Institutional Money, Ausgabe 4 | 2021

men auf der Basis von Bankkrediten als Pro- zentsatz des BIP und die gesamten realen Renditen von vier wichtigen Assetklassen: Aktien, Wohnimmobilien, Staatsanleihen und Schatzwechseln. Für ihre Arbeit benötigen Davis und Taylor ein passendes Signal für einen Kreditboom. Dafür verwenden sie die Veränderung des Quotienten aus Kredit (Bankkrediten) zum BIP über einen Zeitraum von drei Jahren, bezeichnet als D3CREDGDP im Land i zum Zeitpunkt t. Warum sich die beiden auf ein Dreijahresfenster verständig- ten, ist leicht erklärt: Wissenschaftler haben verschiedene Zeitfensterstrukturen getestet, aber ein Zeitfenster von zirka drei bis fünf Jahren bildet den mittelfristigen Kreditzyklus gut ab und hat eine Prognosewirkung auf makroökonomische Größen, wie etwa Mian, Sufi und Verner in „Household Debt and Business Gygles“ 2016 festhielten. Damit wollen die beiden Pimco-Experten auch mögliche Vorwürfe ausräumen, die in Rich- tung Data Mining gehen könnten. Regressionsanalyse Um die Prognosefähigkeit des Leverage- Signals auf zukünftige Renditen zu untersu- chen, werden lineare (OLS-)Regressionen benutzt, um die kumulierten Gesamtrendi- ten als Funktion des zeitversetzten dreijäh- rigen Kreditwachstums und anderer Kon- trollvariablen zu prognostizieren. Die ge- naue Modellspezifikation sieht folgender- maßen aus: Dabei ist die abhängige Variable der ku- mulative Gesamtertrag von Aktien und An- leihen im Jahr h im Land i zur Zeit t. Die erklärende Variable ist das Kreditwachstum D3CREDGDP, die Kontrollvariablen um- fassen länderfixe Effekte X it und Makro-Va- riablen in Form der Inflation und des realen Wirtschaftswachstums pro Kopf – beide zeitversetzt. Dazu kommen noch zwei kon- Zeit, die Alarmglocken zu läuten? Die historische Auswertung von Kreditzyklen liefert Aufschluss darüber, ab welchem Leverage an den Märkten mit Ertragseinbußen, oder gar Finanzkrisen à la 2008 zu rechnen ist. N o. 4/2021 | www.institutional-money.com 261 P R O D U K T E & S T R AT E G I E N | KRED I TZYKL EN