Das Fachmagazin für institutionelle Investoren

Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden:

Institutioneller will Volatilitätsprämien vereinnahmen!

Ad

Ein Großanleger tätigt über das Mandate-Tool eine Ausschreibung betreffend Vereinnahmung der Volatilitätsrisikoprämie. Mehr Informationen zum Mandat erhalten nur registrierte User. Mehr erfahren >>

Anzeige
2/2019 | Produkte & Strategien
twitterlinkedInXING

Big Data für die Praxis

Was mit einem Ratingmodell für Banken begann, schickt sich nun an, die institutionelle Asset-­Management-Szene zu erobern: die Quant-Boutique Quantic Financial Solutions.

1560264582_q1_screens_preview1_apr19_highres-20_tablet.jpg

Snapshot von der Oberfläche des Tools. Zuerst wird das Universum bestimmt, dann die Zahl der zu selektierenden Titel. In einer zweiten Runde werden die restlichen Parameter festgelegt, ehe das Tool dann in wenigen Sekunden für die letzten drei Jahre den Erfolg der Strategie im Vergleich zur Benchmark errechnet und visualisiert, Risiko- und Ertragskennzahlen inklusive.

© quantic

2012 von Mathematikern, Physikern und Volkswirten mit beruflichem Hintergrund bei Banken und in der Strategieberatung gegründet, ist die Boutique in den Armen von C-Quadrat gelandet. Konkret hält die österreichische Investmentgesellschaft nun 50,1 Prozent der Anteile an der Quantic Financial Solutions GmbH, der Rest liegt in den Händen der sechs Partner Walter Mussil, An­dreas Henking, Roland Demmel, Hans-­Michael Schania, Dietrich Matthes und Axel Walek.

Global Deep Data als Basis

Grundlage des Geschäfts ist das Sammeln von Finanzdaten aus den Bilanzen von weltweit mehr als 42 Millionen Unternehmen, die zumindest Informationen zu ihrem Umsatz veröffentlichen. Diese Datenfülle wird standardmäßig voll automatisiert in eine multidimensionale algorithmische Bilanzprognose-Engine namens „Credit-Dynamix“ eingelesen. Laut Anbieter liegt hier ein wesentlicher Unterschied zu herkömmlichen auf Fundamentaldaten abstellenden Ansätzen. Diese beschränken sich in der Regel auf die führenden 500 bis zu 2.000 Unternehmen weltweit, können den Markt aber nicht in seiner Breite abdecken. In einem nächsten Schritt werden diese Bottom-up-Fundamentaldaten – aktueller Stand sind die zuletzt verfügbaren Bilanzen und GuV-Rechnungen – mit Makro-Faktoren wie BIP-Wachstum, Arbeitslosenrate, Öl- und Goldpreis, Inflations-, Zins- und Währungsentwicklung verknüpft. „Damit werden aufgrund bekannter Faktorsensitivitäten und der Algorithmen die naturgemäß älteren ­Bilanzdaten in die Gegenwart bewegt und das wirtschaftliche Umfeld in fundamentale Daten der Firmen übersetzt“, formuliert Walter Mussil. Die in der Credit-Dynamix-Engine verfügbaren Firmendaten-Zeitreihen reichen bis in die 1990er-Jahre zurück. Anhand der bekannten Makro-Daten bis Ende 2015 konnte in-sample analysiert werden, ob die Prognosen der zukünftigen Bilanzen auch treffsicher sind. Dabei stellte sich heraus, dass Quantics Credit-Dynamix-Engine die Unternehmenszukunft mit einer Trefferrate von mehr als 90 Prozent richtig pro­gnos­tizieren kann. Die Makro-Daten sind dabei aus den Prognosen von IWF und Weltbank als ein Consensus-Forecast abgeleitet. Ihre Verzahnung mit den Bilanzdaten der Firmen führt zu einem Nowcasting der Fundamentals der Unternehmen. Damit nicht genug, wird nun ein echtes Forecas­ting, also eine Prognose für die Unternehmensbilanzen der nächsten drei bis fünf Jahre, errechnet: Basis sind die geschätzten gesamtwirtschaftlichen Abhängigkeiten, errechnet durch die Credit-Dynamix-Engine (siehe Grafik „Multidimensionales algorithmisches System“).

