreist. Sie umfasst
Daten aus der Vergangenheit, daher folgt der Marktverlauf dem Random Walk34. In der
halbstrengen Form sind alle öffentlichen Informationen eingepreist. Neben den Daten aus der
Vergangenheit werden auch öffentliche Informationen hinsichtlich einer zukünftigen
Entwicklung bei der Preisbildung berücksichtigt35. Die strenge Form spiegelt zur Gänze einen
fair bewerteten Markt wider, da alle Informationen aus der Vergangenheit sowie alle
Informationen, sowohl öffentliche als auch Insiderinformationen, bei der Preisbildung bereits
berücksichtigt wurden. Strenge Informationseffizienz ist aber nur eine theoretische Annahme
und in der Praxis nicht von Bedeutung. Sie kann aber als Benchmark zur Messung von
Markteffizienz herangezogen werden36. Eine zukünftige Überrendite eines Titels basiert auf
reiner Spekulation des Anlegers hinsichtlich zukünftiger Daten. Der Markt kann daher vom
Investor langfristig nicht outperformt werden, da eine Alpharendite durch geschickte
Titelauswahl nicht generiert werden kann37. Die Effizienzmarkthypothese stützt somit die
Annahmen von Markowitz und des CAPM.
2.4 Kritik an der AA der ersten Generation
Die Asset Allocation der ersten Generation versucht durch die Aufnahme von genügend
verschiedenen Anlagen im Portfolio einen ausreichenden Diversifikationseffekt
herbeizuführen, um unsystematische Risiken im Portfolio zur Gänze zu eliminieren. In
Stressszenarien steigt jedoch die Korrelation zwischen den Assetklassen. Folglich wird die
Risikoreduktion, die durch den Diversifikationseffekt erreicht werden kann, in diesen
Marktphasen deutlich abgeschwächt. Neben der Korrelation steigt auch die Volatilität in
turbulenteren Marktphasen. Das wurde vor allem in den Krisenzeiten 2008 und 2009 deutlich38.
32 Vgl. Fama, 1970, S 383ff 33 Vgl. Fama 1970, S 413 – 416 34 Vgl. Fama, 1970, S 414 35 Vgl. Fama, 1970, S 415 36 Vgl. Fama, 1970, S 415 37 Vgl. Fama, 1970, S 414f 38 Vgl. Söhnholz et al. 2010, S 23
11
Beim CAPM erfolgt eine Renditeschätzung für die Zukunft mit vergangenheitsbezogenen
Daten. Dies kann zu einer Verzerrung der Rendite/Risko Schätzung führen39. Die moderne
Portfolio Theorie stützt sich auf die Annahme, dass die Tagesrenditen normalverteilt sind, also
vermehrt nahe am Wert von +/- null Prozent zum Vortag schwanken40. In der Realität werden
bei Anlageklassen jedoch sogenannte „Fat Tails“ festgestellt. Extreme negative Renditen (links)
oder extrem positive Renditen (rechts) treten demnach öfter auf, als durch die Normalverteilung
angenommen wird41. Die Random Walk Annahme wurde wiederlegt, da nicht alle Märkte
denselben Effizienzgrad aufweisen42. Auch zeigen Forschungen im Bereich der Behavioural
Finance, dass Anomalien existieren, die gegen einen effizienten Markt sprechen43. Die Mean-
Variance-Optimierung, wie sie in der Portfoliooptimierung der ersten Generation zum Einsatz
kommt, weist eine Reihe von Schwächen auf. Drobetz (2003) zeigte, dass die Berechnung der
Gewichte anhand von vergangenheitsbezogenen Durchschnittsrenditen und Volatilitäten zu
extremen Short- und Long-Positionen (teilweise über 100 Prozent) führt44. Wie hoch die
Marktkapitalisierung der einzelnen Assets ist, wird dabei zur Gänze vernachlässigt. Für einen
Investor, der eine globale Streuung erreichen möchte, ist eine Allokation anhand einer MV45
daher nur bedingt optimal. Die konzentrierten Portfolios, die bei einer Portfoliooptimierung
unter Zuhilfenahme des Ansatzes von Markowitz entstehen, erscheinen als Widerspruch zum
eigentlichen Gedanken, die Diversifikation zu erhöhen, um das Portfoliorisiko zu senken46.
Neben der extremen Ausprägung der Gewichte sind diese auch nicht sehr stabil. Geringfügige
Änderungen der Inputvariablen der zu erwartenden Rendite oder der Volatilität rufen einen
starken Umstrukturierungsbedarf innerhalb der Portfoliogewichte hervor. Durch die hohe
Korrelation zwischen den Anlageklassen hat die Änderung einer Inputvariable Auswirkungen
auf die gesamte Allokation. Dadurch entstehen hohe Transaktionskosten, deren ökonomische
Sinnhaftigkeit schwer zu rechtfertigen ist47. Extreme Shortpositionen können etwa durch eine
Restriktion von Leerverkäufen unterbunden werden. Aber nur mit dem Effekt, dass gewisse
Assets nur sehr geringfügig oder gar nicht ins Portfolio mitaufgenommen werden, obwohl diese
aufgrund der anteiligen Marktkapitalisierung berücksichtigt werden müssten48. So zeigen Black
39 Vgl. Grimm et al. 2014, S 283 40 Vgl. Grimm et al. 2014, S 282 41 Vgl. Söhnholz et al. 2010, S 82 42 Vgl Fama 1970, S 383ff 43 Vgl. Grimm et al. 2014, S 283 44 Vgl. Drobetz 2003, S 203ff 45 Mean Variance 46 Vgl. Söhnholz et al. 2010, S 86 47 Vgl. Drobetz 2003, 209f 48 Vgl. Drobetz 2003, 2010f
12
& Litterman (1992), dass die Long-Only-Beschränkung eines Portfolios, das aufgrund von
historischen Daten von 14 Anlagemöglichkeiten optimiert werden soll, in einer Aufteilung von
nur mehr zwei Anlagen resultiert. Durch die erhöhten Schätzfehler wird dies jedoch nicht der
optimalen Portfolioausrichtung entsprechen49. Schätzfehler treten bei der Markowitz
Optimierung aufgrund der Zuhilfenahme von vergangenheitsbezogenen
Renditeaufzeichnungen auf. Bei einem zu kurzen Beobachtungszeitraum ist der Fehler
aufgrund der Schätzungenauigkeit sehr hoch50. Durch die Ausweitung der Stichprobe können
die Schätzfehler zwar minimiert werden, doch es ist schwierig, für manche Assetklassen
weitreichend vergangenheitsbezogene Aufzeichnungen zu beziehen51. Wenn ein zu langer
Zeitraum des Datenmaterials gewählt wird, sind die nicht stationären Parameter für zukünftige
Entwicklungen nicht mehr aussagekräftig genug52. Wird trotzdem ein Intervall auf einem fünf
Prozent Niveau berechnet, muss mit einer hohen Schwankungsbreite innerhalb des Intervalls
gerechnet werden. Das bedeutet, dass sehr unterschiedliche Einschätzungen bezüglich der
Entwicklung eines Assets trotzdem immer dieselbe z.B. H0 Hypothese stützen, weil im Intervall
eine hohe Schwankung toleriert wird. Daher kann keine verwertbare Entscheidung mit Hilfe
des Konfidenzintervalls getroffen werden. Die Ober- und Untergrenze für eine praktische
Umsetzung weicht zu weit voneinander ab. Auch die Aufnahme weiterer Assetklassen und die
daraus folgende Erhöhung der Beobachtungen tragen nicht zu einer Vermeidung von
Schätzfehlern bei. Durch ein gleichbleibendes Anlageklassen/Beobachtungen Verhältnis steigt
auch die Wahrscheinlichkeit der Beobachtung einer mit Schätzfehlern behafteten Assetklasse53.
Weil Anlagen mit der höchsten Renditeerwartung und der geringsten Korrelationseigenschaft
am stärksten gewichtet werden, kommt es zu weiteren Extremwerten. Tendenziell erhöht sich
somit die Gefahr von Schätzfehlern54.
3 Asset Allocation der zweiten Generation
Da die Modelle der ersten Generation hinsichtlich des Diversifikationseffektes als unzureichend
erschienen, wurden Modelle entwickelt, die diesen Ansprüchen besser gerecht werden sollten55.
49 Vgl Black & Litterman 1992, S 30 50 Vgl. Söhnholz et al. 2010, S 84 51 Vgl. Drobetz 2003, 211f 52 Vgl. Söhnholz et al. 2010, S 84 53 Vgl. Drobetz 2003, S 211 54 Vgl. Drobetz 2003, S 211f 55 Vgl. Schuller 2015, S 184
13
Das geschieht mittels Multi-Perioden und Faktoren Modellen. Darüber hinaus versucht die
zweite Generation durch Hinzunahme weiterer Asset Klassen den Diversifikationseffekt
auszubauen56.
3.1 Drei-Fonds-Theorem
Dem Wortlaut entsprechend, handelt es sich beim Drei-Fonds-Theorem um einen erweiterten
Ansatz des Zwei-Fonds-Theorems. Die Überlegung des Drei-Fonds-Theorems: Wenn keine
Restriktion bezüglich völliger Liquidität der Anlageklassen im Portfolio herrscht, macht die
Aufnahme von einer dritten illiquiden Klasse Sinn, weil dadurch eine zusätzliche
Renditeentschädigung zu erwarten ist. Als Beispiel für Anlageklassen mit geringerer Liquidität
können Small Caps oder Private Equity Investments genannt werden57. Es wird ein optimales
Portfolio aus einem liquiden risikofreien, einem liquiden renditeträchtigen, aber
risikobehafteten, und einem illiquiden risikobehafteten renditestarken Portfolio kombiniert.
Neben Rendite und Risiko führt das Drei-Fonds-Theorem die Liquidität als weiteres Maß ein,
da eine schwerere Veräußerbarkeit auch als Risiko angesehen werden muss. Ein illiquides
Investment muss daher mit einer höheren Rendite entschädigt werden als ein Investment mit
demselben Risiko, dass sich jedoch zu jedem Zeitpunkt veräußern lässt58.
Abbildung 5: Grafische Darstellung der Rendite/Risikobeziehung des Drei-Fonds-Theorem (nach Söhnholz et al. 2010, S 98)
56 Vgl. Grimm et al. 2014, S 293 57 Vgl. Söhnholz et al. 2010, S 97 58 Vgl. Söhnholz et al. 2010, S 97
14
Um ein Portfolio zu konstruieren, wird wie im Zwei-Fonds-Theorem eine Kombination von
risikolosem Zinssatz und risikoreicher Anlage erstellt. In Abbildung 5 wird diese Kombination
in Punkt L gefunden. Anschließend muss der Investor entscheiden, wie weit er bereit ist, eine
schlechtere Liquidität zu akzeptieren. Er kombiniert sein Portfolio abermals, ausgehend von
Punkt L, mit einem von ihm gewünschten Punkt zwischen L (völliger Liquidität) und Punkt I
(völliger Illiquidität). Mit dem zusätzlich eingegangenen Risiko aus Schritt eins steigt die zu
erwartende Rendite. Durch einen höheren Anteil von illiquiden Anteilen lässt sich die Rendite
weiter erhöhen59.
3.2 Portfoliooptimierung mittels Conditional Value at Risk
Da die Annahme einer Normalverteilung der Renditen nicht den Umständen der Realität
entspricht, wurde eine Optimierung mithilfe des Conditional Value at Risk entwickelt. Der
CVaR60 eignet sich besser, um Verteilungen mit Fat Tails plausibel zu schätzen61. Genau wie
beim Markowitz Verfahren wird bei einem gegebenen Risiko für das Portfolio die
höchstmögliche zu erwartende Rendite errechnet oder das Risiko zu einer gewünschten Rendite
minimiert. Durch die verbesserte Risikomessung des Conditional Value at Risk werden
Anlagenklassen, die mit erhöhter Wahrscheinlichkeit zu stark negativen Renditen tendieren,
geringer gewichtet62. Es ist jedoch anzumerken, dass obwohl der CVaR zuverlässige
Schätzergebnisse für nicht normalverteilte Renditen errechnet, die Portfolios ähnlich instabil
sind wie jene der Markowitz Optimierung63.
3.3 Black/Litterman Modell
Die klassischen Asset Allocation Ansätze sind in der Finanzwissenschaft etabliert und sehr
verbreitet. In der Praxis ist deren Einsatz jedoch eher selten, da der Mean Variance Ansatz
einige Schwächen aufweist 64. Durch MV optimierte Portfolios weisen extreme Gewichte der
einzelnen Asset Klassen auf65. Ein MV Portfolio reagiert sehr sensibel auf eine geringfügige
Veränderung der Inputs. Das heißt, eine geringfügige Änderung der Renditeerwartung oder der
59 Vgl. Söhnholz et al. 2010, S 97f 60 Conditional Value at Risk 61 Vgl. Söhnholz et al. 2010, S 86 62 Vgl. Söhnholz et al. 2010, S 87f 63 Vgl. Söhnholz et al. 2010, S 88f 64 Vgl. Drobetz 2003, S 204 65 Vgl. Drobetz 2003, S 208
15
Varianz einer Anlageklasse hat schwerwiegende Auswirkungen auf die gesamte
Portfoliogewichtung66. Der klassische Asset Allocation Ansatz verlangt, dass der Anleger für
jede Anlageklasse eine Einschätzung der zu erwartenden Rendite abgeben muss. In der Praxis
ist dies aber oft schwierig, da ein Fondsmanager nicht sämtliche Anlageklassen zuverlässig
beurteilen kann67. Das Ziel des Black/Litterman Modells ist, die Portfoliotheorie
praxistauglicher zu gestalten, indem die genannten Fehler vermieden werden68.
Das BL69 Modell kann als Erweiterung des CVaR angesehen werden. Dieses Modell bezieht
die Schätzfehler in die Berechnung mit ein70. Die hervorstechendste Eigenschaft des
Black/Litterman Ansatzes ist, dass neben den Referenzrenditen auch die subjektiven
Investorenmeinungen in die Berechnung mit einfließen. Durch diese Kombination können
stabilere und ökonomisch nachvollziehbare Portfoliogewichte errechnet werden. Die
Referenzrenditen werden mittels Umkehroptimierung auf Basis des Capital Asset Pricing
Modells bestimmt. Der BL Ansatz unterstellt jedoch nicht, dass die Referenzrenditen stets dem
CAPM entsprechen. Es wird jedoch davon ausgegangen, dass Abweichungen vom
Gleichgewicht nur von kurzer Dauer sind71. Die Referenzgewichte dienen als neutraler
Ausgangspunkt im BL Ansatz72. Da die Renditeerwartung der Investoren mit in die Berechnung
aufgenommen wird, entstehen von den Referenzgewichten abweichende Gewichte. Diese
Abweichung vom Referenzgewicht in Richtung der Gewichte der Prognose fallen umso größer
aus, je sicherer sich der Investor bezüglich seiner Prognose ist73. Das BL Modell kann nur
angewendet werden, wenn der Investor seine Prognosen in entsprechender Qualität abgeben
kann. Er muss einschätzen können, wie sicher seine Prognose ist und die prognostizierten Werte
müssen nachvollziehbar sein74. Dieses Modell berücksichtigt in seiner Gleichung jedoch auch,
dass die Prognosen mit Schätzfehlern behaftet sind75. Es können sowohl relative Prognosen
(zum Beispiel: Anleihen Europa werden im Jahr 2016 von Anleihen Emerging Markets um 30
Basispunkte outperformt) als auch absolute Prognosen (als Beispiel: Aktien Europa werden im
Jahr 2016 eine Rendite von 4,5 Prozent liefern) in die Berechnung mitaufgenommen werden76.
66 Vgl. Drobetz 2003, S 209f 67 Vgl. Drobetz 2003, S 206 68 Vgl. Drobetz 2003, S 205 und Idozrek 2005, S 1 69 Black-Litterman 70 Vgl. Söhnholz et al. 2010, S 89 71 Vgl. Drobetz 2003, S 213f 72 Vgl. Idozrek 2005, S 6 73 Vgl. Idozrek 2005, S 13f 74 Vgl. Drobetz 2003, S 214 75 Vgl. Söhnholz et al. 2010, S 90 76 Vgl. Drobetz 2003, S 220 und Idozrek 2005, S 7
16
Die Berechnung kann sowohl für Prognosen unter vollkommener Sicherheit als auch unter
Unsicherheit durchgeführt werden. Natürlich ist anzunehmen, dass ersteres in der Praxis eher
nicht eintreten wird77. Das Black/Litterman Modell weist eine geringe Sensitivität gegenüber
Änderungen der Inputvariablen auf78. Drobetz (2003) zeigt, dass der Black/Litterman Ansatz
im Gegensatz zu einer klassischen Portfoliooptimierung ökonomisch plausiblere Gewichte
liefert79. Der BL Ansatz zeigt auch keine extrem negativen Gewichte bei Gewähren von Short
Positionen. Im klassischen MV Ansatz kommt das sehr oft vor. Wenn sich einzelne Parameter
ändern, sind die Gewichtungen eines BL Portfolio viel stabiler. Es ist natürlich von großem
Vorteil, dass der Investor nicht zu allen Assets eine Prognose abgeben muss.80 Die
Untersuchung von Idorzek (2005) zeigt, dass die Portfoliogewichte trotzdem stabil bleiben81.
Nur die Gewichte, zu denen der Investor eine Prognose abgibt, werden beeinflusst.
Schwierigkeiten könnten Investoren bei der Einschätzung der Güte ihrer Prognose haben. Es
kann davon ausgegangen werden, dass Investoren sich bezüglich der Güte ihrer Prognose
tendenziell überschätzen. Ein weiteres Problem kann auftreten, wenn Prognosen von
verschiedenen Personen zu einer Asset Klasse abgegeben werden. Denn sollten die einzelnen
Prognosen stark voneinander abweichen, ist die subjektive Gesamtprognosegüte geringer82.
3.4 Marktmodell
Beim Marktmodell wird, wie auch beim Markowitz Ansatz, eine Effizienzkurve konstruiert.
Der Vorteil ist, dass weniger Inputparameter benötigt werden als beim Markowitz Modell83.
Auch in diesem Modell wird der Problematik erhöhter Schätzfehler Rechnung getragen. Es
wird nicht von Schätzungen historischer Varianzen, sondern von zukünftigen Entwicklungen
ausgegangen. Diese weisen wesentlich geringere Schätzfehler auf84.
Die Formel zur Renditeberechnung des Marktmodells gestaltet sich folgendermaßen:
77 Vgl. Drobetz 2003, S 222f 78 Vgl. Idozrek 2005, S 2 79 Vgl. Drobetz 2003, S 213 – 219 80 Vgl. Drobetz 2003, S 221 81 Vgl. Idorzek S 1ff 82 Vgl. Drobetz 2003, S 237 83 Vgl. Mondello 2013, S 192 84 Vgl. Chan et al. 1999, S 968ff
17
Ri,t = αi + βiRM,t + εi,t (2)
Als Prognosewerkzeug für das Marktrisiko dient hier das CAPM85.
Die Rendite (Ri,t) wird durch den Markt (RM,t) und je nach Sensitivität der Anlage zu
diesem durch das Beta (βi) erklärt.
Der Wert Alpha (αi) wird mit in die Berechnung aufgenommen. Dieser Wert stellt die
unternehmensspezifische Risikoprämie dar, die nicht durch den Markt beeinflusst wird.
Alpha weist daher keinerlei Korrelation zum Markt auf.
Wenn Alpha einen positiven Wert aufweist, kann die Anlage als unterbewertet angesehen
werden. Bei einem negativen Wert liegt eine Überbewertung vor86.
Epsilon (εi,t) stellt den Fehlerterm dar. Dieser weist einen angenommen Erwartungswert
von Null auf87.
Das Marktmodell erklärt die Rendite einer Anlage nur anhand des Marktrisikos und des
unternehmensspezifischen Risiko. Das stellt auch den Schwachpunkt dieses Ansatzes dar.
So wird etwa keine Korrelation zweier Unternehmen, die in derselben Industriesparte sind,
angenommen. Es gibt jedoch Ereignisse, die zwar den Gesamtmarkt nicht beeinflussen, aber
für ein gewisses Industriesegment sehr wohl Auswirkungen haben. Besitzen mehrere
Unternehmen eines Industriezweigs ein hohes Alpha, führt dies zu einer höheren Gewichtung
der Unternehmen dieses Industriezweiges als beim Markowitz Ansatz, da eine positive
Korrelation dieser nicht berücksichtigt wird88.
3.5 Treynor/Black Modell
Das Treynor/Black Modell baut auf den Grundgedanken des Marktmodells auf. Es kann als
Weiterentwicklung des Marktmodells gesehen werden89. Das Treynor/Black Modell geht von
einer mehrheitlichen Effizienz der Märkte aus. Die restlichen Ineffizienzen können durch
Titelselektion genutzt werden, um zusätzliche Alpha-Renditen zu generieren. Der
Treynor/Black Ansatz stellt so eine Kombination aus aktivem und passivem Portfolio dar90.
85 Vgl. Mondello 2013, S 194 86 Vgl. Mondello 2013, S 196 87 Vgl. Mondello 2013, S 195f 88 Vgl. Mondello 2013, S 199 89 Vgl. Treynor & Black 1973, S 66ff 90 Vgl. Treynor & Black 1973, S 74 – 78
18
Ergibt sich für eine aktive Strategie ein Alpha von null, sollte zur Gänze in ein passives Portfolio
investiert werden, da durch ein passives Investment zumindest eine ausreichende
Diversifikation gegeben ist.91. Folglich stellt das in Abbildung 6 dargestellte aktive (A) als auch
das passive Portfolio (M) nicht die effizienteste Depotzusammensetzung dar. Die höchste
Sharpe-Ratio wird durch die Kombination beider Portfolios erreicht92.
Abbildung 6: Kombination aktives und passives Portfolio (nach Mondello 2013, S 219)
Abbildung 6 zeigt, dass die Krümmung der Portfoliokurve von der Korrelation zwischen aktiver
und passiver Veranlagung bestimmt wird93. Je stärker Beta den Wert 1 übersteigt, desto größer
fällt die Gewichtung zugunsten des aktiven Portfolios aus. Dabei nimmt der
Diversifikationseffekt ab. Die Gewichtung in das Marktportfolio wird stärker, je weiter Alpha
bei null liegt. Weicht Alpha von null ab, kann das Marktportfolio jedoch nicht mehr die
effizienteste Veranlagung sein. Als Maßeinheit bietet sich die Information-Ratio an, da diese
die marktunabhängige überschüssige Rendite dividiert durch das unsystematische Risiko
91 Vgl. Treynor & Black 1973, S 72f 92 Vgl. Treynor & Black 1973, S 82 93 Vgl. Mondello 2013, S 219
19
berechnet. Dadurch kann entschieden werden, ob eine Abweichung vom Marktportfolio
sinnvoll ist94. Auch bei der Erstellung eines aktiven Portfolios ist die Prognosequalität des
Alphas wichtig. Ein etwaiger Schätzfehler kann durch die Korrektur des Alphas mittels
Determinationskoeffizienten aus vergangenen Prognosen verringert werden. Durch eine
Erhöhung der untersuchten Anlagen im aktiven Portfolio kann der Schätzfehler ebenfalls
reduziert werden95.
3.6 Risk Parity Portfolio
Durch die Gewichtung von 60 Prozent Aktien und nur 40 Prozent Anleihen in klassisch
balancierten Portfolios bestimmt der Aktienanteil zu großen Teilen Rendite sowie Risiko des
Portfolios, da die Volatilität der Aktien um ein Vielfaches höher ist als die der Anleihen96. Durch
den Risk Parity Ansatz werden die Risikobudgets gleichgesetzt. Dieses Modell versteht unter
„Gleichsetzen“ nicht die Angleichung der Geldmenge, die in die jeweilige Anlageklasse
investiert werden soll, sondern die Gleichsetzung in Bezug auf den anteiligen Risikobeitrag
zum Gesamtportfolio. Somit ist das Portfolio nicht mehr so stark von der Performance und
Volatilität der Aktien geprägt97. Daraus folgt, dass ein Portfolio, das beispielsweise aus Aktien
(high risk) und Anleihen (low risk) besteht, mit einem höheren Betrag in Anleihen investiert ist.
Durch diese Konstellation wird ein schwankungsärmeres Gesamtportfolio angestrebt98. Risk
Parity geht davon aus, dass langfristig alle Anlageklassen dasselbe Rendite/Risikoverhältnis
aufweisen. Es wurde aber festgestellt, dass Assets mit niedrigem Risiko ein besseres
Rendite/Risikoverhältnis erreichen als jene Titel mit hohem Risiko. Dieser Umstand ist jedoch
positiv für das RP99 Portfolio, da der Großteil des Kapitals wegen des Risikoparitätsprinzips in
Titel mit geringem Risiko fließt100. Risk Parity kann als eine Verbesserung des Balanced
Portfolio gesehen werden, der Fokus wird nicht auf die Gewichtung von Assetklassen gelegt,
sondern der anteilige Einfluss dieser auf das Gesamtrisiko im Portfolio101. RP Portfolios
konzentrieren sich nur auf das eingegangene Risiko. Prognosefehler, die bei der
Renditeprognose aufgrund diverser Fehlannahmen entstehen, können dadurch ausgeschaltet
94 Vgl. Mondello 2013, S 221 95 Vgl. Mondello 2013, S 226ff 96 Vgl. Asness et al. 2012, S 47 97 Vgl. Asness et al. 2012, S 47 98 Vgl. Asness et al. 2012, S 47 99 Risk Parity 100 Vgl. Asness et al. 2012, S 47 und Schuller & Kula 2012, S 2 101 Vgl. Schuller & Kula 2012, S 1f und Grimm et al. 2014, S 287f
20
werden. Jedoch greift das Konzept der Risikoparität wie auch die klassischen Portfoliotheorien
auf Volatilitätsmaße zur Risikobestimmung zurück102.
3.6.1 Leverage in Risk Parity Portfolios
Risk Parity Portfolios gehen ein niedrigeres Risiko als klassische 60/40 Ansätze ein. Demnach
muss sich der Anleger trotz einer besseren risikoadjustierten Rendite (höhere Sharp Ratio als in
klassischen Ansätzen) mit einer geringeren Gesamtrendite zufriedengeben. Soll eine höhere
Rendite erzielt werden und die Sharp Ratio nicht abnehmen, kann eine Hebelung des Portfolios
durch die Aufnahme von Fremdkapital in Erwägung gezogen werden. Dabei nimmt der Investor
beispielsweise 30 Prozent des Portfoliowertes als Kredit auf. So kann er 130 Prozent
investieren. Der Anteil des Kreditbetrages kann natürlich beliebig angepasst werden, um das
gewünschte Risiko/Rendite Verhältnis zu erzielen103.
3.6.2 Performancevergleich von Risk Parity zu anderen Allokationsansätzen
Abbildung 7 zeigt, dass langfristig durch RP Portfolios eine höhere Rendite zu erzielen ist als
mit anderen Portfoliooptimierungen.
Abbildung 7: Performancevergleich Anlagestrategien 1926–2010 (nach Asness et al., 2012
Die Forschungsergebnisse von Asness et al. (2012), von Frazzini und Pedersen (2014) sowie
102 Vgl. Grimm et al. 2014, S 288 103 Vgl. Asness et al. 2012, S 49f
21
von Black (1972) zeigen, dass Anlagen mit höherem Risiko eine schlechtere Sharpe-Ratio
ausweisen104. Die Annahme des CAPM, Rendite zu Risiko verläuft in einer 45-Grad-Linie, was
bedeuten würde, dass steigendes Risiko durch gleichlaufend steigende Rendite entschädigt
wird, ist für die meisten Anlageklassen zu verwerfen105. Je höher das anlagenspezifische Risiko
ansteigt, desto flacher wird die Wertpapiermarktlinie. Umgekehrt kann bei einer Anlage mit
niedrigerem Risiko von einer steileren Linie ausgegangen werden106. Sowohl Abneigung als
auch Restriktion (beispielsweise in den Fondsstatuten) können dafür verantwortlich sein, dass
der Investor keinerlei Hebelung einsetzt. Also kann eine höhere Rendite nur durch eine höhere
Gewichtung von „aggressiven“ Titeln erreicht werden. Das führt zu einer höheren Nachfrage
solcher Titel und diese werden überbewertet107. Durch das Risikoparitätsprinzip wird mit dem
größeren Teil des Vermögens in die risikoärmere Anlageklasse investiert. Das bessere
Rendite/Risiko Verhältnis gegenüber den anderen Strategien ist daher nachvollziehbar.
3.6.3 Kritische Würdigung von Risk Parity Portfolios
Asness et al. (2012) zeigen, dass Risk Parity Ansätze längerfristig sehr gute Ergebnisse erzielen
konnten108. Will ein Investor jedoch eine höhere Performance erzielen, ist das nur durch eine
Hebelung des Portfolios möglich. Dies ist nur mit dem nötigen Wissen und der Erlaubnis zum
Einsatz von Derivaten möglich109. Es wird daher Investoren geben, die nicht die gewünschten
Renditen mit diesem Ansatz erzielen können, da sie bezüglich des Einsatzes von Leverage
beschränkt sind. Als Beispiel sind Pensionsfonds zu nennen, denen entweder nur ein geringer
Prozentsatz oder keinerlei Aufnahme von Fremdkapital gewährt ist110.
Anlageklassen, die eine geringere Volatilität aufweisen, wie beispielsweise Geldmarkt- oder
Staatsanleihen, werden in einem RP Portfolio höher gewichtet. Dadurch sind diese Portfolios
stark von der Entwicklung des zukünftigen Zinsniveaus betroffen. Auch wenn im
Krisenzeitraum 2008–2009 wegen der stark negativen Korrelation von Anleihen mit Aktien die
Strategie gut funktionierte, stellt diese Korrelationseigenschaft keine Konstante dar. Dies ist am
Beispiel des Bridgewater All Weather Fonds ersichtlich. Dieser musste im Jahr 2008 einen
104 Vgl. Asness et al. 2012, S 47ff; Frazzini und Perdersen 2014, S 1ff und Black 1972, S 444ff 105 Vgl. Asness et al. (2012), S 53 und Frazzini und Perdersen (2013), S 20 106 Vgl. Black (1972), S 455 107 Vgl. Frazzini und Perdersen (2013), S 1f und Asness et al. 2012, S 50f 108 Vgl. Asness et al. 2012, S 47ff 109 Vgl. Asness et al. 2012, S 49f 110 Vgl. Asness et al. 2012, S 55
22
Verlust von 25 Prozent hinnehmen. Andere Vertreter dieser Fondskategorie, wie der Fonds von
Aquila Capital, performten besser in diesem Krisenjahr, da in diesem Fonds stärker vom
Risikoparitätsprinzip abgewichen wurde. Durch den hohen Anteil an Anleihen und Geldmarkt-
Positionen in diesen Fonds konnten in den Krisenzeiten von der Flucht in genau diese sicheren
Häfen profitiert werden111. Hohe Kurse bewegen sich jedoch wieder auf ein normales Niveau
zurück. Anleihen verloren zwischen den Jahren 1941 und 1986 durch eine Phase niedriger
Realzinsen 56 Prozent ihres realen Wertes. Auch im aktuellen europäischen Niedrigzinsumfeld
ist eine schlechte Performance zu beobachten. Sowohl Anleihen als auch
Geldmarktverbriefungen sind sehr empfindlich gegenüber Veränderungen der Inflation112.
