Institutional Money, Ausgabe 4 | 2025

G ängige Asset-Pricing-Modelle versuchen, den Querschnitt der Aktienrenditen mit einer begrenzten Anzahl fundamentaler Faktoren wie 0DUNW 9DOXH 6L]H 3URljWDELOLWÌW XQG ,QYHVWLWLRQHQ ]X beschreiben. Beispiele sind das Fünf-Faktor-Modell von Eugene Fama und Kenneth French von 2015 und das Q-Faktor-Modell von Kai Hou, Chen Xue und Lu Zhang aus dem gleichen Jahr. Die Faktoren in diesen Modellen wurden mit risikobasierten Überlegungen erklärt, und ihre Prämien werden voraussichtlich über einen vollstän- digen Konjunkturzyklus hinweg realisiert. Kurzfristig kön- nen Faktorinvestments jedoch große und anhaltende Ver- luste erleiden. Es gibt zudem Bedenken, dass sich die Per- formance klassischer Asset-Pricing-Faktoren im Lauf der Zeit abgeschwächt haben könnte. Das haben zum Beispiel 5 'DYLG 0F/HDQ XQG -HȬUH\ 3RQWLȬ LQ Ľ'RHV $FDGHPLF Research Destroy Stock Return Predictability?“ 2016 im Journal of Finance publiziert. Viele Pseudofaktorenwurdenmittlerweile gefunden und genauso schnell wieder verworfen, weil sie harten Tests nicht standhielten. Man spricht hier von einem Faktorzoo. Dazu gehört auch, dass Anomalien mit hohem Umsatz in der Kapitalmarktliteratur zur Vermögenspreisbildung im Allgemeinen ignoriert werden, vor allem aufgrund der Sorge, dass sie nach Berücksichtigung der Transaktionskos- ten nicht Bestand haben könnten. Darüber hinaus fehlen ihnen tendenziell risikobasierte Erklärungen, was darauf hindeutet, dass es sich stattdessen um Fehlbewertungen von Phänomenen handelt. Anstatt eine hohe Prämie zu erzielen, die sich über einen langen Zeitraum materiali- siert, liefern diese kurzfristigen Signale jeden Monat eine Reihe kleiner aufeinanderfolgender Alphas aus völlig unter- schiedlichen Portfolios. Ein bekanntes Beispiel ist der kurz- IULVWLJH HLQPRQDWLJH 8PNHKUHȬHNW LQ Ľ3HUVXDVLYH (YLGHQFH RI 0DUNHW ,QHȯFLHQF\ĺ YRQb%DUU 5RVHQEHUJ .HQQHWK 5HLG und Ronald Lanstein, publiziert 1985 im Journal of Port- folio Management. Dieser weist auf dem Papier hohe Ren- diten auf, gilt aber nach Berücksichtigung von Marktfrik- WLRQHQ DOOJHPHLQ DOV IĞU ,QYHVWRUHQ XQHUUHLFKEDU Machine Learning überschätzt? Eine neue Strömung in der Kapitalmarktliteratur setzt auf maschinelles Lernen zur Vorhersage zukünftiger Aktienren- GLWHQ ,Q GLHVHQ 6WXGLHQ ]ÌKOHQ NXU]IULVWLJH 6LJQDOH QHEHQ traditionellen Faktoren typischerweise zu den wichtigsten Merkmalen. Die gemeinsame Schlussfolgerung dieser Stu- dien ist, dass Modelle des maschinellen Lernens vergleich- bare lineare Modelle mit spektakulären Sharpe Ratios GHXWOLFK ĞEHUWUHȬHQ 'RURQ $YUDPRY 6L &KHQJ XQG /LRU 0HW]NHU VWHOOHQ MHGRFK LQ Ľ0DFKLQH /HDUQLQJ YHU- sus Economic Restrictions: Evidence from Stock Return Predictability“ die Wirksamkeit dieser Modelle nach Berücksichtigung der Transaktionskosten ernsthaft infrage und weisen darauf hin, dass sie stark auf kurzfristige Sig- nale angewiesen sind, die zu einemhohen Umsatz führen. ,Q GHU TXDQWLWDWLYHQ ,QYHVWPHQW &RPPXQLW\ NRQ]HQWULHUW VLFK GDV )DNWRU ,QYHVWLQJ QDFK ZLH YRU DXI NODVVLVFKH )DN- torenwieWert, Qualität, Momentumund geringes Risiko. 6FKOLHĕOLFK LJQRULHUHQ ,QGH[DQELHWHU NXU]IULVWLJH $QRPD- OLHQ WHQGHQ]LHOO ELHWHQ QXU ,QGL]HV DQ GLH HLQ (QJDJHPHQW in traditionellen Faktoren ermöglichen, und halten sich an KDOEMÌKUOLFKH RGHU YLHUWHOMÌKUOLFKH 5HEDODQFLQJ )UHTXHQ]HQ ,Q GHU YRUOLHJHQGHQ 6WXGLH DUJXPHQWLHUHQ'DYLG %OLW] 0DW- Faktoren, die Alpha aus kurzfristigen Signalen produzieren und ökonomisch umsetzbar sind, gibt es tatsächlich, belegen die Kapitalmarktforscher um David Blitz bei Robeco. Jenseits von Fama-French » Die Anwendung einer Kombination von Signalen auf ein liquides globales Aktienuniversum ermöglicht signifikantes Netto-Alpha. « Dr. David Blitz, Managing Director und Chief Researcher bei Robeco, Diemen bei Amsterdam 158 N o . 4/2025 | institutional-money.com THEORIE & PRAXIS | Marktsignale FOTO: © ROBECO