Institutional Money, Ausgabe 1 | 2022

tig erfolgreich sind, und diese stehen auch im Mittelpunkt der Analyse. Konkret haben 201 der 1.240 Manager ein positives Alpha im Vergleich zu ihrer Benchmark erzielen können. Die Autoren nehmen auch die hohe jährliche residuale Volatilität zur Kenntnis – das ist jene, die netto nach Berechnung der Stilfaktorrenditen gemäß dem Ansatz von Fama und French 1993 übrigbleibt. Diese residuale Volatilität beträgt durch- schnittlich fünf Prozent und ist sehr weit gespannt. Die Extrema reichen von 1,99 Prozent bei einem geschlossenen index- ähnlichen Fonds bis zu 18,35 Prozent (siehe Grafik „Zusammensetzung der aktiven Fondsrendite“) . Minimaler Stil-Drift Institutionelle Investoren oder deren Be- rater, die aktive Fonds für ihre Portfolios auswählen, konzentrieren sich auf Fonds mit einem starken Track Record bei der Wertpapierauswahl und einem minimalen Stil-Drift. Daher führen die Autoren eine Vorauswahl der Fonds durch, um „High Conviction“-Alpha-Fonds auszuwählen. Sie führen Regressionen der Fondsrendite auf Faktoren wie Marktrenditen, Momentum, Value und Size durch und stellen auf die statistische Signifikanz des jeweiligen posi- tiven Fonds-Alphas ab. Nachteil dieses Zeitreihen-Regressionsansatzes ist, wie die Autoren selbst festhalten, dass die Alpha- Schätzungen (und die damit verbundenen Standardfehler) implizit davon ausgehen, dass die Manager nicht versuchen, ihr Fak- tor-Exposure zu timen, da die Faktorladun- gen (Stil-Betas) als konstant angenommen werden. In der Realität allerdings versuchen die Fondsmanager oft, Faktoren zu timen, und folglich können die Alpha-Schätzungen und die damit verbundene statistische Signi- fikanz verzerrt und inkonsistent sein. Mög- licherweise führt das dazu, dass nur eine kleine Untergruppe von Fonds Alpha-Schät- zungen liefert, die positiv sind und sich sta- tistisch signifikant von null unterscheiden. Alpha aufschlüsseln Ein alternativer Ansatz besteht darin, das Alpha weiter aufzuschlüsseln, um diejeni- gen Manager herauszufiltern, die über ent- sprechende Fähigkeiten (Skill) bei der Wert- papierauswahl oder beim Faktor-Timing verfügen. Im Gegensatz dazu stehen die Überschussrendite, die sich aus statischen Faktorengagements ergeben. Das Trio wen- dete die bestandsbasierte Methodik an, die Ang, und Madhavan gemeinsam mit ihrem Kollegen Aleksander Sobczyk schon 2017 unter dem Titel „Estimating Time-Varying Factor Exposures“ vorgestellt haben. Ihr Ansatz basierte auf Arbeiten von Andrew Lo und Hsu, Kalesnik und Myers. Es ging darum, die aktive Rendite des Fonds als Summe von Komponenten auszudrücken, die sich aus der Wertpapierselektion, dem Faktor-Timing, statischen Faktor-Exposures und anderen statischen Exposures zu Bran- chen oder Sektoren zusammensetzen. Über alle Fonds hinweg ist die größte Beeinträchtigung des Alphas tatsächlich auf die Wertpapierauswahl zurückzuführen: Die durchschnittliche jährliche Rendite für die Aktienselektion beträgt minus 1,15 Prozent. Das bedeutet, dass die anderen Komponen- ten positives Alpha beitragen. In dieser Ana- lyse stellen die Autoren zudem fest, dass 91 Fonds mit positivem Alpha auch ein positi- ves Alpha bei der Wertpapierauswahl auf- weisen. Diese Fonds bilden den Schwer- punkt der weiteren Analyse. Faktor-Kovarianzmatrix Der nächste Schritt zur Implementierung des Algorithmus ist die Schätzung einer Faktor-Kovarianzmatrix. Die BlackRock- Experten verwenden diese Kovarianzmatrix für zwei Zwecke: erstens im Rucksack- Greedy-Algorithmus, um zu bestimmen, ob das aktuelle Portfolio plus einem zusätzli- chen Fonds den Schwellenwert für den mi- nimalen Tracking Error noch überschreitet, und zweitens zur Durchführung der Mean- Variance-Optimierung zum Vergleich mit den Rucksack-Ergebnissen. Die Gegenüberstellung der Ergebnisse „Gieriger Rucksack-Algorithmus vs. Mean- Variance-Optimierung vs. Information- Ratio-Maximierungsansätze“ ergibt ein kla- res Bild (siehe Tabelle „Portfoliokonstrukti- onsansätze im Vergleich“) . Betrachtet man den gierigen Knapsack-Algorithmus, so wurde hier von einem Mindest-Tracking- » Unser Algorithmus stellt einen alter- nativen Ansatz zur Portfoliokonstruktion und Managerauswahl dar. « Jason Ribando, ETFs und Index Investing bei BlackRock, San Francisco Rucksack-Portfolios unter der Lupe Wie optimale Rucksack-Portfolios für verschiedene Mindest-Tracking-Errors aussehen Wenn im Rahmen einer Rucksack-Optimierung ein höherer Mindest-Tracking-Error festgelegt wird, sinken die Information Ratio des Portfolios und die Anzahl der Fonds. Sind es bei einem Mindest-Tracking-Error von einem Prozent noch 21 Fonds, so sinkt deren Anzahl bei einem Tracking Error von 3,75 und vier Prozent auf zwei. Quelle: Studie 0 0,5 1,0 1,5 2,0 2,5 3,0 4,0 I 3,5 I 3,0 I 2,5 I 2,0 I 1,5 I 1,0 I 0,5 I 0,0 Anzahl der Fonds 21 18 13 10 9 7 6 5 4 3 2 Portfolio Information Ratio Minimum Tracking Error (%) 194 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 FOTO: © BLACKROCK