Der Risk Parity Ansatz stellt gegenüber klassischer Gewichtungsansätze eine Verbesserung dar.
Es bleiben jedoch Schwachpunkte vorheriger Ansätze, wie beispielsweise die Reduktion des
Risikos auf die Volatilität. Es wird davon ausgegangen, dass das zukünftige Risiko anhand von
Volatilitätsmaßen verlässlich bestimmt werden kann. Das ist aber nur sehr beschränkt
möglich113. Der Risikoparitätsansatz sieht nur Long Positionen vor. Er ist somit stark abhängig
von den Entwicklungen der zugrundeliegenden Indices. Ein weiteres Problem für RP Portfolios
sind Zeiträume einer Stagflation. Durch steigende Zinsen sinken Anleihenkurse. Die
Geldmarktinvestitionen werden durch die gestiegene Inflation entwertet und die stagnierende
Wirtschaft drückt die Aktienkurse im Portfolio114. Fondsmanager versuchen die Schwächen der
Risk Parity Idee zu vermindern, indem sie in nicht starr an den Regeln dieser festhalten115. Ob
der Ansatz daher ein ausreichendes Regelwerk für eine langfristig zufriedenstellende
Performance bietet, ist zu hinterfragen.
111 Vgl. Schuller & Kula 2012, S 3 112 Vgl. Schuller & Kula 2012, S 3 und Grimm et al. 2014, S 288 113 Vgl. Grimm et al. 2014, S 289 114 Vgl. Schuller & Kula 2012, S 4 115 Vgl. Schuller & Kula 2012, S 4
23
Abbildung 8: Nachteile der hohen Anleihengewichtung in Risk Parity Portfolios (eigene Darstellung, Daten von
www.fondsweb.at, 20.07.2015)
Abbildung 8 zeigt, dass Risk Parity Fonds langfristig nicht denselben Wertzuwachs wie
Aktieninvestments erreichen. Ein Erklärungsansatz könnte sein, dass bei steigenden
Aktienmärkten eine zu starke Gewichtung in Anleihenmärkte erfolgt, um die Risikoparität zu
gewährleisten. Natürlich müsste untersucht werden, ob ein gehebeltes RP Portfolio, welches
dasselbe Risiko wie ein Aktienportfolio aufweist, ähnliche Renditen erreichen kann. Abbildung
8 verdeutlicht sehr gut, dass es in manchen Marktphasen für ein Risk Parity Portfolio aufgrund
des Risikoparitätsprinzips schwierig sein dürfte, ansehnliche Erträge zu erwirtschaften.
3.7 Resampling Portfoliooptimierung
Die Resampling Portfoliooptimierung greift auch die Schwächen der Mean Variance
Optimierung auf. Die theoretischen Mechanismen des Markowitz Ansatzes sind dabei nicht
grundsätzlich als schlecht anzusehen, vielmehr kann die starke Divergenz zwischen dem Soll
und dem Ist der Performance durch Schätzfehler der Inputvariablen begründet werden116.
Assets mit einer hohen Korrelation und einer geringfügig niedrigeren Rendite als eine andere
Anlageklasse werden dabei überhaupt nicht mit ins Portfolio aufgenommen, die leicht
überlegene Anlageklasse jedoch mit extrem hohem Gewicht. Solch eine Gewichtung trotz dem
116 Vgl. Michaud & Michaud 2008, S 8ff
24
Wissen von Schätzfehlern auszuführen, ist ökonomisch zweifelhaft117.
Die Resampling Methode erstellt mittels Monte Carlo Simulation eine Vielzahl an
verschiedenen Portfolios, um ein realistischeres Portfolio unter der Prämisse von unsicheren
Inputs zu gewährleisten. Durch eine Durchschnittsbildung von vielen Portfolios soll der
Schätzfehler eliminiert werden. Die Unsicherheit der Inputs wird so in unsichere Outputs
transferiert. Durch eine ausreichend hohe Stichprobe ergibt sich ein verlässliches
Durchschnittsportfolio118. Der Ablauf der RM119 gliedert sich folgendermaßen:
1. Erstellung eines Stichprobenvektors aus Kovarianzen samt Erträgen.
2. Erstellung einer MV Effizienzlinie
3. Wiederholen der Schritte 1 und 2, bis eine ausreichende Zahl von verschiedenen
Effizienzlinien gezeichnet werden kann
4. Erstellung einer Durchschnittseffizienzlinie120
3.7.1 Unterschied zwischen RM und MV Optimierung
Michaud und Michaud (2008) zeigen anhand einer Resampling Optimierung für ein Portfolio,
wie sich dieser Ansatz von einem Markowitz Portfolio unterscheidet121.
Abbildung 9: Effizienzlinien der Markowitz und Resampling Portfoliooptimierung (nach Michaud & Michaud 2008, S 11)
117 Vgl. Scherer (2003), S 320 118 Vgl. Scherer (2003), S 321 119 Resampling Methode 120 Vgl. Michaud & Michaud 2008, S 10 121 Vgl. Michaud & Michaud 2008, S 8ff
25
Der linke Teil der Abbildung 9 stellt die simulierten 25 Effizienzlinien der RM dar (Linien
cyan). Die rote Linie ist die Effizienzlinie der Markowitz Optimierung. Auffallend ist, dass die
simulierten Effizienzgrenzen weit um die einzige Effizienzlinie der MV Optimierung streuen.
Mit dem Hintergrundwissen, dass die Markowitz Optimierung stark mit Fehlertermen behaftet
ist, ist es daher eher unrealistisch, dass diese eine Effizienzlinie valide die optimalen Portfolios
darstellt. Der rechte Teil der Abbildung 9 stellt die vielen simulierten Portfolios und deren
Rendite/Risiko Zusammensetzung dar. Die dunkelblaue Linie bildet den Durchschnitt und ist
daher die Effizienzlinie der Resampling Optimierung. Nur die Portfolios, die auf der
Durchschnittseffizienzlinie liegen, können als optimal angesehen werden, da alle anderen
Portfolios Ergebnisse von Schätzfehlern sind122. Ein risikoaverser Anleger, der mittels RM sein
Optimal-Portfolio finden möchte, wählt also den Durchschnitt aus den 25 simulierten
Minimum-Varianz-Portfolios aus. Ist ein Anleger risikoneutral, wählt er den Durchschnitt aus
den 25 maximal Rendite Portfolios aus. Die gewünschten Portfolios werden aus dem
Durchschnitt einer Vielzahl von Simulationen gebildet. Sie sind daher weniger fehlerbehaftet
und liefern eine weniger extreme Allokation123. Der Unterschied zwischen der Markowitz
Optimierung und der Resampling Methode: Die RM nimmt an, dass die Risiko/Return Input
Variablen nicht zu 100 Prozent richtig sind. Würde ein Investor seinen Prognosedaten eine
hundertprozentige Eintrittswahrscheinlichkeit beimessen, wäre jedoch die Markowitz
Optimierung das ideale Werkzeug zur Berechnung der Allokationsgewichte. Eine Prognose mit
einer derartigen Sicherheit wird in der Praxis jedoch eher selten vorkommen124. Die RM hat
den Vorteil, dass sie an die Prognosesicherheit angepasste Ergebnisse liefert. Je sicherer diese
ausfallen, desto weiter konvergiert das Portfolio in Richtung MV Portfolio. Je unsicherer, desto
weiter bewegt sich das Portfolio zu einer gleichgewichtigen Aufteilung der Anlageklassen125.
Eine erhöhte Sicherheit kann durch eine größere Zahl von Prognosen generiert werden. Das
RM Optimierungsverfahren verfolgt grundsätzlich eine Nonzero-Allokation, es werden somit
alle Anlageklassen, wenn auch nur mit einem kleinen Teil, ins Portfolio aufgenommen. Steigt
jedoch die Sicherheit der Prognosen, werden nicht mehr die gesamten Assetklassen mit ins
Portfolio aufgenommen. Eine Unterscheidung von den Effizienzlinien der MV Optimierung
und der RM Optimierung ist, dass die Kurven der Resampling Methode bei einem gewissen
Risikograd eine Renditespitze erreichen und die Rendite trotz zunehmendem Risiko abfällt.
122 Vgl. Scherer (2003), S 323 123 Vgl. Michaud & Michaud 2008, S 10ff 124 Vgl. Michaud & Michaud 2008, S 12 125 Vgl. Michaud & Michaud 2008, S 12
26
Dieser Punkt wird als Maximum Return Point bezeichnet. Jedes Portfolio mit einem Risiko, das
über diesem Punkt liegt, ist ineffizient, da weniger Rendite trotz höherem Risiko generiert
wird126.
Abbildung 10: Annäherung der RM Effizienzlinie an die Effizienzkurve der Markowitzoptimierung mit steigender Sicherheit
(nach Michaud & Michaud 2008, S 16)
Abbildung 10 zeigt, dass der MRP127 mit zunehmender Sicherheit weiter nach rechts
verschoben wird. Die Effizienzlinie wird somit verlängert. Dadurch kann länger eine höhere
Rendite durch eine Erhöhung des eingegangen Risikos generiert werden128. Anhand von den
Gewichten wird so auch die Unsicherheit der Inputvariablen bei der RM ersichtlich. Ist der
Schätzfehler zu groß, lässt die RM keine höhere Gewichtung in risikoreichere Assets zu. Wird
also ein Schätzfehler der Inputvariablen angenommen, ist es ab einem gewissen Punkt nicht
mehr möglich, eine höhere Rendite durch ein höheres Risiko zu lukrieren129.
126 Vgl. Michaud & Michaud 2008, S 16f 127 Maximum Return Point 128 Vgl. Michaud & Michaud 2008, S 17f 129 Vgl. Scherer (2003), S 332
27
Abbildung 11: Unterscheidungen der Gewichtungen von Assetklassen bei zunehmenden Risikograd zwischen MV/RM
Optimierung (nach Michaud & Michaud 2008, S 13)
In Abbildung 11 wird die Veränderung der Portfoliogewichtung unter zunehmendem Risiko
(von links nach rechts) und die unterschiedliche Reaktion von einer Markowitz Optimierung
(links) bzw. Resampling Optimierung (rechts) dargestellt. Die Kritikpunkte an der Mean
Variance Optimierung:
In den oberen 50 Prozent der Verteilung finden sich zu keiner Zeit mehr als sieben
Anlageklassen.
Drei der insgesamt zwanzig Anlagemöglichkeiten werden nie mit ins Portfolio
aufgenommen.
Bei dem Portfolio mit dem höchsten Risiko wird nur mehr in eine Anlage investiert130.
Abbildung 11 veranschaulicht bei dem MV Portfolio mit dem höchsten Risiko sehr gut die
extreme Gewichtung und auch die Instabilität der Mean Variance Optimierung. Die
Gewichtungsveränderungen verlaufen im gesamten Risikoraster sehr viel stärker als in der
Resampling Optimierung. Die RM nimmt alle Anlageklassen ins Portfolio auf und erst bei
einem höheren Risiko, welches jedoch nur bei entsprechender Sicherheit zulässig ist, werden
Assetklassen ausgeschlossen. Selbst das Portfolio mit dem höchsten Risiko weist eine
Allokation aus mehreren Anlageklassen aus131.
130 Vgl. Michaud & Michaud 2008, S 13 131 Vgl. Michaud & Michaud 2008, S 13
28
Michaud und Michaud (2008) testeten, welcher der beiden Ansätze eine bessere Prognose und
somit eine bessere Sharpe-Ratio erreicht132: Ein Schiedsrichter wurde eingesetzt, dem die
genauen Werte von zwanzig verschiedenen Aktien bekannt waren. Die Markowitz- und die RM-
Investoren reichten die mit ihren Modellen erstellten Allokationen ein. Der Schiedsrichter
errechnete anschließend mit den nur ihm bekannten Zahlen, wie sich die Portfolios unter MV
und RM jeweils entwickelt hätten133.
Abbildung 12: Prognostizierte und tatsächlich eingetretene Effizienzkurven von MV und RM Optimierung (nach Michaud &
Michaud 2008, S 14)
Abbildung 12 zeigt in der linken Hälfte die prognostizierten Effizienzlinien von den
Markowitz- und den Resampling-Optimierern, rechts sind die vom Schiedsrichter mit den
tatsächlichen Werten berechneten Effizienzlinien der beiden Optimierungsverfahren
dargestellt. Die Prognose der MV Optimierung weist bei risikoreicheren
Portfoliooptimierungen eine bessere Sharpe-Ratio auf als die Allokationen der RM
Optimierung. Der Grund dafür ist, dass die RM Schätzfehler in den Inputs annimmt, die
wiederum zu Schätzfehlern in den Outputs führen. Daher weist das RM optimierte Portfolio
stets eine stärkere Diversifikation auf und gewichtet die renditestärksten Assets nicht so stark
wie die Markowitz Optimierung. In der Theorie erreicht der RM Ansatz so bei gleichem Risiko
eine niedrigere Rendite als die klassische MV Optimierung134. Unter realen Bedingungen
erreichen jedoch die RM Portfolios ein deutlich besseres Rendite/Risiko Verhältnis, wie aus
132 Vgl. Michaud & Michaud 2008, S 8ff 133 Vgl. Michaud & Michaud 2008, S 14 134 Vgl. Scherer (2003), S 324ff
29
dem rechten Teil der Abbildung 15 hervorgeht.
3.7.2 Rebalancing im Resampling Modell
Rebalancing wird von Managern in vorab definierten zeitlichen Intervallen durchgeführt.
Alternativ wird auch bei einer gewissen Abweichung der ursprünglichen Gewichte (z.B. ab
einer Abweichung von 10 Prozent) das Portfolio wieder in die Ausgangsallokation gebracht135.
Im Resampling Modell wird ein „need to trade“-Ereignis durch eine Unterschreitung des
Tracking Errors zwischen dem optimalen Portfolio und dessen assoziierten Portfolios ausgelöst.
Beispiel: Eine „need to trade“-Barriere von 10 Prozent impliziert, nur 10 Prozent der
gesampelten Portfolios dürfen gleiche Varianzen wie das optimale Portfolio aufweisen. Wird
diese Barriere überschritten, müssen die Gewichtsverteilungen im Portfolio neu angepasst
werden136.
3.7.3 Kritische Würdigung der RM Optimierung
Die Markowitz Optimierung benötigt sehr genaue Inputvariablen, ansonsten macht eine
praktische Anwendung kaum Sinn. MV Portfolios weisen extreme Gewichtungen auf. Tritt eine
Outperformance der hoch gewichteten Assetklassen jedoch nicht ein, wird eine unbefriedigende
Rendite generiert137. Die RM Optimierung setzt genau an diesem Punkt an. Sie versucht nicht
zwanghaft, die Genauigkeit der Inputvariablen zu verbessern, sondern bietet dem Anleger ein
Modell, welches auch unter unsicheren Prognosen mittels Durchschnittsberechnung valide
Allokationsvorschläge generiert138. Im Test von Michaud und Michaud (2008) konnte mit dem
RM Ansatz daher auch eine höhere Sharpe-Ratio erreicht werden139. Becker et al. (2009) zeigen
mit ihrer Studie, dass die Aufnahme von Beschränkungen und der Beobachtungszeitraum der
Inputvariblen starken Einfluss auf die Portfoliorendite haben140. Sie kommen jedoch zu dem
Ergebnis, dass die MV Optimierung tendenziell bessere Ergebnisse liefert als mittels RM
optimierte Portfolios141. Die Informationen, welche die Resampling Methode durch Nutzung
des jeweiligen Durchschnittswertes verliert, resultiert in einem höheren Performanceverlust als
135 Vgl. Michaud & Michaud 2008, S 18f 136 Vgl. Michaud & Michaud 2008, S 18 – 19 137 Vgl. Scherer (2003), S 320 138 Vgl. Michaud & Michaud 2008, S 15 139 Vgl. Michaud & Michaud 2008, S 8ff 140 Vgl. Becker et al. 2009, S 1ff 141 Vgl. Becker et al. 2009, S 19
30
die Eliminierung des Schätzfehlers zur Performance beitragen kann142. Neben dem
Beobachtungszeitraum kann die Qualität der Inputvariablen für beide Optimierungsverfahren
durch den Einsatz der von Frost und Savarino (1988) entwickelten Schätzstrategie verbessert
werden143. Besteht keinerlei Beschränkung bezüglich der Verteilung der Portfoliogewichte und
der Aufnahme von Leverage, wirkt sich eine Ausweitung des Beobachtungszeitraumes positiv
auf die Performance beider Modelle aus. Wird die Aufnahme von Fremdkapital beschränkt,
erwirtschaften RM und MV optimierte Portfolios dieselbe Rendite. Bei kürzerem
Beobachtungszeitraum schneiden unbeschränkte MV Portfolios besser ab als unbeschränkte
RM Portfolios144. Wird der Beobachtungszeitraum für die historischen Inputvariablen
ausgeweitet, gleicht sich die Performance jedoch nahezu an. Bei Long-only-Beschränkungen
wird diese Angleichung bereits früher erreicht145. Die Bestimmung der Inputvariablen mit der
Frost/Savarino Methode bringt vor allem bei kürzeren Zeiträumen bessere Ergebnisse als jene,
die aufgrund von historischen Beobachtungen eingesetzt wurden146. Scherer (2003) zeigt, dass
die Durchschnittsbildung von beobachteten Daten problematisch sein kann, da durch eine
geringe Anzahl von extremen Werten der Durchschnittswert verzerrt wird147.
142 Vgl. Becker et al. 2009, S 14 143 Vgl Frost & Savarino 1988, S 29ff 144 Vgl. Becker et al. 2009, S 1ff 145 Vgl. Becker et al. 2009, S 1ff 146 Vgl. Becker et al. 2009, S 19f 147 Vgl. Scherer (2003), S 320ff
31
Abbildung 13: Beispiel Gewichtung von US-Aktien in verschiedenen Samples (nach Scherer 2003, S 327)
Anhand der in Abbildung 13 ersichtlichen Samples errechnete Scherer (2003) die Gewichtung
der Assetklasse US-Aktien und kam auf ein Ergebnis von 23 Prozent148. Dieser
Allokationsvorschlag der RM Methode scheint sehr verzerrt, da mehr als 500 von 1000 Samples
eine Gewichtung von 0–5 Prozent aufweisen und nur durch manche Ausreißer, die eine
Gewichtung von annähernd 100 Prozent aufwiesen, ein derartiger Durchschnitt entsteht149.
Die zwei unterschiedlichen Ergebnisse werfen Fragen hinsichtlich der Performance der RM
Optimierung gegenüber dem klassischen Markowitz Ansatz auf. Bei einer sehr hohen
Prognosegüte erreicht der Markowitz Ansatz eine bessere Performance als der RM Ansatz, da
er die Anlage mit dem besten Rendite/Risiko im Extremfall auch zu 100 Prozent gewichtet.
Treffen Ergebnisse jedoch nicht wie prognostiziert ein, stellen Schranken wie der MRP eine
sehr gute Risikobegrenzung dar.
148 Vgl. Scherer (2003), S 320ff 149 Vgl. Scherer (2003), S 327
32
3.8 Szenariobasierte Portfoliooptimierung
Die szenariobasierte Portfoliooptimierung ist eine Fortentwicklung des Resampling Modells.
Es werden Szenarien berechnet und anschließend deren Eintrittswahrscheinlichkeit bestimmt.
Die Renditen werden mit dem Bootstrap Verfahren ermittelt. Das heißt, die Renditen aller
Anlageklassen werden zu einem zufällig ausgewählten Zeitpunkt ausgewählt. Durch
mehrfaches Ziehen werden Zusammenhänge zwischen den Assets und deren Performance
ermittelt. Durch ein häufiges Wiederholen des Ziehvorganges wird der Schätzfehler minimiert.
Dies bietet eine Alternative zur Korrelation, da das Zusammenspiel der Anlageklassen so
ebenfalls abgebildet wird150.
3.8.1 Erstellung des Portfolios mittels Szenarien
Bei der Erstellung des Portfolios mittels Szenarien bilden die drei Monatsrenditen sämtlicher
Anlageklassen den Ausgangspunkt. Zu zufälligen Zeitpunkten gezogene Renditen werden
durch Mittelwertadjustierung an die entsprechenden Szenarien angepasst. Der Mittelwert des
gesamten dreimonatigen Zeitraums wird von dem gezogenen Wert subtrahiert und anschließend
der erwartete Renditewert des Szenarios addiert151. Eine Anzahl von 50 Ziehungen hat sich in
der praktischen Anwendung als ausreichend erwiesen. Es kann auch eine
Eintrittswahrscheinlichkeit von beispielsweise 30 Prozent für Szenario 1 und 70 Prozent für
Szenario 2 gewählt werden. In einem solchen Fall würden nicht 50 Stichproben aus Szenario 1
oder 2, sondern 15 Proben aus Szenario 1 und 35 aus Szenario 2 gezogen. Mittels Conditonal
Value at Risk wird auf Basis der 50 gezogenen Renditen ein Portfolio optimiert. Dieser Vorgang
wird hundert Mal wiederholt. Anschließend wird von den hundert Portfolios der Mittelwert der
jeweiligen Anlagengewichtung berechnet. Die so berechneten durchschnittlichen Mittelwerte
ergeben die Gewichtungen des optimalen Portfolios152. Das Erstellen mehrerer Szenarien bietet
den Vorteil, dass bei einer Veränderung des Marktgeschehens von einem Szenario in ein anderes
Szenario gewechselt werden kann. Dieser Übergang kann auch fließend über einen gewissen
Zeitraum geschehen153.
150 Vgl. Söhnholz et al. 2010, S 91f 151 Vgl. Söhnholz et al. 2010, S 93 152 Vgl. Söhnholz et al. 2010, S 94 153 Vgl. Söhnholz et al. 2010, S 93
33
3.9 Yale Modell
Kernidee des Yale Modells ist die Cash-Quote im Portfolio so niedrig wie möglich zu halten,
da in anderen Asset Klassen höhere Renditen zu realisieren sind154. Dieser Gedanke lässt sich
auch in der Zusammensetzung des Portfolios erkennen. Neben einer breiten Diversifikation
wird vor allem auf Werte mit einer hohen erwarteten Rendite (beispielsweise Private Equity)
gesetzt. Assets, denen aktuell eine schwache E(r)155 zugetraut wird (zum Beispiel Rohstoffe oder
Anleihen), werden geringer gewichtet156. Die Yale Stiftung hat auch einige Frühwarnsysteme
erarbeitet, um ungewöhnliche Marktbewegungen vorherzusehen und so von der geplanten
Allokation abweichen zu können157. Das Management ist bemüht, Mehrheitsmeinungen außer
Acht zu lassen und teilweise antizyklische Handlungen zu setzen158. In den vergangenen
zwanzig Jahren wurde sukzessive von traditionelle in alternative Anlageklassen umgeschichtet.
War die Stiftung 1994 noch zu 38 Prozent in traditionelle Anlagen investiert, ist der Bestand
2014 auf nur mehr elf Prozent geschrumpft159. Alternative Investmentformen erreichen eine
bessere Performance gegenüber klassischen Anlageformen. Als Grund wird genannt, dass nicht
traditionelle Märkte eine höhere Ineffizienz bezüglich der Preisbildung aufweisen. Daher kann
durch eine geschickte Auswahl ein positives Alpha generiert werden. Da diese Anlagen
schlechter handelbar sind, ist auch ein Renditezuschlag für Illiquidität zu erwarten. Die
schlechtere Handelbarkeit von alternativen Assets ist nicht weiter problematisch für die
Stiftung, weil diese langfristig ausgerichtet ist. Bis zu 50 Prozent des Vermögens plant das
Stiftungsmanagement auf lange Sicht in illiquide Anlagen zu investieren160. Des Weiteren trägt
die Aufnahme zusätzlicher Anlageklassen zur Portfoliodiversifikation bei161. Bei der Auswahl
der „zusätzlichen“ Anlageklassen wird jedoch darauf geachtet, dass die Performance ähnlich
hoch wie jene von Aktien ist. Die Stiftung versucht somit auch Anleihen, die einen
vergleichsweise geringen Return im Vergleich zu Aktien liefern, durch alternative Assets zu
ersetzen162. Yale setzt bei der Auswahl der einzelnen Anlagen sowohl bei den alternativen
Anlageklassen, als auch bei den traditionellen Assets auf ein aktives Management. Bei den
alternativen Assets erscheint dies bei entsprechender Expertise sinnvoll, da es sich um keine
154 Vgl. Grimm et al. 2014, S 289 155 erwartete Rendite 156 Vgl. Grimm et al. 2014, S 290 157 Vgl. Swensen 2015, S 4 158 Vgl. Grimm et al. 2014, S 290 159 Vgl. Swensen 2015, S 5 160 Vgl. Swensen 2015, S 5 161 Vgl. Swensen 2011, S 8 162 Vgl. Swensen 2015, S 5 und 11
34
effizienten Märkte handelt. Im Falle der effizienten, traditionellen Assets ist eine signifikante
Outperformance theoretisch schwierig zu erzielen, da es sich hierbei um effiziente Märkte
handelt163. Das Stiftungsmanagement schafft es jedoch, wie Abbildung 14 zeigt, in allen
Anlageklassen ein positives Alpha zu generieren164.
Abbildung 14: Performancevergleich im Zeitraum von 2004 bis 2014 p.A.: Yale vs. aktive Fonds vs. Index (nach Swensen 2015,
S 21)
Das Yale Modell kann als Übergang von der zweiten zur dritten Generation gesehen werden,
da versucht wird, direkt in Rendite-Risiko-Quellen zu investieren. Diese antizyklische
Handlungsweise gegenüber traditionellen Investments wird am Jahr 2009 ersichtlich. Es wurde
im Portfolio ein Verlust von 24,6 Prozent erwirtschaftet. In den Folgejahren flüchtete die
Stiftung jedoch nicht in defensive Investments, sondern verstärkte sogar noch ihr Engagement
163 Da sämtliche verfügbare Informationen bereits im Preis enthalten sind. Siehe Punkt 2.3 und 3.5 164 Vgl. Swensen 2015, S 10ff
35
in illiquide Anlageklassen165. Das Yale Modell weicht allgemein stark von den gängigen
Allokationen anderer Universitätsstiftungen ab, wie in Abbildung 15 veranschaulicht wird166.
Abbildung 15: Vergleich Allokation Yale und andere Universitätsstiftungen (nach Swensen 2015, S 13)
Die langfristige Performance ist beeindruckend. In den vergangenen zehn Jahren konnten
durchschnittlich elf Prozent p.A.167 erzielt werden, in einem Zeithorizont über 20 Jahre sogar
13,9 Prozent pro Jahr168. Diese starke Performance kann überwiegend durch die Returns aus
dem Private Equity Engagement erklärt werden. So erwirtschafteten die Private Equity Anteile
im Zeitraum von 1997 bis 2007 33,9 Prozent p.A.169. Jedoch setzt das Yale Portfolio bei der
Diversifikation nach wie vor auf Assetklassen, Allokationsentscheidungen auf einer noch
punktuelleren Ebene anhand von Risikomaßen werden nicht vorgenommen170. Mladina und
Coyle (2010) bewiesen in ihrer Studie, dass das Alpha, das Yale durch aktive Titelselektion
generiert, gering ausfällt171. Die Renditeergebnisse der Yale Stiftung können neben der
extremen Performance durch Private Equity Investments mit dem Einsatz von Leverage bei den
traditionellen Assetklassen erklärt werden172.
Zusammenfassend kann festgestellt werden, dass Yale im Bereich von Private Equity eine
starke Outperformance gegenüber dem Referenzindex erreicht. Die anderen Benchmarks
werden nur durch den Einsatz von Hebelungen outperformt. Wird die Fremdkapitalquote in den
passiven Benchmarks mitberücksichtigt, gerät Yale gegenüber passiven Investments ins
165 Vgl. Grimm et al. 2014, S 291 166 Vgl. Swensen 2015, S 13 167 per Anno 168 Vgl. Swensen 2015, S 2 169 Vgl. Mladina & Coyle 2010, S 51 170 Vgl. Grimm et al. 2014, S 291 171 Vgl. Mladina & Coyle 2010, S 45ff 172 Vgl. Mladina und Coyle 2010, S 49f
36
Hintertreffen173.
3.10 Naive Asset Allokation
Die Grundidee der Naiven Asset Allokation besteht in der Aufnahme weiterer Anlageklassen,
um das Gesamtrisiko des Portfolios durch Diversifikation zu senken. Genaue Daten bezüglich
der Rendite und Risiko, wie sie beispielsweise bei einer MV Optimierung als Input dienen,
werden nicht benötigt174. Dennoch muss mittels Makro-Research überprüft werden, ob eine
Anlageklasse die notwendigen Voraussetzungen hinsichtlich der Größe und der positiven
unabhängigen Entwicklung erfüllt. Ist die Anlageklasse zu klein oder wird eine negative
Entwicklung erwartet, wird kein Long Investment vorgenommen175.
Abbildung 16: Konzept Naive Asset Allokation (nach Söhnholz et al. 2010, S 104)
In Abbildung 16 wird der Optimierungsvorgang und das Konzept der steigenden Sharpe-Ratio
durch eine Erhöhung des Diversifikationseffektes dargestellt. Die Hinzunahme einer weiteren
Assetklasse verbessert die Sharpe-Ratio im Regelfall immer. Der Diversifikationseffekt nimmt
jedoch mit zunehmender Anzahl von Anlageklassen im Portfolio ab. Nur in Einzelfällen kommt
173 Vgl. Mladina und Coyle 2010, S 51 174 Vgl. Söhnholz et al. 2010, S 103 175 Vgl. Söhnholz et al. 2010, S 103f
37
es zu einer „Überdiversifikation“, in so einem Fall führt die Aufnahme einer weiteren
Assetklasse zu einer Verschlechterung der Sharpe-Ratio. Ein Absinken der Sharpe-Ratio ist
beobachtbar, wenn die zusätzlich hinzugefügte Anlageklasse mit einer oder mehreren
Assetklassen stark korreliert176.
3.11 Zero-based Tactical Asset Allocation
Die Zero-based Tactical Asset Allocation ist im Gegensatz zur langfristig orientierten
traditionellen Asset Allokation ein kurzfristiger und opportunistisch ausgerichteter Ansatz.
