Institutional Money, Ausgabe 2 | 2021
dass die Assets under Management in diesem Bereich bis zum Jahr 2025 auf 2,4 Billionen US-Dollar steigen wür- den. Und Morningstar schätzte letztes Jahr, dass sie etwa 22 Prozent des ge- samten ETF-Marktes ausmachen. Data Mining im Verdacht Ein entscheidender Aspekt von Smart- Beta-ETFs sind die Regeln zur Kon- struktion des abgebildeten Index. Darauf verweisen die drei Forscher Shiyang Huang, Yang Song und Hong Xiang in ihrer Studie „The Smart Beta Mirage“. Anders als auf Basis standardisierter wissenschaftlicher Ranking- und Port- foliomodelle zu vermuten, bestehen in der Praxis erhebliche Spielräume, was deren genaue Ausgestaltung angeht. Tat- sächlich gibt es hinsichtlich der Parame- terkombinationen viele Möglichkeiten, um letztlich ein- und denselben Faktor abzubilden, der dann im Namen des Fonds auftaucht. Hinzu kommen unter- schiedliche Datenquellen, Gewichtungs- modelle und Rebalancingzeiträume. Aus all diesen Gestaltungsmöglichkeiten re- sultieren unzählige Backtest-Varianten. Und von den Rückrechnungen werden mit hoher Wahrscheinlichkeit nur die Aller- besten betrachtet, um während der Produkt- entwicklung die internen Kriterien des ETFs festzulegen. Schließlich ist ein möglichst guter Backtest entscheidend, um mangels eines echten Track Records potenzielle In- vestoren von der Funktionsweise des Kon- zepts zu überzeugen. Der Anreiz für Data Mining ist auch des- halb gegeben, weil die Anbieter wissen, dass Investoren positiv auf gute Backtests reagie- ren und dann investieren, um Überrenditen durch entsprechendes Faktor-Exposure zu erzielen. Tatsächlich können die Studienauto- ren einen gewissen Zusammenhang nach- weisen: Eine um eine Standardabweichung höhere Backtest-Rendite im ersten Jahr nach Listing des jeweiligen ETFs ist mit sechs Prozent höheren Zuflüssen verbunden. Klares Ergebnis Aus diesen Überlegungen resultiert die Frage, inwieweit der Spielraum zur Erstel- lung von Smart-Beta-Indizes ein grundsätz- liches Problem darstellt. Bei übertriebenem Data Mining könnte es sein, dass zwar der Backtest gut aussieht, aber die reale Perfor- mance am Ende wenig „smart“ erscheint. Um das zu untersuchen, betrachtet die Stu- die einen Datensatz, der mehr als 80 Pro- zent der Assets des US-Smart-Beta-ETF- Marktes im Zeitraum von 2000 bis 2018 umfasst. Zudem beschaffen die Autoren die jeweils zugrunde liegenden Indizes und deren Renditen sowohl für die Zeit vor als auch nach Start der entsprechenden ETFs. Die Studie betrachtet vor allem die Index- renditen, um eine direkte Vergleichbarkeit Auch in der Finanzmarktforschung besteht Publikationsdruck, was dazu führen kann, dass statistisch signifikante Faktoren herbeigetestet werden. Insgesamt dürfte das die Existenz zumindest eines Teils des Faktor-Zoos erklären. Performance vor und nach ETF-Auflage Nachher hält nicht, was Vorher verspricht. Indexperformance vor und nach dem jeweiligen ETF-Listing Zeitraum Vorher Nachher Differenz Alle Jahre 2,77 %*** (4,59) -0,44 %* (-1,74) -3,22 %*** (-4,63) 1 Jahr 1,21 %*** (4,04) 0,69 % (1,32) -0,52 % (-1,04) 2 Jahre 1,18 %*** (2,66) 0,32 % (0,87) -0,86 % (-1,25) 3 Jahre 1,51 %*** (3,95) 0,15 % (0,43) -1,36 %** (-2,49) Indexperformance vor und ETF-Performance nach dem jeweiligen Listing Alle Jahre 2,77 %*** (4,59) -0,87 %** (-2,40) -3,65 %*** (-4,20) 1 Jahr 1,21 %*** (4,04) 0,15 % (0,25) -1,06 %* (-1,69) 2 Jahre 1,18 %*** (2,66) -0,18 % (0,38) -1,36 %* (-1,78) 3 Jahre 1,51 %*** (3,95) 0,15 % (0,21) -1,36 % (-1,60) Die Tabelle zeigt die durchschnittlichen annualisierten CAPM-Alphas der Smart-Beta-Indizes beziehungsweise ETFs am US-Markt vor und nach den entsprechenden ETF-Starts mit Daten bis Dezember 2019. Die Anzahl der Sterne bezeichnet die Signifikanzniveaus von zehn Prozent (*), fünf Prozent (**) und einem Prozent (***) mit den zugehörigen t-Statistiken in Klammern. Quelle: Huang, S. / Song, Y. / Xiang, H. (2020), The Smart Beta Mirage, S. 34 N o. 2/2021 | www.institutional-money.com 125 T H E O R I E & P R A X I S | SMAR T BE TA
Made with FlippingBook
RkJQdWJsaXNoZXIy ODI5NTI=