Der richtige Weg, nicht der leichte Weg

Neue Anbieter am Markt für systematische Anlagelösungen müssen sich irgendwie von der Konkurrenz absetzen. Eine Möglichkeit: beeindruckende Renditesimulationen durch Backtesting. Doch wie belastbar sind diese Backtests? Können Anleger sich darauf verlassen, dass die Modelle auch in der Praxis funktionieren? Historische Renditedaten enthalten bisweilen sehr viel Rauschen, außerdem können selbst kleine Veränderungen in den Eingangsvariablen einer Simulation zu deutlich abweichenden Ergebnissen führen. Mit Backtests lassen sich sehr leicht überzeugende Ergebnisse erzielen. Wir halten es jedoch für wichtig, diese Ergebnisse im Rahmen einer umfassenden Analyse zu bewerten und festzustellen, ob sie wirklich neu und nutzbringend sind.

Einmal angenommen, wir wollten die Simulationen zweier Strategien, A und B, mit Fokus auf US-Small Cap-Value-Aktien mit jährlicher Rebalancierung analysieren. Strategie A hat zwischen Januar 1973 und Juni 2019 eine jährliche Rendite von 15,6% abgeworfen. Doch wenn wir die Simulation von Strategie B nur geringfügig anpassen, kommen wir auf eine Jahresrendite von 16,7%. Die einfache Schlussfolgerung aus dieser Beobachtung ist, dass Strategie B besser ist – schließlich ist ein Renditeplus von 110 Basispunkten pro Jahr (1,1%) keine Kleinigkeit.

Und worin bestand diese geringfügige Anpassung von Strategie B? Ganz einfach: in der Verschiebung des Rebalancing-Termins von Mai auf Januar. Wie in Abbildung 1 zu sehen ist, können zwei ansonsten identische Small-Cap-Value-Strategien zu deutlich unterschiedlichen Ergebnissen führen – je nachdem, in welchem Monat man das Portfolio zurücksetzt. Allerdings sollte man diese 110 Basispunkte nicht als erwarteten Mehrwert interpretieren, sondern eher als Warnung vor Datenrauschen in der empirischen Forschung.

Was ist der richtige Weg? Anleger sollten sich bei der Interpretation empirischer Daten der Möglichkeit von Datenrauschen bewusst sein und entsprechende Fehlerquellen reduzieren. In diesem Fall könnte der richtige Weg darin bestehen, das Portfolio jährlich gestaffelt zu rebalancieren. Verwendet man den Durchschnitt aller Werte in Abbildung 1, sinkt das Risiko, dass die Wahl des Rebalancing-Monats die Simulation beeinflusst.

Nur wenige Dinge in der Finanzforschung sind aufregender als eine neue Anomalie oder eine Variable, die Abweichungen in der durchschnittlichen Renditeentwicklung zu beeinflussen scheint. Beispiel Aktienvolatilität: Wenn man US-Aktien anhand von Fama/French-Daten nach Volatilität (Standardabweichung) in Quintile unterteilt, dann entsprechen die Durchschnittsrenditen des Quintils mit niedriger Volatilität seit den Sechzigerjahren in etwa denen des Fama/French Total US Market Research Index – trotz ihrer unterdurchschnittlichen Volatilität (Abbildung 2). Der einfache Weg wäre an dieser Stelle, die Entdeckung einer neuen Anomalie zu verkünden.

Doch so einfach ist es nicht. Ein neues Muster in historischen Renditedaten sollte unserer Überzeugung nach immer im Kontext bekannter Einflussvariablen der erwarteten Renditen analysiert werden. Konkret: Erweitert diese neue Beobachtung unser Verständnis der Preisbildung von Vermögenswerten? Vergleicht man die Ergebnisse mit dem Fünf-Faktoren-Modell von Fama/French (Abbildung 3), lautet die Antwort wahrscheinlich nein. Der kleine Regressionsabschnitt und die dazugehörige t-Statistik deuten darauf hin, dass sich die Renditen von Aktien mit geringer Volatilität sehr gut durch die bereits bekannten Variablen erklären lassen. Also doch keine Anomalie – und ein weiterer Beleg dafür, dass man empirische Forschung nicht in einem luftleeren Raum betreiben sollte.