Die Idee dieses Ansatzes ist es, nur von einer risikolosen Anlage abzuweichen, wenn mit hoher
Konfidenz in einem anderen Asset eine höhere Rendite erwirtschaftet werden kann. Die
Grundallokation bildet eine risikolose Anlage (beispielsweise Cash oder kurzfristige
Staatsanleihen)177. Ergibt sich die Möglichkeit, in einer anderen Anlageklasse eine höhere
Sharpe-Ratio zu erzielen, wird in diese investiert. Bei einem Long-Short-Ansatz werden auch
Anlagen mit einer voraussichtlich negativen Performance näher betrachtet. Wichtig ist, dass die
subjektiven Prognosen des Investors sicher genug sind178. Als Entscheidungshilfe wird ein
Intervall festgelegt. Übersteigt die Untergrenze des Intervalls die Sharpe-Ratio des risikolosen
Zinssatzes, wird in das Asset investiert. Da nur in die Anlageklasse mit dem besten Sharpe-
Ratio investiert wird, entfällt der Diversifikationseffekt. Der Erfolg der ZebTAA179 gegenüber
anderer Allokationsformen hängt stark von der Prognosequalität des Investors ab. Sogenannte
„Black Swan Events“, also Ereignisse die unvorhersehbar sind, können die Performance trotz
guter Prognosefähigkeit stark schwächen180.
3.12 Best-of-Two-Strategie
Die Best-of-Two-Strategie ist genauso wie die ZebTAA eine dynamische Asset Allokation. Der
Allokationsfokus der BoT181 liegt dabei auf zwei Anlageklassen, wobei eine risikoarme
Basisanlageklasse, beispielsweise der REXP182, und eine risikobehaftete Austauschoption auf
176 Vgl. Söhnholz et al. 2010, S 106ff 177 Vgl. Söhnholz et al. 2010, S 111 178 Vgl. Söhnholz et al. 2010, S 111 179 Zero-based Tactical Asset Allocation 180 Vgl. Söhnholz et al. 2010, S 112–116 181 Best of Two 182 Deutsche Staatsanleihen Rentenindex.
38
den DAX183 ins Portfolio aufgenommen werden. Wenn die risikoreiche Anlage schlechter als
die Basisanlage performt, lässt der Investor die Option verfallen. Erzielt der Markt, für den eine
Kauf-Option erworben wurde, am Ende der Laufzeit eine bessere Rendite, wird die Option
ausgeübt. Die Gewichtung zwischen Aktien und Renten wird mit der Optionspreistheorie
bestimmt184.
3.12.1 Performance der Best-of-Two-Strategie
Dichtl und Schlenger (2003) untersuchten im Zeitraum von Jänner 1972 bis Dezember 2002,
ob die Best-of-Two-Strategie bessere Ergebnisse als ein reines Aktien- oder
Anleiheninvestment oder eine konstante 50:50 Allokation erwirtschaften kann185. Das Best-of-
Two-Portfolio startete zu Jahresbeginn stets mit einer Ausgangsallokation von 50:50. Die
Methode wurde im Monatstakt angepasst. Angefallene Transaktionskosten wurden
entsprechend mitberücksichtigt186.
Abbildung 17: Kumulierte Wertentwicklung und Wertentwicklung in zehn-Jahres-Abständen der einzelnen Anlagestrategien
(nach Dichtl und Schlenger 2003, S 812)
Die entsprechenden Wertentwicklungen aus Abbildung 17 zeigen, dass die Best-of-Two-
Strategie in sämtlichen zehn-Jahres-Zeiträumen bessere Ergebnisse als eine 50:50 Allokation
erwirtschaftete. Die Sinnhaftigkeit einer Option statt eines fixen Aktieninvestments scheint
bestätigt. Die Jahre 2000 bis 2002 zeigten, dass der Einsatz des Hebels mittels der
Austauschoption auch bei einer Nichtausübung mit Kosten verbunden ist. So erwirtschaftete
183 Deutsche Aktien mit der höchsten Marktkapitalisierung. 184 Vgl. Dichtl & Schlenger 2003, S 810 185 Vgl. Dichtl & Schlenger 2003, S 809ff 186 Vgl. Dichtl & Schlenger 2003, S 811
39
das reine Anleiheninvestment in diesen drei Jahren stets positive Renditen. Die Best-of-Two-
Strategie notierte zu Jahresende immer im Minus. Die Verluste gegenüber dem reinen
Aktieninvestment fielen jedoch moderat aus187. In einem Bärenmarkt federt die BoT-Strategie
einen Großteil der Verluste ab. So fielen im Jahr 2002 die Verluste eines reinen DAX
Investments mit -43,94 Prozent und die Verluste der 50:50 Allokation mit -19,84 Prozent
gravierend aus. Der Verlust der Best-of-Two-Strategie erscheint mit -2,4 Prozent hingegen
passabel. In Zeiträumen einer Aktien-Hausse kann die BoT-Allokation jedoch sehr gut an der
Performance eines steigenden Aktienmarktes partizipieren188. Die BoT-Strategie bietet also den
Vorteil, dass sie Verluste eines schlechten Aktienmarkts gut abdämpfen kann, jedoch Gewinne
in einem Umfeld von steigenden Aktienkursen realisiert. So erreicht dieses Portfolio im
gesamten betrachteten Zeitraum:
eine kumulierte Wertsteigerung von 78,63 Prozent
der REXP einen Wertzuwachs von 43,03 Prozent
die 50:50 Allokation eine Steigerung von 28,08 Prozent und
der DAX lediglich eine Zuwachs von 0,14 Prozent .
Der BoT-Ansatz erreichte bezüglich des Verlustrisikos schlechtere Werte als ein reines
Anleiheninvestment. Dies ist jedoch nachvollziehbar, da das Halten der Ausübungsoption mit
Kosten verbunden ist. Gegenüber des Aktieninvestments und der 50:50 Allokation sind die
Kursrücksetzer jedoch sehr viel geringer ausgefallen wie Abbildung 18 zeigt189.
Abbildung 18: Verlustgefahren der einzelnen Anlagestrategien (nach Dichtl & Schlenger 2003, S 813)
Auffallend ist die Fähigkeit zur Abfederung von Verlusten in ausgeprägten Bärenmärkten der
Bo-Strategie. Der in Abbildung 18 ersichtliche maximale Jahresverlust zeigt, dass in einem
negativen Aktienmarkt nicht der höchste Verlust zu verbuchen war. Im Gegensatz zur BoT-
187 Vgl. Dichtl & Schlenger 2003, S 811 188 Vgl. Dichtl & Schlenger 2003, S 811 189 Vgl. Dichtl & Schlenger 2003, S 811 – 813
40
Strategie führt ein schwieriges Umfeld auf den Aktienmärkten bei der 50:50 Allokation zu sehr
schlechten Ergebnissen. Im Jahr 2002 wurde nicht nur mit einem reinen DAX Investment der
höchste Kursverlust erwirtschaftet, auch die 50:50 Allokation erwirtschaftete in diesem Jahr ihr
schlechtestes Ergebnis190. Der maximale Drawdown in Abbildung 18 zeigt noch besser, dass
die BoT-Strategie in einer Aktienbaisse auf den Verlust der Optionsprämie begrenzt ist. Anhand
der Semivarianz, die als Maß der Streuung um den Erwartungswert dient191, wird ersichtlich,
dass die BoT weniger als andere Strategien von der Renditeerwartung abweicht. Die Best-of-
Two-Strategie bietet somit einen guten Mechanismus zur Begrenzung von Risiken. Sie nutzt
aber dennoch das Potential von steigenden Renditen in Märkten mit höheren Risiken.
3.13 Kritik an den Modellen der zweiten Generation
Die Portfolios der zweiten Generation der Asset Allocation stellen eine wesentliche
Verbesserung gegenüber der Ein-Perioden und -Faktoren Modelle der ersten Generation dar.
Eine ausreichende Absicherung gegenüber Geschehnissen von immer komplexer werdenden
Märkte liefern die Modelle der zweiten Generation aber nicht192. Die Asset Allocation der
zweiten Generation versucht durch strategische und taktische Allokation das Portfolio ideal zu
„timen“. Des Weiteren werden Gewichtungen sektoral und geografisch verschoben, um ein
ideales Rendite/Risiko Profil zu erreichen. Die Modelle erfordern jedoch sehr gute
Prognosefähigkeit, welche in der Praxis jedoch nur beschränkt zutreffen193. Wie auf den
Abbildungen 19 und 20 ersichtlich, ist das Timing der Prognosen stets verspätet. Folglich
gelingt es den Investoren nicht, den idealen Ein- beziehungsweise Ausstiegspunkt in die
einzelnen Assets entsprechend zu bestimmen.
190 Vgl. Dichtl & Schlenger 2003, S 811 191 Zur genauen Erklärung des Begriffes der Semivarianz siehe Markowitz 2008, S 222 – 238 192 Vgl. Grimm et al. 2014, S 293 193 Vgl. Grimm et al. 2014, S 293f
41
Abbildung 19: Prognose ein Jahr im Voraus über Rendite von zehnjährigen Bonds (nach Montier 2007, S 97)
Abbildung 20: Prognose ein Jahr im Voraus über Stand S&P 500 (nach Montier 2007, S 97)
Durch die fortschreitende Globalisierung und Vernetzung der Welt folgt eine steigende
wechselseitige Abhängigkeit der einzelnen Volkswirtschaften untereinander. Neben dem
geografischen Zusammenhang wird auch die Abhängigkeit der einzelnen Wirtschaftssektoren
zueinander ausgeprägter194. So wird der Diversifikationseffekt durch eine geografische und
sektorale Streuung in Zukunft weiter abnehmen. Durch die steigende Popularität von
alternativen Anlageklassen, wie beispielsweise Hedgefonds, ist deren Diversifikationsbeitrag
im Zeitverlauf ebenfalls gesunken195.
194 Vgl. Grimm et al. 2014, S 295 195 Vgl. Grimm et al. 2014, S 295
42
4 Asset Allocation der dritten Generation
Die Asset Allocation der zweiten Generation beschränkt das Risikomaß fälschlicherweise auf
die Volatilität. Es wird versucht, eine ausreichende Diversifikation durch Beimischung
verschiedener Assetklassen zu erreichen196. Im Zeitalter der Globalisierung stellen
Unterschiede bezüglich der geografischen Ausrichtung, Strukturen oder der Strategie jedoch
keine hinreichende Diversifikation dar. Vor allem die Finanz- und Wirtschaftskrise 2008 machte
diesen Umstand deutlich197.
Die Asset Allocation der dritten Generation beschränkt das Risiko nicht auf eine Anlageklasse.
Sie ermittelt, welche Risikofaktoren auf die jeweilige Anlageklasse wirken. Überlappende
Risiken zwischen den einzelnen Assetklassen können dadurch festgestellt werden. Die
Risikofaktoren, die mit der Aufnahme einer Anlage ins Portfolio einhergehen, sind somit
bekannt. Dem Investor ist es so auch möglich, nur die Risiken in sein Portfolio aufzunehmen,
die er eingehen möchte198. Wird nur anhand von verschiedenen Anlageklassen diversifiziert
ohne das genau Risk Exposure Profile des jeweiligen Assets zu bestimmen, kann der Anleger
nicht vorhersagen, wie hoch das Risiko ist, welches sein Depot im Falle eines Eintritts belastet.
In wirtschaftlich moderaten Zeiten werden Überrenditen fälschlicherweise mit einem Alpha,
das durch die Titelselektion generiert werden kann, erklärt. In turbulenten Marktphasen wie
dem Jahr 2008 wurde jedoch klar, dass diese Anlageklassen (Beispiel: Corporate-Bonds und
High-Yield-Bonds) zum Teil auch die Risikoprämie Aktienmarkt enthalten. Dies erklärt auch,
warum Anlageklassen eine höhere Korrelation als Risikoklassen zueinander aufweisen199. Eine
Portfoliokonstruktion auf Basis von Risikofaktoren sollte daher robustere Portfolioergebnisse
ermöglichen. Die Ermittlung entsprechender Proxies der einzelnen Risikofaktoren stellt mit
Sicherheit eine Herausforderung dar. Diese Hürde ist aber überwindbar, da in den vergangenen
Jahren die Anzahl von passiven Investments, vor allem der Smart Beta Investments, gestiegen
ist200.
196 Vgl. Schuller und Kula 2013, S 1 197 Vgl. Schuller und Kula 2013, S 1 198 Vgl. Schuller und Kula 2013, S 5 199 Vgl. Schuller und Kula 2013, S 2ff 200 Vgl. Schuller und Kula 2013, S 7
43
4.1 Das Arbitrage Preis Modell als Übergang von Einfaktor- zu Multifaktormodellen
Das CAPM kann als typisches „Ein-Faktor-Modell“ gesehen werden. Die Arbitrage Pricing
Theory nimmt, wie das CAPM, eine lineare Rendite/Risiko Beziehung an. Diese wird jedoch
durch mehrere Einflussfaktoren erklärt. Die APT201 unterstellt, so wie das CAPM, dass die
Märkte im Gleichgewicht sind. Es kann keinerlei Alpha aus einer Unterbewertung oder im
negativen Falle aus einer Überbewertung der Aktie generiert werden202.Will der Anleger eine
Rendite über dem risikolosen Zinssatz erreichen, muss er demnach Risiken eingehen203. Die
Annahmen des CAPM einer quadratischen Nutzenfunktion, eines Marktportfolios und
normalverteilter Renditen werden von der APT nicht benötigt204. Die APT kommt mit weniger
Annahmen aus als andere Risiko/Rendite Messsysteme. Das ist ein großer Vorteil und macht
das Arbeiten mit dieser Theorie um ein Vielfaches einfacher. Die Annahmen lassen sich wie
folgt zusammenfassen:
Risikoprämien können im Zeitverlauf variieren.
Die Sensitivität der Anlage kann im Zeitverlauf variieren.
Unsystematische Risiken, die nur eine Anlage betreffen, konvergieren gegen null, da
sich viele Anlagen in einem gut diversifizierten Portfolio befinden205.
Multifaktormodelle teilen systemische Risiken in mehrere Faktoren, wie beispielsweise
Konjunkturzyklen, Energiepreise und Inflation. Die systemischen Risiken stellen dabei die zu
erwartende Rendite dar und korrelieren auch zueinander. Die systemischen Risiken werden mit
einer Rendite entschädigt. Das heißt, dass die APT die Rendite im Portfolio durch die
verschiedenen eingegangenen Risiken erklärt. Die nicht systemischen Risiken, die nur einzelne
Werte im Portfolio betreffen, können durch Diversifikation eliminiert werden. Daher wird für
diese auch keine Renditeentschädigung angenommen206. Multifaktormodelle wie die APT
haben einen deutlich besseren Erklärungsgehalt als das CAPM, da sich dieses nur auf einen
Faktor zur Renditeerklärung beruft207. Weil die APT systemischen Risiken in mehrere Faktoren
zerlegt, kann besser ermittelt werden, wie eine Aktie auf die Änderung eines bestimmten
Risikofaktors reagiert (beispielsweise auf eine Veränderung der Inflation). Die APT teilt
201 Arbitrage Pricing Theory 202 Vgl. Mondello 2013, S 277f 203Vgl. Burmeister et al. 1998, S 5 204 Vgl. Mondello 2013, S 289 205 Vgl. Burmeister et al. 1998, S 25f 206 Vgl. Burmeister et al. 1998, S 4 und Mondello 2013, S 277f 207 Vgl. Mondello 2013, S 277f
44
Risiken in zu erwartende und unerwartete Risiken. Wurde eine Inflationssteigerung für das
dritte Quartal eines Jahres von 0,5 Prozent erwartet, ist dies bereits vorab in den Anlagen
eingepreist. Beträgt die Steigerung aber unerwartete 1,5 Prozent , wird dies zu einer
Preisänderung führen208. Bewegungen, die durch unerwartete ökonomische Ereignisse
verursacht werden, konvergieren langfristig gegen null, da sich positive und negative
Abweichungen ausgleichen. Durch Abweichungen der erwarteten Entwicklungen können
jedoch kurzfristig signifikante Auswirkungen auf die realisierten Renditen entstehen209. Daher
ergibt sich folgende Formel zur Berechnung der zu erwartenden Rendite des Portfolios mittels
APT:
E(rp) = rf + βp,1F1 + βp,2F2 + … + βp,nFn + εp (3)
Die erwartete Rendite (E(rp)) einer Anlage setzt sich somit zusammen aus:
dem risikolosen Zins (rf),
den Renditeentschädigungen für die einzelnen Risikofaktoren (βp,1F1 + βp,2F2 + … + βp,nFn)
und
dem anlagespezifischen Error Term (εp)210.
Jede Aktie und jedes Portfolio weisen demnach ein Risk Exposure Profile auf. Dieses Profil
beschreibt die Charakteristik einer Aktie:
in welche Richtung ( positiv oder negativ),
mit welcher Intensität (ausgedrückt durch Betas),
die Aktie auf die einzelnen Risiken (ausgedrückt durch F) reagiert.
Die APT erklärt durch dieses Profil die Volatilität und die zu erwartende Rendite eines
Investments. Durch das Risikoprofil ist es dem Investor auch möglich zu simulieren, wie sich
eine Aktie verhält, wenn sich Einflussvariablen überraschend anders entwickeln als
angenommen. Wenn sich beispielsweise das Konsumklima positiver als angenommen
verändert, profitieren Aktien von Einzelhändlern, die stark von dieser Variable beeinflusst
werden, in größerem Umfang als Werte aus anderen Wirtschaftsbereichen211.
208 Vgl. Mondello 2013, S 278ff 209 Vgl. Burmeister et al. 1998, S 18f 210 Vgl. Burmeister et al. 1998, S 4 211 Vgl. Burmeister et al. 1998, S 3
45
4.1.1 Faktoren, die Renditen beeinflussen
Chen et al. (1986) fanden in ihrer Untersuchung des amerikanischen Aktienmarktes heraus, dass
folgende Faktoren eine signifikante Erklärung für die zu erwartenden Renditen zeigen212:
prozentuelle Veränderung der Industrieproduktion
prozentuelle Veränderung der zu erwartenden Risikoprämien (Differenz von Anleihen,
die unter Baa notieren, minus langfristiger Staatsanleihen)
prozentuelle Veränderung der Zinskurve213
In Zeiträumen, wo die erwartete und unerwartete Veränderung der Inflation durch extreme
Schwankungen gekennzeichnet war, konnte diese einen signifikanten Beitrag zur
Renditeerklärung leisten214. Eine Veränderung des Ölpreises oder eine Veränderung des
Konsumverhaltens hatten keine signifikante Auswirkung auf die Preisbildung von Aktien215.
Die Variablen Aktienmarkt (Variable 1: Aktien der New Yorker Börse nach Kapitalisierung
gewichtet; Variable 2: Aktien New Yorker Börse gleichgewichtet) konnten Renditen signifikant
erklären. Wurden jedoch auch die ökonomischen Variablen in die Berechnung mit
aufgenommen, konnte keine Signifikanz mehr nachgewiesen werden. Das lässt die
Interpretation zu, dass der Erklärungsgehalt von Indices auf Aktien nicht ökonomischer Natur
ist, sondern nur durch die Korrelation von Index zu Aktie entsteht216. Empirische Studien kamen
zu dem Ergebnis, dass fünf Faktoren eine adäquate Renditeerklärung liefern. Die Stärke der
Betas der einzelnen Faktoren variiert jedoch in verschiedenen Zeitperioden217. Burmeister et al.
(1998) erstellten in ihrer Forschung ein Set aus folgenden Variablen218:
1. Confidence Risk:
Dieser Faktor misst das Verhältnis der Geldrückflüsse von sicheren Staatsanleihen zu
risikoreichen Unternehmensanleihen. Beide weisen eine Laufzeit von 20 Jahren auf. Die
Rückflüsse sind langfristig gleich.
Wird jedoch in einem Monat festgestellt, dass durch Unternehmensanleihen mehr
Rückflüsse generiert werden als mit Staatsanleihen, wird angenommen, dass die
Investoren höheres Vertrauen in die Wirtschaft haben, da sie bereit sind, erhöhtes Risiko
212 Vgl. Chen et al. 1986, S 383ff 213 Vgl. Chen et al. 1986, S 402 214 Vgl. Chen et al. 1986, S 402 215 Vgl. Chen et al. 1986, S 401 216 Vgl. Chen et al. 1986, S 399 217 Vgl. Burmeister et al. 1998, S 7 218 Vgl. Burmeister et al. 1998, S 1ff
46
einzugehen.
Die meisten Aktien reagieren positiv bei einem Ansteigen dieser Kennzahl. Sie
profitieren vom gestiegenen Vertrauen in eine positive Entwicklung der Wirtschaft.
Kurse von Gesellschaften mit einer geringeren Kapitalisierung ziehen aus einem
höheren Vertrauen in die Wirtschaftsentwicklung einen stärkeren Nutzen als
Unternehmen mit einem hohen Gesamtwert219.
2. Time Horizon Risk:
Mit dieser Variable wird eine Änderung des Verhältnisses von 30-tägigen Treasury Bills
zu 20-jährigen Staatsanleihen gemessen.
Verändert sich das Gewicht zugunsten der 20-jährigen Staatsanleihen, bedeutet dies,
dass der Investor weniger Entschädigung für das Halten von Anlagen mit längeren
Laufzeiten verlangt.
Ein positives Vorzeichen dieses Faktors bedeutet steigende Aktienkurse. Aktien von
Firmen in der Wachstumsphase, sogenannte Growth Aktien, profitieren hier stärker als
etablierte Unternehmen220.
3. Inflation Risk:
Das Inflationsrisiko besteht aus der Kombination der erwarteten Inflation und der
unerwarteten Änderung dieser. Sie wird von einer Reihe ökonomischer Faktoren
beeinflusst.
Als Beispiel kann der Leitzins genannt werden. Eine unerwartete Änderung kommt
zustande, wenn die Inflation am Ende eines Monats sich nicht mit der am Monatsanfang
prognostizierten deckt.
Die meisten Aktien reagieren mit sinkenden Kursen auf eine überraschend steigende
Inflation, da dem erwirtschafteten Gewinn eine Entwertung wiederfährt.
Am stärksten betroffen vom Inflationsrisiko sind Unternehmen, die Luxusgüter
produzieren. Mit dem Inflationsanstieg wird die reale Kaufkraft der Konsumenten
geschmälert. Negative Auswirkungen auf Einzelhändler, Dienstleister und die
Gastronomie sind die Folge. Unternehmen, die hohe Bestände von Öl halten oder viele
Immobilien besitzen, profitieren hingegen221.
219 Vgl. Burmeister et al. 1998, S 8 220 Vgl. Burmeister et al. 1998, S 8 221 Vgl. Burmeister et al. 1998, S 8f
47
4. Business Cylce Risk:
Am Ende jedes Monats werden Daten über die Konjunkturentwicklung veröffentlicht.
Das Konjunkturrisiko stellt hier eine positive oder negative Entwicklung gegenüber dem
Vormonat dar.
Ein Aufschwung hat eine positive Auswirkung auf die Aktienmärkte zur Folge,
Rückgänge wirken sich negativ aus.
Erholt sich eine Volkswirtschaft von einer Rezession, steigt also die
Konjunkturentwicklung länger stark an. In diesem Fall profitieren Aktien von
Einzelhandelsbetrieben stärker als Titel von Versorgerbetrieben222.
5. Market Timing Risk:
Bei dieser Variable wird der Teil der Rendite erklärt, der nicht durch die oben
angeführten makroökonomischen Variablen erklärt werden kann. Der zugrunde
liegende Wert ist hier die Entwicklung des S&P 500. Diese Variable kann also als
Verbindungsglied zwischen APT und CAPM gesehen werden.
Für den unwahrscheinlichen Fall, dass alle anderen Betas einen Wert von null
aufweisen, würde der Faktor des Market Timing Risk genau dem Beta des CAPM
entsprechen. Statistische Tests beweisen jedoch, dass die makroökonomischen Faktoren
eine bessere Erklärung für zukünftige Renditenversprechen darstellen als statistische
Variablen223.
Burmeister et al. (2003) entwickelten eine Software namens BIRR224. Dieses Programm
simuliert und berechnet Einflüsse und Auswirkungen auf die Portfoliorendite. Es zeichnet seit
April 1992 monatlich Daten zu den Einflussfaktoren des S&P 500 auf225.
222 Vgl. Burmeister et al. 1998, S 9 223 Vgl. Burmeister et al. 1998, S 9 224 Vgl. Burmeister et al. 2003, S 1ff 225 Vgl. Burmeister et al. 2003, S 9
48
Abbildung 21: Berechnungsauszug BIRR für den S&P 500 (nach Burmeister et al. 2003, S 9f)
Abbildung 21 stellt die Berechnung bei einem risikoloser Zinssatz von 5 Prozent dar. Der
Investor kann in diesem Beispiel mit einer Rendite von 13,09 Prozent p.A. rechnen. Diese setzt
sich aus den 5 Prozent für den risikolosen Zinssatz plus den 8,09 Prozent für die eingegangen
Risiken zusammen. Geht der Investor ein Confidence Risk mit einem Beta von 1,27 statt der
im S&P 500 eingegangen 0,27 ein, wird seine Rendite um 2,59 Prozent über der des S&P 500
liegen, da für ein Beta von 1 eine Entschädigung von 2,59 Prozent erwartet werden kann226.
4.1.2 Faktorportfolios
Jede Anlage weist eine gewisse Sensitivität gegenüber den verschiedenen Risikofaktoren auf.
Ein Faktor kann auf manche Titel positiv, auf andere wiederum negativ wirken. Daher ist es
möglich, ein Faktorportfolio zu konstruieren, das beispielsweise gegenüber dem Risikofaktor
Inflation ein Beta von 1 aufweist und gegenüber anderer Risiken immun ist, daher ein β von 0
gegenüber diesen aufweist. Diese Konstruktion ist möglich, da sich viele verschiedene Anlagen
bei wenigen Risikofaktoren auf dem Markt befinden. Diese werden in einem Faktorportfolio so
kombiniert, dass der gewünschte Risikofaktor isoliert wird227. Fondsmanager, die überzeugt
sind, zukünftige Wirtschaftsentwicklungen besser als der Gesamtmarkt vorhersehen zu können,
haben so die Möglichkeit die Faktoren, von denen sie eine außerordentliche Entwicklung
226 Vgl. Burmeister et al. 2003, S 9f 227 Vgl. Mondello 2013, S 289f
49
erwarten, höher zu gewichten228. Nimmt ein Investor an, dass sich der Faktor Business Cylce
Risk stark positiv entwickelt, kann er durch Aufnahme von Aktientiteln, die von einer derartigen
Entwicklung überproportional profitieren, eine Outperformance gegenüber dem Gesamtmarkt
erzielen. Ist er überzeugt, dass die Wirtschaft in eine rezessive Phase driften wird, nimmt er
Titel ins Portfolio auf, die vom sinkenden Faktor Business Cylcle Risk weniger betroffen sind
als der Gesamtmarkt. Solche Wetten auf Tendenzen, in die sich die marktbeeinflussenden
Faktoren entwickeln, werden als Faktorwetten bezeichnet229.
4.1.3 Performancemessung APT
Wie ein aktiv gemanagter Fonds gegenüber seinem zugrunde liegenden Index performt hat,
kann nur verglichen werden, wenn der aktive Fonds dasselbe Risk Exposure Profile aufweist
wie der Index. Erwirtschaftet der aktive Fonds bei gleichem Risikoprofil eine höhere Rendite
als der Index, ist dies auf die APT Selektion des Managers zurückzuführen. Unter APT
Selektion werden die Aktien verstanden, die der Manager in sein Portfolio aufnimmt, um das
idente Risikoprofil eines Index zu konstruieren230. Die erzielte Performance lässt sich auf drei
Einflüsse zerlegen:
die Entschädigung für die eingegangenen Risikofaktoren,
unerwartete ökonomische Veränderungen (wobei der Investor auch Wetten auf einen
Eintritt dieser abschließen kann) und
die zusätzliche Überrendite der Aktien, die durch geschickte APT Selektion erreicht
werden kann231.
4.1.4 Risikokontrolle unter APT
APT Manager haben das Ziel, Portfolios zu bilden, welche dieselben Risiken beinhalten wie
ein bestimmter Index, jedoch einen höheren Renditerückfluss liefern. Dazu konstruiert der
Manager ein Ranking von zehn Aktien, von denen er die höchste Performance erwartet. Der
nächste Schritt ist die entsprechende Gewichtung der zehn Aktien, um das Risikoprofil des
gewünschten Index zu erreichen. So kann der Manager stets die Performance des Portfolios mit
228 Vgl. Burmeister et al. 1998, S 21 229 Vgl. Burmeister et al. 1998, S 21 230 Vgl. Burmeister et al. 1998, S 21 231 Vgl. Burmeister et al. 1998, S 20
50
dem Index vergleichen, da das Risk Exposure Profil ident ist232.
4.1.5 Long Short Strategie unter APT
Mithilfe der APT lässt sich ein Portfolio konstruieren, das völlig immun gegen Marktrisiken ist.
Dazu wird ein Teil Long investiert und derselbe Teil mit demselben Risikoprofil Short
veranlagt. Dieses Investment liefert somit nur den risikolosen Zinssatz. Da diese Konstruktion
aber eine höhere Volatilität aufweist als ein Investment zur Gänze in den risikolosen Zinssatz,
ist eine solche Investition nicht besonders attraktiv. Eine derartige Konstruktion kann jedoch
Sinn machen, wenn der Long Teil der ausgewählten Titel ein höheres Alpha ausweist als der
Short Teil. So kann sich der Anleger völlig gegen systematische Risiken immunisieren und
Überrenditen aufgrund von APT Selektion lukrieren233. Burmeister et al. (1998) konstruierten
ein derartiges Portfolio auf Basis von 50 an der NYSE gelisteten Aktien, welche das höchste ex
post Alpha in den vergangen 72 Monaten aufweisen234. Ein weiteres Portfolio aus 50 NYSE
gelisteten Aktien wurde für die Short Seite ausgewählt. Die Gewichtung der Titel des Short
Portfolios wurde so vorgenommen, dass das Short Portfolio dasselbe Risk Exposure Profile wie
das Long Portfolio aufwies. Die durchschnittliche Rendite lag im Zeitraum von April 1986 bis
März 1992 bei 30,4 Prozent p.A. bei einer Volatilität von 6,26 Prozent. Verglichen mit der
Rendite des S&P 500 im selben Zeitraum von 11,57 Prozent p.A. bei einer Volatilität von 18,08
Prozent kann dieser Ansatz als sehr effizient erachtet werden235.