Risiko- und Rating-Tool

Dass ein solches Tool – wenn es nachhaltig funktioniert – für das Risikomanagement von Banken oder Versicherungen sehr wertvoll ist, liegt auf der Hand. Und dass es bisher zufriedenstellend funktioniert, lässt die Tatsache vermuten, dass sich das Modell von Quantic Financial Solutions bei mehr als einem Dutzend Großbanken und Versicherungsunternehmen im Einsatz befindet. Überdies wurde es von mehreren Aufsichtsbehörden geprüft und für gut befunden. Gleiches gilt für die großen Wirtschaftsprüfungsfirmen, von denen mehrere ihr Häkchen unter dieses Modell gesetzt haben. Berechnet werden damit Ausfallsraten von Kredit- und Anleihenportfolios von Banken. Daraus abgeleitet lassen sich Ratings überprüfen; es ist damit aber auch möglich, Stresstests unter der Annahme verschiedener Szenarien zu erstellen. Dabei lassen sich die Input-Parameter des Makro-Fore­castings auch individuell anpassen, sodass die Maschine auch kein Problem damit hat, Stresstestszenarien, wie sie etwa die EZB immer wieder vorgibt, für eine bestimmte Zahl von Großbanken durchrechnen zu lassen. Am Ende stehen dann simulierte Kreditausfallsraten, ein zu erwartender Abschreibungsbedarf und gegebenenfalls eine Kapitallücke.

Forecasting

Wie treffgenau Credit-Dynamix arbeitet, zeigte sich am Beispiel Spaniens im Jahr 2012, als viele Banken angesichts der schlechten Wirtschaftslage vor großen Herausforderungen standen und dringend Eigenkapital benötigten. Das Quantic-Team – damals noch nicht unter der Quantic-Flagge – entwarf im Auftrag des IWF, der EZB und der Banco de España mithilfe der Credit-Dynamix-Engine ein Banken-Kausalmodell und fütterte es mit Daten. Die grobe Datengranularität verlangte nach Proxy-Lösungen, die man in Gestalt regionaler Bündelung der Kreditnehmer fand. Die Maschine konnte dann für jede Region aus ihrer Unternehmensdatenbank das Kredit- und Ausfallsrisiko neben den Ertragspositionen jeder Bank simulieren und errechnete innerhalb weniger Stunden für das zugrunde gelegte Szenario eine Kapitallücke von mehr als 60 Milliarden Euro für die Jahre 2012 bis 2014. Hätte man die tatsächliche spätere Gesamtentwicklung Spaniens gekannt, wären gut 42 Milliarden Euro als Kapitallücke berechnet worden. Wie gut die Simulationsrechnung trotz dieses Umwegs war, erkennt man daran, dass die angeschlagenen Kreditinstitute tatsächlich mit etwas mehr als 44 Milliarden Euro rekapitalisiert und garantiert werden mussten. Das algorithmenbasierte und bar jeder Emotion ermittelte ­Simulationsergebnis der Credit-Dynamix- Engine war dabei wesentlich schneller und treffgenauer als das parallel dazu von Analysten mühevoll errechnete.

Brücke zum Asset Management

Gegenwärtige Anwendungen der Credit-Dynamix-Engine finden sich bei der Kreditrisikoanalyse, der Schätzung von Ausfallswahrscheinlichkeiten und bei Frühwarnsystemen, neuerdings aber auch in Bezug auf die Umsetzung der Rechnungslegungsvorschrift IFRS 9. Die Kompetenz von Quantic Financial Solu­tions ist hier bei der Berechnung von Szenarien zu Risikoprofilen von Seiten der Banken und der Wirtschaftsprüfer stark gefragt. Nachdem sich Unternehmensdaten in Bezug auf 15 Branchen und über 80 Länder auswerten lassen, liefert Credit-Dynamix auch branchen-, regionen- und länderspezifisches Forecasting. Interessanterweise funktioniert das Modell in allen signifikanten Märkten mit Ausnahme von China, weshalb es für chinesische Aktien auch nicht zur Anwendung kommt. Eine mögliche Erklärung für das Versagen in China könnte die gesamtstaatliche Planung des Landes sein, die die typischen ökonomischen Abhängigkeiten der Bilanz- und GuV-Positionen von Unternehmen beeinflusst und damit verändert.

Als Übergang zum Asset Management ist die Dienstleistung mit der Bezeichnung „Portfolio Management and Asset Alloca­tion“ zu verstehen. Denn hier können beispielsweise Banken mit Überliquidität Quantic mit der Ausarbeitung einer Diversifikationsstrategie beauftragen. Christian Jost, Geschäftsführer von C-Quadrat Asset Management, nennt ein Beispiel: „Wenn ­eine Landesbank etwa ein Kreditportfolio mit Schwerpunkten in bestimmten Regionen aufweist, dann ist es sinnvoll, ein Corporate-Bond-Portfolio dazu zu optimieren. Im Gegensatz zu Mitbewerbern, die bloß eine Stand-alone-Optimierung des ergänzenden Portfolios vornehmen können, sind wir mit Quantic Financial Solutions in der Lage, das Portfolio der Gesamtbank zu optimieren.“

