Institutional Money, Ausgabe 2 | 2019
zeltitelgewichte, Faktor-Exposures und den Portfolioumschlag in der Portfoliokonstruk- tion vergrößert sich nämlich das Modellrisi- ko. Hier droht die Gefahr, dass das Modell mit vielen Beschränkungen, das im Back- test am überzeugendsten abgeschnitten hat, auswählt. Ob das dann in der Praxis eine ro- buste Out-of-sample-Performance liefert, steht keinesfalls fest. Erweist sich das Kon- zept als Enttäuschung, besteht dann neuerlich die Gefahr, dass das Modell geändert wird – als Investor möchte man eher nicht Zeuge eines solchen „Annäherungsprozesses“ werden. Investoren im Dilemma Für den Investor gilt es herauszufin- den, welche Motivation hinter der Smart-Beta-Index-Änderung tatsächlich steckt: Geht es nur um die Umsetzung eines besseren Backtests in die Praxis oder bedeu- tet die Änderung eine wirkliche Verbesse- rung des bestehenden Index? Andrew Lo wies schon in den 90er-Jahren darauf hin, dass die Zahl der möglichen Varianten im Suchprozess minimiert werden muss, will man das Data-Snooping-Risiko senken. Tat- sächlich ist eines der wichtigsten Prinzipien zur Verringerung des Data-Mining-Risikos, die Flexibilität des Indexanbieters bei Indexänderungen zu beschränken. Um die Möglichkeiten eines Indexproviders zu limitieren, können Investoren verlangen, dass jede Änderung der Indexmethodologie im Einklang mit den Investmentprinzipien des bestehenden Angebots steht. Sollten Änderungen innerhalb eines expliziten me- thodologischen Rahmens und mit Bezug auf eine klare Investmentphilosophie durch- geführt werden, bleibt wenig Raum für Da- ta Mining. Ein konsistentes Regelwerk und eine konsistente Investmentphilosophie sind die besten Mittel gegen zweifelhafte Ände- rungsversuche mit getunten Performances. Langfristige Ausrichtung Einrichtungen der zweiten Säule wie Pen- sionsfonds und Versicherer sowie Staats- fonds, die in den letzten Jahren zunehmend Gefallen an Smart-Beta-Investments finden, haben aufgrund der Langfristigkeit ihrer Verpflichtungen mit kurzfristigen Anlage- strategien respektive Ad-hoc-Anpassungen von Investmentmethodologien ihre liebe Not. Ihre langfristige Ausrichtung zwingt sie förmlich dazu, sich einmal für Invest- mentprinzipien zu entscheiden und diese dann auch beizubehalten. Empfehlungen für Governance-Grundsätze von Pensionsfonds sehen vor, dass Investmentüberzeugungen den Investoren dabei helfen können, einen konsistenten Kurs zu steuern und sich dabei nicht durch Modeerscheinungen vom Weg abbringen zu lassen. Damit im Einklang ste- hende Indexstrategien sollten diesen lang- fristigen unaufgeregten Zugang widerspie- geln, was Änderungen der Indexmethodolo- gien aufgrund von Modetrends ausschließt. Dazu kommen wissenschaftliche Belege da- für, dass eine häufige Änderung des Anla- ge-Exposures negative Performanceeffekte auslöst. Das haben Andrea Frazzini und Owen Lamont 2008 in „Dumb Money: Mutual Fund Flows and the Cross-Section of Stock Returns“ nachweisen können. Dazu kommt, dass erratische Faktorin- dexmethodologien im Widerspruch zu den Grundfesten des Faktor-Investing stehen. Man denke an einen Investor, der blind den wiederholten Änderungen der Faktordefinition und -zusammen- stellung eines Indexproviders Glauben schenkt. Sollte dieser Anleger wirklich glauben, dass sich die erfolgsbringen- den Faktoren tatsächlich häufig än- dern, wäre eine Kontrolle des Expo- sures zu diesen Faktoren als Unter- stützung für Investmententscheidun- gen nahezu nutzlos, da sich diese Ent- scheidungen auf Faktoren stützen soll- ten, die auch noch in der Zukunft re- levante Performancetreiber sind. Die akademische Literatur geht davon aus, dass das Eingehen eines Faktorexpo- sures langfristig belohnt wird. Index- methodologien, die häufig die Faktor- definitionen oder das Set von Fakto- ren ändern, sind mit den Prinzipien des Faktor-Investings nicht vereinbar. EDHEC hat sich einige Indexanbie- ter genau angesehen, wie sie etwa bei FOTO : © HE R V É T HOUROUDE / EDHEC » Neue Smart-Beta-Indizes müssen durch rationale Argumente gerechtfertigt werden. « Dr. Felix Goltz, Head of Applied Research am EDHEC-Risk Institute, Nizza Falsch selektiert Verteilungseigenschaften der Sharpe Ratios und Information Ratios von Multi-Faktor-Indizes Zeitfenster Minimum 5. Perzentil Median 95. Perzentil Maximum Differenz* VERTEILUNG DER SHARPE RATIOS 1978–1987 0,47 0,50 0,60 0,70 0,74 0,27 1988–1997 1,05 1,08 1,17 1,27 1,30 0,24 1998–2007 0,29 0,34 0,44 0,53 0,56 0,27 2008–2017 0,34 0,42 0,54 0,67 0,76 0,42 1978–2017 0,51 0,54 0,64 0,71 0,73 0,22 VERTEILUNG DER INFORMATION RATIOS 1978–1987 0,27 0,36 0,83 1,31 1,52 1,25 1988–1997 -0,34 -0,18 0,25 1,06 1,26 1,59 1998–2007 0,20 0,22 0,53 0,89 0,95 0,75 2008–2017 -0,24 -0,04 0,20 0,55 0,75 0,99 1978–2017 0,11 0,23 0,42 0,69 0,81 0,69 Stellt man aus sechs verschiedenen Faktoren 42 Multi-Faktor-Indizes zusammen, die aus mindestens drei Faktoren bestehen, so schwankt die risikoadjustierte Performance dieser Indizes je nach Faktorkombination stark. Über 40 Jahre reicht die Spanne der Sharpe Ratios von 0,51 und 0,73, bei der Information Ration von 0,11 bis 0,81. Über kürzere Perioden ist diese Spreizung noch deutlich höher. * Differenz von Maximum minus Minimum (Bandbreite). Quelle: Scientific Beta 92 N o. 2/2019 | www.institutional-money.com T H E O R I E & P R A X I S : FAK TOR- I NVE S T I NG
Made with FlippingBook
RkJQdWJsaXNoZXIy ODI5NTI=