Institutional Money, Ausgabe 1 | 2022
S elbst überzeugten Anhän- gern der Effizienzmarkt- hypothese fällt es mitunter schwer, nur passiv am Marktgeschehen teilzunehmen. Gerade als professioneller Anleger hat man doch den Ehrgeiz, die eigenen Markt- kenntnisse und Erfahrungen in die Arbeit einfließen zu lassen. Diese Ver- suchung ist natürlich umso größer, je weniger effizient die Märkte sind. Aber von der Entscheidung, aktiv ins Geschehen einzugreifen, ist es dann ein weiter Weg zum Anlageerfolg – und er ist gespickt mit Stolpersteinen. Ein Blick in die Fachliteratur zeigt, dass es dabei in vielen Detailfragen noch be- trächtliche Lücken gibt. So wird etwa die Frage, wie viele aktive Fonds ein Investor halten sollte, bisher kaum be- handelt, obwohl dieses Problem alles andere als nebensächlich ist. Zu einen ist es ohne Zweifel sinnvoll, auch innerhalb eines An- lagethemas auf mehrere Produkte zu setzen, um etwa das Initiatorenrisiko zu streuen, zum anderen verursacht diese Diversifika- tion natürlich zusätzliche Kosten, weil sich Skaleneffekte verringern und der Überwa- chungsaufwand zunimmt. Neuer Algorithmus In diesem Licht betrachtet, erscheint eine aktuelle Arbeit von drei BlackRock-Spe- zialisten besonders interessant, vor allem weil Andrew Ang, Ananth Madhavan und Jason Ribando auf der Suche nach der optimalen Anzahl aktiver Fonds oder Anla- gestrategien einen neuartigen Algorithmus entwickelt haben. Dieser Ansatz – Informa- tiker sprechen von einem Greedy Algorithm – bietet mehrere Vorteile gegenüber traditio- nellen quantitativen Ansätzen zur klassi- schen institutionellen Portfoliokonstruktion, die häufig auf der Mean-Variance-Optimie- rung basieren. Der von den BlackRock-Quants ent- wickelte und im Dezember 2021 publizierte Algorithmus funktioniert so: Zunächst wird der aktive Fonds ausgewählt, der die höchs- te Information Ratio (IR) aufweist. Unter der Annahme, dass man ein Portfolio mit diesem aktiven Fonds hält, bewertet man die Information Ratios der übrigen Fonds, wobei die IRs der nicht ausgewählten Fonds vom bestehenden Portfolio des Investors, das den ersten Fonds enthält, abhängig sind. Dann gestaltet man das Portfolio des Inves- tors so um, dass es aus dem in der ersten Runde ausgewählten Fonds und dem zwei- ten Fonds mit der höchsten Information Ratio besteht. In einem weiteren Schritt ermittelt man neuerlich die Information Ratios der verbleibenden Fonds relativ zu diesem Portfolio, das aus den ersten beiden Fonds besteht. Nun wählt man den dritten Fonds mit der höchsten Information Ratio aus. So fährt man mit der Auswahl von Fonds fort und berechnet die Information Ratios der verbleibenden Fonds jeweils neu, solange der Tracking Error des Portfolios oberhalb eines definierten Zielwerts bleibt. Innerhalb dieses Rahmens sind viele Adap- tionen möglich, zum Beispiel die Neudefi- nition des Auswahlkriteriums, wo man statt der Information Ratio auf noch anspruchs- vollere Kenngrößen zurückgreift, ein Reba- lancing des Portfolios, sobald der n-te Fonds ausgewählt wurde, oder die Einbe- ziehung von Transaktionskosten und Über- legungen zu ESG-Kriterien. Der Algorithmus ist skalierbar und intui- tiv; unter bestimmten Bedingungen ist er optimal und kann als eine Implementierung des Greedy-Knapsack-Algorithmus (Ruck- sack-Problem; siehe Kasten auf Seite 192) Wo Diversifikation endet und Überdiversifikation beginnt , ist eine Frage, die sich jeder Anleger stellen muss. Investmentexperten von BlackRock haben sich auf die Suche nach Antworten auf dieses wichtige Problem gemacht und dafür eine neue Lösung entwickelt. Die Rucksack -Lösung » Höhere Momente wie Schiefe, Wölbung, Fondskosten und Steuerfragen sind in den Algorithmus integrierbar. « Dr. Andrew Ang, Managing Director, BlackRock, New York » Mit der dynamischen Programmie- rung lösen wir praktische Investitions- probleme sequentieller Natur. « Dr. Ananth Madhavan, Managing Director, BlackRock, San Francisco FOTO: © BLACKROCK (2), WILLIAM W. POTTER | STOCK.ADOBE.COM 190 N o. 1/2022 | www.institutional-money.com P R O D U K T E & S T R AT E G I E N | D I VERS I F I KAT I ON
Made with FlippingBook
RkJQdWJsaXNoZXIy ODI5NTI=