Institutional Money, Ausgabe 3 | 2024

lität“) . Dies deutet darauf hin, dass regionale Marktfaktoren einen Großteil der Variation in lokalen Marktrenditen erklä- ren können. Bei anderen Faktoren wie Größe, Value oder Momentum variiert das Bild stärker. In der etablierten Region zeigen sich auch hier signifikante Zusammenhänge zwischen lokalen und regionalen Faktoren. In den aufstrebenden und sich entwickelnden Regionen sind die Beziehungen weniger aus- geprägt.Diese Ergebnisse unterstreichen die Bedeutung einer differenzierten Betrachtung je nach Faktor und Region. Modellvergleich Interessant auch der Vergleich der drei Modelle anhand ver- schiedener Metriken wie R², durchschnittlichem Alpha und demGRS-Test (siehe Tabelle „Verschiedene Modelle, unterschied- liche Ergebnisse“) . Dieser Test, benannt nach Gibbons, Ross und Shanken, prüft die gemeinsame Signifikanz aller Alpha- Werte in einem Modell und berücksichtigt dabei auch die Sharpe Ratio eben jenes Modells. Ein niedrigerer GRS-Wert deutet auf eine bessere Modellspezifikation hin. Betrachtet man nun das Maß R², schneiden lokale Model- le am besten ab. Sie erreichen im Durchschnitt ein R² von 76 Prozent, verglichen mit 45 Prozent für regionale und 39 Prozent für globale Modelle. Auch bei der Reduzierung von Alpha-Werten sind lokale Modelle überlegen. Der durch- schnittliche Alpha-Wert beträgt 3,01 Prozent für lokale Modelle, während er bei regionalen (3,73 Prozent) und glo- balen Modellen (4,04 Prozent) höher ausfällt. Interessanterweise dreht sich das Bild beim GRS-Test: Plötzlich schneiden globale Modelle mit einem durch- schnittlichen GRS-Wert von 1,51 am besten ab, gefolgt von regionalen (1,75) und lokalen Modellen (2,15). Dies sugge- riert, dass globale Modelle möglicherweise besser darin sind, systematische Abweichungen von der erwarteten Rendite zu minimieren. Glauben Sie keiner Statistik, die Sie nicht … Diese gemischten Ergebnisse verdeutlichen, wie wichtig die Wahl der Bewertungsmetrik ist. Je nachdem, welches Krite- rium man anlegt, bevorzugt der Algorithmus verschiedene Modelle. Trauts Analyse zeigt also, dass eine eindeutige Über- legenheit lokaler Modelle, wie sie in früheren Studien oft postuliert wurde, eben nicht gegeben ist. Um sich ein umfassenderes Bild zu verschaffen, unter- sucht Traut in einem weiteren Schritt, wie sich optimale Preisbildungsmodelle aus einem Pool lokaler, regionaler und globaler Faktoren zusammensetzen. Dazu verwendet er einen Selektionsalgorithmus, der schrittweise Faktoren hin- zufügt, um verschiedene Leistungsmetriken zu optimieren. Die Ergebnisse zeigen auch hier, dass die Zusammenset- zung des optimalen Modells stark von der gewählten Metrik abhängt: Zur Maximierung von R² wählt der Algo- rithmus fast ausschließlich lokale Faktoren aus. Zur Redu- zierung von Alpha-Werten entscheidet sich der Algorithmus hingegen für etwa gleich viele lokale wie regionale und globale Faktoren.Diese Erkenntnisse unterstreichen, dass die optimale Modellstruktur von den spezifischen Zielen der Preisbildung abhängt. Ein Modell, das alle Aspekte optimal abdeckt, müsste Komponenten aus allen drei Ebenen – lokal, regional und global – enthalten. Traut führt anschließend eine Bayesianische Modellselek- tion durch, um zu bestimmen, welche Faktorkombination Welche Art von Markt macht – wenn man so will – den besten Preis? Lokale, regionale oder globale Märkte? Die gängigen Theorien gehen grosso modo von einer Über- legenheit lokaler Märkte aus. Ein Wissenschaftler aus St. Gallen widerspricht dieser These und weist darauf hin, dass das Ergebnis auch von der Wahl des Modells abhängt. N o . 3/2024 | institutional-money.com 83 Marktfaktoren | THEORIE & PRAXIS FOTO: © MATUS | STOCK.ADOBE.COM | GENERIERT MIT KI