Institutional Money, Ausgabe 4 | 2021
zess mit einbezog. Gleichgewichtete Portfo- lios mit sieben oder mehr Faktoren generie- ren höhere Sharpe Ratios als jedes der be- obachteten Ein-Faktor-Portfolios oder das Zwei-Faktor-Portfolio von Asness. Dies zeigt, dass der klassische Diversifikations- effekt auch für Faktorportfolios gelten könn- te. In einer anderen Studie simulierten Melas, Briand und Urwin (2011) ver- schiedene Fondsstrategien und Allokati- onsansätze. Bei der Messung der Perfor- manceverbesserungen von faktorbasier- ten Portfolios kommen die Autoren zu dem Schluss, dass sich der Schwerpunkt institutioneller Investmentfonds von der aktiven Asset Allocation auf die Alloka- tion zwischen verschiedenen Quellen systematischer Risiken wie Faktoren verlagern sollten. Folglich sollte sich die Allokation großer Portfolios vorwiegend auf das Beta konzentrieren, während dem Alpha-Management weniger Auf- merksamkeit geschenkt werden sollte. Ilmanen und Kizer verglichen 2012 die Wirksamkeit von Diversifikation über Anlageklassen und dynamische Faktoren. Sie berichten, dass faktor- basierte Portfolios wesentlich geringere Gesamtkorrelationen aufweisen als sektor- basierte Portfolios. Ihr Performancever- gleich von gleichgewichteten Faktor- und traditionellen Portfolios zeigte, dass Faktor- portfolios deutlich höhere Sharpe Ratios aufweisen. Allerdings war ihre Analyse nur auf gleichgewichtete Portfolios und nur für den Zeitraum bis 2010 ausgerichtet. Hier setzten nun Bessler, Taushanov und Wolff an, indem sie die Literatur durch den Vergleich von Sektor- und Faktorportfolios für verschiedene dynamische Asset-Alloca- tion-Strategien und verschiedene Portfolio- optimierungstechniken bis Ende 2020 erweitern. Die Autoren verwenden verschiedene As- set-Allocation-Modelle und Out-of-Sample- Schätzverfahren. So folgen sie etwa auch den Ergebnissen von DeMiguel, Garlappi und Upal, die 2009 fanden, dass keine Port- foliokonstruktionstechnik dauerhaft besser sei als 1/N, und verwenden diesen Ansatz als Benchmark. Anschließend setzen sie eine Reihe von Gewichtungs- und Optimie- rungstechniken ein, analysieren ihre relative Performance und bewerten, ob sie die 1/N- Strategie übertreffen. Die Assets sind Sek- tor- und Faktorindizes, um Vorteile ver- schiedener faktor- und sektorbasierter Allo- kationsstrategien zu analysieren. Zu diesen Strategien gehören neben dem naiven gleichgewichteten (1/N) Benchmark-Port- folio die risikobasierten Asset-Allocation- Modelle Risikoparität (Risk Parity, RP) so- wie die vier Portfoliooptimierungsansätze: Minimum-Varianz, Mean-Variance, Bayes- Stein und Black-Litterman (siehe auch Kas- ten „Asset-Allocation-Modelle: Von naiv bis ausgefeilt“) . Optimierungsprozess Der Optimierungsprozess wird folgender- maßen strukturiert: Die Gewichte für jedes Portfolio werden am letzten Handelstag eines jeden Monats auf der Grundlage aller vorherigen Informationen bestimmt. Die Portfoliorenditen für den folgenden Monat werden berechnet, indem die berechneten Gewichte mit den Komponentenrenditen des entsprechenden Monats multipliziert werden. Die Autoren berücksichtigen 20 Basispunkte Transaktionskosten, was ange- sichts der Tatsache, dass die Sektor- und Faktorallokationen mit ETFs umgesetzt werden, angemessen ist. Dieser Prozess wird monatlich wiederholt, indem der Stich- probenzeitraum um einen Monat nach vorn verschoben und die optimierten Gewichte für den nächsten Monat berechnet werden. Unter Berücksichtigung der Prognose- und Optimierungskalibrierungszeiträume ver- gleichen Bessler, Taushanov und Wolff alle Asset-Allocation-Strategien für die beiden Anlageklassen „Sektoren“ und „Faktoren“ für den außerhalb des Schätzfensters gele- genen Zeitraum von Mai 2007 bis Novem- ber 2020. Ein kritischer Aspekt bei optimalen Port- folioallokationsentscheidungen sind neben dem Optimierungsmodell die Eingabedaten, für die die Autoren historische Durch- schnittsrenditen heranziehen. Als Robust- heitstest verwenden sie verschiedene Zeit- fenster zwischen zwölf und 60 Monaten. Angewendet wird auch die Strategie des kumulierten Durchschnitts (CA), die alle Beobachtungen vom Beginn des Stichpro- benzeitraums bis zur aktuellen Beobachtung umfasst. Um die Robustheit ihrer Ergebnis- se zu testen, verwenden Bessler, Taushanov und Wolff außerdem verschiedene Anlagen wie Long-only-Portfolios und Portfolios mit Short-Positionen. Sie untersuchen auch Auswirkungen von Restriktionen der Port- foliogewichte auf die Wertentwicklung, in- dem die Einschränkungen variiert werden. Die beiden Anlagestrategien umfassen zehn Sektor- und sechs Faktorindizes, die via ETFs investierbar sind. Beide Portfolios enthalten nur US-Aktien. Die 16 Total-Re- turn-Indizes werden auf monatlicher Basis von Bloomberg für den längsten gemein- sam verfügbaren Zeitraum von Januar 1999 bis November 2020 heruntergeladen. Der Datensatz umfasst somit 262 monatliche Renditebeobachtungen für jeden Index. Für die Umsetzung der Portfoliooptimierungs- strategien benötigen die Autoren jeweils bis zu fünf Jahre (60 Monate) für die Schät- zung der Optimierungsinputs (durchschnitt- » In Krisenzeiten outperformen Sektorportfolios, da sie bessere Diversifkationsmöglichkeiten bieten. « Dr. Dominik Wolff, Head of Quantitative Research Deka Investment » Über längere Zeiträume hinweg liefern Faktorportfolios bessere Erträge als Sektorportfolios. « Prof. Dr. Wolfgang Bessler, Empirical Capital Market Research, Hamburg 126 N o. 4/2021 | www.institutional-money.com T H E O R I E & P R A X I S | ANLAGE S TRAT EG I EN FOTO: © EMPIRICAL CAPITAL MARKET RESEARCH, DEKA INVESTMENT
Made with FlippingBook
RkJQdWJsaXNoZXIy ODI5NTI=