Die ungewöhnlich negative Value-Prämie der letzten Jahre hat viele Anleger veranlasst, nach neuen verbesserten Wegen zu suchen, um die Value-Prämie zu verfolgen. Einige dieser Anleger haben angefangen, an der Definition der Value- und Growth-Prämien zu tüfteln – etwa durch Anpassungen der Buchwerte um immaterielle Vermögenswerte (engl. Intangibles) wie Patente, Urheberrechte, Marken und Reputation.

Auf den ersten Blick ist diese Korrektur verlockend. In den zehn Jahren bis Dezember 2018 hätten Value-Anleger die jährliche Renditedifferenz zu Growth-Aktien deutlich reduzieren können, wenn sie das Kurs-Buchwert-Verhältnis (KBV) um intern entwickelte immaterielle Vermögenswerte bereinigt hätten. Vollständig behoben hätte dies die Renditeabweichungen gleichwohl nicht.¹ Der einfache Weg besteht in diesem Fall darin, die Änderungen sofort zu übernehmen. Besser wäre es jedoch, einen Schritt zurückzutreten und sich zu fragen: „Sind intern generierte Intangibles wirklich ein neues Phänomen? Und wenn nicht, haben sie im Laufe der Jahre an Bedeutung gewonnen?” Die Antwort auf die erste Frage lautet nein. Wer sich für Geschichte interessiert, der weiß, dass die Vergabe von Patenten in den USA bereits 1790 begann, die Registrierung von Marken folgte 1870. Immaterielle Vermögenswerte sind also seit langem Teil der Wirtschaft und der Kapitalmärkte.

Um die zweite Frage zu beantworten, müssen wir den Wert der intern generierten immateriellen Vermögenswerte schätzen, da diese nach den Grundsätzen der US-Rechnungslegung in der Gewinn- und Verlustrechnung als Aufwand verbucht und nicht in der Bilanz aktiviert werden. In einer aktuellen Untersuchung immaterieller Vermögenswerte haben wir genau das getan und dabei festgestellt, dass der Anteil intern entwickelter Intangibles am Bilanzwert der Aktiva langfristig relativ stabil war. Wie in Abbildung 4 zu erkennen ist, lag ihr Anteil am US-Aktienmarkt in den Achtzigerjahren bei rund 30% – genau wie heute.

Bei unserer vertieften Analyse haben wir auch festgestellt, dass sich der Wert intern generierter immaterieller Vermögenswerte schwer schätzen lässt. Man muss dazu frühere Ausgaben für Forschung und Entwicklung (F&E) sowie die Vertriebs-, Verwaltungs- und Gemeinkosten (VVG) addieren, den Anteil dieser Ausgaben an der Generierung immaterieller Vermögenswerte schätzen und den Abschreibungszeitraum bestimmen. Dazu kommen Datenmängel (insbesondere bei Forschungs- und Entwicklungsausgaben), und so sind die Ergebnisse einer Buchwert-Anpassung anfällig für Datenrauschen.

Wohl deshalb und wegen der schwierigen Bewertung intern generierter immaterieller Vermögenswerte (die anders als externe nicht direkt vom Markt bewertet werden) können wir keine beständig höheren Value- und Profitabilitätsprämien nach einer entsprechenden Anpassung feststellen.

Wie bereits erwähnt, steigt die Value-Prämie für US-Aktien der letzten zehn Jahre nach einer entsprechenden Bereinigung. Ein genauerer Blick zeigt jedoch, dass dieser Anstieg vor allem das Ergebnis einer Verschiebung der Sektor-Ausrichtung ist. Technologieaktien hatten ein gutes Jahrzehnt, und in einer Value-Strategie steigt der Anteil von Technologiewerten nach einer Bereinigung des Kurs-Buchwert-Verhältnisses. Außerdem ist die Value-Prämie, wenn auch höher, nach dieser Anpassung noch immer negativ.