4.1.6 Kritische Würdigung APT
Die APT definiert Risikofaktoren, die Aktien bzw. Portfoliorendite erklären, nicht vor. So muss
zuerst ein Portfolio konstruiert, dann getestet werden, welche Risikofaktoren Einfluss auf die
Rendite ausüben. Die Zahl der Risikofaktoren steigt mit der Diversifikation des Portfolios. Im
Zeitverlauf kann sich das Set der Risikofaktoren im Portfolio verändern236. In gewissen
Zeiträumen, die von Dhrymes et al. (1985) untersucht wurden, konnte die Portfoliorendite nur
sehr beschränkt durch Risikofaktoren erklärt werden237. Die Standardabweichung stellte hier
ein besseres Erklärungswerkzeug dar. Eine statistische Signifikanz zur Renditeerklärung kann
232 Vgl. Burmeister et al. 1998, S 21f 233 Vgl. Burmeister et al. 1998, S 22f 234 Vgl. Burmeister et al. 1998, S 1ff 235 Vgl. Burmeister et al. 1998, S 22f 236 Vgl. Mondello 2013, S 297 237 Vgl. Dhrymes et al. 1985, S 659ff
51
nur bei wenigen Risikofaktoren gefunden werden. Durch eine wachsende Anzahl von Anlagen
im Portfolio steigt jedoch die Wahrscheinlichkeit eines weiteren statistisch signifikanten
Risikofaktors238.
4.2 Portfoliokonstruktion mittels Risikofaktoren
Nach wie vor konstruieren die meisten Investoren ihre Portfolios anhand der Analyse
verschiedener Anlageklassen. In einem Regime, das von ökonomischem Wachstum und somit
auch von niedrigen Volatilitäten gezeichnet ist, wäre dies nicht weiter problematisch. Kommt
es jedoch zu einer Regimeumkehr und die Märkte sind von hohen Volatilitäten und Panik
gekennzeichnet, sind Erhöhungen der Korrelationen zwischen Anlageklassen zu beobachten239.
Da die Korrelationen unter den verschiedenen Assetklassen in den letzten Dekaden steigende
Tendenzen aufweisen, lohnt sich eine feinere, genauere Blickweise unter Zuhilfenahme von
Risikofaktoren. Vor allem Stressszenarien, wie die „Subprime Krise“ oder das Platzen der
„Dotcom Blase“, führten zu erhöhten Korrelationen zwischen Anlageklassen. Ein einzelner
Risikofaktor kann auf mehrere verschiedene Assetklassen wirken und somit die Korrelation
zwischen den Anlageklassen erhöhen. Risikofaktoren weisen eine deutlich geringere
Korrelation auf, die auch in angespannten Phasen stabil bleibt240. Durch die Risikoanalyse
anhand von Faktoren lässt sich genauer bestimmen, welche Risiken die Aufnahme einer
gewissen Anlageklasse ins Portfolio mit sich bringt. So kann der Investor vorab bestimmen,
welchen Risiken er sich zu welchem Ausmaß aussetzen will. Anschließend wählt er die
entsprechenden Anlageklassen aus, mit denen er sein gewünschtes Risikoprofil erstellt. Die
indirekte Investition in Risikofaktoren über Anlageklassen ist nach wie vor notwendig, da ein
direktes Investment nur für manche Faktoren möglich ist241.
4.2.1 Korrelationen zwischen Anlageklassen
Viele Sub-Anlageklassen weisen untereinander hohe Korrelationen auf. So ist es gut möglich,
dass ein vermeintlich gut diversifiziertes Portfolio viele Anlageklassen beinhaltet, die
untereinander stark korrelieren. Deutlich wird dies am Beispiel einer
Portfoliozusammensetzung aus den durchschnittlichen Werten der 200 populärsten
238 Vgl. Dhrymes et al. 1985, S 661ff 239 Vgl. Cintolo 2014, S 1 240 Vgl. Page 2010, S 2 241 Vgl. Podkaminer 2013, S 1f
52
Pensionsfonds242. Abbildung 22 stellt die durchschnittliche Asset Allocation dieser
Pensionskassen dar.
Abbildung 22: Durchschnittliche Gewichtung von Assets aus den 200 führenden Pensionsfonds (nach Podkaminer 2013, S 4)
Der Schein eines gut diversifizierten Portfolios, wie es das linke Kreisdiagramm der Abbildung
22 vermitteln will, trügt, da die Anlageklassen hohe Korrelationen untereinander aufweisen.
Die Erklärung wird im rechten Diagramm ersichtlich: Da mehr als 50 Prozent Subanlageklassen
des Assets Aktien sind, weisen diese ein sehr ähnliches Risk Exposure Profile auf. Der Credit
Anteil der Anlageklasse US Fixed Income hat auch gewisse Ähnlichkeiten mit dem Risikoprofil
von Aktien und weist somit eine positive Korrelation zu Aktien auf. Die Überlappungen der
Risikoprofile der einzelnen Assetklassen verursachen unerwartet hohe Korrelationen243. Der
Investor setzt sein Vermögen also zum Großteil den Risiken des Aktienmarktes aus, obwohl er
meint, sein Portfolio gut diversifiziert zu haben. Das Portfolio aus Abbildung 22 steht mit seinen
Schwächen repräsentativ für die Problematik der Asset Allocation der zweiten Generation.
Dieses Problem entsteht, wenn die Gewichte von Assetklassen auf Basis von
vergangenheitsbezogenen Renditen, Volatilitäten und Korrelationen zu anderen Anlageklassen
bestimmt werden. Investoren sind sich nicht bewusst, welchen Risiken sie sich mit der
Aufnahme einer bestimmten Anlage aussetzen. Eine Überrendite wird so fälschlicherweise als
Alpharendite interpretiert, obwohl sie durch einen Risikofaktor generiert wird. Werden Risiken
schlagend, kann der Investor die Auswirkungen für sein Portfolio nicht exakt prognostizieren.
Die Portfoliorisiken können daher nicht effizient kontrolliert werden244.
242 Vgl. Podkaminer 2013, S 4 243 Vgl. Podkaminer 2013, S 4 244 Vgl. Page 2010, S 2f
53
Abbildung 23: Überlappungen von Risikofaktoren bei zwei verschiedenen Anlageklassen (nach Podkaminer 2013, S 5)
Abbildung 23 zeigt, welche Risiken sowohl auf Aktien als auch auf Unternehmensanleihen
wirken. Am Beispiel der Anlageklassen Aktien und Unternehmensanleihen kann der erhöhte
Gleichlauf in Krisenzeiten mithilfe des Merton-Modells logisch nachvollzogen werden. Sinken
die Renditen von Aktien, fallen die Kurse. Das Modell von Merton nimmt an, dass der
Aktienkurs multipliziert mit der Anzahl der Aktien am Markt das Eigenkapital einer Firma
darstellt. Unternehmensanleihen sind als Fremdkapital anzusehen. Sinkt der Kurs so drastisch,
dass das Fremdkapital das Eigenkapital übersteigt, ist eine Firma laut Definition des Merton
Modells zahlungsunfähig. Somit wird klar, warum der Risikofaktor Aktienmarkt auch auf
Unternehmensanleihen wirkt. Bei einem kleineren Kursrückgang wird dies keine
Auswirkungen auf den Wert von Unternehmensanleihen haben. Handelt es sich jedoch um
einen drastischeren Verfall und es entstehen Bedenken hinsichtlich der Zahlungsfähigkeit eines
Unternehmens, sinkt auch der Preis der jeweiligen Unternehmensanleihe245. Die Konstruktion
eines Portfolios auf Basis von Risikofaktoren kann Abhilfe schaffen, solche unerwünschten
Korrelationen zu erkennen und zu vermeiden246.
245 Vgl. Merton 1974, S 449ff 246 Vgl. Page 2010, S 2ff
54
Abbildung 24: Korrelationen von Assetklassen/Risikofaktoren im Zeitraum von März 1994 bis Dezember 2009 im Durchschnitt,
in wirtschaftlich gemäßigten und turbulenten Phasen (nach Page 2010, S 2)
Abbildung 24 zeigt, dass die Korrelationen von Risikofaktoren nicht nur deutlich niedriger sind
als jene zwischen Assetklassen. In Stressszenarien ist sogar eine geringfügige Abnahme zu
beobachten. Neben der im Vergleich zu Risikofaktoren hohen Korrelation von Assetklassen in
normalen Marktphasen steigt diese in Stressszenarien deutlich an.
4.2.2 Risikoproxies
Die internationalen Finanzmärkte führen die Preisbildung von Anlagen über Annahmen
hinsichtlich der zukünftigen Entwicklung durch, etwa jene des Wirtschaftswachstums oder des
Leitzinses. Diese Annahmen spiegeln sich in den Preisen von Aktien wider. Weicht das
Wirtschaftswachstum oder der Leitzins von den Erwartungen des Finanzmarktes ab, werden
auch die Preise angepasst. Fällt das Wirtschaftswachstum schlechter als die Prognose aus, hat
dies sinkende Aktienpreise zur Folge. Bei einem besseren Wachstum tritt der umgekehrte Fall
ein. Ist dem Investor bewusst, welchen Risikofaktoren er sich mit der Aufnahme eines gewissen
Investments ins Portfolio aussetzt, kann er besser kalkulieren, wie sein Portfolio auf gewisse
Ereignisse reagieren wird247.
247 Vgl. Cintolo 2014, S 2
55
Abbildung 25: Verschiedene Kategorien von Risikofaktoren (nach Podkaminer 2013, S 5)
In Abbildung 25 werden verschiedene Risikofaktoren nach Kategorien geordnet dargestellt.
Die meisten Anlageklassen werden von einem oder mehreren makroökonomischen
Risikofaktor(en) beeinflusst. Jedoch existieren auch Risikofaktoren, die nur auf eine bestimmte
Assetklasse wirken. Als Beispiel sind die Kategorien Fixed Income (Schuldverschreibungen)
oder Developed Economic Growth (Aktien) zu nennen248.
Risikofaktoren sind nicht direkt investierbar. Es muss ein Umweg über Anlageklassen
genommen werden. Da die Konstruktion solcher Proxies zur Investition in die einzelnen
Faktoren durchwegs komplex ist, nimmt nach wie vor der Großteil der Investoren Abstand von
einer Portfoliokonstruktion mittels Risikofaktoren249. Tabelle 1 gibt Aufschluss darüber, durch
welche Anlagen Proxies für Risikofaktoren gebildet werden können.
248 Vgl. Podkaminer 2013, S 4 249 Vgl. Podkaminer 2013, S 6
56
Tabelle 1: Konstruktionsmöglichkeiten von Risikoproxis mittels Long/Short Investments in verschiedene Indices (eigene
Darstellung nach Podkaminer 2013, S 6)
Long Short
Inflation Nominal Treasury Index TIPS Index
Real interest rates TIPS Index
Volatility VIX Future Index
Value Developed Country Equity
Value Index
Developed Country Equity
Growth Index
Size Developed Country Equity
Small Cap Index
Developed Country Equity
Large Cap Index
Credit Spread US high-quality Credit Index US Treasury / Government
Index
Duration Treasury 20+ Year Index Treasury 1–3 Year Index
Um Risikoproxies zu bilden, muss der Zusammenhang zwischen einem Index und einem
Risikofaktor mit Sicherheit bewiesen werden können. Exemplarisch hierfür ist der Faktor
GDP250 Growth. Zwar gibt es Studien, die einen positiven Zusammenhang zwischen GDP
Growth und Aktienmarktgewinnen bestätigen, aber eindeutig bewiesen wurde dies bis dato
nicht. Manche Risiken sind nur durch Kombination verschiedener Anlageklassen
investierbar251. Erschwert wird die Isolation eines Risikofaktors natürlich auch, da die meisten
Anlageklassen mehrere Risikofaktoren beinhalten252. Dem Nachteil einer komplexeren
Konstruktion, die in Bezug auf einige Risikoproxies noch weitere Forschungsarbeit erfordert,
steht der Vorteil sehr geringer Korrelationen zwischen den einzelnen Risikofaktoren gegenüber.
Die Korrelationen schwanken natürlich abhängig vom Betrachtungszeitraum. Wird die Hürde
der Konstruktion von Risikoproxies überwunden, profitiert der Anleger von den deutlich
geringeren Korrelationen von Risikofaktoren. Die zehn in Abbildung 26 verglichenen Faktoren
weisen eine durchschnittliche Korrelation zwischen -0,5 und +0,6 auf. Dies stellt einen deutlich
angenehmeren Wert dar als die durchschnittliche Bandbreite der meisten Anlageklassen, die
zwischen -0,15 und +0,9 liegt253.
250 Gross Domestic Product 251 Vgl. Podkaminer 2013, S 4ff 252 Vgl. Cintolo 2014, S 6 253 Vgl. Podkaminer 2013, S 7f
57
Abbildung 26: Korrelationen zwischen den einzelnen Anlageklassen in verschiedenen Zeiträumen (nach Podkaminer 2013, S
7)
4.2.3 Performance Portfolio konstruiert mittels Risikofaktoren vs. Anlageklassen
In der Studie von Podkaminer (2013) werden Portfolios die mittels zehn Risikofaktoren
konstruiert wurden mit einem konventionellen 60/40 Portfolio verglichen254. Dieses ist zu 40
Prozent in den Russel 3000 Index255, zu 20 Prozent in den MSCI All Country World Index ex
USA256 und zu 40 Prozent in den Barclays US Aggregate Bond Index257 investiert. Gebühren
und Transaktionskosten für das Rebalancing des Portfolios wurden im Vergleich nicht
miteinberechnet258.
254 Vgl. Podkaminer 2013, S 1ff 255 Beinhaltet 3000 Unternehmen der USA mit der höchsten Marktkapitalisierung. 256 Beinhaltet 1856 Unternehmen, die an weltweiten Börsen gehandelt werden (ausgenommen amerikanische Unternehmen). 257 Beinhaltet die größten nach Kapitalisierung gewichteten Anleihen der USA. 258 Vgl. Podkaminer 2013, S 8
58
Abbildung 27: Portfolio mit gleichgewichteten Risikofaktoren im Vergleich zu einem traditionellen 60/40 Portfolio (nach
Podkaminer 2013, S 9)
Das Portfolio mit gleichgewichteten Risikofaktoren erwirtschaftet in allen
Betrachtungszeiträumen höhere Rendite bei einer deutlich geringeren Volatilität wie aus
Abbildung 27 hervorgeht. Interessant ist auch der Umstand, dass die beiden Portfolios eine
negative Korrelation von -0,29 zueinander aufweisen, was auf einen sehr unterschiedlichen
Chartverlauf schließen lässt. Will ein Investor die Gewichtungen der einzelnen Risikofaktoren
optimieren, bieten sich verschiedene Verfahren an. Eine Möglichkeit ist, die Gewichtungen
anhand der Sharpe-Ratio der verschiedenen Risikofaktoren vorzunehmen, die auf Basis von
vergangenen Renditen und Risiken bestimmt werden259. Podkaminer (2013) bestimmt die
Gewichte mit einem Modell, das zukünftige Renditen und Risiken mittels Daten aus der
Vergangenheit schätzt260. Die Gewichte, mit denen das optimale Risikofaktorenportfolio
investiert ist, variieren somit je nach Betrachtungszeitraum. Durch das Optimierungsverfahren
wird aber nicht immer in alle möglichen Risikofaktoren investiert. Dies ist auch in der
Untersuchung von Podkaminer (2013) der Fall261. So investierte
das 15-Jahres Portfolio in drei Risikofaktoren von zehn möglichen Faktoren,
259 Vgl. Podkaminer 2013, S 8f 260 Vgl. Podkaminer 2013, S 1ff 261 Vgl. Podkaminer 2013, S 1ff
59
das zehn-Jahres Portfolio in sechs Faktoren
und das fünf-Jahres Portfolio setzt sich aus fünf Risiken zusammen262.
Abbildung 28 stellt die Allokation der jeweiligen Portfolios entsprechend dar.
Abbildung 28: Optimierte Risikofaktorenportfolios in verschiedenen Betrachtungszeiträumen (nach Podkaminer 2013, S 10)
Auffallend ist, dass die Standardabweichung bis auf eine geringfügige Erhöhung im fünf-Jahres
Portfolio von 0,1 Prozent in allen Fällen denen des Portfolios mit naiver
Risikofaktorengewichtung entspricht. Das Optimierungsverfahren führt demnach zu keiner
Risikosteigerung trotz geringerer Diversifikation Die Renditen können jedoch durch das
Allokationsverfahren signifikant gesteigert werden. So steigerte sich der Ertrag verglichen zu
einer naiven Gewichtung der Faktoren
im 5-Jahres Portfolio um 2,36 Prozent,
im 10-Jahres Portfolio um 2,89 Prozent und
im 15-Jahres Portfolio um 2,82 Prozent.
Natürlich sind entsprechende Prognosefähigkeiten zur Erstellung der Gewichte und zum
Erzielen der Überrenditen im Vergleich zu einer naiven Gewichtung nötig.263.
262 Vgl. Podkaminer 2013, S 9 263 Vgl. Podkaminer 2013, S 9f
60
4.2.4 Einsatz von Anlageklassen nach Wirtschaftszyklus unter Zuhilfenahme von
Risikofaktoren
Es macht Sinn zu verstehen, welche Risikofaktoren auf eine Anlageklasse wirken. So kann ein
Anleger einschätzen, in welchem Umfeld ein Einsatz der jeweiligen Anlageklasse zu günstigen
Renditen führen wird. Somit können für die jeweiligen makroökonomischen Szenarien Sets mit
Anlageklassen konstruiert werden, die vom jeweiligen Umfeld profitieren264.
Abbildung 29: Wirtschafszyklen und Anlageklassen welche in diesen bevorzugt eingesetzt werden sollten (nach Podkaminer
2013, S 11)
Je nach Wirtschaftswachstum und Inflation lassen sich vier verschiedene Szenarien abbilden,
bei denen die in der Abbildung 29 empfohlenen Assetklassen eine Outperformance gegenüber
anderen Investments erzielen werden265. Die anhand von Risikofaktoren erstellten
Anlagenkörbe können aber auch als Basis genutzt werden, um eine Allokation vorzunehmen.
Hierbei überlegt der Investor vorerst, welches Ziel er mit dieser Investition erreichen will und
mit welchen Risikofaktoren dieses am besten zu erreichen ist. Die Konstruktion des
gewünschten Risikoprofils erfolgt indirekt über eine entsprechende Gewichtung von
Anlageklassen266. In Abbildung 30 sind exemplarische Portfolios dargestellt, die auf Basis eines
gewissen Investitionszwecks erstellt wurden. Der Investor kann die verschiedenen
Investitionsziele natürlich nach Belieben gewichten.
264 Vgl. Podkaminer 2013, S 1ff 265 Vgl. Podkaminer 2013, S 11 266 Vgl. Podkaminer 2013, S 12
61
Abbildung 30: Bündelung der Anlageklassen nach Investitionsvorhaben (nach Podkaminer 2013, S 12)
Risikofaktoren haben somit nicht nur den Sinn, ein Portfolio mit einer optimalen Sharpe-Ratio
zu generieren, sondern helfen dem Anleger auch, ein Portfolio nach eigener Risikoneigung oder
Zielsetzung zu erstellen. Wie bei den Anlageklassen gibt es auch bei den Risiken eher offensive
Investments, die eine hohe Rendite in Verbindung mit hoher Schwankungsbreite bieten und
defensive Faktoren, die nur geringe Schwankungen und dementsprechend niedrige Renditen
versprechen267. Dieser Umstand hilft dem Investor zu verstehen, wie sich die Schwankung
seines Portfolios verändert, wenn er einen weiteren Risikofaktor in sein Portfolio aufnimmt
oder die Gewichtung eines Faktors verändert. Da durch eine Veränderung in jedem Fall die
prozentuellen Anteile der bereits investierten Risikofaktoren sinken, ergibt sich somit auch ein
neues Risikoprofil. Je nachdem, ob er einen weiteren offensiven oder defensiven Faktor
aufnimmt oder den Anteil der jeweiligen Faktorengruppe erhöht, wird das Gesamtrisiko im
Portfolio steigen oder fallen268.
4.2.5 Von Liability-Hedge zu Riskofaktoren-Hedge
Ein Liability-Driven-Investing versucht die Risiken, die mit Aktieninvestments einhergehen, zu
dämpfen. Dazu werden Positionen in Schuldverschreibungen ins Portfolio aufgenommen, da
267 Vgl. Cintolo 2014, S 3f 268 Vgl. Cintolo 2014, S 4
62
diese von makroökonomischen Risikofaktoren gegenteilig beeinflusst werden269. Das
Gesamtportfolio setzt sich so zum einen Teil aus einem Portfolio zur Generierung von Rendite
und zum anderen Teil durch das LDI270 Portfolio zur Absicherung zusammen. Problematisch
ist bei einer Betrachtung auf Basis von Anlageklassen jedoch, dass Assets existieren, die keinen
der beiden Portfolios zu hundert Prozent zugeordnet werden können. Die im Portfolio
enthaltenen Risiken können somit schlecht bestimmt und kontrolliert werden271.
Neue Formen des LDI zerteilen diesen Hedging Vorgang auf granulare Risikofaktoren. Sie
suchen zu den renditetreibenden Risikofaktoren ein Set an Gegenfaktoren, welche die Risiken
mindern. So muss kein zweites Liability-Hedge-Portfolio konstruiert werden, sondern es wird
ein Portfolio mit renditetreibenden Risikofaktoren und den gegenüberstehenden absichernden
Risikofaktoren gebildet. Durch die Darstellung auf Ebene von Risikofaktoren werden
Überschneidungen zwischen dem Renditeportfolio und dem Hedgingportfolio vermieden272.
4.2.6 Kritische Würdigung der Portfoliokonstruktion mittels Risikofaktoren
Die Schwierigkeit bei der Portfoliokonstruktion mittels Risikofaktoren besteht in der Schaffung
von Proxies, um in Risikofaktoren zu investieren. In erster Linie ist es nicht möglich, sämtliche
Risikofaktoren, die auf ein Portfolio wirken, zu bestimmen273. Ein weiteres Problem ist, dass
sich Risikofaktoren bestimmen lassen, es aber nicht möglich ist, entsprechende long/short
Investments als Proxies für diese Risiken zu generieren. Als Beispiel sind hier Variablen wie
Human Kapital und der Wohnungsbau zu nennen274. Es existieren auch Risikofaktoren,
beispielsweise das Wachstum des Bruttoinlandsprodukts, bei denen sich die Wissenschaft
uneins ist, ob sie nun investierbar sind oder nicht. Es gibt zwar Studien, die einen
Zusammenhang zwischen Aktienmarktrenditen und dem Wachstum des BIP sehen, andere
Wissenschaftler widersprechen jedoch dieser These275. Bei derartigen Untersuchungen besteht
des Weiteren die Gefahr des Data Mining. Das bedeutet, dass mehrere Wissenschaftler
Untersuchungen über die Wirkung eines Risikofaktors anstellen, die Untersuchung aber anhand
desselben Datensets vornehmen. Somit wird ein Risikofaktor auf den ersten Hinblick mehrfach
269 Vgl. Podkaminer 2013, S 12f 270 Liability-Driven-Investing 271 Vgl. Podkaminer 2013, S 13 272 Vgl. Podkaminer 2013, S 13f 273 Vgl. Cintolo 2014, S 6 274 Vgl. Podkaminer 2013, S 10 275 Vgl. Podkaminer 2013, S 10f
63
auf seine Wirksamkeit untersucht. Weil aber stets mit derselben Stichprobe gearbeitet wird,
können die Ergebnisse nicht als valide angesehen werden276. Auch wurden viele Ergebnisse
belegt aufgrund von Data Snooping. Das heißt, dass diese nur zufällig und nur temporär
auftreten, daher kann langfristig mit keiner positiven Rendite gerechnet werden. Beispielsweise
werden positive Prämien von Faktorportfolios durch Rebalancing Prämien generiert. Werden
diese Portfolios im Backtesting dargestellt, generieren diese Faktoren auf den ersten Blick sehr
gute Ergebnisse. Ob dies aber in der Zukunft auch der Fall sein wird, kann mit solch einer
Darstellung nicht garantiert werden277.
Da gewisse Proxies mit short Positionen oder Derivaten konstruiert werden müssen, darf
diesbezüglich keinerlei Restriktion in den Fondsstatuten bestehen278. Eine
Portfoliokonstruktion mit Risikofaktoren bei einer long-only Beschränkung ist folglich nur
bedingt durchführbar. Da nicht direkt in Risiken investiert werden kann, geschieht dies über
Anlageklassen. Diese beinhalten aber meist nicht nur einen einzigen Risikofaktor, sondern ein
ganzes Set von Risiken. Deswegen wird die Gewichtung der einzelnen Positionen komplexer.
Auch können sich Risikofaktoren, die auf eine Anlageklasse wirken, im Zeitverlauf ändern279.
Neben der Art und Weise, wie in einen Risikofaktor investiert wird, muss sich der Investor auch
Gedanken darüber machen, welche Risiken er in sein Portfolio aufnehmen möchte. Da von
Wissenschaftlern laufend neue Risikofaktoren nachgewiesen werden, ist diese Entscheidung
möglicherweise für manche Anleger schwierig. Es ist jedoch Vorsicht geboten, da nur für
gewisse Risikofaktoren positive Prämien zuverlässig belegt werden konnten. Daher sollte der
Investor keinen falschen Befunden trauen.
Überlegt muss auch werden, wie und nach welcher Methode die Gewichte der Risikofaktoren
bestimmt werden sollen. Ist sich ein Anleger unsicher bezüglich der Allokation im Allgemeinen
oder mit welchem Modell er vorgehen soll, zeigt Podkaminer (2013) mit seiner Studie sehr
eindrücklich, dass sogar mit einer naiven Gleichgewichtung von Risikofaktoren bessere
Ergebnisse zu erzielen sind als mit einer konventionellen 60/40 Gewichtung280. Durch die
Anzahl der verschiedenen Gewichte könnte das Rebalancing häufigere Anpassungsintervalle
als einen monatlichen oder quartalsweisen Takt benötigen. Indem ein Portfolio in mehr als
276 Vgl Amenc et al. 2014, S 14 277 Vgl. Schuller und Kula, S 5–11 278 Vgl. Podkaminer 2013, S 11 279 Vgl Cintolo 2014, S 6 280 Vgl. Podkaminer 2013, S 9f
64
zwanzig verschiedene Risikofaktoren investiert sein kann, ist mit einem generell höheren
Managementaufwand zu rechnen281. Eventuell sind weitere Anpassungen erforderlich, da sich
das Risk Exposure Profile der Anlageklasse, über die investiert wird, im Zeitverlauf ändert282.
Dadurch können weitere Transaktionen und somit weitere Kosten notwendig werden. Daher
sollte untersucht werden, mit wie viel Mehrbelastung in einem Portfolio mit Risikofaktoren zu
rechnen ist und ob diese durch den höheren erwirtschafteten Ertrag gedeckt ist.
Das Wissen, welchen Risiken ein Portfolio zu welchem Grad ausgesetzt ist, wird vor allem für
institutionelle Investoren sehr relevant sein. Beispielsweise ist für Stiftungen sehr wichtig zu
wissen, wie empfindlich ihre Anlagen auf eine Änderung der Inflation reagieren, da sie mit dem
Stiftungsvermögen auch laufende Aufwendungen decken müssen283. Ein weiterer Vorteil ist,
dass die Korrelationen zwischen Risikofaktoren auch in Stressszenarien nahezu unverändert
niedrig bleiben. Der Gleichlauf von Anlageklassen kann in wirtschaftlich turbulenten Zeiten
hingegen unangenehm ansteigen. Bei einer konventionellen Allokation werden Gewichtungen
von Anlageklassen aufgrund von Rendite und Volatilität ausgewählt. Dabei wird aber nicht
bedacht, dass gewisse Anlageklassen ein sehr ähnliches Risikofaktorenprofil aufweisen und
somit bei einem Eintritt dieser gleichen Risiken die Korrelation steigt284.
Abbildung 31: Detailliertere Sichtweise eines Portfolios durch Risikofaktorenanalyse (nach Cintolo 2014, S6)
281 Vgl. Podkaminer 2013, S 10 282 Vgl. Cintolo 2014, S 5f 283 Vgl. Cintolo 2014, S 1 284 Vgl. Page 2010, S 2
65
Fehlallokationen können durch Zuhilfenahme von Risikofaktorenanalysen weitestgehend
vermieden werden. Hier wird jede Anlageklasse aufgrund ihrer Risikofaktoren gewichtet und
so sind sämtliche Risiken im Portfolio bekannt. Abbildung 31 zeigt, dass Anlegern eine
detailliertere Sicht auf ihr Portfolio und die in diesem enthaltenen Risiken geboten wird.
Dadurch schützt sich ein Investor vor unangenehmen Überraschungen infolge von steigenden
Korrelationen in volatilen Marktphasen. Weil sämtliche Risiken bekannt sind, kann ein Investor
auch präziser auf ökonomische Marktveränderungen reagieren285.
4.3 Smart Beta
Smart Beta Strategien sind passive Indexinvestments. Sie kompensieren durch ein gewisses
Regelwerk oder Formeln im Hintergrund die Schwächen einer rein passiven Strategie. Nach
welchem Reglement Titel ausgewählt und gewichtet werden, wird vorab an den jeweiligen
Investitionszweck angepasst. Da kein aktives Management agiert, sind Smart Beta Investments
wesentlich günstiger als aktiv gemanagte Fonds. Genau wie aktiv gemanagte Fonds versuchen
Smart Beta Investments ein besseres Rendite/Risikoverhältnis als ein kapitalgewichteter Index
zu erreichen286. Durch die Aufnahme von renditetreibenden Risiken können beliebige
Investitionskombinationen kreiert werden. Auch bieten sie einem Investor den Zugang zu
Assets, die ansonsten nur schwer investierbar sind. Sie stellen somit eine kostengünstige
Alternative zu Hedgefonds dar. Smart Beta Strategien können als Investments zwischen
passiven und aktiven Fonds gesehen werden287. Die Performance dieser alternativen
Instrumente unterscheidet sich im Zeitverlauf oft von jener der kapitalgewichteten Indices. In
Phasen einer Blasenbildung kann es zu einer Underperformance gegenüber kapitalgewichteten
Indices kommen, da Smart Beta Ansätze oft so konstruiert werden, dass sie ein geringeres
Risiko als beispielsweise ein Aktienindex aufweisen. Die Performance von Smart Beta
Investments sollte daher stets langfristig betrachtet werden288.
