Institutional Money, Ausgabe 1 | 2025

zentriert sich hauptsächlich auf Konjunkturzyklenkorrela- tion und Makrofaktoren. Beispielsweise zeigen Sydney C. Ludvigson und Serena Ng 2009 in „Macro Factors in Bond Risk Premia“ empirisch, dass die Renditen von Staatsanlei- hen signi kant durch makroökonomische Variablen vorher- gesagt werden können. Junye Li, Lucio Sarno und Gabriele Zinna zeigen voriges Jahr, dass sich die Treiber – ob makro- ökonomisch oder nanziell – im Lauf der Zeit verschoben haben. Unter Einbeziehung von Marktstimmungsfaktoren dokumentieren Ricardo Laborda und José Olmo 2014 in „Investor Sentiment and Bond Risk Premia“ zunächst eine positive Beziehung zwischen dem Investor Sentiment und den Risikoprämien für Staatsanleihen. Aus der Investitions- perspektive zeigen Da, Engelberg und Gao 2015 jedoch, dass die gleichzeitige positive Korrelation zwischen dem Sentiment Index auf der Grundlage des Internetsuchvolumens und mittelfristigen Staatsanleihen geringer ist als die von Aktien und sich innerhalb der nächsten zwei Tage vollständig um- kehrt. In jüngerer Zeit verwenden Cepnia, Guney, Gupta und Wohar (2020) aktienbasierte und marktgesteuerte Sen- timent-Maße und stellen fest, dass die Vorhersagbarkeit für Anleihen mit längerer Laufzeit und längeren Prognosezeit- räumen statistisch insigni kant ist.Diese Beobachtungen un- terstreichen die komplexe Beziehung zwischen Sentiment und Anleihenmärkten und werfen die Frage auf, ob Fakto- ren jenseits der allgemeinen Anlegerstimmung, etwa spezi- sche emotionale Reaktionen wie Angst, einen Ein uss auf die gesamte Renditekurve ausüben können. Marktdynamik auf Basis von Angst untersucht Wang, Zhang,Wang und Zhou untersuchen empirisch die Auswirkungen der Angst auf die Dynamik des Marktes für Staatsanleihen und bewerten ihre E ektivität bei der Pro- gnose von Staatsanleihenrenditen.Dabei leiten sie einen text- basierten Angstindex mithilfe der Thomson Reuters Market- Psych Indices (TRMI) ab, die sich des Natural Language Processing (NLP; Verarbeitung natürlicher Sprache) bedie- nen, um 42.000 Nachrichten- und 800 Social-Media-Quellen zu analysieren, darunter das Wall Street Journal und Twitter. Um das potenzielle Rauschen in den Nachrichtenquellen zu berücksichtigen, verwenden sie einen Ansatz des gleiten- den Durchschnitts, wie ihn Joseph Chen, Harrison Hong und Jeremy C. Stein 2001 in „Forecasting Crashes: Trading Volume, Past Returns and Conditional Skewness in Stock Prices“ vorstellten, um den Hauptverlauf der emotionalen und psychologischen Stimmung der Investoren und ande- ren Marktteilnehmer zu bewerten. Erkenntnisse Erstens belegt die Analyse von Wang, Zhang, Wang und Zhou, dass Angst tatsächlich ein ein ussreicher Faktor ist, der das Ausmaß von Panik und Angst unter den Investoren erfasst. Unter Verwendung von Bootstrapping, Autokorrela- tions- und heteroskedastizitätsrobusten Schätzgrößen zeigen ihre Ergebnisse, dass der vorgestellte Angstindex zukünftige Renditen von Staatsanleihen über einen Zeitraum von einem Jahr mit monatlicher Frequenz sowohl innerhalb als auch Dass man als aktiver Investor, der auch Timing betreibt, überdurchschnittliche Erfolge erzielen kann, wenn man an den Märkten gegen den Strom schwimmt, ist klar. Allerdings muss man dazu wissen, in welche Richtung dieser Strom fließt. Ein neuer „Angstindex“ will hier Hilfestellung bieten. N o . 1/2025 | institutional-money.com 93 Anleihenrenditen | THEORIE & PRAXIS FOTO: © MOSY STUDIO | STOCK.ADOBE.COM » Angst spielt eine kritische Rolle in den Dynamiken des Treasury-Marktes. « Yuanzhi Wang, School of Economics, Shandong University, Shandong, China