Institutional Money, Ausgabe 2 | 2025

ändert sich also in den meisten Fällen nicht zu stark, wenn die jährlichen Informationen im vierten Quartal bekanntge- geben werden. Im Durchschnitt bleiben 66 Prozent der Aktien des Jahresportfolios die gleichen wie zuvor (siehe Tabelle/Gra k „Hohe Persistenz der untersuchten Anomalieport- folios“) . Man könnte also einfach annehmen, dass die Anomalie- signale für ein weiteres Quartal anhalten, das Portfolio um drei Monate früher erstellen und damit in zwei Drittel der Fälle richtigliegen. Zwei Beispiele, bei denen das gut funk- tioniert, sind die Anomalien „Asset Turnover“ und „Pro t Margin“. Hier sind 85 beziehungsweise 87 Prozent der Akti- en des dritten Quartals auch im Portfolio für das Gesamt- jahr enthalten. Die Prognosemodelle schneiden mit F1-Sco- res von rund 90 Prozent entsprechend gut ab. Das bedeutet, dass Anomalien, die bei e zienten Märkten ohnehin nicht auftreten dürften, paradoxerweise wiederum zum Teil selbst aus bereits verö entlichten Daten vorhersehbar sind. Allerdings weisen nicht alle Anomalien eine derart hohe Persistenz auf. So blieben bei „Earnings Surprise“ nur 26 Prozent der Aktien bis zum nächsten Quartal im Portfolio. Zusätzliche Anomalierenditen Interessant ist nun die Frage, welcher Anteil der unter Annahme perfekter Voraussicht erzielbaren Mehrrendite in der Praxis unter Einsatz des Martingale-Modells tatsächlich realisiert werden kann. Die Autoren berechnen, dass es im Hohe Persistenz der untersuchten Anomalieportfolios Anteil der unveränderten Portfoliobestände aus Vorquartalen Die Grafik zeigt für jedes der 28 untersuchten Anomalieportfolios den Anteil der Bestände, die bei Veröffentlichung der Rechnungslegungsdaten zum Jahresende (Q4) gegenüber vorherigen Zeitpunkten unverändert blieben. Im Mittel lag die Persistenz aus dem 3. Quartal bei 66 und aus dem 2. Quartal bei 56 Prozent. Selbst vom 4. Quartal des Vorjahres blieben im Durchschnitt noch 32 Prozent der Bestände identisch. Quelle: Boone, B. / Reed, A. V. / Ringgenberg, M. C. / Thornock, J. R. (2023), Predicting Anomalies 0 % 20 % 40 % 60 % 80 % 100 % 0 % 20 % 40 % 60 % 80 % 100 % Profit Margin Sales Growth Less Expenses Growth Asset Turnover Gross Profitability Operating Leverage O-Score Profitability Net Operating Assets Return on Equity Asset Growth Sustainable Growth Change in Profit Margin Inventory Growth Total External Financing Change in Asset Turnover Sales Growth Less Inventory Growth Investments Growth in Long-Term Net Operating Assets Accruals Non-current Operating Assets Sales Growth Net Working Capital Earnings Consistency Percent Operating Accruals Percent Total Accruals Revenue Surprise Tax Earnings Surprise DURCHSCHNITT 2. Quartal 4. Quartal (Vorjahr) 3. Quartal Anteil Q4-Portfolio verbleibend aus: 116 N o . 2/2025 | institutional-money.com THEORIE & PRAXIS | Anomalierenditen FOTO: © TEXAS A&M UNIVERSITY » Anleger können Anomalierenditen erzielen, bevor die Signale überhaupt entstehen. « Boone Bowles, Assistant Professor, Mays Business School, Texas A&M University