4.3.1 Aktienallokation mittels Smart Beta
Smart Beta Investments auf Aktienindices lassen sich in thematische und systematische Vehikel
285 Vgl. Cintolo 2014, S 5f 286 Vgl. Cazalet et al. 2013, S 1 287 Vgl. Towers Watson 2013, S 1f 288 Vgl. Towers Watson 2013, S 5
66
einteilen. Thematische Smart Beta Ansätze versuchen einen Performancegewinn durch
Ausnützen langfristiger Entwicklungen zu erreichen. Als Beispiel können demografische
Veränderungen oder aufstrebende Märkte genannt werden289. Systematische Smart Beta
Investments weisen eine größere Bandbreite von Ansätzen auf:
Gleichgewichtsansatz
Es wird angenommen, dass keinerlei zuverlässige Voraussage über eine zukünftige
Volatilität, Rendite oder Korrelation getroffen werden kann. Somit wird einfach zu
selben Teilen in verschiedene Assets investiert. Beispielsweise wird ein Index wie der
S&P 500 nicht nach Marktkapitalisierung gewichtet, sondern in jeden der Titel werden
0,2 Prozent des Veranlagungsbetrages investiert (500 Titel x 0,2 Prozent = 100 Prozent
Veranlagungskapital). Der EW290 Ansatz überzeugte in der Vergangenheit mit guter
Performance und erzielte eine bessere Sharpe-Ratio als eine Gewichtung nach
Marktkapitalisierung. Mit diesem Ansatz vermeidet ein Investor zwar jegliche
Schätzrisiken291, jedoch wird auf die Möglichkeit, den Markt fundamental oder
statistisch zu untersuchen zur Gänze verzichtet. Auch ist das Volumen eines Marktes
auf die Kapitalisierung seines kleinsten Aktientitels beschränkt292.
Gewichtung nach fundamentalen Geschäftszahlen
Hier wird die Verteilung aufgrund von Umsatz, Gewinn, Buchwert oder anderen
fundamentalen Geschäftszahlen bestimmt. Die Titel werden anhand ihrer
Wertschöpfung gewichtet. Dies führt zu einer größeren Streuung und zur Aufnahme von
Titeln mit geringerer Marktkapitalisierung. Primäres Ziel des FW293 Ansatz ist nicht
eine Rendite/Risiko Optimierung, sondern ein Portfolio zu generieren, das den Markt
besser widerspiegelt als ein CW294 Portfolio. Dieser Ansatz würde die höchste Sharpe-
Ratio erreichen, wenn die Korrelationen aller Aktientitel gleich sein würden und der
Gewinn im Verhältnis durch die gewählten fundamentalen Geschäftszahlen erklärt
werden könnte295.
289 Vgl. Towers Watson 2013, S 3 290 Equal Weighted 291 Siehe Punkt 4.3.3.2 292 Vgl Amenc et al. 2013, S 28f und Towers Watson 2013, S 3 293 Fundamental Weighted 294 Capital Weighted 295 Vgl Amenc et al. 2013, S 28 und Towers Watson 2013, S 3
67
Gewichtung nach Risiken
Das Konzept von Risk Parity Portfolios wurden bereits im Kapitel Asset Allocation der
zweiten Generation näher erklärt. Die Gewichtung erfolgt so, dass von allen Anlagen
im Portfolio dasselbe Risiko ausgeht. Daher werden Assets mit einer niedrigeren
Volatilität höher gewichtet werden. Die maximale Rendite würde erreicht, wenn
sämtliche Anlagen dieselbe Sharpe-Ratio aufweisen würden. Diese Annahme konnte
jedoch bereits wiederlegt werden296.
Gewichtung nach maximaler Diversifikation Ratio
Dieser Ansatz baut auf dem CW Ansatz auf. Durch die Aufnahme des Kriteriums der
höchstmöglichen Diversifikation Ratio soll die Streuung und so die Effizienz des
Portfolios erhöht werden. Die höchste Sharpe-Ratio würde erreicht werden, wenn die
Sharpe-Ratio aller Aktien des Marktes die gleiche Höhe aufweisen würde297.
Gewichtung nach globaler minimaler Varianz
Mit der GMV298 Allokationsmethode wird ein Portfolio konstruiert, welches die
niedrigste Volatilität aufweist. Die Korrelationen zwischen den Aktientiteln und deren
Volatilität werden zur Optimierung benötigt. Weil zwei Inputvariablen benötigt werden
ist dieses Verfahren sehr anfällig für Schätzfehler. Durch das Auswahlkriterium der
niedrigen Volatilität resultiert eine Übergewichtung von Versorgeraktien. Mit
Restriktionen bezüglich einer maximalen Gewichtung in einen Titel oder in eine
Wirtschaftssparte kann dem aber entgegengewirkt werden. So kann zwar kein optimales
Minimum Varianz Portfolio gebildet werden, es werden jedoch zu starke
Konzentrationen unterbunden299.
Gewichtung nach maximaler Sharpe-Ratio
Das MSR300 Portfolio wird auch als Tangentialportfolio bezeichnet. Es ist die Methode
mit dem besten Rendite/Risiko Verhältnis und dient als ideale Messgröße zum
Performancevergleich mit anderen Variablen. Neben der Volatilität und der Korrelation
wird auch die erwartete Rendite als Inputvariable zur Optimierung eingesetzt. Dadurch
296 Vgl Amenc et al. 2013, S 29f; Towers Watson 2013, S 4 und siehe Punkt 3.6 297 Vgl Amenc et al. 2013, S30f 298 Global Minimum Variance 299 Vgl Amenc et al. 2013, S 31f 300 Maximum Sharpe Ratio
68
weist das MSR Portfolio jedoch einen noch höheren Schätzfehler auf als das GMV
Portfolio. Das optimale Rendite/Risiko Verhältnis kann somit nur theoretisch erreicht
werden. Der MSR Ansatz weist keinen ausgeprägten Hang zu volatilitätsarmen Aktien
auf, da diese oft ein geringes Renditepotential aufweisen301.
Gewichtung nach Faktoren:
Dieser Ansatz bewegt sich am stärksten in Richtung aktives Management. Als Faktoren
können beispielsweise Value, Momentum oder Size angeführt werden302. Die
Konstruktion eines Smart Beta Investments auf Basis von Faktoren wird im Punkt 4.3.8
noch genauer vorgestellt.
4.3.2 Einbindung von alternativen Anlageklassen/-strategien mittels Smart Beta
Mit Hilfe von Smart Beta Konstruktionen lassen sich typische Charakteristiken von alternativen
Anlageklassen, wie ein schwerer Investitionszugang und Illiquidität, aufweichen. Durch das
Berücksichtigen von Marktanomalien kann die Performance weiter verbessert werden303. Im
Folgenden werden einige Smart Beta Anpassungen für alternative Anlageklassen angeführt:
Rohstoff-Futures
Investments in Rohstoff Future Indices (zum Beispiel S&P GSCI) lukrieren Gewinne
durch das Zeichnen von kurzen Vorwärtskontrakten. Das Wissen um diese
Handelsstrategie kann von aktiven Investoren sehr zu deren Vorteil ausgenutzt werden.
Darüber hinaus besteht der Rohstoff-Markt nicht nur aus Vorwärtskontrakten. Der Index
scheint den Rohstoffmarkt somit nicht zu Gänze zu repräsentieren. Durch Eingehen von
längeren Kontrakten oder das Einfügen von Mechanismen, die eine Rollierung zu
gewissen Zeitpunkten/Ereignissen vornehmen, können die Schwächen eines passiven
Rohstoffinvestments, das einem gewissen Herdentrieb folgt, ausgeglichen werden304.
Infrastrukturinvestments
Der direkte Zugang zu Infrastrukturinvestments gestaltet sich als schwierig. Deshalb
301 Vgl Amenc et al. 2013, S 32f 302 Vgl. Towers Watson 2013, S 4 303 Vgl. Towers Watson 2013, S 7 304 Vgl. Towers Watson 2013, S 7
69
weichen Investoren gerne auf Aktien von Firmen aus, die im Infrastrukturgeschäft tätig
sind. Dies bringt jedoch nicht den gewünschten Diversifikationseffekt, weil
Infrastrukturaktien eine hohe Korrelation zu anderen Aktien aufweisen. Daher sollte nur
in Titel investiert werden, die einen niedrigen Verschuldungsgrad und gut entwickelte
Objekte in ihrem Bestand aufweisen. Infrastrukturunternehmen mit diesen
Voraussetzungen erwirtschaften auch in turbulenten Zeiten stetige Erträge. Durch diese
Krisenresistenz kann auch von einer Verbesserung der Diversifikation durch die
Aufnahme dieser Titel ins Gesamtportfolio ausgegangen werden305.
Währungsspekulationen
Gewinne werden erzielt, indem in einer Währung mit niedrigen Zinsen ein Kredit
aufgenommen wird, um in einer Währung mit höheren Zinsen diesen Kredit wiederum
zu vergeben. Das Hauptrisiko dieser Strategie besteht darin, dass es zu
Wechselkursschwankungen kommt, welche den zu bedienenden Kredit erhöhen und die
Zins- und Rückzahlungen des vergebenen Kredits entwerten. Abhilfe kann durch
Streuung in verschiedene Währungspaare geschaffen werden. Es können beispielsweise
mit zehn Währungen 45 verschiedene Währungspaare konstruiert werden.
Empfehlenswert ist auch, zu jedem Währungspaar eine Absicherung durch einen
Vorwärtskontrakt auf die Währung mit der stärkeren Verzinsung zu halten. Die Future
Absicherung macht Sinn, da empirische Beobachtungen zeigen, dass die Währung mit
dem stärkeren Zins im Zeitverlauf steigt306.
Währungsspekulationen in Emerging Markets
Investitionen in Emerging Markets stellen ein renditeträchtiges Investment dar, da diese
Länder ein höheres Wirtschaftswachstum als Industriestaaten aufweisen. Des Weiteren
kann durch positive Leistungsbilanzüberschüsse langfristig mit einer Aufwertung der
Währung gerechnet werden. Die hohen Renditen sind jedoch mit einem erhöhten Risiko
von Währungsschwankungen und eines möglichen Zahlungsausfalles verbunden.
Investments in den Geldmarkt oder kurzlaufende Schuldverschreibungen bieten sich als
ideale Instrumente an, wobei ein semi-passiver Ansatz gewählt werden sollte. Nach dem
Ermessen von Managern soll in Länder investiert werden, die ihre Währung in naher
305 Vgl. Towers Watson 2013, S 7 306 Vgl. Towers Watson 2013, S 7
70
Zukunft aufwerten307.
Rückversicherungen
Investitionen in Rückversicherungen können durch den Erwerb von Anteilen an
Unternehmen, die in diesem Geschäftsfeld tätig sind, oder durch den Kauf von
Katastrophenanleihen, getätigt werden. Aktien von Rückversicherungsunternehmen
weisen jedoch eine starke Korrelation zu der Kursentwicklung von anderen Aktien auf.
Des Weiteren sind Anleger meist durch den Kauf eines breitgestreuten Aktienindex
bereits in Titel von Rückversicherungsunternehmen investiert. Naturkatastrophen
korrelieren hingegen in keiner Weise mit den Geschehnissen an den Finanzmärkten,
daher stellt der Kauf von Katastrophenbonds eine gute Gelegenheit zur Erhöhung des
Diversifikationseffekts im Gesamtportfolio dar. Durch eine breite Streuung in viele
verschiedene Katastrophenanleihen können die Auswirkungen auf das Portfolio durch
das Eintreten einer Katastrophe vermindert werden308.
4.3.3 Performancemessung von Smart Beta Strategien
Investoren messen neu erstellte Smart Beta Strategien gerne an Indices, die nach
Marktkapitalisierung gewichtet sind. Dies ist aber nicht ganz richtig, da kapitalgewichtete
Portfolios den Markt nur ungenügend widerspiegeln und die von Investoren eingegangenen
Risiken nur mäßig honoriert werden309. Der Investor kann durch die Vielzahl an Smart Beta
Strategien entscheiden, welchen Risiken er sein Vermögen aussetzen möchte. Somit werden
Smart Beta Indices stets von kapitalisierungsgewichteten Indices mehr oder weniger
abweichen. Es ist also wichtig, einen geeigneten Referenzbenchmark zu ermitteln, um eine
richtige Vergleichbarkeit gewährleisten zu können. Daher muss festgestellt werden, welchen
systemischen und spezifischen Risiken die jeweilige Allokationsstrategie ausgesetzt ist310.
4.3.3.1 Systematische Risikoeinflüsse von Smart Beta Strategien
Je nach Allokationsstil des gewählten Smart Beta Ansatzes entsteht auch ein Hang zu gewissen
307 Vgl. Towers Watson 2013, S 8 308 Vgl. Towers Watson 2013, S 8 309 Vgl. Amenc et al. 2013, S 5 310 Vgl. Amenc et al. 2013, S 6f
71
Risiken. So tendieren Verfahren, die auf eine geringe Volatilität abzielen, zu einer erhöhten
Aufnahme von Aktien mit niedriger Volatilität. Ein derartiges Portfolio ist daher einem
geringeren Volatilitätsrisiko ausgesetzt als ein kapitalisierungsgewichteter Index.
Versorgeraktien sind tendenziell Aktien mit einer geringen Volatilität, dadurch wird ein
schwankungsarmes Portfolio einen erhöhten Anteil dieser Peer Group ausweisen. Da das
erstellte Portfolio höhere Gewichtungen dieser Titel aufweist als ein nach Marktkapitalisierung
gewichteter Index, erhöht sich auch die Sensitivität gegenüber der Risiken im Geschäftsfeld der
Versorger. Gleichzeitig werden mit einer geringeren Gewichtung anderer Wirtschaftssparten
deren Risiken minimiert311. Smart Beta Strategien, deren Zielsetzung eine Dekonzentration des
Portfolios ist, beinhalten einen erhöhten Anteil von Small Cap Aktien. So sind diese auch deren
Risiken zu einem höheren Maß ausgesetzt. Portfolios, die anhand der Marktkapitalisierung von
Titeln konstruiert werden, korrelieren positiv zu dem Risikoeinfluss Momentum. Jede
Allokation, die von der Gewichtung des Cap-Weighted Portfolios abweicht, wird daher geringer
vom Faktor Momentum oder gar negativ von diesem beeinflusst. Wird die Performance zweier
Strategien verglichen, muss daher immer betrachtet werden, aufgrund welcher Aufnahme oder
Vermeidung eines Risikos eine gewisse Rendite generiert worden ist312.
4.3.3.2 Spezifische Risikoeinflüsse von Smart Beta Strategien
Jede Allokationsstrategie bringt in seinem Konstruktionsmechanismus spezifische
Risikoeinflüsse mit sich. Diese lassen sich aufteilen in Schätzrisiken und Verfahrensrisiken.
Erhöhte Schätzrisiken führen dazu, dass die prognostizierte Rendite in der realen Umsetzung
stark abweicht313. Als Beispiel sind Optimierungsverfahren wie das Maximum Sharpe-Ratio
Portfolio zu nennen. Da dieses Allokationsmodell eine Vielzahl an Parametern benötigt, erhöht
sich auch der Schätzfehler. Durch eine Reduktion der benötigten Parameter wird sich auch der
Schätzfehler minimieren. Fraglich ist, ob ein Modell, das weniger Parameter benötigt, genauso
akkurate Allokationsvorschläge wie ein Verfahren mit mehreren Parametern liefert. Durch den
Einsatz der 1/N Strategie vermeidet der Investor Schätzfehler zur Gänze, gibt jedoch
gleichzeitig jegliches Potential von etwaigen Schätzungen auf und geht so ein erhöhtes
Verfahrensrisiko ein314. De Miguel et al. (2009) stellten fest, dass eine naive Allokation in der
praktischen Umsetzung unter Umständen eine bessere Performance liefert als ein Markowitz
311 Vgl. Chan et al. 1999, S 937ff 312 Vgl. Amenc et al. 2013, S 7–10 313 Vgl. Amenc et al. 2013, S 10 314 Vgl. DeMiguel et al. 2009, S 1947f
72
Portfolio, weil Schätzrisiken vermieden werden315. Der Anleger ist somit einem Trade-off
ausgesetzt. Er muss entscheiden, ob er ein Modell wählt, das möglicherweise weniger genaue
Verteilungsvorschläge liefert, da auf jegliche Schätzungen verzichtet wird oder ob er ein
Verfahren bevorzugt, das mit einer Vielzahl an Parametern optimale Allokationsgewichte
erzeugt, dadurch aber auch einen erhöhten Schätzfehler aufweisen kann.
4.3.3.3 Messung der spezifischen Risikoeinflüsse
Eine naive Asset Allokation wird sehr weit vom theoretisch optimalen Wert eines Maximum
Sharpe-Ratio Portfolios entfernt sein, weil die 1/N Allokation auf jegliche Berechnung der
Gewichte mittels Schätzparameter verzichtet und somit das höchste Verfahrensrisiko enthält.
Das MSR Portfolio hingegen erreicht theoretisch den höchsten Wert, da sämtliche Parameter in
die Berechnung mit aufgenommen werden. Durch die Aufnahme der meisten Inputvariablen ist
bei diesem Verfahren jedoch auch der höchste Schätzfehler feststellbar. Die naive Allokation
kann daher als Gegenteil zur Maximum Sharpe-Ratio Allokation hinsichtlich des
Optimierungs-/Verfahrensrisiko gesehen werden. Amenc et al. (2013) untersuchten, wie weit
die theoretische Sharpe-Ratio, also jene, die mit absolut perfekten Prognosevariablen erzeugt
werden könnte, von der in der praktischen Umsetzung erreichbaren Sharpe-Ratio abweicht316.
Hierfür wurden Wochendaten über einen Zeitraum von zwei Jahren gesammelt.
Abbildung 32: Erreichbare Sharpe-Ratio ohne Schätzfehler und mit Schätzfehler für verschiedene Optimierungsverfahren
(nach Amenc et al. 2013, S 22)
Abbildung 32 zeigt, dass Verfahren mit erhöhtem Schätzfehler eine hohe Abweichung
bezüglich der theoretischen und praktisch erreichbaren Sharpe-Ratio aufweisen. Vor allem die
MSR, die theoretisch die höchste Sharpe-Ratio erreicht, fällt durch Schätzfehler von einer
315 Vgl. DeMiguel et al. 2009, S 1915ff 316 Vgl. Amenc et al. 2013, S 1ff
73
Sharpe-Ratio von 13,34 auf 0,56 ab. Dieser Wert ist niedriger als der des
Gleichgewichtsansatzes. In diesem Vergleichszeitraum hat daher das Schätzrisiko eine höhere
Auswirkung als das Verfahrensrisiko. Das GMV, das sowohl mit Verfahrens- und Schätzrisiko
behaftet ist, erreicht eine höhere Sharpe-Ratio als das MSR und das EW Verfahren317.
Auffallend gute Ergebnisse erreicht eine 50/50 Kombination von GMV und EW. Vor allem
weicht die theoretisch ermittelte Sharpe-Ratio nur gering von der tatsächlich erreichten ab.
4.3.4 Auswahl der Risikoeinflüsse
Im Sinne der dritten Generation der Asset Allocation ist es auch im Smart Beta Bereich möglich,
die Risikoeinflüsse, die im Portfolio enthalten sein sollten, zu steuern. Allokationsstrategien,
die eine bessere Diversifikation als ein kapitalgewichteter Index bieten, tendieren zu
Aktientiteln, die eine schlechtere Handelbarkeit bieten. Möchte sich der Investor diesem
Liquiditätsrisiko nicht aussetzen, ist es möglich, entsprechende Anpassungen vorzunehmen318.
Wie in Abbildung 33 ersichtlich, ist es möglich, ohne starke Einbußen hinsichtlich Rendite,
Volatilität und Sharpe-Ratio den Risikoeinfluss der Liquidität aus dem Portfolio zu entfernen.
Abbildung 33: Allokationsformen gebildet durch alle Aktien in Panel 1 und gebildet durch Aktien mit hoher Liquidität in Panel
2 (nach Amenc et al. 2013, S 19)
4.3.5 Begrenzung des Tracking Errors gegenüber kapitalgewichteter Indices
Obwohl kapitalgewichtete Indices nicht als die beste Allokationsmöglichkeit erscheinen, sind
diese nach wie vor sehr verbreitet und populär. Sie werden vielfach als Referenz zur
317 Vgl. Amenc et al. 2013, S 22 318 Vgl. Amenc et al. 2013, S 16–19
74
Performancemessung herangezogen319. Möchte ein Investor nicht nur eine zu starke
Abweichung einer Smart Beta Strategie gegenüber eines Cap-Weighted Index, sondern auch
die Gefahr einer Underperformance gegenüber diesem vermindern, empfiehlt sich die
Einführung einer Schranke der Abweichung zum Referenzindex. Beispielsweise kann
festgelegt werden, dass der Tracking Error über den Zeitraum von einem Jahr den
durchschnittlichen Wert von 3 Prozent nicht überschreiten darf320.
Abbildung 34: Smart Beta Strategien mit und ohne Tracking Error Schranke zum Scientific Beta USA Cap-Weighted Index im
Zeitraum von Juni 2002 bis Dezember 2012 (nach Amenc et al. 2013, S 24)
Trotz einem sehr geringen Tracking Error von 3 Prozent p.A. können alternative
Allokationsmodelle nach wie vor eine Überrendite verglichen mit dem kapitalgewichten Ansatz
erwirtschaften, wie dies in Abbildung 34 dargestellt wird. Es fällt jedoch auf, dass sich die
Überrenditen gegenüber dem CW Index deutlich reduzieren. Wird in ein
Optimierungsverfahren die Restriktion eines durchschnittlich erlaubten Tracking Errors
aufgenommen, sinken die Häufigkeiten von kurzzeitigen Tracking Errors über 95 Prozent bei
allen Optimierungsverfahren deutlich.
319 Vgl. Amenc et al. 2013, S 23 320 Vgl. Amenc et al. 2013, S 23f
75
4.3.6 Entscheidungsdilemma
Wünschenswert wäre ein Smart Beta Investment,
das eine niedrige Volatilität aufweist,
dabei stark diversifiziert ist,
einen geringen Tracking Error mit sich bringt,
Titel mit ausgezeichneter Handelbarkeit im Portfolio aufweist und
dabei noch eine starke Performance liefert.
Leider ist die Konstruktion eines derartigen Portfolios nicht möglich, da gewisse Eigenschaften
in einer negativen Beziehung zueinanderstehen. So muss der Investor entscheiden, welche
Eigenschaften für ihn am wichtigsten sind und auf welche er zu verzichten bereit ist321.
4.3.6.1 Betarendite
Das Beta zeigt an, mit welcher Sensitivität das Portfolio positive als auch negative Bewegungen
eines Marktes abbildet. Je weiter die Volatilität gesenkt wird, desto geringer wird die
Betarendite322.
4.3.6.2 Diversifikationsrendite
Ist ein Portfolio stärker diversifiziert als das kapitalgewichtete Marktportfolio, kommt es zu
einer höheren Senkung des systematischen Risikos. Ein Portfolio mit minimaler Volatilität
nimmt nur Titel mit genau dieser Eigenschaft auf. Es ist daher konzentrierter als das Capital-
Weighted Portfolio und weist somit eine negative Diversifikationsrendite auf. Eine hohe
Diversifikation und eine niedrige Volatilität stehen sich daher in einem negativen Verhältnis
gegenüber323.
4.3.6.3 Alpharendite
Frazzini und Pedersen (2014) belegen mit ihrer Studie, dass Aktien mit einem hohen Beta eine
schlechtere risikoadjustierte Rendite liefen als Titel mit einem geringeren Beta324. Durch eine
Risikominimierung steigt auch die Sharpe-Ratio. Da die Verbesserung der Sharpe-Ratio
aufgrund einer Titelselektion von volatilitätsarmen Aktien entsteht, wird diese als Alpharendite
321 Vgl. Cazalet et al. 2013, S 2 322 Vgl. Cazalet et al. 2013, S 13 323 Vgl. Cazalet et al. 2013, S 13 324 Vgl. Frazzini & Pedersen 2014, S1ff
76
bezeichnet. So ergibt sich mit einer Risikosenkung eine Steigerung der Alpharendite325.
Durch die unterschiedlichen Konstruktionsformen einer Smart Beta Strategie verhält sich ein
Smart Beta Portfolio auch unterschiedlich in den einzelnen Konjunkturzyklen.
Abbildung 35: Verhalten von Investmentstrategien in verschiedenen Konjunkturzyklen und deren Partizipation von den
Renditequellen Beta, Alpha und Diversifikation: Capital-Weighted (CW), Low Volatility Diversified (LVD) und Minimum
Variance (MV) Allokation (nach Cazalet et al. 2013, S 18)
Abbildung 35 stellt die Performance der einzelnen Strategien in den verschiedenen
wirtschaftlichen Zyklen dar. Ein Smart Beta Portfolio mit einer niedrigen Volatilität wird sich
in einem sich seitwärts bewegenden Markt besser entwickeln als ein kapitalgewichtetes
Portfolio. Begründet kann dies durch geringe Betarenditen in einem solchen Marktfeld werden.
Anders als das CW Portfolio können die Smart Beta Strategien die niedrige Beta Rendite durch
andere Renditen kompensieren. In einem Bullenmarkt zeichnet sich jedoch ein anderes Bild ab.
Partizipiert das Smart Beta Portfolio beispielsweise nur zu 50 Prozent an der Betarendite und
die Marktperformance liegt bei 30 Prozent, werden mit diesem Smart Beta Investment auch nur
325 Vgl. Cazalet et al. 2013, S 14f
77
15 Prozent Betarendite verdient. Dass die restlichen 15 Prozent von der positiven Alpharendite
kompensiert werden, ist äußerst unrealistisch, da sich diese im Regelfall zwischen 0–3 Prozent
bewegt. Zwar sind Übertreibungen an Finanzmärkten zu beobachten, da auf gewisse
Nachrichten überreagiert wird, viele Investoren handeln aber trotz einer derartigen
Nachrichtenlage sachlich. Da die Zahl der rationalen Anleger nicht klein ist, wird somit die
Arbitragemöglichkeit begrenzt326.
Abbildung 36: Beziehung von Rendite zu Volatilität (nach Cazalet et al. 2013, S 17)
Die negative Beziehung von Renditetreibern wird in Abbildung 36 deutlich ersichtlich. Der
Investor muss daher Prioritäten setzen, welche Renditequellen er in sein Portfolio aufnehmen
möchte327. Möglich wäre jedoch die Konstruktion eines Portfolios, das nur eine geringe
Reduktion der Volatilität anstrebt. Somit ist der Tracking Error zum Referenzportfolio relativ
niedrig. Das Portfolio kann gut von einem positiven Marktumfeld durch die Betarendite
partizipieren und lukriert zusätzlich eine Diversifikationsrendite. Im Falle eines Bärenmarktes
326 Vgl. Amenc et al. 2014, S 15 und Cazalet et al. 2013, S 17f 327 Vgl. Cazalet et al. 2013, S 17
78
wird die negative Betarendite durch die Diversifikationsrendite teilweise abgefedert328.
Die in diesem Punkt angeführten Beispiele zeigen sehr gut die Grenzen eines Smart Beta
Portfolios auf und festigen die Gültigkeit der ökonomischen Erkenntnis „There is no free
lunch“329.
4.3.7 Praktische Umsetzung einer Smart Beta Strategie auf globale Staatsanleihen
Ein Index auf globale Staatsanleihen weist ein schlechtes Streuverhalten zwischen den
einzelnen Ländern auf, da die zwei größten Schuldner Japan und die USA mehr als die Hälfte
der weltweiten Staatsschuldverschreibungen ausgegeben haben. So ist der Barclays Global
Treasury Index mit 54 Prozent in japanische und amerikanische Anleihen investiert. Um diese
starke Konzentration zu vermeiden, hat eine Smart Beta Lösung für diesen Index einen Cap auf
Länder. So kann ein gewisses Anlagegewicht pro Land nicht überschritten und eine
ausreichende Diversifikation gewährleistet werden.330. Dadurch entsteht eine gleichmäßigere
Verteilung in die einzelnen Regionen wie Abbildung 37 zeigt.
Abbildung 37: Verbesserte Streuung des Index durch Einziehen eines Caps auf das Investitionsvolumen pro Land (nach Towers
Watson 2013, S 6)
328 Vgl. Cazalet et al. 2013, S 17f 329 Vgl. Cazalet et al. 2013, S 18 330 Vgl. Towers Watson 2013, S 6
79
4.3.8 Praktische Umsetzung einer Smart Beta Strategie auf ein Multi-Faktor Set
Amenc et al. (2014) erstellte in seiner Studie einen Smart Beta Ansatz für ein Multi-Faktor
Investment331. Als Risikofaktoren wurden Value, Momentum, Low Risk und Size ausgewählt.
Da es bei Smart Beta Adaptierungen wichtig ist zu verstehen, wie das Referenzinvestment
funktioniert und warum man sich von Anpassungen einen Mehrwert verspricht, werden die vier
Risiken und deren Prämienvergütung genauer beleuchtet:
Value:
In ökonomisch schlechten Zeiten zeichnet sich bei Anlagen mit einem Value Risiko eine
schlechte Reversibilität ab. Im Gegensatz dazu stehen Growth Aktien. Diese federn
fehlende makroökonomische Impulse durch autonomes Wachstum ab. Dadurch
reagieren in turbulenten Marktphasen Investments in Value Titel stärker. Aus diesem
Grund kann sich der Investor eine Risikoprämie erwarten. Des Weiteren wird die
Preisbildung von Aktientitel oft verzerrt, weil Marktakteure oft zu stark auf schlechte
Nachrichten reagieren und sich zu sehr auf vergangenheitsbezogene Firmendaten von
Aktien beziehen, die aber in der Zukunft nicht zwingend gültig bleiben. Durch eine
nüchterne Betrachtung können günstige Kaufgelegenheiten genutzt werden und somit
Alpha generiert werden332.
Momentum:
Aktientitel mit einem hohen Momentum reagieren stark auf makroökonomische
Impulse, wie zum Beispiel Industrieproduktion oder Konsumausgaben. Investoren sind
tendenziell zu selbstsicher und überzeugt bezüglich ihrer Titelauswahl. Diese
Fehleinschätzung der Fondsmanagern führt zu überkauften Aktientiteln, was zum
Momentum-Effekt führt. Dieses durch Fehlentscheidungen entstandene Momentum
erhöht die Preise der Titel weiter. Auch hier kann eine sachliche Betrachtung
Möglichkeiten bieten, Alpha zu generieren333.