Betrachtet man die Value- und Profitabilitätsprämie über einen längeren Zeitraum, stellt man nur minimale Auswirkungen durch eine Intangibles-Anpassung fest: Die Value-Prämie steigt ein wenig, die Profitabilitätsprämie sinkt geringfügig, das Nettoergebnis ist gleich null. Es gibt keine überzeugenden Beweise dafür, dass Anleger die erwartete Rendite ihres Portfolios effektiv erhöhen können, indem sie die Kennzahlen für Value und Profitabilität um intern entwickelte immaterielle Vermögenswerte anpassen.

Fazit: Der leichte Weg nach der schwachen Entwicklung der Value-Prämie der letzten Jahre wäre eine sofortige Anpassung um immaterielle Vermögenswerte. Wir empfehlen Anlegern dagegen, die Auswirkungen einer solchen Anpassung sorgfältig und umfassend zu prüfen. Dabei muss man bedenken, dass sich der Wert intern entwickelter immaterieller Vermögenswerte nur schwer berechnen lässt. (Zum Beispiel gelangen nur 8% der Medikamente in der Forschungsphase tatsächlich zur Marktreife².) In der Implementierung erzeugen die Anpassungen außerdem Datenrauschen, und ihre empirischen Ergebnisse sind nicht sehr überzeugend. Um die optimalen Werte für einen Backtest zu bestimmen, müssen wir zudem verschiedene Buchhaltungsposten miteinander kombinieren und riskieren dabei eine Überanpassung der Daten³, also eine Anpassung, die frühere Renditen großartig aussehen lässt, für zukünftige Renditen jedoch irrelevant ist. Anleger sollten daher nicht nur auf Alpha oder Sharpe Ratio achten und stattdessen darüber nachdenken, warum sie bestimmte Kennzahlen verwenden, wie sich alternative Modellspezifikationen auswirken würden und welche Folgen dies für die Implementierung haben könnte.

Die meisten Value-Investoren sind sich wahrscheinlich der Tatsache bewusst, dass Prämien auch über lange Zeiträume negativ sein können. Entsprechend groß ist der Anreiz, enttäuschende Kursentwicklungen vorherzusagen und zu vermeiden, und entsprechend umfangreich sind auch die Studien zum Timing von Märkten und Prämien.

Für Anleger mit einer Zeitmaschine haben die Dimensional Analysten gute Nachrichten, denn wir haben tatsächlich eine erfolgreiche Timing-Strategie für die Value-Prämie gefunden, die eine Buy-and-Hold-Strategie um 7,5 Prozentpunkte schlägt. Dazu müssen Anleger lediglich auf Kurskorrekturen (Mean Reversion) achten und italienische Value-Aktien, je nach Stand der nachlaufenden Prämie, entweder kaufen oder verkaufen. Wer in der Gegenwart lebt, wird jedoch kaum auf den zukünftigen Erfolg dieser Strategie hoffen. Zum einen ist diese Strategie die beste von insgesamt 680 getesteten Timing-Strategien⁴ , zum anderen funktioniert sie nur am italienischen Aktienmarkt. In jedem anderen Szenario schneidet sie pro Jahr um mehr als zwei Prozentpunkte schlechter ab als eine reine Buy-and-Hold-Strategie. Wie in Abbildung 5 zu erkennen ist, waren Minderrenditen das mit großem Abstand wahrscheinlichste Ergebnis der 680 getesteten Timing-Strategien für Aktienprämien.

