Institutional Money, Ausgabe 3 | 2025

Flow-Performance-Sensitivität unter der Lupe Untersuchung der Reaktion der Kapitalflüsse auf die Fondsperformance an guten und schlechten Tagen M ithilfe von Regressionsrechnungen wird ermittelt, wie die geschätzten Koeffizienten aus der Regression der wö- chentlichen Kapitalflüsse auf den norma- lisierten Performancerang aussehen (sie- he Tabelle „Flow-Performance-Sensitivität an guten und schlechten Tagen“) . Dies ge- lingt, indem man die Wechselwirkung dieser Koeffizienten mit den beiden Dummy-Variablen DMKT,d(t),Bad und DMKT,d(t),Good untersucht. Diese sind gleich eins, wenn die Marktrendite am Tag d(t) unter dem 20. beziehungsweise über dem 80. Perzentil der Renditen – im Vergleich zu allen Renditen des vergan- genen Jahres – liegt. In Regression (5) ist die Dummy-Variable gleich eins, wenn die Marktrendite am Tag d(t) unter dem 5. (über dem 95.) Perzentil liegt. Die Koeffi- zienten λ Good und λ Bad für den Term „Rank t,d(t) x DMKT,d(t),Good“ respektive „Rank t,d(t) x DMKT,d(t),Bad“ sind die wichtigen Größen. λ Good ist in allen Rechnungen signifikant negativ, gleicht den Rangkoeffizienten fast vollständig aus. Somit kann man sagen, dass die Flows nicht sensitiv in Bezug auf die rela- tive Performance an guten Tagen reagie- ren, wo die Marktrendite über dem 80. Perzentil liegt. Stattdessen ist λ Bad in drei von vier Spezifikationen signifikant positiv und in der anderen insignifikant. Um die wirtschaftlichen Zusammen- hänge hinter den Koeffizienten zu verste- hen, betrachten die Autoren die konser- vativste Spezifikation, die die Perfor- mance anhand der abnormalen Renditen des Capital Asset Pricing Models (CAPM) misst und alle Kontrollvariablen und fixen Effekte einbezieht. In dieser Spezifikation ist die Sensitivität der Flows gegenüber der Performance an schlechten Tagen etwa 65 Prozent größer als an normalen Tagen und mehr als 100-mal größer als an guten Tagen. Wenn man schlechte und gute Tage anhand einer Fünf-Prozent- Grenze definiert (Spalte 5), zeigen die Koeffizientenschätzungen, dass die fünf Prozent schlechtesten Tage noch stärker hervorstechen – und dies obwohl diese Koeffizienten weniger genau geschätzt sind, mit Standardfehlern, die etwa dop- pelt so groß sind. Die Sensitivität der Kapitalflüsse gegenüber der Performance ist an den fünf Prozent schlechtesten Tagen um 123 Prozent höher als an nor- malen Tagen mit einer Marktrendite zwi- schen dem 5. und 95. Perzentil, während diese Sensitivität an guten Tagen negativ, aber nicht signifikant ist. Eine weitere Möglichkeit, die relativ starke Sensitivität der Performance ge- genüber schlechten Tagen zu erkennen, ist die Messung ihres relativen Beitrags zur Varianz der wöchentlichen Flows. Die- se relativen Varianzbeiträge sind in Panel B von Tabelle IV angeführt. Diese relati- ven Varianzbeiträge betragen 23.000 und 2,7 in der konservativsten Spezifi- kation (mit CAPM-Anomalierenditen und allen fixen Effekten), was bedeutet, dass schlechte Tage einen überproportiona- len Einfluss auf die Fondsströme haben. Ein schlechter Tag trägt um ein Vielfa- ches mehr zur Schwankung der Mittel- flows bei als ein guter Tag und etwa so viel wie drei normale Tage. Im Vergleich zum Durchschnittsfonds generiert ein Manager, der an einem schlechten Tag eine Outperformance erzielt, mehr Zu- flüsse als ein Manager, der an mehreren anderen Tagen eine Outperformance erzielt. Analog verhält es sich mit einem Manager, der an schlechten Tagen un- derperformt: Er weist mehr Abflüsse auf als ein Fondsmanager, der an mehreren anderen Tagen eine Underperformance erzielt. Diese Schlussfolgerung ist in allen anderen Spezifikationen robust mit Aus- nahme derjenigen, die einfache Renditen und alle fixen Effekte verwendet. In die- ser Spezifikation trägt ein schlechter Tag immer noch viel mehr zur Schwankung der Flüsse bei als ein guter Tag (der relative Beitrag beträgt 35), aber etwa genauso viel wie ein normaler Tag. Flow-Performance-Sensitivität an guten und schlechten Tagen Deutlich sinkende Marktrendite führt zu signifikantem Anstieg der Flow-Performance-Sensitivität. Nettorendite CAPM Abnormale Rendite Regressionsrechnungen (1) (2) (3) (4) (5) Panel A: Koeffizienten geschätzt Rank t,d(t) 1.74 1.69 1.35 1.53 1.44 (7.81) (7.69) (6.05) (7.39) (7.65) DMKT,d(t),Bad -3.04 -2.47 (-5.68) (-5.82) DMKT,d(t),Good 2.95 1.14 (7.09) (3.13) Rank t,d(t) × DMKT,d(t),Bad,( λ ) 1.95 -0.0 0.84 1.0 1.78 (4.3) (-0.15) (1.84) (2.45) (2.27) Rank t,d(t) × DMKT,d(t),Good,( λ ) -1.8 -1.42 -1.29 -1.51 -1.84 (-4.18) (-3.33) (-3.24) (-3.81) (-2.57) Anzahl d. Beobachtungen 3,495,926 3,495,925 3,077,229 3,077,229 3,077,229 Bestimmtheitsmaß R 2 0.37 0.41 0.38 0.41 0.41 Kontrollvariablen ✓ ✓ ✓ ✓ ✓ Stil x Tag ✓ ✓ ✓ Fondsfixe Effekte ✓ ✓ ✓ Panel B: Relative Varianz-Beiträge Bad vs. Normal 4.5 0.9 2.7 2.7 5.4 Bad vs. Good 3841.3 35.1 1451.8 22992.5 63.2 In Panel A werden die Koeffizientenschätzungen aus der Regression der wöchentlichen Flüsse auf den normalisierten Performancerang in Wechselwirkung mit den Dummy-Vari- ablen DMKT,d(t),Bad und DMKT,d(t),Good, die gleich eins sind, dargestellt, wenn die Markt- rendite am Tag d(t) unter dem 20. beziehungsweise über dem 80. Perzentil der Renditen liegt. In Rechnung (5) ist die Dummy-Variable DMKT,d(t),Bad und (DMKT,d(t),Good) gleich eins, wenn die Marktrendite am Tag d(t) unter dem 5. (über dem 95.) Perzentil liegt. Panel B gibt die Anzahl der normalen oder guten Tage an, die einen ebenso großen Beitrag zur Varianz der wöchentlichen Ströme leisten wie ein schlechter Tag. Quelle: Studie 104 N o . 3/2025 | institutional-money.com THEORIE & PRAXIS | Performanceanalyse