Institutional Money, Ausgabe 3 | 2017

sem Zweck haben sie jede Faktor-Rendite in drei unterschiedlichen Zeitfenstern mit- einander verglichen: die Rendite im Unter- suchungszeitraum des Autors mit jener nach Abschluss dieser Arbeiten bis zur Publika- tion und danach im sogenannten Post-Publi- kations-Zeitraum. Frühere Arbeiten haben die Prognosegüte der Returns statistischen Biases, rationalem Pricing oder auch Mis- pricing zugeordnet. Durch den Vergleich der Prognosegüte der beinahe hundert Faktoren in diesen drei Zeiträumen können die Auto- ren besser zwischen den verschiedenen Erklärungen differenzieren. Sollte die Vorhersagbarkeit künftiger Renditen in publizierten Studien lediglich das Resultat statistischer Biases sein, müsste sich out-of-sample die Prognosekraft dieser Variablen in Luft auflösen. Unter dem Be- griff des statistischen Bias subsumieren die Autoren ein breites Spektrum von Biases, die in Research-Publikationen angesprochen werden. Eugene Fama hat das Problem des Data-Mining und Over-Fitting durch cleve- re Researcher bereits 1991 angesprochen. In dem Ausmaß, in dem die Ergebnisse dieser Arbeiten in dem untersuchten Sample durch solche Biases verursacht sind, sollte ein Rückgang der Prognosegüte der identifizier- ten Faktoren out-of-sample nach der Publi- kation zu beobachten sein. Unterschiede zwischen In-Sample- und Out-of-Sample-Renditen werden neben Biases auch durch Inves- toren, die aus den Publikationen lernen, bedingt. John Cochrane hielt bereit 1999 in „Portfolio Advice for a Multifactor World“ fest, dass in jenen Fällen, wo die Vorhersagbarkeit künftiger Ren- diten Risiko widerspiegle, diese Prognosegüte wahrscheinlich er- halten bliebe. Selbst wenn diese Opportunität breit publiziert würde, so Cochrane weiter, wür- den Investoren ihre Anlageent- scheidungen nicht ändern, und der relativ hohe Ertrag dieses Faktors bliebe bestehen. Damit folgt Cochrane der Hypothese rationaler Erwartungen von John Muth. Falls die Vorhersagbarkeit von Renditen zur Gänze rationale Erwartungen reflektiert, wird die Publikation der Studienergebnis- se keine Information enthalten, die ein rational handelndes Wirtschaftssub- jekt dazu bringt, sein Verhalten zu ändern. Sobald also die Auswirkung eines statisti- schen Bias entfernt ist, sollten die Progno- sekraft vor und nach der Publikation der je- weiligen Faktor-Resultate gleich hoch aus- fallen. Gesetzt den Fall, die Prognostizier- barkeit der Renditen spiegelt ein Mispricing wider, sophistizierte Investoren durchschau- en das und setzen Trades gegen dieses Mi- spricing auf, kann man erwarten, dass die Faktor-Renditen verschwinden oder zumin- dest deutlich abfallen, so sie publiziert sind. Zu einem gänzlichen Verschwinden dieser Renditen wird es dann nicht kommen, wenn es Arbitrage-Hemmnisse gibt, die verhin- dern, dass die fehlerhafte Bepreisung voll- ständig ausarbitriert werden kann. Beispiele solcher Arbitrage-Hindernisse sind etwa ein systematisches Noise-Trader-Risiko sowie idiosynkratische Risiken und Transaktions- kosten. Diese Effekte können noch durch die Beziehungen zwischen Principal und Agent, also Investor und Investment Profes- sional, verstärkt werden. Ergebnisse 97 Variablen aus insgesamt 80 verschie- denen Studien wurden analysiert, indem Long-Short-Portfoliostrategien benutzt wer- den, wobei man die Extrem-Quintile auf