Institutional Money, Ausgabe 1 | 2024

Studie die dort verwendete eigene Faktorkonstruktionsme- thode verwendet. Auf einer grundlegenderen Ebene stellt sich heraus, dass sich die durchschnittliche Rendite des Ge- samtmarktes für Unternehmensanleihen bei Verwendung der sauber bereinigten Daten deutlich von einigen der Datenbereinigungsmethoden in der wissenschaftlichen Literatur unterscheidet.Wissenschaftliche Replikation bildet einen robusten Rahmen. Während in der Literatur unter- schiedliche Datenbereinigungs- und Faktorkonstruktions- methoden verwendet werden, sind die Autoren hier daran interessiert, Faktorrenditen mit demselben sauberen Daten- satz und einer konsistenten, robusten Faktorkonstruktions- methode zu untersuchen. Insbesondere verwenden die ver- schiedenen Arbeiten in der Literatur Faktorkonstruktions- methoden, die sich auf (i) Gleich- oder Wertgewichtung; (ii) Terzil-, Quintil- oder Dezilportfoliobetrachtungen und (iii) Einfach- oder Doppelsortierung gründen. Dick-Nielsen, Feldhütter, Heje Pedersen und Stolborg argumentieren, dass eine robuste Methode darin besteht, (i) wertgewichtete Renditen für die Implementierung zu ermit- teln und die Bedeutung fehlender Renditen zu verringern; (ii) Terzilportfolios zu verwenden, um einen großen Teil der Daten einzubeziehen; und (iii) Doppelsortierung basierend auf jedem Signal und drei breiten Bonitätsbewertungsgrup- pen vorzunehmen, um Äpfel mit Äpfeln vergleichen zu können. Konkret sortieren sie jeden Monat zunächst alle Anleihen in drei Ratingkategorien: Investment Grade Plus, „IG+“ (also alle Ratings, die mit A beginnen), Investment Grade Minus, „IG–“ (also alle Ratings, die mit BBB beziehungsweise Baa beginnen) und spekulativer Grad, „SG“ (das heißt alle niedrigeren Ratings). Innerhalb jeder dieser drei Ratingkategorien sortieren die Autoren alle Anleihen basierend auf dem Signal, das von Interesse ist, in drei Gruppen – zum Beispiel in Bezug auf Rendite auf Endfälligkeit (YTM), Momentum oder das Alter der Anleihe. Anschließend berechnet man wertgewich- tete Renditen für jede Rating-Signal-Gruppe und erstellt Long-Short-Portfolios innerhalb jeder Ratingkategorie – zum Beispiel den Kauf von Anleihen mit hohem YTM und den Leerverkauf von Anleihen mit niedrigem YTM innerhalb von IG+. Diese Methode liefert Faktorrenditen innerhalb jeder Ratinggruppe IG+, IG– und SG – jede für sich inter- essant –, und die gesamte Faktorrendite ist der Durchschnitt dieser drei Faktorrenditen. Misslungene Replikation bei vier Corporate-Bond-Faktoren Je nach verwendetem Datenfilter verändern sich die Faktorrenditen erheblich. Bei den Corporate-Bond-Faktoren Momentum und Liquidity-Beta ändert sich sogar das Vorzeichen der durchschnittlichen monatlichen Überschussrendite, bei den beiden anderen (Value at Risk und VIX-Beta) die Höhe. Allen vier ist ein breiteres 95-Prozent-Konfidenzintervall als in der Originalstudie gemein. Beibehalten wurde die originale Faktorkonstruktionsmethode. Quelle: Studie Original- studie Datenfilter- methode 1 Datenfilter- methode 2 Datenfilter- methode 3 Datenfilter- methode 4 Methode Dick- Nielsen et al. Momentum Value at Risk Liquidity-Beta VIX-Beta Original- studie Datenfilter- methode 1 Datenfilter- methode 2 Datenfilter- methode 3 Datenfilter- methode 4 Methode Dick- Nielsen et al. Original- studie Datenfilter- methode 1 Datenfilter- methode 2 Datenfilter- methode 3 Datenfilter- methode 4 Methode Dick- Nielsen et al. Original- studie Datenfilter- methode 1 Datenfilter- methode 2 Datenfilter- methode 3 Datenfilter- methode 4 Methode Dick- Nielsen et al. -2 % -1 % 0 % 1 % 2 % 3 % -1,0 % -0,5 % 0,0 % 0,5 % 1,0 % 1,5 % -1,0 % -0,5 % 0,0 % 0,5 % 1,0 % 1,5 % -1,0 % -0,5 % 0,0 % 0,5 % 1,0 % Andere Datenfilter Faktorreplikation Originalstudie Dick-Nielsen et al. Monatliche Überrenditen Monatliche Überrenditen Monatliche Überrenditen Monatliche Überrenditen 104 N o . 1/2024 | institutional-money.com THEORIE & PRAXIS | Unternehmensanleihen-Faktoren FOTO: © COPENHAGEN BUSINESS SCHOOL » Es gilt, zuerst Datenbereinigungs- probleme zu lösen und methodische Schwächen auszumerzen. « Dr. Peter Feldhütter, Professor am Department of Finance / Center for Big Data in Finance an der Copenhagen Business School