Anlageprodukte à la carte

Wenn man über diesen Fundamental­datenschatz verfügt, liegt es nahe, über das eigentliche Risikomanagement hinaus zu überlegen, ob man nicht mithilfe dieses mul­tidimensionalen algorithmischen Sys­tems Unternehmensbewertungen mit Aktien-, Bond- und Credit-Default-Swap-(CDS)-Kursen vergleichen kann, um durch diese Verschneidung zu Kursprognosen zu kommen. Gesagt, getan. Seit nunmehr zwei Jahren besteht das Asset-Dynamix-Modell, das als Investment-Engine fungiert und auf der ­Basis von Credit-Dynamix Forecasts von Aktien-, CDS- und Bond-Kursen mit hoher Prognosequalität erstellt. Während die Credit-Dynamix-Engine in der ersten Stufe aus der Quantic-Datenbasis und den Makro-Prognosedaten wie gewohnt eine Fundamentalprognose für die nahe Zukunft erstellt, kommt im nächsten Schritt die Asset-Dynamix-Engine ins Spiel, die nun eine Kursprognose für die nächsten zwei bis drei Monate errechnet. Hier tritt noch eine spezielle Filtertechnik auf drei Ebenen auf den Plan, denn für jede Aktie wird untersucht, wie gut das Modell für sie funktioniert. Wenn nämlich die Modellprognose die tatsächliche Kursentwicklung über einen his­torisch genügend langen Zeitraum nicht hinreichend gut erklären kann, fällt der betreffende Titel heraus. Zirka ein Viertel aller Firmen wird per se herausgefiltert, wenn das Modell nicht passt. Dietrich Matthes dazu: „Ein Beispiel dafür ist die Volkswagen AG, die bis vor einigen Jahren noch nicht vom Filter ausgesondert wurde. In den letzten Jahren jedoch kann die Kursentwicklung aus der Verknüpfung von prognostizierten Fundamentaldaten und prognostizierten Makro-Daten die Kursentwicklung nicht mehr erklären. Daher bleibt die Aktie bis auf Weiteres außen vor.“ Das Universum wird auf Kundenwunsch auch durch den ESG-Filter reduziert. Als Drittes hat man dann eine Top-Flop-Selektionsliste, wo die Titel entsprechend ihrer Performanceprognose gereiht werden. Mit diesem Set-up, dessen Architektur überaus offen ist, ist es möglich, individuelle Gestaltungswünsche des institutionellen Kunden bei der Index- und Produktgestaltung in vielerlei Gestalt zu berücksichtigen. Der Kunde kann etwa bestimmte Länder, Regionen und Branchen ein- oder ausschließen, eine Mindestanforderung an die Marktkapitalisierung definieren, die Strenge des ESG-Filters bestimmen und sich aus der verbliebenen Schnittmenge eine maßgeschneiderte quantitative Investmentstrategie nach dem Algorithmus von Quantic vorschlagen und simulieren lassen.

Produktvarianten

Dazu kommt, dass sich innerhalb von wenigen Sekunden nicht nur eine Long-only-Investmentstrategie, deren Titelzahl sich wieder individuell bestimmen lässt, sondern auch eine Long-neutral-, eine Long-neutral-Short- und eine Long-Short-Strategie algorithmuskonform aus einem Guss aufbaut. Wählt man bei Long only beispielsweise die Top-50-Aktien, werden diese mit jeweils zwei Prozent gleichgewichtet. Chris­tian Jost macht unter den vier Strategien, nachdem er ausgewählten Institutionellen die Quantic Engines vorgeführt hat, bereits einen Favoriten aus: „Infolge kleiner Risikobudgets legen die Investoren verstärkt Wert auf eine Volatilität, die unter jener des Referenzindex liegt, und stellen verstärkt auf den Maximum Drawdown ab, den sie auszuhalten bereit sind. Damit liegt der Long-neutral-Ansatz in der Gunst der Investoren vorn, da  only eine verringerte Volatilität, einen geringeren Maximum Drawdown und eine deutlich bessere Sharpe Ratio aufweist.“ Wie bei Long only wird bei Long neutral am Anfang die Anzahl der zu investierenden Aktien festgelegt. Der tatsächliche Investi­tionsgrad bei Long neutral bestimmt sich zum jeweiligen Rebalancing-Zeitpunkt danach, wie hoch der Anteil der Titel mit Kaufsignal im Strategiepool ist. Wenn dieser wie gegen 2008 bei zirka zehn Prozent liegt, dann ist der Fonds in Extremsituationen auch schon einmal zu 90 Prozent in Cash investiert. Alle Berechnungen wurden im Übrigen bis Ende 2015 in-sample durchgeführt, seit März 2016 – und damit seit drei Jahren – hingegen ausschließlich out-of-sample. Das Rebalancing erfolgt aktuell alle zwei Monate, der Portfolioumschlag liegt bei vielen Portfolios bei 70 bis 100 Prozent jährlich.

