Institutional Money, Ausgabe 3 | 2025

Allerdings kann man den Ergebnissen nicht vertrauen, wie die Autoren selbst schreiben. Denn die profitablen Kombinationen sind sehr empfindlich für kleine Verände- rungen der Parameter. So erzielte die beste Strategie zwar eine Überrendite von 5,5 Prozent pro Jahr im Vergleich zu Buy and Hold. Doch nur die Änderung eines einzigen Parameters lässt mehr als die Hälfte davon wieder ver- schwinden. Zudem blieb die Mehrheit der Timing-Stra- tegien hinter den Erwartungen zurück (siehe Grafik „Kein zuverlässiger Timing-Vorteil“) . Das Fazit der Studie lautet deshalb, dass die Chancen für ein erfolgreiches Timing der Faktorprämien schlecht stehen. Es dürfte aussichtsreicher sein, sich konsequent auf die eigent- lichen Prämien zu fokussieren beziehungsweise mehrere von ihnen zu integrieren und dann diszipliniert dabei zu bleiben, statt auf ausgeklügelte Timing-Methoden zu setzen. Beispiel Pocket-Strategie Ein anderes Beispiel beschreiben Nusret Cakici (Fordham University), Christian Fieberg (Hochschule Bremen), Tobias Neumaier und Thorsten Poddig (beide Universität Bremen) sowie Adam Zaremba (Montpellier Business School, Pozna´n University und Monash University) in ihrem Paper „The Devil in the Details: How Sensitive Are Pockets of Predictability to Methodological Choices?“. Darin untersu- chen sie eine Vielzahl von Umsetzungsvarianten der Pocket- Strategie, die in einem früheren Paper veröffentlicht wurde („Pockets of Predictability“). Demnach haben Aktienmärkte längere Phasen, in denen die Renditen nicht vorhersehbar sind. Diese werden aber von kurzen Zeiträumen erhöhter Vorhersehbarkeit unterbrochen.Dem Paper zufolge können prognostizierbare Zeiträume mithilfe von Kernregressionen imVoraus identifiziert werden.Diese Idee hat verständlicher- weise großes Interesse in der Forschung geweckt, da sie Markt-Timing und Überrenditen ermöglichen könnte. Doch die Forscher sind skeptisch. Sie untersuchen die Pocket-Strategie auf ihre Robustheit gegenüber den zugrun- de liegenden Annahmen und Parametern. Dabei stützen sie sich auf die ursprüngliche Stichprobe und deren Untersu- chungszeitraum, um eine Vergleichbarkeit zu ermöglichen. Auch die Daten, die Methodik und die Bewertungsmetri- ken der ursprünglichen Studie werden strikt eingehalten. Dabei stoßen die Autoren auf klare Schwächen der unter- suchten Strategie. Unzählige Kombinationen Insbesondere ist die Pocket-Strategie von scheinbaren Details abhängig, was das Forschungsdesign angeht. Die Forscher identifizieren neun Knotenpunkte für solche Entscheidun- gen, durch deren Kombination eine Vielzahl von Imple- mentierungen möglich wird. Durch deren Kombination ergeben sich insgesamt 19.440 Umsetzungsvarianten. Selbst das umfasst noch nicht die gesamte Bandbreite methodi- scher Optionen, da etwa die verwendete Kernregression selbst erhebliche Flexibilität beinhaltet. Problematisch ist dabei vor allem, dass sich eigentlich unwichtige Entschei- dungen erheblich auf die Performance auswirken. So etwa das verwendete Winsorizing. Diese statistische Methode reduziert den Einfluss von Ausreißern in den Daten. Sie wer- den durch weniger extreme Schwellenwerte eines bestimm- ten Perzentils ersetzt. Die Untersuchungen zeigen, dass ein Winsorizing auf das 2,5. Perzentil die Renditen erheblich verbessert.Umgekehrt reduziert allein der Verzicht auf dieses Verfahren die Alphas aber etwa um die Hälfte. Die Autoren schreiben, dass das ein klares Warnsignal ist. Neben den Nichtstandardfehlern zeigen die Forscher zwei weitere Einschränkungen des Pocket-Konzepts, die für die Praxis relevant sind. Zum einen nimmt die Vorhersag- barkeit der Renditen im Lauf der Zeit tendenziell ab. Das Potenzial, Muster zu erkennen und in messbare Gewinne umzuwandeln, hat sich in den letzten Jahrzehnten also ver- ringert. Zum anderen sind die Handelskosten entscheidend. Liegen diese bei zehn Basispunkten, waren für den Zeit- raum von 1990 bis 2016 keine signifikanten Alphas zu ver- zeichnen. Selbst bei nur fünf Basispunkten lagen die Sharpe Ratios der Strategien nicht über denen des passiven Buy- and-Hold-Marktportfolios. Schlussfolgerungen Professionelle Investoren brauchen eine gesunde Skepsis,was akademische, aber auch praktische Veröffentlichungen be- trifft. Auf den ersten Blick ist häufig kaum zu erkennen, ob Ersteller gut aussehender Rückrechnungen verzerrende Maßnahmen nutzen, um Effekte stärker beziehungsweise besser darzustellen, als sie in der Realität zu erwarten sind. Da die Komplexität von Prognosemodellen und damit das Risiko einer Überoptimierung künftig tendenziell zunimmt, dürfte das Thema relevant bleiben. Allerdings gibt es auch ganz einfache Möglichkeiten, simulierte Renditen zum eigenen Vorteil zu beeinflussen. Ein Beispiel zeigt US-Professor Avanidhar Subrahmanyam im Paper „Finance Research: Some Concerns“. Demnach werden die Renditen schon durch die Maßnahme nach oben verzerrt, dass alle Aktien mit Kursen unter fünf US- Dollar aus der Analyse ausgeschlossen werden. Denn wäh- rend zum Beispiel ein Anstieg von sechs auf acht US-Dollar enthalten bleibt, fällt ein Rückgang von sechs auf vier US- Dollar dem Filter zum Opfer. DR. MARKO GRÄNITZ 132 N o . 3/2025 | institutional-money.com THEORIE & PRAXIS | Data-Mining FOTO: © POZNA ´N UNIVERSITY » Die zunehmende Komplexität der Modelle erhöht das Risiko einer Überoptimierung. « Adam Zaremba, Professor of Investment and Financial Markets, Pozna´n University of Economics and Business