Wer lange genug Daten wälzt, wird wahrscheinlich irgendwann eine Timing-Strategie finden, die früher einmal funktioniert hätte. Eine Timing-Strategie besteht aus zahlreichen Variablen, unter anderem die angestrebte Prämie, der für das Timing verwendete Indikator (z. B. Bewertungsquotienten oder frühere Wertentwicklung) und den Schwellenwerten (in beide Richtungen). Die schiere Zahl möglicher Kombinationen dieser Variablen lädt zum Data-Mining ein. Natürlich sind es die erfolgreichen Strategien, die Aufmerksamkeit erregen werden. Anleger sollten diese jedoch als das sehen, was sie sind: Katzengold⁵. Ihre Ergebnisse sind auf den ersten Blick attraktiv, halten weiteren Tests jedoch nicht stand.

Die tatsächlichen Prämien sind manchmal negativ, und bisweilen sogar über längere Zeit. Der einfache Weg besteht darin, die Prämien-Ausrichtung entsprechend dem Modell anzupassen, das sich im Backtest dem Anschein nach bewährt hat. Gründliche Untersuchungen wecken jedoch Zweifel, ob sich Verlustrisiken der Aktien- Size-, Value- oder Profitabilitätsprämie auf diese Weise reduzieren lassen. Außerdem sind derartige Strategie häufig mit erheblichen Handelskosten und Steuerbelastungen verbunden. Der richtige Weg ist daher aus unserer Sicht, den Worten auch Taten folgen zu lassen und zuverlässig Aktienprämien beständig abzubilden. So erleben Anleger nicht nur weniger Überraschungen, sondern können eine Prämie auch verlässlich abschöpfen, wenn sie sich einstellt.

Damit dieser Artikel nicht in ein Lehrbuch ausufert, haben wir uns nur sehr oberflächlich mit der empirischen Forschung zu erwarteten Renditen beschäftigt. Wenn jahrzehntelange Finanzmarktforschung eines bewiesen hat, dann, dass man mit Daten allein nichts beweisen kann. Wegen nahezu endloser Kombinationsmöglichkeiten und Datenrauschen von Aktienrenditen sollten Anleger historische Renditevergleiche mit größter Vorsicht genießen.

Damit wollen wir nicht die Bedeutung empirischer Forschung infrage stellen. Simulationen können die Entwicklung von Renditen erklären und so Renditeprognosen ermöglichen. Anleger sollten jedoch das Risiko vermeiden, rein zufällige historische Muster einfach zu extrapolieren. Wie sollten Anleger mit rauschenden Daten umgehen? Eine umfangreiche Auswertung der Analyseergebnisse wäre wahrscheinlich zu viel verlangt, genauso wie man von einem Patienten wohl kaum erwarten kann, dass er seine eigene Operation durchführt. Allerdings sollten Anleger sich zumindest über die empirischen Techniken einer Simulation informieren. Je mehr Variablen eine Simulation enthält, desto anfälliger sind die Ergebnisse für Datenrauschen. Ob ein Anleger der Implementierung einer simulierten Strategie vertraut, kann auch davon abhängen, ob ein Fondsmanager nachweisen kann, dass er diese Mängel reduzieren kann.

Fondsmanager müssen vor allem Richtlinien für ihre Analysen und Hypothesen festlegen, noch bevor sie sich den eigentlichen Daten zuwenden, und ihre Analysen so durchführen, dass sie auch belastbar sind. Dazu müssen sie die Ergebnisse sorgfältig testen, um sowohl zufällige Rauschquellen zu reduzieren als auch extreme Abhängigkeiten von außergewöhnlichen Umständen zu vermeiden. Für genauere Rückschlüsse müssen sie bei ihren Analysen außerdem berücksichtigen, wie die Ergebnisse in den Anlageprozess integriert werden sollen. Ein genaues Verständnis empirischer Finanzforschung setzt langjährige Erfahrung und hohe Kompetenz voraus, andernfalls ist die praktische Anwendung der Forschungsergebnisse kaum möglich. Im Nachhinein lassen sich leicht attraktive Modelle erstellen. Wichtiger ist es jedoch, funktionierende Strategien für die Zukunft zu entwickeln.

Eine außergewöhnliche Value-Prämie

Was Sie schon immer über immaterielle Vermögenswerte wissen wollten