Mittlerweile ist C-Quadrat mit einer deutschen Kapitalverwaltungsgesellschaft handelseins, die drei Publikumsfonds nach dem Quantic-Modell auflegen wird. Das Seed Money von jeweils zehn Millionen Euro kommt von externen Investoren aus dem Banken- und Versicherungsbereich. Zwei Fonds folgen dabei ab 1. Juli beziehungsweise 1. August 2019 einem Top-100-Welt- beziehungsweise einem EU/Europa-Long-neutral-Ansatz, beide mit ESG-konformem Overlay via Filter, der dritte soll einen Long-neutral-Short-Ansatz umsetzen. Nachdem Institutionelle im Fokus stehen, hat Jost natürlich auch Spezialfonds im Visier. Indizes, die im geschützten Bereich bei Bloomberg laufen, sollen von EU-zertifizierten Indexprovidern berechnet werden  und sind ebenfalls ein großes Thema. Sie dienen als Ausgangsprodukt für maßgeschneiderte Investmentbanklösungen, die von Kunden gewünschte Features wie Garantien und Mindestausschüttungen beinhalten können. Hier ist man mit führenden ­internationalen Investmentbanken im Gespräch. Auch ETFs auf Basis der CQ-Quantic-Indexfamilie sind denkbar, wobei wohl nicht C-Quadrat selbst ETFs auflegen wird. Jost kann sich stattdessen eine Kooperation mit einem großen ETF-Anbieter vorstellen, damit schnell dreistellige Millionenvolumina zustande kommen. Neben Indizes, Spezial- und Publikumsfonds gibt es aber noch eine weitere Möglichkeit, in Geschäftsbeziehung mit Quantic zu treten: durch die „Shopping List“. So nennt Jost die von den Engines tourlich kreierte Liste mit Long- und Short-Titeln, die der Kunde erhält, um schließlich die Auswahl an Titeln, in die er investieren will, selbst zu treffen. Jost denkt daran, den Kunden später einmal die Engine als eine Simulations-Toolbox zur Verfügung zu stellen. Die leicht bedienbare Oberfläche lädt dazu ein, spielerisch Strategiekombinationen in wenigen Sekunden durchrechnen zu lassen, indem man an den Parametern schraubt.

Restrisiken

Was Quantic von anderen fundamentale Ansätze verfolgenden Häusern unterscheidet, ist zweierlei: Zum einen arbeiten die Engines rein quantitativ datenbasiert und überzeugen durch eine Breite der konsistenten Anwendbarkeit, die mit Manpower kaum ein Haus leisten kann. Zum zweiten wird für das ganze Universum eine globale Vergleichbarkeit und eine statistische Tiefe hergestellt, bei der Subjektivität ausgeschlossen wird. Der Ansatz von Quantic hat den Charme, erfrischend anders als die anderen zu sein, die Big Data ausbeuten wollen: Man kommt von der Risikomanagementseite und nimmt damit vieles von dem vorweg, was andere erst gegen Ende des Anlageprozesses integrieren. Man darf gespannt sein, wann die ersten maßgeschneiderten White-Label-Produkte mit den En­gines im Hintergrund die Fondsszene beleben werden. Investoren, die das Thema Big Data und KI in einem eigenen Bucket oder Value in verschiedenen Ausprägungen bespielen, sollten den Quantic-Ansatz schon aus Diversifikationsüberlegungen in ihre ­Allokationsanalysen miteinbeziehen. Dabei muss auch klar sein, dass das Konzept nichts Unmögliches leisten kann. So gut die Simulationsrechnungen auch aussehen, gibt es doch zwei Risiken, die man nicht ausschließen kann: Idiosynkratische Risiken wie Betrugsfälle à la Steinhoff und Dieselgate sind nicht abbildbar. An Grenzen stößt der Ansatz aber auch bei Titeln, auf die das Modell nicht passt: Sie werden nicht analysiert.     

Dr. Kurt Becker


Anhang:

twitterlinkedInXING
 Schliessen

Mit der Nutzung dieser Website stimmen Sie der Verwendung von Cookies und unserer Datenschutzerklärung zu. Mehr erfahren