Institutional Money, Ausgabe 4 | 2024

2013. Zur Vorhersage der Branchen- und Gesamtrenditen am Aktienmarkt verwenden die Autoren insgesamt 19 Vor- hersagevariablen, die in fundamentale und zinsbezogene Variablen, makroökonomische Variablen und technische Indikatoren unterteilt werden. Zu den fundamentalen und zinsbezogenen Variablen gehören Dividendenrendite, KGV, Aktienvolatilität, langfristige US-Treasury-Renditen, Term Spread (Renditedifferenz zwischen US-T-Bills und US-Trea- suries) und der Default Return Spread (Renditeunterschied zwischen AAA- und BBB-Corporate-Bonds minus der lang- fristigen US-Staatsanleihenrendite).Was die makroökonomi- schen Variablen anbelangt, so sind dies Inflation, Wachs- tumsraten von Arbeitslosigkeit, Industrieproduktion, Neu- bauzulassungen, der Ölpreis sowie der Chicago Fed Natio- nal Activity Index (CFNAI) und der handelsgewichtete US- Dollar-Index.Als technische Indikatoren fanden die Variablen gleitender Durchschnitt, Momentum, ein umsatzbasiertes Signal, die relative Stärke sowie ein proprietärer Relative-Stär- ke-Index und die Marktrendite des Vormonats Eingang. Ergebnisse Basierend auf univariaten Prognosemodellen stellen die Autoren fest, dass die Aktienvolatilität, der handelsgewichtete US-Dollar-Index, die Erstanträge auf Arbeitslosenunter- stützung und der Chicago Fed National Activity Index die stärkste individuelle Prognosekraft für künftige Sektorren- diten besitzen. Unter den Prognosevariablen hat also die Gruppe der makroökonomischen Variablen die höchste Prognosekraft, während technische und fundamentale Vari- ablen nur eine geringe Prognosekraft aufweisen. Nach univariaten In-Sample- und Out-of-Sample-Unter- suchungen widmen sich die Autoren der Analyse der Pro- gnosekraft verschiedener multivariater Prognosemodelle. Sie gehen davon aus, dass die Vorhersagekraft eines Prognose- modells zunimmt, wenn mehrere Vorhersagevariablen ge- meinsam in einemmultivariaten Modell verwendet werden. Die gleichzeitige Verwendung aller 19 Variablen in einem OLS-Regressionsmodell führt jedoch wahrscheinlich aus drei Gründen zu schlechten Out-of-Sample-Prognosen: Ers- tens führt die Einbeziehung aller Variablen wahrscheinlich zu einem relativ hohen Schätzfehler aufgrund der großen Anzahl von Koeffizientenschätzungen. Zweitens erfassen unterschiedliche Vorhersagevariablen möglicherweise teil- weise dieselben zugrunde liegenden Informationen, und die potenziellen Korrelationen zwischen einzelnen Vorhersa- gevariablen können zu instabilen und verzerrten Koeffi- zientenschätzungen führen. Drittens sind möglicherweise nicht alle Vorhersagevariablen für alle Sektoren relevant. Obwohl es möglich ist zu entscheiden, welche Vorhersage- Der Versuch, Markt- beziehungsweise Aktienrenditen über längere Zeiträume hinweg korrekt vorherzusagen, ist nach Ansicht vieler Marktteilnehmer verschwendete Zeit. Eine aktuelle Analyse zeigt jedoch, dass dies auf Sektorenebene keineswegs so aussichtslos ist, wie es scheint. N o . 4/2024 | institutional-money.com 83 Asset Allocation | THEORIE & PRAXIS FOTO: © GMF, DEKA INVESTMENT » Prognosemodelle für Sektorrenditen erbringen erheblich bessere Prognosen als etwa die Verwendung historischer Durchschnitte. « Prof. Dr. Dominik Wolff, Vertretungsprof. ABWL, Frankfurt University of Applied Sciences; Head of Quant Research, Deka Investment