Institutional Money, Ausgabe 1 | 2022

nisse muss es mindestens einen aktiven Fonds geben, um von den Benchmarkrendi- ten abzuweichen, und es können zu viele sein, sodass ein Portfolio dadurch überdi- versifiziert ist. Es muss also eine begrenzte optimale Anzahl von aktiven Fonds in einem Portfolio geben. Mit einem Ruck- sack-Algorithmus lässt sich ein praktikables Ergebnis erzielen. Universelle Methode Zur Veranschaulichung des Ansatzes kon- zentrieren sich die Autoren auf das Univer- sum der US-Aktienfonds. Ihr Ziel bestand darin, zu zeigen, wie der Algorithmus in einem praktischen Kontext angewendet werden kann: Der Anwendungsfall ist für jene gedacht, die für ihre Kunden Portfolios von Fonds verwalten und eine kleine Teil- menge von Fonds auswählen müssen. Na- türlich können auch andere Investoren an- stelle von Investmentfonds, etwa Hedge- fonds oder separat gemanagte Konten oder institutionelle Spezialfonds, in Betracht ge- zogen werden, aber die Methode ist diesel- be. Die von Ang, Madhavan und Ribando gefundenen empirischen Ergebnisse sind dennoch anwendbar. Viele Vermögensver- walter bieten Investmentfonds an, die sehr ähnliche Strategien für institutionelle Kun- densegmente wie Pensionsfonds, Stiftungen und andere Sammelvermögen umsetzen, wenngleich zu unterschiedlichen Gebühren. Schätzer vermieden Die Autoren betonen, dass ihr Ziel darin bestand, den Algorithmus zu veranschauli- chen, der auf jedwede Schätzung von Mit- telwerten, Kovarianzen oder andere Perfor- mancestatistikgrößen angewendet werden kann. Bei dessen Anwendung verwendet das Trio Standardschätzer für Risiko und Rendite. Außerdem konzentriert man sich auf realisierte und nicht auf prognostizierte Renditen. Basis der Untersuchung waren viertel- jährliche Bestandsdaten für das gesamte Universum der in den USA domizilierten und auf die USA ausgerichteten aktiven Aktienfonds auf der Ebene der Hauptklasse von Morningstar. Als Mindestschwelle der Stichprobe wurde eine Fondsgröße von einer Million US-Dollar (zum 30. Juni 2016) fest- gelegt und ein fünfjähriger Track Record für den Zeitraum vom 30. Juni 2016 bis zum 30. Juni 2021 verlangt. Daraus ergeben sich 1.240 Fonds mit einem Gesamtvermögen von 4,41 Billionen US-Dollar zum 30. Juni 2021. Berechnet werden die aktive Rendite (Alpha) im Vergleich zur im Fondsprospekt angeführten Benchmark und das aktive Risiko, also die Volatilität der aktiven Ren- dite, für jeden Fonds. Dabei stellen die Autoren fest, dass für die aktiven Fonds ins- gesamt die durchschnittliche jährliche akti- ve Rendite mit minus 0,77 Prozent negativ ist, wobei das negative Vorzeichen mit den bisherigen Erkenntnissen aus der wissen- schaftlichen Literatur übereinstimmt. Fama und French haben beispielsweise schon 2010 in „Luck versus Skill in the Cross- Section of Mutual Fund Returns“ davon be- richtet. Es gibt jedoch Manager, die eindeu- Zusammensetzung der aktiven Fondsrendite Aufsplittung der Fonds-Alphas in einzelne Komponenten und Darstellung der Volatilität Aktive Statischer And. stat. Faktor Excess Restliche Rendite Faktor Faktor Timing Aktienselektion Volatilität Return Volatilität Durchschnitt -0,77 % -0,26 % 0,32 % 0,32 % -1,15 % 18,12 % -2,53 % 5,00 % Median -0,95 % -0,20 % 0,39 % 0,27 % -1,23 % 17,38 % -2,51 % 4,69 % Minimum -13,41 % -5,92 % -7,24 % -4,96 % -17,15 % 5,58 % -14,99 % 1,99 % Maximum 22,85 % 6,21 % 5,51 % 5,80 % 14,04 % 33,13 % 8,41 % 18,35 % Standardabw. 3,74 % 1,45 % 1,41 % 1,08 % 2,76 % 3,30 % 2,92 % 1,83 % Die auf Basis der quartalsweisen Morningstar-Daten für den 5-Jahres-Zeitraum bis 30. Juni 2021 ermittelten Renditekomponenten von US-Aktienfonds zeigen im Durchschnitt die größte Alpha-Beeinträchtigung durch die Aktienauswahl. Diese beträgt stattliche minus 1,15 Prozent jährlich. Quelle: Studie Portfoliokonstruktionsansätze im Vergleich Rucksack-(Knapsack)-Algorithmus, Mean-Variance-Optimierung (MVO) und Information-Ratio-Maximierung Fondsstichprobe Beschränkungen Excess Return Tracking Error Information Ratio Anzahl der Fonds Knapsack Positives Alpha Gleichgewichtung 4,77 % 2,00 % 2,38 9 MVO Positives Alpha Tracking Error >= Tracking Error min 5,34 % 2,05 % 2,61 24 Positives Alpha Gleichgewichtung 1,88 % 0,09 % 20,11 201 Positives Alpha Unconstrained 1,80 % 0,003 % 551,57 120 Maximierung Positives Alpha Tracking Error >= Tracking Error min 8,27 % 2,00 % 4,13 4 Information Höchste IR Gleichgewichtung 5,42 % 0,11 % 51,55 9 Ratio (IR) Höchste IR Unconstrained 4,84 % 0,06 % 78,10 9 Höchste IR Tracking Error >= Tracking Error min 7,55 % 1,20 % 6,28 1 Der Mindest-Tracking-Error (TE) liegt bei zwei Prozent. Während der Rucksack-Algorithmus mit neun Fonds bei der Portfoliokonstruktion auskommt, sind es bei der Mean-Variance- Optimierung (MVO) mit Long-only-Beschränkung 24 Fonds. Die Maximierung der Information Ratio (IR) zeigt die schwächsten Ergebnisse. Quelle: Studie N o. 1/2022 | www.institutional-money.com 193 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