Low Risk:
Aktien und auch andere Anlageklassen mit einem niedrigen Beta erwirtschaften höhere
331 Vgl. Amenc et al. 2014, S 1ff 332 Vgl. Amenc et al. 2014, S 15; Lakonishok et al. 1994, S 1574–1577 und Zhang 2005, S 67ff 333 Vgl. Amenc et al. 2013, S 16; Cintolo 2014, S 2f und Daniel et al. 1998, S 1839ff
80
risikoadjustierte Renditen als jene mit einem hohen Beta334. Begründet kann dies durch
die Short-Beschränkung von Investoren werden. Ihre einzige Möglichkeit höhere
Renditen zu erzielen ist der Kauf von Aktien mit hohem Beta. Deshalb sind diese Aktien
im Verhältnis zu anderen Titeln überkauft und hoch bewertet. Besteht keinerlei
Beschränkung, kann mittels Leverage auf Aktien mit einem niedrigen Beta gesetzt
werden. Dies hat jedoch zur Folge, dass in ökonomisch schlechten Zeiten viele
Investoren versuchen werden, mittels Leverage gekaufte Aktienpakete abzustoßen, um
ihre Schulden bedienen zu können. Daher sind Anleger, die ein solches Investment
halten, einem Liquiditätsrisiko ausgesetzt335.
Size:
Der Investor erhält eine Risikoprämie, da Firmen mit einer niedrigen
Marktkapitalisierung über eine geringere Kapitalausstattung verfügen. Diese Betriebe
sind daher in wirtschaftlich problematischen Phasen schneller insolvent.336.
Die einzelnen Faktoren können nachgebildet werden, indem Aktien ausgewählt werden, welche
dem jeweiligen Faktor am meisten ausgesetzt sind. Jedoch ist bei diesem Vorgehen mit einer
noch schlechteren Streuung zu rechnen als in einem breit gestreuten kapitalgewichteten Ansatz.
Vor allem ist bei einem Portfolio mit wenigen Titeln mit hohen idiosynkratrischen Risiken der
einzelnen Werte zu rechnen. Es muss also ermittelt werden, wie viele Aktien in ein Portfolio
aufgenommen werden müssen, um diese titelspezifischen Risiken durch ausreichende
Diversifikation zu eliminieren. Es wird somit eine Liste aus 500 Titeln erstellt, bei der die
Reihung nach Grad der Auswirkung auf einen gewissen Faktor erfolgt. Anschließend wird mit
dem Vier-Faktoren-Modell von Carhart die Anzahl der Aktien errechnet, die ins Portfolio
aufgenommen werden müssen, damit keine signifikanten Einzeltitelrisiken mehr die
Performance beeinflussen337.
Smart Beta 2.0 versucht Risiken, die keinerlei Prämien einbringen, auf ein Minimum zu
reduzieren. Gewichtungen auf Basis von Kapitalisierung weisen neben einer schlechten
Diversifikation auch eine erhöhte Korrelation der Aktientitel zueinander auf. Somit ist die
stabile Isolierung eines Risikofaktors mit einer CW Allokation nicht möglich. Daher muss auf
334 Siehe Punkt 2.6 335 Vgl. Amenc et al. 2013, S 16; Frazzini & Perdersen 2013, S 5–22 336 Vgl. Fama & French 1992, S 449ff 337 Vgl. Amenc et al. 2013, S 18
81
alternative Gewichtungsmodelle gesetzt werden, die diese Problematik mit berücksichtigen338.
4.3.9 Risiken passiver Investments
Passive Exchange Traded Funds lassen sich in zwei Kategorien teilen,
„Plain-Villa“ Investments, die physisch Sicherheiten der einzelnen Gewichte eines
Index kaufen und
synthetische ETFs, die über Derivate, die von einer Gegenpartei angekauft werden, in
die gewünschten Anlagen investieren, ohne diese tatsächlich physisch zu halten.
Synthetisch konstruierte ETFs sind in der Kostenstruktur billiger als ETFs, die Positionen
physisch halten. Anbieter synthetischer ETFs profitieren nebenbei von Synergieeffekten, da das
Asset Management, welches die passiven Investments konstruiert und auflegt, bei der
hauseigenen Wertpapierhandelsabteilung die Derivate kauft339. Da sich ETFs steigender
Beliebtheit erfreuen, ist deren Markt von steigendem Wettbewerb geprägt. Die Anbieter werden
daher unter Druck gesetzt günstige Konditionen anzubieten340.
Kauft ein Investor einen synthetischen ETF, erhält er gegen die Bezahlung von Cash den
entsprechenden Anteil, der den gewählten Index nachbildet. Die Gegenpartei hält ein
Pfandportfolio, um diese Werte zu besichern. Wenn der ETF-Anbieter und der Swap-Anbieter
demselben Institut angehören, ist der Käufer des ETFs einem Gegenpartierisiko gegenüber dem
emittierenden Institut ausgesetzt. Dies kann jedoch abgeschwächt werden, indem der ETF so
konstruiert wird, dass die Derivate bei mehreren verschiedenen Anbietern gekauft werden341.
Verfügt ein Anbieter jedoch über einen eigenen Wertpapierhandel, wird er mit einem Kauf bei
mehreren Anbietern seinen Gewinn schmälern, da die Synergieeffekte nicht im vollen Umfang
ausgenützt werden können. Eine vollständige Absicherung gegenüber Ausfallsrisiken in
Krisenphasen ist nicht möglich. Da aber davon ausgegangen werden kann, dass die
Ausfallswahrscheinlichkeit der verschiedenen Geldinstitute auch in angespannten Marktphasen
eine Korrelation von unter 1 aufweist, wird zumindest eine Risikoreduktion erreicht342. Mit
steigender Komplexität und Intransparenz von passiven Investments steigen auch die Risiken,
da nicht bekannt ist, welche Reaktionen in Stressphasen an den Märkten bezüglich der
338 Vgl. Amenc et al. 2013, S 19ff 339 Vgl. Financial Stability Board 2011, S 2 340 Vgl. Ramaswamy 2011, S 4–8 341 Vgl. Financial Stability Board 2011, S 3 342 Vgl. Bossert 2009, S 19f
82
Liquidität zu erwarten sind. Durch diese Unbekannte kann es sein, dass sich Investoren über
die eingegangenen Risiken, die mit dem Investment einhergehen, nicht zur Gänze bewusst
sind343. Vor allem der Umstand, dass das Pfandportfolio nicht mit dem Index übereinstimmen
muss, der dem Investor mittels Derivate verkauft wurde, kann in Stressphasen problematisch
sein. Da das Pfandportfolio des ETF-Anbieters auch illiquide Assets enthalten kann, ist eine
rasche Veräußerung bei erhöhtem Liquiditätsbedarf schwierig. Verstärkt wird die Problematik,
wenn viele Anleger ihre ETFs verkaufen wollen und die Gegenpartie ihrer
Tilgungsverpflichtung nachkommen muss344. Der Anbieter könnte gezwungen sein, illiquide
Assets, die er eigentlich nicht verkaufen möchte, zu verkaufen. Dies führt eventuell zu weiterer
Verunsicherung und erhöht zudem den Verkaufsdruck des Gesamtmarktes345. Gelingt die
Liquidierung nicht im benötigten Ausmaß, kann die Folge eine Verkaufssperre der ETF-
Positionen sein, da der ETF-Anbieter weitere Auszahlungen nicht mehr bedienen kann. Beim
„Flash Crash“ im Mai 2010 wurde dies sehr deutlich. Durch Computerhandel kam es zu einem
drastischen Abverkauf von ETFs. Die Anbieter hatten Schwierigkeiten, entsprechende
Liquidität aufzubringen346. Ist der Markt, auf dem der ETF aufgelegt wurde, von schlechter
Liquidität, stellt dies in Stressphasen eine weitere Herausforderung dar, da in solchen Märkten
die Beschaffung auch zu einem großen Teil im „Over The Counter“-Handel erfolgt347. Eine
genaue Regelung der Sperre, wie dies beispielsweise bei Hedgefonds der Fall ist, gibt es bei
ETF-Produkten nicht348.
Die Anbieter von „Plain Villa“-ETFs versuchen, ihre Margen durch Wertpapierleihen
aufzubessern. Daher entstehen ähnliche Probleme wie bei synthetischen ETFs. Wollen zu viele
Investoren ihre ETFs liquidieren, ist dies für den Anbieter problematisch, weil ein gewisser
Teil, der noch als Wertpapierleihe aussteht, nicht zur Verfügung steht349. Die Intransparenz der
Zusammensetzung des Pfandportfolios, im Falle der synthetischen ETFs und der ausgegebenen
Wertpapierleihen bei physischen ETFs, macht es schwierig, das entstehende Gegenparteirisiko
abzuschätzen. Eine gesetzlich geregelte Offenlegung des Pfandportfolios bzw. des
prozentuellen Anteils der verliehenen Wertpapiere würde diesen Umstand verbessern350.
343 Vgl. Financial Stability Board 2011, S 3 und Ramaswamy 2011, S 12f 344 Vgl. Financial Stability Board 2011, S 4 345 Vgl. Ramaswamy 2011, S 12 346 Vgl. Global Financial Stability Report 2011, S 71 347 Vgl. Global Financial Stability Report 2011, S 71f 348 Vgl. Ramaswamy 2011, S 11 – 12 349 Vgl. Global Financial Stability Report 2011, S 70 und Financial Stability Board 2011, S 4f 350 Vgl. Financial Stability Board 2011, S 5
83
ETFs erleichtern zwar die Handelbarkeit von Anlageklassen wie Rohstoffen, durch ein erhöhtes
Investment in diese Assets kann es jedoch zu Bewertungen jenseits von fundamentalen Daten
kommen. Vor allem der Goldpreis ist ein Beispiel für eine drastische Steigerung, die als
fragwürdig einzustufen ist, da in derselben Periode die Veranlagungen in Gold-ETFs stark
zunahmen. Da mithilfe von ETFs diese Klassen leichter ge- und verkauft werden können, ist
auch mit erhöhten Preisschwankungen zu rechnen351.
4.3.10 Kritische Würdigung Smart Beta Strategien
Die Gründe für ein Smart Beta Investment sind dieselben wie die Gründe für das Einsetzen von
einem Fondsmanager zur Verwaltung einer Anlage. Der Investor verspricht sich eine bessere
Kontrolle der Risiken und/oder ein besseres Rendite/Risiko Verhältnis. Die Schwächen von rein
passiven Exchange Traded Fund Investments wurden in Krisenzeiten wie 2008 sichtbar. Das
führte zur Erschaffung eines aktiv/passiven Hybrid, Smart Beta. Der Einsatz eines vorher
definierten passiven Regelwerks stellt eine günstige Alternative zu einem aktiv gemanagten
Fonds dar, ohne auf eine Risikokontrolle verzichten zu müssen352. Neben dem Kostenargument,
das für Smart Beta Investments spricht, kann auch das Argument der Transparenz angeführt
werden. Kann der Investor das Regelwerk des Smart Beta Investments nachvollziehen, ist ihm
jederzeit klar, warum das Vehikel gewisse Schritte setzt. Es werden keine subjektiven
Entscheidungen durch den Fondsmanager getroffen. Smart Beta Strategien werden von einer
Vielzahl von Anbietern aufgelegt. Mechanismen für diese Strategien sind leider in der Praxis
schwer nachvollziehbar, da der Zugang zu diesen Daten vom Anbieter nicht ermöglicht wird
oder mit sehr hohen Kosten verbunden ist. Jedoch nur mit diesem Wissen kann der Investor
nachvollziehen, welchen Risiken er sich aussetzt. Die einzelnen Produkte werden zwar vom
Anbieter beschrieben, es ist jedoch zu hinterfragen, ob die noch offen bleibende
Informationsasymmetrie vom Anleger akzeptiert wird. Wünschenswert wäre, wenn es dem
Anleger durch vollkommene Transparenz ermöglicht werden würde, genau zu bestimmen,
welchen Risiken er sich mit dem jeweiligen Investment aussetzt353.
Durch den Erwerb eines passiven Investments geht ein Investor stets ein Gegenparteirisiko ein.
Unabhängig, ob der Anbieter die Produkte durch physisches Halten der Positionen oder durch
351 Vgl. Global Financial Stability Report 2011, S 71 352 Vgl. Schuller & Kula 2014, S 4f 353 Vgl. Amenc et al. 2013, S 25f und Schuller & Kula 2014, S 5
84
den Kauf von Derivaten konstruiert, im Falle eines erhöhten Verkaufswunsches seitens der
Käufer von passiven Investments ist die Versorgung mit ausreichender Liquidität schwierig.
Dies kann unter Umständen zu weiterer Verunsicherung führen. Begründet wird das durch eine
unzureichende Transparenz der Zusammensetzung des Pfandportfolios oder der durchgeführten
Wertpapierleihen des ETF-Emittenten354. Durch Diversifikation kann das Gegenparteirisiko
minimiert, jedoch nicht zu Gänze beseitigt werden355.
Vergleicht man die Smart Beta Investments mit kapitalgewichteten Indices oder Hedgefonds,
fällt die Sharpe-Ratio aller Smart Beta Konstruktionen langfristig höher aus. Kurzfristig kann
es jedoch zu einer Underperformance gegenüber der Cap-Weighted Indices kommen356. Zwar
kann durch die Einführung einer Tracking Error Schranke der Wahrscheinlichkeit einer
Underperformance entgegengewirkt werden, die Einschränkung bringt aber auch wesentliche
Einbußen hinsichtlich der Überrendite gegenüber einer kapitalgewichteten Allokation mit
sich357. Smart Beta Instrumente sind also nur für langfristig orientierte Investoren geeignet. Nur
langfristig können sie ihre Überlegenheit gegenüber konventionellen kapitalgewichteten
Allokationen unter Beweis stellen358. Die Abkehr von kapitalgewichteten Indices macht
durchaus Sinn, da die Schwächen von kapitalgewichten Indices in der Wissenschaft mehrfach
belegt wurden. Das Hauptproblem stellt die Prozyklizität dar, da ein Aktientitel umso höher
gewichtet wird, je höher der Wert der Aktie steigt. Durch das so entstehende Momentum werden
die im Wert gestiegenen Titel weiter überkauft. Das hat eine weitere Überbewertung zur Folge.
Auch ist die Diversifikation eines kapitalgewichteten Index oft mangelhaft, da Titel mit einer
hohen Marktkapitalisierung dominant sind359. Da Smart Beta Investments somit eine andere
Funktionsweise als kapitalgewichtete Indices aufweisen, ist es auch fragwürdig, ob genau diese
als Referenz herangezogen werden sollen. Eine höhere Rendite gegenüber diesen Indices durch
ein Smart Beta Investment wird von vielen Anbietern fälschlicherweise als Alpha dargestellt.
Vielmehr sollte von einer reinen Outperformance des Smart Beta Produkts zu dem
kapitalgewichten Index gesprochen werden360.
Kapitalgewichtete Indices sind jedoch leichter investierbar als Smart Beta Strategien, da nach
354 Vgl. Global Financial Stability Report 2011, S 70ff und Financial Stability Board 2011, S 1ff 355 Vgl. Bossert 2009, S 19f 356 Vgl. Amenc et al. 2013, S 16 und Towers Watson 2013, S 5 357 Vgl. Amenc et al. 2013, S 23f 358 Vgl. Towers Watson 2013, S 5 359 Vgl. Schuller & Kula 2014, S 4f 360 Vgl. Schuller & Kula 2014, S 5f
85
Festlegung der Gewichte keinerlei Anpassungen oder Rebalancing notwendig sind. Smart Beta
Investments sind komplizierter zu verwalten, da das vordefinierte Regelwerk Umschichtungen
verlangt und infolgedessen ein regelmäßiges Rebalancing vonnöten ist. Ein Investor sollte
daher beachten, dass ein steigender Komplexitätsgrad des Smart Beta Vehikels auch steigende
Kosten mit sich bringt361. Weiters werden durch Crowding gewisse Anomalien nicht nachhaltig
Bestand haben, da diese durch eine Vielzahl von Investoren wieder ausgeglichen werden.
Repräsentativ hierfür ist der Low-Volatility-Ansatz, der in den vergangen Jahren den höchsten
Kapitalzufluss verzeichnen konnte. Durch den hohen Mittelzufluss wurde die Marktanomalie,
dass Aktien mit einem niedrigeren Beta eine höhere risikoadjustierte Rendite generieren,
weitestgehend neutralisiert362. Neben den Nachteilen, die Smart Beta mit sich bringt, ist aber
zu erwähnen, dass in Kombination mit Risikofaktoren eine bessere Dynamisierung von
Investments ohne aktives Management möglich ist. Des Weiteren kann ein Investor durch die
granulare Aufteilung nach Faktoren genau bestimmen, welche Risiken er in sein Depot
aufnehmen möchte. Somit lassen sich Portfolios genau auf die Bedürfnisse des jeweiligen
Individuums hinsichtlich Risikotragfähigkeit anpassen363.
4.4 Overlay Strategien
Overlay Strategien haben zum Ziel, entweder das Gesamtrisiko eines Portfolios zu reduzieren,
sogenannte Risiko-Overlays, oder die Portfolio Rendite zu erhöhen. In diese Kategorie fallen
Alpha- oder Absolut-Return-Overlays364. Auch bei den Overlay Strategie gilt: Eine
Absicherung ist mit Kosten verbunden und eine Erhöhung der Rendite geht mit einer Erhöhung
des Risikos einher. Keine Investment-Methode schützt den Investor in allen Marktphasen vor
Verlusten und generiert gleichzeitig eine stets hohe Rendite. Overlays können jedoch die Kosten
einer Risikokontrolle reduzieren365. Durch den Einsatz eines Overlays kommt es zu keiner
direkten Gewinn/Verlustrealisierung. Mit Derivaten kann sich der Investor in einer Stressphase
am Markt absichern, ohne einen direkten Verkauf vorzunehmen. Dies hat den Vorteil, dass das
Problem der raschen Liquidierung bei Anlagen mit einer schlechten Handelbarkeit umgangen
wird. Neben der Absicherung des Marktrisikos kann so auch das Liquiditäts- und
Wiederanlagerisiko vermieden werden366. Risiko-Overlays dienen nur zur Absicherung von
361 Vgl. Schuller und Kula 2014, S 10 362 Vgl. Schuller und Kula 2014, S 9f 363 Vgl. Schuller und Kula 2014, S 12 364 Vgl. Söhnholz et al. 2010, S 155 365 Vgl. Söhnholz et al. 2010, S 155 366 Vgl. Söhnholz et al. 2010, S 155f
86
systematischen Marktrisiken. Unsystematische Risiken wie z.B. Manager Risiken können mit
Overlays nicht abgesichert werden. Dafür müssen andere Maßnahmen, wie im konkreten
Beispiel eine Due Diligence Prüfung, vorgenommen werden367. Neben den Derivaten werden
auch Overlay-Manager zur Risikoüberwachung eingesetzt. Sie entscheiden, zu welchem
Zeitpunkt ein direkter Verkauf einer Anlage die bessere Alternative zu einem Overlay ist. Dies
wird in jedem Fall Sinn machen, wenn der Overlay-Manager zu dem Entschluss kommt, dass
die Risiken über einen längeren Zeithorizont bestehen bleiben368. Die Umsetzungspräferenz
einer Risikoabsicherung gliedert sich somit folgendermaßen:
1. Liquide Derivate
2. Verkauf Liquider ETFs (short)
3. Verkauf liquider Instrumente (z.B. Publikumsfonds)
4. Eingriff in Einzelpositionen369
Traditionelle Risikomaßnahmen erfolgen diskretionär. Bei Eintritt einer gewissen Situation
wird von einem Anlageausschuss entschieden, ob eine Anlage verkauft wird oder nicht.
Overlay-Konzepte sind hingegen regelbasiert:
Ein vorher definierter Mechanismus baut zu einem gewissen Zeitpunkt derivative
Positionen auf oder
eine Position wird durch einen Stop-Loss abgesichert und somit beim Erreichen eines
bestimmten Kurses verkauft370.
4.4.1 Risiko-Overlay für traditionelle Assets
Portfolios, die mit einer Kapitalgarantie versehen sind, bringen viele Nachteile mit sich. Am
schwerwiegendsten sind die hohen Kosten, da das Portfolio ständig abgesichert ist. Derart
konstruierte Garantieprodukte sind auch mit einem Ausfallsrisiko der Gegenpartei behaftet.
Dieser Umstand ist nicht zu unterschätzen und wurde vor allem durch den Ausfall von Instituten
wie Lehman und AIG klar bestätigt371. Bonitätsrisiken der absichernden Partei sind durch eine
Streuung zwischen diesen nicht zur Gänze zu eliminieren, außerdem nimmt der
367 Vgl. Söhnholz et al. 2010, S 156f 368 Vgl. Söhnholz et al. 2010, S 155 369 Vgl. Söhnholz et al. 2010, S 156 370 Vgl. Söhnholz et al. 2010, S 157f 371 Vgl. Söhnholz et al. 2010, S 159
87
Diversifikationseffekt in angespannten Marktphasen ab372. Ein geeignetes Overlay-Modell
sollte daher die Möglichkeit einer regelgebundenen, dynamischen, indirekten Absicherung
bieten, die vor allem kostengünstiger ist als eine permanente Absicherung. Daher sollen nur
Tail-Risiken abgesichert werden. Das Modell braucht einen Warnmechanismus, um zwischen
einer Normal- und einer Stressphase unterscheiden zu können. Die Vergangenheit hat gezeigt,
dass auf eine deutliche Linksschiefe meist ein Turnaround folgt, somit die Renditeverteilung
rechtsschief wird. Bei einer Rechtsschiefe ist der Eintritt einer linksschiefen Verteilung
wahrscheinlich373. Abbildung 38 zeigt diesen Turnaround exemplarisch anhand einer
Beobachtung des deutschen Leitindex DAX.
Abbildung 38: Wechsel der Renditeverteilung am Beispiel des DAX-Turnaround Mitte März 2003 (nach Söhnholz et al. 2010,
S 160)
Durch den antizyklischen Aufbau entsprechender Marktpositionen werden Fat-Tail-Ereignisse
abgeschwächt. Jedoch ist zu erwähnen, dass zuerst Marktverluste eintreten müssen, bevor das
Overlay eingreift. Das heißt, dass das Risikobudget einer Anlageklasse zuerst bis zu einem
vorab definierten Punkt aufgebraucht werden muss, bis der Sicherungsmechanismus eingreift,
da ab diesem Zeitpunkt mit weiteren signifikanten Verlusten gerechnet wird. Des Weiteren wird
an Aufschwüngen nicht sofort zur Gänze partizipiert, da bei einem Regimewechsel die
372 Vgl. Bossert 2009, S 19f 373 Vgl. Söhnholz et al. 2010, S 159f
88
Sicherung erst wieder zur Gänze gelöst werden muss. Die erstmalige Implementierung des
Overlay ist natürlich auch mit Kosten verbunden374. Die Kosten für den Erwerb von Derivaten
entstehen bei der CPPI nicht, da die Absicherung nur durch eine Umschichtung entsteht375. Bei
hohen Volatilitäten ist jedoch mit einem signifikanten Anstieg der Transaktionskosten zu
rechnen376.
4.4.1.1 Risikobudget und Absicherungsvorgang
Wie in Abbildung 40 ersichtlich, wird erst ab dem Unterschreiten des Floors ein Risikosignal
angezeigt und die Anlageposition entsprechend abgesichert. Der Gesamtmarktindikator dient
als Messgröße, ab welchem Zeitpunkt die Stressphase überwunden worden ist und die
Absicherung stufenweise wieder gelöst werden kann. Das System sichert nur relativ selten ab.
Dadurch werden unnötige Absicherungskosten weitestgehend vermieden. Durch die Trennung
der Risikobudgets auf Basis der einzelnen Anlageklassen können die Risiken besser kontrolliert
und besser abgesichert werden als auf Basis eines Gesamtbudgets377.
Abbildung 39: Ablauf der Overlay-Strategie (nach Söhnholz et al. 2010, S 161)
Dass ein derartiges Risiko-Overlay in Stressszenarien gut funktioniert, wird bei Betrachtung
374 Vgl. Söhnholz et al. 2010, S 159 – 160 375 Vgl. Allianz Global Investors 2012, S1ff 376 Vgl. Bossert 2009, S 19 377 Vgl. Söhnolz et al. 2010, S 160ff
89
von Abbildung 41 deutlich. So konnten die extremen Verluste der Jahre 2008/2009 vollständig
eliminiert werden. Lediglich zu Beginn ist eine leichte Abwärtsbewegung erkennbar, da das
Overlay erst ab dem Aufbrauchen eines gewissen Risikobudgets greift.
Abbildung 40: Mehrwert generiert durch Overlay-Strategie im Zeitraum 2008/2009 (nach Söhnholz et al. 2010, S 162)
Natürlich kommt es durch das Hedging in der Stressphase zu einem erhöhten Tracking Error.
Eine Tracking-Error-Restriktion schränkt die Handlungsfähigkeit des Overlay jedoch stark ein.
Wird nur ein geringer Tracking Error erlaubt, kann es daher zu einer schlechteren
Absicherungsfähigkeit und einem höheren Maximalverlust kommen378.
4.4.1.2 Multi-Asset-Risiko-Overlay
Da sich alternative Anlageklassen wie Immobilien und Hedgefonds zunehmender Beliebtheit
in der Asset Allocation erfreuen und diese Anlageklassen im Krisenjahr 2008 auch von
merklichen Verlusten betroffen waren, erhöht sich auch die Nachfrage nach Overlay-Konzepten
für derartige Investments. Absicherungsmethoden, die für konventionelle Anlageklassen wie
Aktien, Anleihen und Rohstoffe entwickelt wurden, sind mit geringen Anpassungen auch auf
andere Assets anwendbar379.
378 Vgl. Söhnolz et al. 2010, S 164f 379 Vgl. Söhnolz et al. 2010, S 165f
90
4.4.1.3 Risiko-Overlay für Hedgefonds
Etwas komplexer gestaltet sich der Hedgefonds Markt, da dieser in allen Assets investiert sein
kann und auch keine Restriktionen bezüglich eines Leverage Einsatz oder Shortings aufweist.
Daraus folgt, das Hedgefonds von einer Vielzahl an Risikofaktoren beeinflusst sind. Diese
Beeinflussung kann sich im Zeitverlauf auch verändern. Die grundsätzliche Idee eines
Hedgefonds ist die Absicherung gegen Risiken („to hedge“). Dies ist bis zum Jahr 2008 auch
großteils sehr gut gelungen. Die Finanzkrise im Jahr 2008 machte jedoch deutlich, dass ein
„Hedge Hedge“ für Stressphasen unumgänglich ist380. Das „Hedge Hedge“ soll nur in diesen
Stresszeiten eingreifen, weil auch für Hedgefonds gilt, dass eine permanente Absicherung und
die damit einhergehenden Kosten die Erwirtschaftung eines Mehrwerts erschweren oder gar
verhindern. Als Referenzindex für Hedgefonds eignet sich der ARIX Composite. Dieser
investierbare Index umfasst 60 Fonds und die Wertfeststellung erfolgt wöchentlich. Da die
wöchentliche Datenfrequenz von den täglichen Daten traditioneller Portfolios abweicht, kann
auch der US-Aktienmarkt als Referenz zur Weiterverrechnung herangezogen werden, weil
Hedgefonds eine hohe Korrelation und Beta Abhängigkeit zum US-Aktienmarkt aufweisen.
Besonders in Stressphasen wird diese Abhängigkeit deutlich. Genau in diesen Marktphasen
sollte ein Overlay zum Einsatz kommen. Da der US-Aktienmarkt über deutlich kürzere
Datenintervalle verfügt, wird dieser als Signalgeber herangezogen. Des Weiteren bietet dieser
Markt viele effiziente und liquide Absicherungsinstrumente381. Zur Absicherung von Tail-
Risiken werden liquide Aktienindex-Futures gewählt. Neben dem Absicherungsinstrument und
dem Absicherungszeitpunkt muss auch die Höhe der Absicherung, das Hedging-Ratio,
bestimmt werden. Da Hedgefonds keine tägliche Datenfrequenz bieten, ist die
Faktorabhängigkeit nur relativ schwer zu bestimmen. Eine Absicherung wird daher nur einen
Teil der Risiken reduzieren. Die meisten im ARIX gelisteten Fonds liefern nur monatsweise
Daten. Es kann versucht werden, die Faktorabhängigkeit annähernd auf Basis dieser Daten zu
bestimmen. Im Zeitraum von Dezember 2001 bis Dezember 2009 betrug die durchschnittliche
ARIX-Aktienmarkt-Abhängigkeit 0,4382.
380 Vgl. Söhnolz et al. 2010, S 166 381 Vgl. Söhnolz et al. 2010, S 168 382 Vgl. Söhnholz et al. 2010, S 170
91
Abbildung 41: Verschiedene Vorgehensweisen für die Absicherung eines Hedgefonds (nach Söhnholz et al. 2010, S 169)
Abbildung 42 zeigt verschiedene Beispiele, wie ein Hedgefonds abgesichert werden kann. Da
der Idealfall bei Hedgefonds in der Praxis leider nicht vorzufinden ist, soll ermittelt werden,
welche Taktik die besten Ergebnisse liefert. Im Falle der Hedge-Absicherungen muss vor allem
geklärt werden, mit welcher „Hedge Ratio“, also mit welcher Höhe, diese abzusichern sind.
Des Weiteren ist zu überprüfen, ob die Absicherung konstant oder variabel erfolgen soll. Im
Falle von Hedgefonds ist auch zu analysieren, welcher Markt den höchsten Absicherungserfolg
bringt. Dazu haben Söhnholz et al. (2010), fünf verschiedene Absicherungsstrategien
entwickelt. Diese unterscheiden sich bezüglich Hedge Ratio, auf Basis welchen Marktes
abgesichert wird und ob die Absicherung konstant oder variabel erfolgt383.
Beispiel 1:
Die Absicherung erfolgte mithilfe eines Aktienmarkt Futures. Je nach der
Aktienmarktabhängigkeit des ARIX Composite wurden entsprechende Future Kontrakte zur
Absicherung ins Portfolio aufgenommen. Ertrag und Volatilität steigen gegenüber des
383 Vgl. Söhnolz et al. 2010, S 165–177
92
Portfolios ohne Hedging. Die Sharpe-Ratio verbessert sich geringfügig durch die
Absicherung384.
Beispiel 2a:
Es wurde ein konstantes Aktienmarkt-Beta von 0,1 abgesichert. Eine Verbesserung ist zwar
feststellbar, aber das Rendite/Risiko Profil verändert sich nicht merklich385.
Beispiel 2b:
Hier wurde ein konstantes Aktienmarkt-Beta von 0,5 abgesichert. Die Methode führte zwar zu
einer starken Performanceverbesserung gegenüber der nicht abgesicherten Variante, aber auch
die Volatilität stieg stark an. Dies kann durch eine zu hohe Absicherung in gewissen
Marktphasen erklärt werden, da in einigen Zeiten das Aktienmarktbeta unter 0,5 liegt. Somit
werden durch diese Absicherung zusätzliche Risiken ins Portfolio aufgenommen. Die Sharpe-
Ratio verbessert sich aber deutlicher als in den Beispielen 1 und 2a386.
