Institutional Money, Ausgabe 2 | 2020
paarweise Korrelationen ein gutes Crowding- Maß darstellen. Empirische Analyse Aus den Berechnungen ergeben sich Zeit- reihen von Co-Movement-Indikatoren für die Long- und Short-Seite der einzelnen Faktoren in den verschiedenen Assetklassen. Mithilfe dieser Indikatoren ermittelt der Autor die Quintile mit dem höchsten und dem niedrigsten Crowding und untersucht die anschließende durchschnittliche Faktorperformance über 24 Monate. Dabei kommt Baltas in seinen Berechnungen zu dem Ergebnis, dass Momentum trotz des kurzfris- tig prozyklischen Effekts nach Pha- sen des stärksten Crowdings under- performt und umgekehrt nach Pha- sen des geringsten Crowdings out- performt. Dieses Ergebnis bestätigt sich bei den übrigen Divergenzprä- mien. Als Erklärung vermutet der Analyst, der auch an der Londoner Imperial College Business School lehrt, dass sich diese bei Erreichen der stärksten Crowding-Phasen (Topquintil) bereits in einer fortgeschrittenen prozyklischen Bewegung befinden und des- halb über einen längeren Zeitraum under- performen – und umgekehrt für Phasen besonders geringen Crowdings. Moderate Co-Movement-Werte könnten dem Autor zufolge dagegen besser für eine Outperfor- mance geeignet sein und innerhalb eines Faktor-Timing-Modells Anwendung finden. Performancekatalysator Die Ergebnisse für die Konvergenzprä- mien fallen genau umgekehrt aus. Hier stellten Phasen des stärksten Crowdings am Beispiel von Value einen Katalysator für die Performance der folgenden 24 Monate dar, während nach Phasen des geringsten Crowdings eine Underperformance resul- tierte. Die Ergebnisse bestätigten sich bei den übrigen Konvergenzprämien mit Aus- nahme des Size-Faktors. Die Studie zeigt, dass es beim Thema Crowding auf die Art der Risikoprämie ankommt. Während bei Divergenzprämien wie Momentum nach starken Crowding- Phasen eine Underperformance zu erwarten ist, weisen Konvergenzprämien wie Value im Anschluss eher eine Outperformance auf. Diese Differenzierung verdeutlicht, dass Crowding nicht generell negativ für die Performance alternativer Faktorstra- tegien sein muss. In der Praxis lassen sich diese Erkennt- nisse etwa im Rahmen des grundsätzlichen Strategiedesigns oder von Rebalancings anwenden. Für das Risikomanagement bie- tet sich bei Divergenzprämien beispielswei- se Volatility Targeting an, was in früheren Studien zu den entsprechenden Faktoren verbesserte risikoadjustierte Renditen er- möglichte. Insgesamt sind die Ergebnisse deshalb auch für Multi-Faktor-Portfolios relevant, in denen sich beispielsweise eine Risk-Parity-Modellierung eher für Diver- genz- als für Konvergenzportfolios eignet. Entscheidend für die Ergebnisse der Studie sind die betrachteten Kapitalflüsse, welche je nach Art der Prämie in der Regel unter- schiedliche Effekte haben. Während die Resultate zum Teil durchaus (positiv) über- raschen, ist darauf hinzuweisen, dass sich die Analyse lediglich auf die Mechanik der Strategieebene bezieht. Aussagen darüber, ob der gesamte Bereich alternativer Risiko- prämien einem generellen Crowding unter- liegt und es zu breiten Unwinding-Effekten kommen kann, lassen sich daraus nicht ableiten. DR. MARKO GRÄNITZ FOTO : © GOL DMAN S ACH S » Die Analyse zeigt, dass Divergenz- prämien wie Momentum nach starken Zuflüssen eher schlechter abschneiden. « Nick Baltas, Head of R&D of the Systematic Trading Strategies Group Goldman Sachs, London Equity Momentum Performance nach stärksten und schwächsten Crowding-Phasen Die Grafik zeigt die durchschnittliche Performance eines Long-Short-Momentum-Port- folios (gleichgewichtete Dezile, Buy and Hold) über 24 Monate nach den stärksten und schwächsten Crowding-Phasen (Quintile) sowie 95-Prozent-Konfidenzintervalle (Newey- West). Nach Phasen des stärksten (schwächsten) Crowdings ist eine Underperformance (Outperformance) zu erwarten. Datenzeitraum zur Ermittlung der Crowding-Perioden: Oktober 2005 bis Mai 2018. Quelle: Studie Equity Value Performance nach stärksten und schwächsten Crowding-Phasen Die Grafik zeigt die durchschnittliche Performance eines Long-Short-Value-Portfolios (gleichgewichtete Dezile, Buy and Hold) über 24 Monate nach den stärksten und schwächsten Crowding-Phasen (Quintile) sowie 95-Prozent-Konfidenzintervalle (Newey- West). Nach Phasen des stärksten (schwächsten) Crowdings ist eine Outperformance (Underperformance) zu erwarten. Datenzeitraum zur Ermittlung der Crowding-Perioden: Oktober 2009 bis Mai 2018. Quelle: Studie Y2 M18 Y1 M6 0 0,8 0,9 1,0 1,1 1,2 High CoMetric Low CoMetric Y2 M18 Y1 M6 0 0,8 0,9 1,0 1,1 1,2 High CoMetric Low CoMetric 134 N o. 2/2020 | www.institutional-money.com T H E O R I E & P R A X I S : HE RDENVE RHA LT EN
Made with FlippingBook
RkJQdWJsaXNoZXIy ODI5NTI=