Basis jedes einzelnen Faktors kauft bezie- hungsweise verkauft. Die durchschnittliche Faktor-Rendite sinkt bei der Out-of-Sample- Betrachtung um 26 Prozent. Diese 26 Pro- zent sind die Obergrenze für den statisti- schen Bias, da einige Trader vom neuen Faktor bereits vor der Publikation erfahren und deren Handeln dazu führt, dass der Return-Rückgang stärker ausfällt als jener Rückgang, der dem reinen statistischen Bias zuzuschreiben ist. Die langfristige Prognosegüte des Faktors sinkt allerdings um 58 Prozent im Post- Publikations-Stadium. Kombiniert man die- ses Resultat mit dem geschätzten statisti- schen Bias von (maximal) 26 Prozent, er- hält man einen Publikationseffekt von min- destens 32 Prozent. Damit können die Auto- ren die Hypothese verwerfen, dass die Fak- tor-Renditen gänzlich verschwinden. Glei- ches gilt für die Hypothese, dass sich die Prognosegüte der Faktoren nach dem Publi- kationsdatum nicht verändert. Dieser Post- Publikations-Abwärtstrend ist robust über zu unterschiedlichen Zeitpunkten startende Zeitfenster der einzelnen Faktoren. Beide Rückgänge sind der Tabelle „Fak- tor-Renditen auf dem Rückzug“ zu entneh- men. Die dahinterstehende Regressions- rechnung testet die Veränderungen der Fak- tor-Renditen als abhängige Variable in Be- zug auf den Zeitraum nach Ende des In- Sample-Zeitfensters (Post-Sam- ple genannt) und nach deren Pu- blikation (Post-Publication). Da- bei wird mit Dummy-Variablen operiert, wobei Post-Sample gleich eins gesetzt wird, wenn es einen Monat nach Ende der Sample-Periode in der Original- studie betrifft, ansonsten hat die Variable den Wert null. Bei Post- Publication wird der Wert der Dummy-Variablen mit eins an- gesetzt, wenn es sich um einen Monat nach dem Publikationsda- tum handelt, ansonsten mit dem Wert von null. Die erste Spalte zeigt die Regressionsergebnisse über alle 97 Faktoren. Der Post- Sample-Koeffizient liegt bei mi- nus 15 Basispunkten und ist sta- tistisch signifikant, während der Post-Publication-Koeffizient bei minus 33,7 Basispunkten ge- schätzt wird und ebenfalls statis- tische Signifikanz aufweist. Setzt 114 N o. 3/2017 | www.institutional-money.com T H E O R I E & P R A X I S : FAK TOR- R END I T EN Faktor-Renditen auf dem Rückzug Negativer Publizitätseffekt durch Regressionsrechnungen belegt Variables (1) (2) (3) (4) Zeit nach dem Sample (S) –0,150*** –0,180** 0,157 0,067 (Post-Sample) (0,077) (0,085) (0,103) (0,112) Zeit nach d. Publikation (P) –0,337*** –0,387*** –0,002 –0,120 (Post-Publication) (0,090) (0,097) (0,078) (0,114) Post-Sample-Interaktion mit –0,532*** In-Sample-Durchschnitt (0,221) Post-Publication-Interaktion mit –0,548*** In-Sample-Durchschnitt (0,178) Post-Sample-Interaktion mit –0,061*** In-Sample-t-Statistik (0,023) Post-Publication-Interaktion mit –0,063*** In-Sample-t-Statistik (0,018) Faktor-Rendite (Fixed Effects) Ja Ja Ja Ja Anz. d. Beobachtungen 51.851 45.465 51.851 51.944 Anz. d. Faktoren (N) 97 85 97 97 Die statistisch signifikant negativen Post-Sample-Koeffizienten und Post-Publica- tion-Koeffizienten in den Fällen (1) mit 97 Faktoren und (2) mit 85 Faktoren und somit nur jenen, die einen t-Wert von mehr als 1,5 aufweisen, bedeuten, dass nach Ende der In-Sample-Periode, „Post-Sample“ genannt, die Prognosekraft der Faktor- Renditen sinkt. Nach der Publikation sinkt diese noch stärker. Quelle: Studie