Beispiel 3:
Eine Absicherung des ARIX aufgrund des Aktiensignals wurde implementiert. Es kommt nur
bei einer negativen Entwicklung des Aktienmarktes zu einer Absicherung. Kosten und Risiken
einer unnötigen Absicherung werden so vermieden. Durch den Einsatz des Aktienmarktes als
Signalgeber erfolgt eine frühe Absicherung in Stressphasen. Es werden deutlich bessere
Ergebnisse als im Beispiel 1 und 2a erzielt. Die Sharpe-Ratio von Beispiel 2b kann jedoch nicht
übertroffen werden387.
Beispiel 4:
Hier wird wie im Beispiel 1 vorgegangen, nur dass der ARIX Equity Hedge Index anstatt des
ARIX abgesichert wird. Da die gelisteten Fonds im ARIX Equity Hedge Index nur mit dem
Aktienmarkt arbeiten und keinerlei stildiversifizierte Fonds wie im ARIX enthalten sind, fällt
die Aktienmarktabhängigkeit deutlich stärker aus. Deshalb funktioniert die
Absicherungsstrategie durch Aktienmarkt Futures auch wesentlich besser, wie die Sharpe-Ratio
von 1,2 erkennen lässt. Am Beispiel 4 wird auch ersichtlich, welchen Einfluss die
384 Vgl. Söhnolz et al. 2010, S 170f – 171 385 Vgl. Söhnolz et al. 2010, S 171f 386 Vgl. Söhnolz et al. 2010, S 172f 387 Vgl. Söhnolz et al. 2010, S 172f
93
Bestimmbarkeit von Faktorabhängigkeiten auf den Erfolg einer Absicherung hat388.
Abbildung 42: Ergebnisse aus den Absicherungsbeispielen in Abbildung 43 (nach Söhnholz et al. 2010, S 175)
Wie Abbildung 43 zeigt, haben alle Beispiele den maximalen Drawdown stark verringern
können und somit den Hauptzweck des Risiko-Overlay-Konzepts erfüllt. Im Krisenjahr 2008
lag der maximale Drawdown aller Strategien beispielsweise unter 5 Prozent. Die erfolgreiche
Begrenzung des maximalen Drawdown ist auch der Grund, warum die jährliche Rendite in allen
Fällen gestiegen ist. Die Volatilität ist zwar in allen Beispielen mit Ausnahme von Beispiel 2a
gestiegen, jedoch ist das Risikobudget bei einem Risiko-Overlay nicht von der Volatilität,
sondern vom maximalen Drawdown abhängig. Daraus folgt, es ist wichtiger den Drawdown zu
reduzieren als die Volatilität389. Im Absicherungsbeispiel wurde auch sehr gut klar, welche
Problematik eine geringere Datenfrequenz mit sich bringt, da die Preisfeststellung seltener und
somit verzögert erfolgt. Daher muss eine Anlageklasse mit einer möglichst hohen Korrelation
als Signalgeber gesucht werden, um auf Stressereignisse entsprechend reagieren zu können390.
Eine alternative Anlageklasse, die eine sehr hoch korrelierte täglich verfügbare Anlageklasse
aufweist, ist Private Equity. Da Small Caps eine hohe Korrelation zu Private Equity Investments
zeigen und der Markt über eine Reihe von guten Absicherungsinstrumenten für diese Klasse
verfügt, eignen sich diese Instrumente auch sehr gut zur Absicherung von Private Equity
Investitionen391. Investments in Immobilien stellen diesbezüglich ein Problem dar, weil sich die
Absicherung und Datenbeschaffung auf Tagesbasis als sehr schwierig gestaltet. Je höher der
Tracking Error des Signal-Assets zur abzusichernden Klasse ist, desto schwieriger lassen sich
388 Vgl. Söhnholz et al. 2010, S 174 389 Vgl. Söhnholz et al. 2010, S 176 390 Vgl. Söhnholz et al. 2010, S 175 391 Vgl. Söhnholz et al. 2010, S 175
94
die Risikofaktoren, die man absichern möchte, ermitteln und desto geringer ist der Erfolg einer
Absicherung in der praktischen Umsetzung392. Die Folge der mäßigen Schätzbarkeit der
Risikofaktoren hat eine Übersicherung oder eine Untersicherung von Risikofaktoren zur Folge.
In beiden Fällen steigt das Gesamtrisiko im Portfolio. Wird eine zu hohe
Aktienmarktabhängigkeit angenommen und der Aktienmarkt steht kurz vor einer Erholung,
führt die Absicherung zu Portfolioverlusten393. Durch antizyklische Elemente können solche
Effekte jedoch wesentlich reduziert werden. Darum ist es wichtig, die richtigen
Absicherungsinstrumente in der richtigen Höhe einzusetzen394.
Nutzenmaximierende Anleger sind stets bemüht, Risiken zu streuen. So rücken immer mehr
alternative Anlageklassen in den Fokus. Wenn es möglich ist, für diese Assetklassen
entsprechende Absicherungskonzepte zu entwickeln, wird deren Beliebtheit weiter steigen. Das
Hauptrisiko, dass für illiquides Investment ein zu hoher Preis bezahlt wurde, kann aber weder
durch Verkauf noch durch ein Overlay eliminiert werden. Da die Informationsbeschaffung
schwierig ist und die Handelsumsätze gering, ist es außerdem schwieriger, einen Käufer für
derartige Anlagen zu finden395.
4.4.2 Absolut-Return-Overlay
Neben dem Beta, das den systematischen Renditeeinfluss auf ein Investment erklärt, erklärt das
Alpha im CAPM den unsystematischen Anteil der Rendite, der durch die Titelselektion eines
Fondsmanagers generiert worden ist396. Um diesen Teil der Rendite sichtbar zu machen,
bestehen folgende Möglichkeiten:
Beta-Substitution:
Ein Teil des Beta Investments wird durch ein Alpha Investment ersetzt. Somit wird die
Alpha-Rendite nicht zusätzlich, sondern statt einem gewissen Teil der Beta Rendite
verdient. Die Zusammensetzung des Portfolios wird daher verändert. Da es sich bei
Alpha Investments um Hedgefonds handelt, ist es manchen Investoren untersagt, in
diese zu investieren397.
392 Vgl. Söhnholz et al. 2010, S 175 393 Vgl. Healy & Lo 2009, S 5 394 Vgl. Söhnholz et al. 2010, S 175f 395 Vgl. Söhnholz et al. 2010, S 176 396 Vgl. Söhnholz et al. 2010, S 177 397 Vgl. Söhnholz et al. 2010, S 178
95
Beta-Transfer:
Dieser Ansatz wählt die Manager anhand deren Fähigkeit aus, wieviel Alpharendite
diese generieren können. Dabei wird außer Acht gelassen, wie hoch deren Beta im
Portfolio ist. Es wird auch nicht beachtet, mit welcher Anlageklasse die
Alphagenerierung erfolgt. Wird zum Beispiel ein Manager ausgewählt, der mittels
Rohstoff Investments sehr gute Alpharenditen generiert, und der Investor möchte oder
darf die Risiken, die mit Rohstoff-Investments einhergehen, nicht tragen, wird dies
mittels eines Derivates neutralisiert und der Betrag in einem risikolosen oder
erwünschten Beta investiert. Das Investment ist daher mit einem Dach-Hedgefonds zu
vergleichen. Der Einsatz von Derivaten zur Eliminierung des unerwünschten Betas
kostet jedoch Zeit und Geld398.
Absolut-Return-Overlay:
Diese Strategie importiert das Alpha mittels eines permanenten Total Return Swap. Der
Vorteil besteht darin, dass das Portfolio in seiner ursprünglichen Form unverändert
bleibt. Als Kosten entstehen die Zinsen für die Kapitalaufnahme, die für die
Durchführung des Swaps benötigt werden399.
Abbildung 43: Darstellung der einzelnen Ansätze zur Alphaaufnahme im Portfolio (nach Söhnholz et al. 2010, S 179)
398 Vgl. Söhnholz et al. 2010, S 178 399 Vgl. Söhnholz et al. 2010, S 178
96
Abbildung 44 stellt das Vorgehen der jeweiligen Strategien dar. Wie daraus ersichtlich ist,
erfolgt der Alpha Swap des Absolut-Return-Overlay durch eine Aufnahme von Fremdkapital.
Der Investor darf daher keine Restriktion oder Abneigung gegenüber dem Einsatz von Leverage
haben. Anleger, die mittels Long-Only-Strategien Alpha generieren wollen, stoßen auf einige
Schwierigkeiten. So unterliegen sie oft Restriktionen bezüglich der Anlageklassen,
geografischen Allokationen, dem direkten Einsatz von Derivaten und Leverage. Da sich die
meisten Investoren auf eine Anlageklasse spezialisieren, sind diese gleichzeitig auf ein
Anlagesegment beschränkt, um Alpha Renditen zu lukrieren400. Hedgefonds weisen die oben
genannten Restriktionen nicht auf. Deren Manager verfolgen ein Absolut-Return-Ziel, da sich
ein signifikanter Anteil der Vergütung über den Gewinnzuwachs errechnet. Der Fondsmanager
ist meist selbst mit hohen Summen im eigenen Fonds investiert, somit besteht von diesem
Interesse zur Verfolgung eines Absolut-Return-Ansatzes401. Wenn also für einen Anleger der
direkte Zugang zu alternativen Betas schwer möglich ist und ein Hedgefonds trotz hoher
Gebühren die günstigste Möglichkeit zur Investition in diese Assets ist, macht ein Investment
über Hedgefonds durchaus Sinn. Unerwünschte Betas im Hedgefonds können durch den
Einsatz derivativer Instrumente eliminiert werden. Kostengünstiger ist jedoch die Konstruktion
oder Suche eines Hedgefonds Investment, das lediglich Betas enthält, die ansonsten nur
schwierig zu erwerben sind. Die Toleranz eines gewissen Maßes an nicht erwünschten
Betaquellen ist sinnvoll, da die Elimination mittels Derivaten teuer und arbeitsintensiv ist. Um
eine Vielzahl an Alphaquellen in das Portfolio mit einzubeziehen, ist eine Streuung von
verschiedenen Hedgefonds nützlich. Auch die Investition in einen semi-passiven Hedgefonds
Index kann zu diesem Ziel führen402.
4.4.3 Kritische Würdigung Overlay Strategien
Risiko-Overlays zur Portfolio Absicherung scheinen ein guter Mittelweg zwischen einer teuren
konstanten Portfolioabsicherung und dem Risiko gänzlich auf eine solche Absicherung zu
verzichten. Vor allem im Zeitraum der Finanzkrise konnte ein Overlay gut die Verluste im
Portfolio abdämpfen (in Abbildung 58 ersichtlich). Der Hauptvorteil liegt darin, dass die
Absicherung nicht ständig stattfindet. Daher entstehen die Kosten einer Absicherung nur in
400 Vgl. Söhnholz et al. 2010, S 179 401 Vgl. Söhnholz et al. 2010, S 179 402 Vgl. Söhnholz et al. 2010, S 180–183
97
Stressphasen, in der diese auch wirklich benötigt wird. Die Bestimmung des Risikobudgets für
jede einzelne Anlageklassen, anstatt anhand des Gesamtportfolios, verbessert die
Risikokontrolle weiter403. Im Sinne der Asset Allocation der dritten Generation, die Risiken
noch granularer anhand von Risikoeinflüssen bestimmt, könnte überprüft werden, ob ein
Aufteilen der Risikobudgets auf die einzelnen Risikofaktoren noch bessere
Absicherungsergebnisse bringen würde. Wie am Beispiel des Hedgefonds Overlay ersichtlich
wurde, ist die genaue Bestimmung der Risikofaktoren maßgeblich für den Erfolg einer
Absicherung404. Die Idee eines Absolut Return Overlay kling sehr vielversprechend. In der
praktischen Umsetzung sind die Ergebnisse jedoch weniger überzeugend.
Tabelle 2: ARIX Swap im Vergleichszeitraum von 2002 bis 2009 zu anderen Portfoliokombinationen (eigene Darstellung nach
Söhnholz et al. 2013, S 186)
80 %
Anleihen
10 % Aktien
10 % ARIX
90 % Anleihen
10 % Aktien
10 % ARIX
Swap
90 %
Anleihen
10 % Aktien
100 % ARIX
Rendite pA 5,17 % 5,42 % 5,40 % 3,24 %
Volatilität pA 3,83 % 4,17 % 3,96 % 5,53 %
Sharpe-Ratio (3 %) 0,57 0,58 0,61 0,04
Max. Drawdown -8,47 % -8,97 % -7,34 % -22,37 %
Korrelation MSCI
World
0,57 0,54 0,48 0,60
Korrelation Barclays
Aggregate Bond
0,85 0,87 0,91 0,07
Wie aus Tabelle 2 entnommen werden kann, war durch den ARIX Swap nur eine geringfügige
Renditesteigerung möglich. Die Volatilität erhöhte sich aber dennoch. Das führt zu einer
schlechteren Sharpe-Ratio. Auch die Werte des maximalen Drawdown und die Korrelation zu
anderen Werten verschlechterten sich. Es gilt daher zu hinterfragen, ob angesichts dieser
Ergebnisse die Arbeit mit Swaps zur Renditesteigerung als lohnend angesehen werden kann, da
der Umgang mit Swaps mit Sicherheit eine gewisse Expertise erfordert. Es müsste überprüft
werden, ob durch eine einfache Erhöhung des Aktienanteils im Portfolio ähnliche oder sogar
403 Vgl. Söhnholz et al. 2010, S 155–165 404 Vgl. Söhnholz et al. 2010, S 170–174
98
bessere Ergebnisse erzielt werden könnten.
4.5 Core-Satellite-Strategie
Die Strategie des Core-Satellite-Ansatzes ist eine starke Fokussierung auf das
Ertrags/Aufwands Verhältnis. Dabei sollten die Erträge stets die Aufwendungen übersteigen,
um diese zu rechtfertigen. Dies wird erreicht, indem das Portfolio in ein passives Core-
Investment und ein aktives Satellite-Investment aufgeteilt wird405. Dieser Ansatz ist auf das
Treynor/Black Modell zurückzuführen, die bei der Möglichkeit, mit einer Titelselektion ein
positives Alpha zu generieren, auch ein aktives Management vorschlagen406. Das optimale
Portfolio besteht daher aus der Kombination eines aktiven und eines passiven Portfolios. In die
Core-Investments wird passiv investiert. Der Investor geht davon aus, dass die Rendite eines
aktiven Managements abzüglich der Kosten für die Informationsbeschaffung und der
Transaktionen die Rendite eines passiven Investments nicht übertreffen. Das Core-Investment
erfolgt mittels einer Indexnachbildung. Wenn der Investor eine Alternative zu einem
kapitalgewichteten Index wünscht, wird ein Smart Beta Instrument eingesetzt. Beim Satellite-
Portfolio wird davon ausgegangen, dass durch ein aktives Management eine Überrendite
gegenüber dem Referenzindex nach Abzug von Kosten erzielt werden kann407. Für die Satellite-
Portfolios gilt der sogenannte Specialist-Approach, das bedeutet, ein Fondsmanager
konzentriert sich nur auf eine Anlageklasse, auf die er spezialisiert ist408.
4.5.1 Unterschiede zum Treynor/Black Modell
Im Unterschied zum Treynor/Black Modell, bei dem der Anleger Alpha durch die Auswahl von
unterbewerteten Einzeltitel generiert, schlägt der Core-Satellite-Ansatz vor, dass der Investor
nur Märkte lokalisiert, bei denen er einen Mehrwert durch den Einsatz eines aktiven Managers
erwartet409. Anschließend wird ein Fondsmanager ausgewählt, der in dem ausgewählten Markt
für den Investor handelt. So wird durch den Core-Satellite-Ansatz eine bessere Diversifikation
als im Treynor/Black Modell erreicht. Das aktive Engagement beschränkt sich nicht auf wenige
Einzelaktien, sondern ist durch die Über- bzw. Untergewichtung von Anlageklassen, Märkten
405 Vgl. Kolrep 2001, S 36 406 Siehe Punkt 3.5 Treynor/Black Modell 407 Vgl. Hintelmann 2008, S 2f 408 Vgl. Bayer et al. 2003, S 530 409 Vgl. Hintelmann 2008, S 3 und siehe Punkt 2.5 Treynor/Black Modell
99
oder Investmentstilen geprägt410. Der Grad der Diversifikation kann durch die Korrelationen
zwischen den gewählten Märkten, oder noch genauer, durch die Bestimmung der
Risikofaktoren in den einzelnen Portfolios bestimmt werden411. Zur Risikokontrolle kann der
Tracking Error als Maß zur Abweichung vom Core-Portfolio eingesetzt werden412.
4.5.2 Einteilung der Märkte in aktive/passive Investments
Zur Einschätzung, ob in einem Markt ein aktives oder passives Investment am
erfolgversprechendsten ist, schafft die Theorie von Jensen (1978) Abhilfe413. Er definiert einen
Markt als informationseffizient, wenn es einem Investor durch aktives Handeln nicht möglich
ist, einen ökonomischen Gewinn über der Marktrendite nach Abzug der Kosten für
Informationsbeschaffung und Transaktionskosten zu erzielen414. Der Einsatz eines aktiven
Fondsmanagements wird daher nur in ineffizienten Märkten sinnvoll sein. In effizienten
Märkten sollte ein Investor zu passiven Anlagen greifen. Bestätigt kann dies durch die
Ergebnisse von aktiv gemanagten US-Large-Cap-Fonds werden, die in einem äußerst
informationseffizienten Markt handeln. Abbildung 45 stellt eine Untersuchung von US-Large-
Cap-Fonds hinsichtlich deren Performance dar. In allen untersuchten Zeiträumen sind weniger
als die Hälfte der Fondsmanager fähig, den zugrunde liegenden Index zu übertreffen. Im S&P
500 fallen die langfristigen Ergebnisse noch schlechter aus als die kurzfristigen. So gelingt es
über einen Zeitraum von zehn Jahren nur zwei von zehn Fondsverwaltern, eine Performance
über dem Index zu erreichen415.
Abbildung 44: Prozentueller Anteil von aktiven US-Large-Cap-Fonds, die im Jahr 2002 eine Underperformance gegenüber
ihrem Referenzindex verzeichneten (nach Malkiel 2003, S 78)
Als krasses Gegenteil zu US-Large-Cap-Märkten können Investments in Private Equity genannt
410 Vgl. Bayer et al. 2003, S 530 und siehe Punkt 2.5 Treynor/Black Modell 411 Vgl. Hintelmann 2008, S 7 und siehe Punkt 4.2 Portfoliokonstruktion mittels Risikofaktoren 412 Vgl. Amenc et al. 2012, S 1 413 Vgl. Jensen 1978, S 95ff 414 Vgl. Jensen 1978, S 95ff 415 Vgl. Malkiel 2003, S 77ff
100
werden. Private Equity Investitionen werden Großteils außerbörslich gehandelt, daher sind
diese Anlagen deutlich illiquider. Das führt zu einer Verzögerung der Preisbildung bei
Bekanntwerden neuer Informationen. Außerdem sind diese sehr schwer, beziehungsweise nur
unter großem Aufwand zugänglich. Durch diese Informationsasymmetrien ist es für gute
Manager möglich, hohe Überrenditen zu generieren416.
Abbildung 45: Abweichung der Rendite von aktiven Managern in verschiedenen Märkten (nach Swensen 2000, S 77)
Abbildung 46 verdeutlicht, dass die Abweichung der Performance steigt, je niedriger die
Informationseffizienz eines Marktes ist. Daher lässt sich zusammenfassend festhalten, dass in
Märkten, die über eine geringere Informationseffizienz verfügen, sich höhere Überrenditen
durch ein qualitativ hochwertiges, aktives Management generieren lassen. Deshalb sollte in
effizienten Märkten passiv investiert werden, da die eingesparten Kosten besser in ein gutes
aktives Management in wenig informationseffizienten Märkte investiert werden sollten417.
4.5.3 Risikoabsicherung mit dynamischen Core-Satellite-Portfolios
Mit dem Core-Satellite-Ansatz lässt sich ein Portfolio wie mit dem CPPI absichern. Dabei wird
das Core-Investment als risikoarmes und das Satellite-Portfolio als Renditetreiber angesehen418.
Das Core- und Satellite-Investment wird zum Beispiel mit einem Floor von 10 Prozent
versehen. Werden die 10 Prozent an Risikokapital verloren, wird das Satellite-Investment in das
Core-Portfolio umgeschichtet. Wird der Floor statisch gesehen und nicht an den bereits
erreichten Kurs des Core-Satellite-Fonds angepasst, ist es möglich, dass erreichte Kursstände
416 Vgl. Hintelmann 2008, S 34f 417 Hintelmann 2008, S 14–43 418 Vgl. Amenc et al. 2010, S 2 und Allianz Global Investors 2012, S1ff
101
wieder zur Gänze verloren gehen. So bleibt am Ende kein Gewinn übrig, sondern nur der Verlust
der 10 Prozent Risikokapital. Es ist daher empfehlenswert, den Floor zu dynamisieren und einen
maximalen Drawdown von 10 Prozent zu erlauben. Dadurch werden nur mehr maximal 10
Prozent der erreichten Höchststände verloren. Sind die 10 Prozent Drawdown erreicht worden,
wird in das Core-Portfolio umgeschichtet. Steigen die Kurse, wird wieder Risikokapital
aufgebaut, welches in das Satellite-Portfolio umgeschichtet werden kann. Neben dem Floor
kann auch der Einzug eines Caps sinnvoll sein, da so bei Erreichen des vordefinierten Ziels der
Satellite-Anteil in das sichere Core-Portfolio umgeschichtet wird419. Amenc et al. (2010)
überprüften diese Theorie, indem sie ein dynamisches Core-Satellite-Investment bildeten, bei
dem der Satellite-Fond einen dynamischen Floor von 10 Prozent, und einen Cap bei 250 Prozent
des eingesetzten Kapitals hat420. Nach zwölf Monaten wird das Core-Satellite-Investment
wieder neu ausgerichtet. Als Core-Portfolio wird ein Exchange Traded Fund auf kurzlaufende
Euro Anleihen und als Satellite-Investment ein ETF auf Euro-Large- Caps gekauft (in diesem
Fall benützen die Autoren den Core/Satellite Begriff nicht als Trennung, ob passiv/aktiv
investiert werden soll, sondern als Einteilung von risikoarm/renditestark). Die maximale
Allokation ist dabei 50 Prozent des Gesamtkapitals für den Satellite-Anteil421.
Abbildung 46: Entwicklung des Core-, Satellite-Portfolios und des dynamischen Core-Satellite-Ansatzes mit dynamischem
Floor im Zeitraum von Jänner 1999 bis Dezember 2008 (nach Amenc et al. 2010, S 7)
419 Vgl. Amenc et al. 2010, S 2ff 420 Vgl. Amenc et al. 2010, S 1ff 421 Vgl. Amenc et al. 2010, S 5f
102
Abbildung 47 verdeutlicht, dass durch diesen Mechanismus eine Glättung des Charts erzeugt
wird und extreme Verluste, wie sie im Jahr 2008 im Satellite-Portfolio ersichtlich sind,
vermieden werden. Wie in Abbildung 48 ersichtlich, erfolgen die Umschichtungsprozesse von
Satellite-Portfolio zu Core-Portfolio in angespannten Phasen sehr gut.
Abbildung 47: Umschichtungsprozesse im Satellite-Portfolio und die jährlich erreichten Werte durch den dynamischen
Mechanismus im Vergleich zu einer statischen Strategie und den Einzelportfolios (nach Amenc et al. 2010, S 8)
Amenc et al. (2010) hat mit seinen Forschungsergebnissen bewiesen, dass eine dynamische
Core-Satellite-Risikoabsicherung höhere Renditen bringt als eine statische Core-Satellite-
Risikoabsicherung und das bei einer geringeren Volatilität422. Der Unterschied wird bei
Betrachtung von Abbildung 48 deutlich: Das dynamische Core-Satellite-Konzept erreicht eine
Sharpe-Ratio von 1,15, die statische Core-Satellite-Absicherung lediglich einen Wert von 0,03.
Auch die Rendite des einzelnen Core-Portfolios und des Satellite-Investments konnten durch
die dynamische Core-Satellite-Strategie eindeutig übertroffen werden. Beachtet muss jedoch
werden, dass die CPPI in sehr volatilen Marktphasen relativ oft Umschichtungen vornehmen
muss, was zu hohen Transaktionskosten führt423.
4.5.4 Risikoabsicherung mit dynamischer Core/Satellite Gewichtung anhand des Tracking
Errors
Amenc et al. (2012) differenzieren den Tracking Error als gut oder schlecht.424. Führt er zu einer
Outperformance, ist er zu begrüßen, den umgekehrten Fall gilt es zu vermeiden. Es wurde ein
Konzept entwickelt, dass einen positiven Tracking Error zulässt, zugleich jedoch einen
422 Vgl. Amenc et al. 2010, S 1ff 423 Vgl. Söhnholz et al. 2010, S 159 424 Vgl. Amenc et al. 2012, S 1ff
103
negativen Tracking Error unterbindet425. Um die vollen Fähigkeiten eines aktiven Managers im
Satellite-Portfolio auszunützen, sollte dieser nicht durch einen Tracking Error in seinen
Aktivitäten beschränkt werden. Es ist daher zu empfehlen, den Tracking Error des
Gesamtportfolios für die Gewichtung zwischen Core- und Satellite-Portfolio heranzuziehen426.
Im folgenden Beispiel wird ein Risikokapital von 10 Prozent definiert. Der Benchmark hat
daher zum Start T0 einen Wert von 100 und einen Floor bei 90. Als nächstes wird ein
Multiplikator bestimmt (zum Beispiel 4). Dadurch ergibt sich für die Anfangsgewichtung des
Satellite-Portfolios ein Wert von 40, da das Risikokapital mit dem Multiplikator multipliziert
wird (10x4). Der Rest von 60 fließt in das Core-Investment. Dies entspricht einer Aufteilung
60 Prozent Core- und 40 Prozent Satellite-Investment zum Zeitpunkt T0427. Verändern sich die
Werte zum Zeitpunkt T1 folgendermaßen, S=0 und C=-10 %, verliert das Core-Portfolio 6
Punkte von 60 und hat einen neuen Wert von 54. Das Satellite-Portfolio hat einen unveränderten
Wert von 40. Der Benchmark wird ebenfalls um 10 Prozent von 100 auf 90 dezimiert. Nun
erfolgt eine neue Anpassung, da sich das Risikokapital auf 14 verändert hat, da 94-90+10=14.
Es ergibt sich ein neues Gewicht für das Satellite-Portfolio von 56 (14*4). Nun verbleiben 38
(94-56) für das Core-Portfolio. Die prozentuellen Gewichte haben sich so auf 59,58 % (56/94)
für das Satellite-Investment und 40,42 % (38/94) für das Core-Investment verschoben428.
Verändern sich die Werte in T2 auf S=0 % und C=+10 %, würde das Core-Investment um 6
Punkte auf 66 steigen. Auch der Benchmark steigt um 10 Punkte auf 110. Das Risikokapital
würde um 4 Punkte auf den Wert von 6 sinken, da 106-110+10=6. Mittels Multiplikator mal
Risikokapital wird ein Wert von 24 (4x6) für das Satellite-Portfolio errechnet. Die übrigen 82
(106-24) Punkte entfallen auf das Core-Investment. Die Gewichte haben einen neuen
prozentuellen Wert von 22,64 % (24/106) im Satellite-Portfolio und 77,36 % (82/106) im Core-
Portfolio429.
Das Modell gewichtet das Satellite-Portfolio im Falle einer Outperformance höher und lässt
einen höheren Tracking Error als ursprünglich festgesetzt zu. Ist die Performance des Satellite-
Portfolios schlechter als die des Core-Portfolios, wird der Tracking Error verkleinert, indem
Kapital vom Satellite-Investment in das Core-Investment fließt.
Wird ein höherer Multiplikator gewählt, startet das Satellite-Portfolio zu Beginn mit einem
425 Vgl. Amenc et al. 2012, S 1 426 Vgl. Amenc et al. 2012, S 5 427 Vgl. Amenc et al. 2012, S 5 428 Vgl. Amenc et al. 2012, S 7 429 Vgl. Amenc et al. 2012, S 7
104
höheren Wert. Der Umschichtungsprozess reagiert stärker auf Schwankungen des Core- und
des Satellite-Portfolios430. Der Absicherungsmodus gleicht daher einer CPPI. Nur wird anstelle
von risikoarmer und risikoreicher Anlageklasse zwischen Core- und Satellite-Portfolio
umgeschichtet431.
4.5.5 Kritische Würdigung Core-Satellite-Strategie
Der Core-Satellite-Ansatz ist nach einem Kosten/Nutzen Aspekt ausgerichtet. Er schlägt vor,
erhöhte Kosten nur in Märkten zu akzeptieren, wo durch den Einsatz höherer Mittel, in Form
eines aktiven, anstatt eines passiven Engagements, auch mit einer erhöhten Rendite zu rechnen
ist. In Märkten mit einem hohen Effizienzgrad wird somit passiv investiert, da es hier schwierig
und eher unwahrscheinlich ist, durch ein aktives Management nach Abzug von Kosten eine
Rendite über der des Marktes zu generieren432. Durch die eingesparten Kosten steht dem
Investor ein höheres Risikobudget für Märkte mit geringerem Effizienzgrad zur Verfügung. In
diesen ist die Wahrscheinlichkeit deutlich höher, durch ein aktives Management eine
langfristige Rendite über der des Marktes zu generieren. Exotische, ineffiziente Märkte, in die
mit einem aktiven Management investiert wird, sind jedoch um ein vielfaches risikoreicher als
effiziente Märkte. Eine entsprechende Diversifikation ist daher von großer Bedeutung. Das
Satellite-Investment sollte aus mehreren kleinen Portfolios, die auf verschiedenen ineffizienten
Märkten aktiv verwaltet werden, bestehen. Die Aufteilung des Gesamtportfolios erfolgt somit
in passive Core-Portfolios und mehrere aktive risikoreichere Satellite-Portfolios433. Die
Herausforderung für den Investor ist vor allem, zu erkennen, wie in welche Märkte investiert
werden soll. Es muss seriös ermittelt werden, ob ein Fondsmanager eine Überrendite generieren
kann, welche die anfallenden Mehrkosten eines aktiven Managements mindestens abdeckt.
Natürlich muss dieser Aspekt stets überwacht werden und gegebenenfalls eine
Umstrukturierung von aktiv nach passiv oder umgekehrt erfolgen434.
Eine Risikokontrolle bezüglich der Abweichung von den Marktrisiken kann mithilfe des
Tracking Errors eingeschränkt werden. Dieser kann auch für ein Gewichtungsmodell
herangezogen werden, das einerseits eine Risikokontrolle und anderseits die Möglichkeit einer
430 Vgl. Amenc et al. 2012, S 6ff 431 Vgl. Allianz Global Investors 2012, S1ff 432 Vgl. Kolrep 2001, S 36 und Hintelmann 2008, S 2f 433 Vgl. Hintelmann 2008, S 68f und Bayer et al. 2003, S 567 434 Vgl. Hintelmann 2008, S 68–75
105
Partizipation von einer Outperformance durch das Satellite-Portfolio ermöglicht. Dieser
Mechanismus begrenzt den Tracking Error des Satellite-Portfolios im Falle einer schlechteren
Entwicklung als der des Core-Portfolios. Erwirtschaftet das Satellite-Portfolio eine höhere
Rendite wird der Tracking Error erhöht und so zu einem höheren Teil in das Satellite-Portfolio
investiert435. Überzeugen konnte auch die Risikoabsicherung mittels Core-Satellite-Ansatz.
Durch den dynamischen Umschichtungsprozess können nach Aufbrauchen des Risikokapitals
extreme Verluste vermieden werden. In Erholungsphasen, in denen wieder Risikokapital
aufgebaut wird, kann durch eine Umschichtung an Hausse Phasen partizipiert werden436.
5 Resümee
Die Portfoliokonstruktion mittels Risikofaktoren ist in Punkto Stabilität der konventionellen
Vermögensallokation mittels Anlageklassen, wie sie vor allem in den Modellen der zweiten
Generation eingesetzt wird, deutlich überlegen. Neben der entscheidend geringeren Korrelation
zwischen Risikofaktoren gegenüber Anlageklassen in normalen Marktphasen, ist vor allem in
Stressphasen am Markt kein Anstieg der Korrelation zwischen den investierbaren Risiken zu
beobachten. Die detaillierte Sichtweise bezüglich der Risiken im Depot ermöglicht Investoren
eine bessere Risikokontrolle und die Möglichkeit, gewisse Risiken zur Gänze aus dem Portfolio
auszuschließen oder zwecks Renditesteigerung überzugewichten. Das Portfolio kann so besser
an die individuellen Bedürfnisse eines Anlegers angepasst werden. Ein Punkt, der jedoch
Schwierigkeiten mit sich bringt, ist die Bildung von entsprechenden Risikoproxies, da
Risikofaktoren nur indirekt über Anlageklassen investierbar sind. So gibt es Risiken, bei denen
sich die Forschung uneinig ist, ob sie nun in einer gewissen Anlageklasse enthalten sind oder
nicht. Auch gibt es Risiken, bei denen überhaupt noch nicht klar ist, wie sie am besten
investierbar sind. Zudem werden laufend neue Risikofaktoren entdeckt, deren empirischer
Renditeaufschlag aufgrund von Data-Snooping und –Mining jedoch oft als fragwürdig
einzustufen ist. Investoren sind in jedem Fall gut beraten, wenn sie nur Risiken ins Depot
aufnehmen, für die solide empirische Befunde über eine langfristige Renditeentschädigung
erbracht wurden. Mit Sicherheit ist noch weitere Forschungsarbeit bezüglich der Investition in
Risikofaktoren notwendig. Der Großteil der Risiken kann nicht isoliert über eine Anlage
investiert werden. Ein Anleger investiert in den meisten Fällen über ein Asset in mehrere
435 Vgl. Amenc et al. 2012, S1ff 436 Vgl. Amenc et al. 2010, S1ff
106
Risiken. Daher muss das gewünschte Risiko Set durch eine entsprechende Gewichtung der
aufgenommen Anlageklassen erfolgen. Die Zusammensetzung der Gewichtung der
gewünschten Risikofaktoren im Portfolio mithilfe von Anlageklassen ist also als eher schwierig
einzustufen. Bei der Portfoliokonstruktion mittels Risikofaktoren besteht eine höhere Auswahl
von Investitionsmöglichkeiten als bei der Allokation nach Anlageklassen. Da der Investor
zwanzig oder sogar mehr Risikoklassen in seinen Entscheidungsprozess miteinbezieht, wird
dies auch einen höheren Rebalancing Bedarf nach sich ziehen. Durch das erhöhte Rebalancing
aufgrund der vielen Risiken, in die investiert werden kann, ist bei einem derartigen
Allokationssystem mit deutlich höheren Transaktionskosten zu rechnen. Es muss daher
untersucht werden, ob nach Abzug der Transaktions- und Verwaltungskosten noch immer eine
höhere Rendite als mit einer konventionellen Portfoliokonstruktion mittels Anlageklassen
erwirtschaftet werden kann. Das Risk Exposure Profile einer Anlage kann sich im Zeitverlauf
ändern. Dadurch wird eine erneute Umschichtung der Gewichtungen im Portfolio notwendig.
Es gilt daher zu untersuchen, wie stark sich das Risikoprofil von Anlageklassen verändert, da
ansonsten ein vermeintlich stabiles Portfolio durch die Notwendigkeit ständiger
Anpassungsprozesse der Risikoproxies destabilisiert wird und durch den erhöhten
Anpassungsbedarf auch mit zusätzlichen Transaktionskosten zu rechnen ist.
Eine Hilfestellung zur Konstruktion von gewünschten Risikoproxies bietet Smart Beta. Mit
Smart Beta Investments kann kostengünstig von kapitalgewichteten Indices abgewichen
werden. Die Strategien sind günstig, weil im Vergleich zu aktiven Fonds lediglich ein
vordefiniertes Regelwerk anstatt eines Managements zur Gewichtung herangezogen wird.
Mithilfe von Smart Beta Strategien können gewisse Risikofaktoren sehr gut isoliert werden,
was die Investition in diese vereinfacht. Smart Beta bietet des Weiteren eine Reihe von
Lösungskonzepten abseits der Portfoliokonzeption mittels Risikofaktoren, um die Schwächen
von kapitalgewichteten Indices nicht mit ins Portfolio aufzunehmen. Vor allem der Prozyklizität
und dem damit zusätzlichen Momentum von schwergewichteten Titeln in kapitalgewichteten
Indices kann so entgegengewirkt werden. Die mangelhafte Diversifikation eines
kapitalgewichteten Index kann durch ein entsprechendes Regelwerk mit alternativen
Gewichtungsmethoden verbessert werden. Da Smart Beta Investments mehr oder weniger stark
von kapitalgewichten Indices abweichen, ist dieser als Referenzindex unpassend. Ein Vergleich
der verschiedenen Gewichtungsmodelle anhand der Sharpe-Ratio ist jedoch legitim. Da
gewisse Renditeeigenschaften in einem Gegensatz zueinander stehen, muss der Anleger
entscheiden, ob die Strategie durch eine hohe Betarendite, Diversifikationsrendite oder mithilfe
107
gewisser Marktanomalien eine höhere risikoadjustierte Rendite als ein kapitalgewichteter Index
erreichen soll. Je nach Strategie überwiegt das Schätzrisiko oder das Verfahrensrisiko einer
Strategie. Das heißt, dass einerseits die vom Regelwerk errechneten Gewichte stark von den
tatsächlich optimalen Gewichten abweichen können, da mit einem erhöhten Schätzfehler der
Inputvariablen gerechnet werden muss. Wird andererseits nur naiv in gleiche Gewichte
investiert, birgt die Strategie ein hohes Verfahrensrisiko, da es mit einer naiven Gewichtung
äußerst unwahrscheinlich ist, die optimalen Gewichtungen zu erreichen. Investoren müssen bei
der Auswahl der Strategie auch beachten, dass mit der Komplexität die Kosten steigen, da
Transaktionen häufiger notwendig sind. Dies ist vor allem durch einen erhöhten Rebalancing
Bedarf von Smart Beta Strategien zu begründen, da die Gewichte in gewissen Zeitabständen
neu angepasst werden müssen, um dem hinterlegten Regelwerk zu entsprechen. Auch wurden
gewisse Marktanomalien, die Smart Beta Investments zu nutzen versuchen, durch starken
Kapitalzufluss in genau diese Strategien weitestgehend eliminiert. Smart Beta Investments sind
wie ETFs passive Investments. Passive Investmentprodukte können die einzelnen Positionen
entweder direkt physisch halten oder durch den Kauf von Derivaten in entsprechender Höhe
abbilden. Durch die Konstruktion mittels Derivate entsteht vor allem ein Kostenvorteil
gegenüber Anbietern, die Anteile tatsächlich physisch halten. Da das Pfandportfolio, das zur
Besicherung der Derivate gehalten wird, nicht den tatsächlichen Positionen entsprechen muss,
kann zu einem höheren Anteil in illiquide und alternative Investments investiert werden. Durch
den so entstanden Kostendruck wurde von Seiten der Anbieter, die ihre Produkte physisch
abbildeten, mit vermehrten Wertpapierausleihungen reagiert, um dem Kostendruck standhalten
zu können. Beide Konstruktionsmechanismen bergen jedoch ein erhöhtes Liquiditätsrisiko, da
bei einem erhöhten Verkaufsdruck nicht sofort alle Produkte, die dem Kunden bereits verkauft
worden sind, bereitgestellt werden können, da einerseits das Pfandportfolio nicht ident mit den
ausgegebenen Produkten ist und anderseits die physisch gehaltenen Titel zum Teil an Dritte
verliehen wurden. Der Kunde ist also stets dem Risiko ausgesetzt, ob die Gegenpartei, bei der
er die passiven Investments gekauft hat, im Falle eines Verkaufswunsches auch entsprechend
liefern kann. Da der Anteil der Wertpapierausleihungen und die Zusammensetzung des
Pfandportfolios unbekannt sind, herrscht eine Intransparenz, die es dem Investor nicht möglich
macht, den Grad des Gegenparteienrisikos zu bestimmen. Eine Streuung hilft zwar, das
Gegenparteirisiko zu senken, eine völlige Eliminierung ist jedoch nicht möglich. Zwar ist ein
Anstieg der Korrelation des Emittentenrisikos in angespannten Marktphasen zu beobachten, da
die Korrelation aber stets unter 1 liegt wird durch eine Diversifikation auch in Stressszenarien
eine Minderung des Gegenparteienrisikos erreicht.
108
Die dritte Generation der Anlagenallokation hat sich auch im Punkt Portfolioabsicherung
weiterentwickelt. So war die Problematik von vorher entwickelten Absicherungsstrategien,
dass im Falle einer Absicherung diese konstant ist und sich nicht mit einer Erholung des
Marktes wieder löst. Risiko-Overlays können so konzipiert werden, dass diese nur Tail-Risiken
absichern. Das hat den Vorteil, dass dem Portfolio genügend Spielraum bleibt, um in normalen
Marktphasen Rendite zu erwirtschaften, da lediglich extreme Szenarien durch den
Sicherungsmechanismus abgedämpft werden. Für den Absicherungsmechanismus eines
Overlays wird ein Gesamtmarkt-Indikator vordefiniert. Im Overlay Beispiel dieser Arbeit
basiert dieser auf den Renditeverteilungen des Marktes, da empirisch belegt wurde, dass auf
eine Linksschiefe der Marktrenditen eine Rechtsschiefe folgt und umgekehrt. Für jede
Anlageklasse wird ein Risikobudget festgelegt. Dies ermöglicht dem Anleger eine bessere
Risikokontrolle über die einzelnen Assetklassen im Depot. Das Risikobudget wird stets mit dem
aktuellen Value at Risk verglichen. Übersteigt der Value at Risk das Risikobudget, kommt es zu
einem Warnsignal. Zeigt der Gesamtmarkt-Indikator eine rechtsschiefe Verteilung auf wird
abgesichert, da in naher Zukunft mit einer Linksschiefe der Renditen zu rechnen sein wird.
Sinkt der Value at Risk unter das Risikobudget und der Marktindikator zeigt eine Linksschiefe
an, wird die Sicherung gelöst. Durch die doppelte Prüfung hinsichtlich der Notwendigkeit einer
Absicherung wird erreicht, dass nur in absolut notwendigen Marktphasen abgesichert wird.
Dadurch wird ein großer Kostenvorteil gegenüber von konstanten Absicherungen erreicht.
Rückblickend hätte sich diese Strategie in den Stressphasen der Jahre 2008 und 2009 sehr gut
bewährt. Natürlich müsste abgeklärt werden, bis zu welchem Grad in so extremen Zeiträumen
wie den Jahren 2008 und 2009 ausreichende Absicherungsinstrumente am Markt zur Verfügung
stehen. Genauer erforscht könnte werden, ob mit einer Risikobudgetierung auf Basis von
Risikofaktoren noch bessere Ergebnisse als mit einer Budgetierung auf Basis von
Anlageklassen erreicht werden könnten. Zu hinterfragen wird jedoch sein, ob die
Transaktionskosten nicht die Zusatzrendite durch eine granularer betrachtete Budgetierung
eliminieren und ob entsprechende Derivate zur Absicherung der Risikoproxies verfügbar sind.
Sind diese nicht verfügbar, kann eine alternative Anlageklasse mit hoher Korrelation zum Proxy
gesucht werden, für die ausreichend Derivate gehandelt werden. Die Korrelation muss jedoch
sehr hoch sein, da ansonsten die Position zu niedrig oder zu hoch abgesichert wird. Wird eine
Anlage zu gering abgesichert, bleiben Risiken im Portfolio bestehen. Erfolgt eine zu hohe
Absicherung, werden zwar alle ursprünglichen Risiken gedeckt, durch die Übersicherung
jedoch neue Risiken ins Portfolio aufgenommen. Dadurch sinkt der Absicherungserfolg, wie
109
dies an den Beispielen einer Hedgefondsabsicherung eindrücklich aufgezeigt wurde. Overlays,
die mittels Swap eine weitere Anlageklasse mit ins Portfolio aufnehmen, konnten im
untersuchten Beispiel nur mäßige Ergebnisse erzielen. Die Rendite hat sich nur geringfügig
erhöht, die Sharpe-Ratio ist aber gesunken. Untersucht muss werden, ob im aktuellen
Niedrigzinsumfeld und mit einer anderen als der im Beispiel gewählten Anlageklasse eventuell
bessere Ergebnisse mit einem Absolute-Return-Overlay erzielt werden können.
Hinsichtlich der Frage, ob in einem Markt mit einem aktiven oder passiven Investment
gearbeitet werden soll, gibt die Core-Satellite-Strategie die geeignete Hilfestellung. Der
Kosten/Nutzen Ansatz schlägt dabei vor, dass ein aktives Management nur in einem Markt
eingesetzt werden sollte, wenn nach Abzug der Gesamtkosten mit hoher Wahrscheinlichkeit ein
Ergebnis über der Marktrendite erwirtschaftet werden kann. Ist dies nicht der Fall, sollte ein
passives Engagement vorgenommen werden. Das Core-Portfolio bildet den passiven
Bestandteil des Gesamtportfolios, das Satellite-Portfolio wird aktiv verwaltet. Die
Entscheidung, ob in einem Markt aktiv oder passiv investiert werden soll, ist in diesem Fall
sicher eine schwierige Entscheidung. Leider liefert die Core-Satellite-Strategie diesbezüglich
keine eindeutige Herangehensweise, um das Problem der Einteilung von Märkten zu lösen.
Der Investor kann jedoch anhand von vergangenheitsbezogenen Daten hinsichtlich der
Möglichkeit einer Outperformance von aktiven Fondsmanagern in einem Markt beurteilen, ob
es sinnvoll ist, ein aktives Management in einem Markt einzusetzen. Liegt die Bandbreite der
erzielten Renditen von aktiv gemanagten Fonds weit auseinander, sollte dies zumindest ein
Indiz sein, dass die Güte des Managements einen Großteil der Rendite erklären kann. Die Daten
zeigen zumindest, dass ineffiziente Märkte sich besser zur Erzielung einer Alpharendite eignen
als effiziente. Da ineffiziente Märkte aber auch durch ein höheres Risiko gekennzeichnet sind,
macht es Sinn, mit mehreren kleineren Satellite-Portfolios in diesen Märkten zu investieren.
Dies in Kombination mit dem durch passives Indexinvestment breit gestreuten Core-Portfolio
sollte für eine ausreichende Diversifikation sorgen. Um eine zu starke Abweichung von dem
Rendite/Risikoverhältnis eines gewissen Index zu unterbinden, kann das Gesamtportfolio mit
einer Obergrenze des Tracking Errors versehen werden. Mithilfe des Tracking Errors können
auch dynamische Modelle erstellt werden. Sie gewichten je nach Marktphase die im Portfolio
enthaltenen Assets, um Risiken besser zu kontrollieren. Diese Absicherungsstrategie entspricht
der einer CPPI. Sie hat den Vorteil, dass keinerlei Erwerb von Derivaten notwendig ist.
Die Asset Allocation der dritten Generation hat mit ihren Ansätzen sicher eine Reihe von
110
Problemen der bisherigen Vermögensverwaltung gelöst. Offen bleibt, inwieweit die in dieser
Arbeit angeführten Schwierigkeiten noch beseitigt werden können und ob durch Synergien der
verschiedenen Strategien der Anlagen Allokation der dritten Generation weitere Vorteile
entstehen können. Andererseits wird sich im Fall der Absicherungsstrategien zeigen, ob die
CPPI oder die Absicherung mittels Overlay zu langfristig besseren Ergebnissen führt.
111
6 Literaturverzeichnis
ALLIANZ GLOBAL INVESTORS: “Constant Proportion Portfolio Insurance (CPPI)”, 27.12.2015,
https://www.allianzglobalinvestors.de/MDBWS/doc/Market-Insights-Constant-Proportion-Portfolio-Insurance-
CPPI.pdf?ea2eeac5201d6bf80576207d89fd9e628e53e0bdwebweb.
AMENC, NÖEL; GOLTZ, FELIX UND GRIGORIU, ADINA: “Risk Control Through Dynamic Core-Satellite-
Portfolios of ETFs: Applications to Absolute Return Funds and Tactical Asset Allocation”, The Journal of
Alternative Investments, Vol. 13, No. 2, 2010, S 47–57.
AMENC, NÖEL; MALAISE, PHILIPPE UND MARTELLINI, LIONEL: “Revisiting Core-Satellite Investing –
A Dynamic Model of Relative Risk Management”, EDHC Business School, EDHEC-Risk Institute Working
Paper, November 2012.
AMENC, NÖEL; GOLTZ, FELIX UND MARTELLINI, LIONEL: “Smart Beta 2.0”, EDHC Business School,
EDHEC-Risk Institute Working Paper, Juni 2013.
AMENC, NÖEL; GOLTZ, FELIX; LODH, ASHISH UND MARTELLINI, LIONEL: “Multi-Strategy Factor
Indices: Combining Factor Tilts and Improved Diversification”, ERI Scientific Beta Publication, EDHEC Risk
Institute Working Paper, Mai 2014.
ASNESS, CLIFORD; FRAZZINI, ANDREA UND PEDERSON, LASSE H.: “Leverage Aversion and Risk
Parity”, in: Financial Analyst Journal, Vol. 68, 2012, S 47–59.
BAYER, KARL GEORG; FRAIKIN, MICHAEL UND KOLREP, MARTIN: „Mandatsstrukturierung nach dem
Core-Satellite-Ansatz“, in: Handbuch Asset Allocation – Innovative Konzepte zur systematischen
Portfolioplannung, hrsg. von DICHTL, H.; KLEEBERG, J. M.; SCHLENGER, C., Bad Soden 2003, S 529–570.
BECKER, FRANZISKA; GÜRTLER, MARC UND HIBBELN, MARTINA: “Markowitz versus Michaud:
Portfolio optimization strategies reconsidered”, Technische Universität Braunschweig, Institut für
Finanzwirtschaft Working Paper No. IF30F3, September 2009.
BLACK, FISCHER: “Capital Market Equilibrium with Restricted Borrowing”, in: The Journal of Business, Vol.
45, No. 3, 1972, S 444–455.
BLACK, FISCHER UND LITTERMAN, ROBERT: “Global Portfolio Optimization”, in: Financial Analyst
Journal, Vol. 48, No. 5, 1992, S 28–43.
BOSSERT, THOMAS: „Dynamische Sicherungskonzepte für institutionelle Investoren“, in: Absolut Report, Vol.
112
48, 2009, S 14–21.
BURMEISTER, EDWIN; ROLL, RICHARD UND ROSS, STEPHEN A.: “A Practitioner’s Guide to Arbitrage
Pricing Theory”, Salamon Smith Barney Inc. Working Paper, 1998.
BURMEISTER, EDWIN; ROLL, RICHARD UND ROSS, STEPHEN A.: “Using Macroeconomic Factors to
Control Portfolio Risk”, Duke University Working Paper, März 2003.
CHAN, LOIS KUO CHI; KARCESKI, JASON UND LAKONISHOK, JOSEF: “On portfolio optimization:
Forecasting covariances and choosing the risk model", in: The Review of Financial Studies, Vol 12, No 5, 1999,
937–974.
CAZALET, ZELIA; GRISON, PIERRE UND RONCALLI THIERRY: “The Smart Beta Indexing Puzzle”, in:
Journal of Index Investing, Vol. 5, No. 1, 2014, S 97–119.
CHEN, NAI-FU; ROLL, RICHARD UND ROSS, STEPHEN A.: “Economic Forces and the Stock Market”, in:
The Journal of Business, Vol. 59, No. 3, 1986, S 383–403.
CINTOLO, MARK: “Improving Asset Allocation with Factor Analysis”, NEPC Working Paper, November 2014.
DANIEL, KENT; HIRSHLEIFER, DAVID UND SUBRAHMANYAM, AVANIDHAR: “Investor Psychology
and Security Market Under- and Over-reactions”, in: The Journal of Finance, Vol. 53, No. 6, 1998, S 1835–1859.
DE MIGUEL, VICTOR; GARLAPPI, LORENZO UND UPPAL, RAMAN: “Optimal versus Naive
Diversification: How Inefficient is the 1/N Portfolio Strategy?”, in: Review of Financial Studies, Vol. 22, No. 5,
2009, S 1915–1953.
DHRYMES, PHOEBUS J.; FRIEND, IRWIN; GULTEKIN, MUASTFA N. UND. GULTEKIN, BULENT N:
“New Test of the APT and Their Implications”, in: The Journal of Finance, Vol. 40, No. 3, 1985, S 659–674.
DICHTL, HUBERT UND SCHLENGER, CHRISTIAN: „Aktien oder Renten? – Das Langfristpotential der Best
of Two-Strategie“, in: Die Bank, Vol. 12, 2003, S 809–813.
DROBETZ, WOLFGANG: „Einsatz des Black-Litterman-Verfahrens in der Asset Allocation“, in: Handbuch
Asset Allocation – Innovative Konzepte zur systematischen Portfolioplannung, hrsg. von DICHTL, H.;
KLEEBERG, J. M.; SCHLENGER, C., Bad Soden 2003, S 203–239.
FAMA, EUGENE F.: “Random Walk in Stock Market Prices”, The Financial Analyst Journal, 1965 (21/5).
FAMA, EUGENE F.: “Efficient Capital Markets: A Review of Theory and Empirical Work”, in: The Journal of
Finance, Vol. 52, No. 2, 1970, S 383–417.
113
FAMA, EUGENE F.: “The Cross-Section of Expected Stock Returns”, in: The Journal of Finance, Vol. 47, No.
2, 1992, S 427–465.
FINANCIAL STABILITY BOARD: “Potential finacial stability issues arising from recent trends in Exchange-
Traded Funds (ETFs)“, 16.12.2015, http://www.fsb.org/wp-content/uploads/r_110412b.pdf.
FRAZZINI, ANDREA UND PEDERSON, LASSE H.: “Betting Against Beta”, in: Journal of Financial
Economics, Vol. 111, No. 1, 2014, S 1–25.
FROST, PETER E. UND SAVARINO, JAMES.E.: “For Better Performance: Constrain Portfolio
Weights”, in: Journal of Portfolio Management, Vol. 15, No. 1, 1988, S 29–34.
GRIMM, REINHARD; SCHULLER, MARKUS UND WILHELMER, RAIMUND: „Portfoliomanagement in
Unternehmen – Leitfaden für Unternehmer und Investoren“, Wiesbaden 2014.
HANAUER, MATTHIAS; KASERER, CHRISTOPH UND RAPP, MARC STEFFEN: „Risikofaktoren und
Multifaktormodelle für den deutschen Aktienmarkt“, Technische Universität München, CEFS Working Paper
No. 01-2011, 2011.
HEALY, ALEXANDER UND LO, ANDREW: “Jumping the Gates: Using Beta Overlay Strategies to Hedge
Liquidity Constraints”, in: Journal of Investment Management, Vol. 7, No. 3, 2009, S 1–20.
HINTELMANN, TOBIAS: „Der Core-Satellite-Ansatz: Idee, Empirie, Theorie und Bewertung“, Hamburg 2008.
IDZOREK, T. M.: “A Step-by-Step Guide to Black-Litterman Modell. Incoperation User-Specified Confidence
Levels“, Ibbotson Associates Working Paper, April 2005.
INTERNATIONAL MONETARY FUND: “Global Financial Stability Report, Durable Financial Stability,
Getting there from here“, 16.12.2015, https://www.imf.org/external/pubs/ft/gfsr/2011/01/pdf/text.pdf.
JENSEN, MICHAEL COLE: “Some Anomalous Evidence Regarding Market Efficiency“, in: Journal of
Financial Economics, Vol. 6, 1978, S 95–101.
JONES, BRAD: “Third Generation Asset Allocation”, Deutsche Bank Research Working Paper, November 2011.
KOLREP, MARTIN: „Optimierung von Core/Satellite-Portfolios“, in: INVESCO Risk & Reward Working
Paper, 2001, S 36–40.
LAKONISHOK, JOSEF; SHLEIFER, ANDREI UND VISHNY, ROBERT: “Contrarian Investment,
Extrapolation and Risk“, in: The Journal of Finance, Vol. 49, No. 5, 1994, S 1541–1578.
114
MALKIEL, BURTON GORDON: “The Efficient Market Hypothesis and Its
Critics”, in: Journal of Economic Perspectives, Vol. 17, No. 1, 2003, S 59–82
MARKOWITZ, HARRY: “Portfolio Selection“, in: The Journal of Finance, Vol. 7, No. 1, 1952, S 77–91.
MARKOWITZ, HARRY: „Portfolio Selection, Die Grundlagen der optimalen Portfolio-Auswahl“, München
2008.
MERTON, ROBERT: “On the Pricing of Corporate Debt: The Risk Structure of Interest Rates”, in: The Journal
of Finance, Vol. 29, No. 2, 1974, S 449–470.
MICHAUD, RICHARD UND MICHAUD, ROBERT: “Estimation Error and Portfolio Optimization: A
Resampling Solution”, in: Journal of Investment Management, Vol. 6, No. 1, 2008, S 8–28.
MLADINA, PETER UND COYLE, JEFFERY: “Yale’s Endowment Returns: Manager Skill or Risk Exposure?”,
The Journal of Wealth Management, Vol. 13, No. 1, 2010 S 45–54.
MONDELLO, ENZO: “Portfoliomanagement”, Risch 2013.
MONTIER, JAMES: “Behavioural Investing”, New York 2007.
PAGE, SEBASTIAN: “The Myth of Diversification: Risk Factors vs. Asset Classes”, PIMCO Quantitative
Resarch Working Paper, September 2010.
PODKAMINER, E. L.: “Risk Factors as Building Blocks for Portfolio Diversification: The Chemistry of Asset
Allocation”, CFA Institute Working Paper, 2013.
SCHERER, BERNHARD: „Resampling der Effizienzlinie“, in: Handbuch Asset Allocation – Innovative
Konzepte zur systematischen Portfolioplanung“, hrsg. von DICHTL, H.; KLEEBERG, J. M.; SCHLENGER, C.,
Bad Soden 2003, S 320–336.
RAMASWAMY, SRICHANDER: “Market structures and sytemic risks of exchange-traded funds”, Bank of
International Settlements, Monetary and Economic Department Working Paper No. 343, April 2011.
SCHULLER, MARKUS UND KULA, GÖRKAN: „Risk Parity – Eine Modeerscheinung unterschätzt ihren
blinden Fleck“, Panthera Solutions Working Paper, November 2012.
SCHULLER, MARKUS UND KULA, GÖRKAN: „Diversifikation von Risikofaktoren. Eine Einführung“,
Panthera Solutions, Juni 2013.
115
SCHULLER, MARKUS UND KULA, GÖRKAN: „Analyse eines Trends: Auch Smart Beta will gekonnt sein“,
17.11.2015, http://www.dasinvestment.com/investments/etf/news/datum/2014/09/29/auch-smart-beta-will-
gekonnt-sein/.
SCHULLER, MARKUS: „Was versteht man unter Asset Allocation 3.0 oder Applied Behavioral Finance?
Dynamische Allokationsansätze der dritten Generation mit quantitativen und qualitativen Risikofaktoren“,
10.04.2016, https://www.institutional-money.com/fileadmin/user_upload/News_Pdf/176-
185_IM_3_2015_Ethik_XXXkg.pdf.
SHARPE, WILLIAM F.: “Capital Asset Prices: A Theory of Market Equilibrium under Conditiones of Risk“, in:
The Journal of Finance, Vol. 19, No. 3, 1964, S 425–442.
SÖHNHOLZ, DIRK; RIEKEN, SAHSHA UND KAISER, DIETER: “Asset Allocation, Risiko-Overlay und
Manager-Selektion“, Wiesbaden 2010.
SWENSEN, DAVID: “Pioneering portfolio management: An unconventional approach to institutional
investment”, New York 2000.
SWENSEN, DAVID: “2010 – The Yale endowment”, 02.06.2015,
http://investments.yale.edu/images/documents/Yale_Endowment_10.pdf.
SWENSEN, DAVID: “2012 – The Yale endowment”, 02.06.2015,
http://investments.yale.edu/images/documents/Yale_Endowment_13.pdf.
SWENSEN, DAVID: „2014 – The Yale endowment“, 02.06.2015,
http://investments.yale.edu/images/documents/Yale_Endowment_14.pdf.
TOBIN, JAMES: “Liquidity Preference as Behaviour towards Risk”, in: Review of
Economic Studies, Vol. 25, No. 2, 1958, S 65–85.
TOWERS WATSON: “Understanding Smart Beta”, 03.08.2015, https://www.towerswatson.com/en/Insights/IC-
Types/Ad-hoc-Point-of-View/2013/08/Understanding-smart-beta.
TRAYNOR, JACK LAWRENCE UND BLACK, FISCHER: “How to Use Security Analysis to Improve
Portfolio Selection”, in: The Journal of Business, Vol. 46, No. 1, 1973, S 66–86.
ZHANG, LU: “The Value Premium”, in: The Journal of Finance, Vol. 60, No. 1, 2005, S 67–103