Das Fachmagazin für institutionelle Investoren

Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden:
1/2017 | Theorie & Praxis
twitterlinkedInXING

Geduld ist zu wenig

In einer brandneuen Studie werden 4.137 praktikable Anlagestrategien hinsichtlich ihres Outper­formancepotenzials gegenüber dem S&P 500 Index untersucht – die Ergebnisse sind bemerkenswert.

1493376606_teaserbild1.jpg

Geduld, so die Einschätzung vieler Marktteilnehmer, stellt an den Aktienbörsen die langfristig erfolgversprechendste „Strategie“ dar. Ob das tatsächlich stimmt, hat Hubert Dichtl von dichtl research & consulting in einer umfangreichen Analyse untersucht. Die Ergebnisse sind bemerkenswert.

Ab 1890 geisterte die Falschaussage um die Welt, dass Spinat besonders eisenhaltig und damit auch als Nahrungsmittel entsprechend wertvoll sei. Ursache dieses hartnäckigen Irrtums war die Verwechslung von getrocknetem mit frischem Spinat. Weil Letzterer weitestgehend aus Wasser besteht, ist die Aussage bezüglich des hohen Eisengehalts falsch. Diese inzwischen weithin bekannte Geschichte lässt den Verdacht aufkommen, dass wir uns auf eine Vielzahl ähnlicher „Gewissheiten“ verlassen, ohne sie zu hinterfragen. Beim Thema Kapitalanlage drängt sich zum Beispiel die Frage auf, ob die von der ETF-Zunft so gern strapazierte Underperformance der meisten aktiven Asset Manager gegenüber ihren Benchmarks Fakt ist oder nicht.

Hubert Dichtl, ehemals geschäftsfüh­render Gesellschafter der alpha portfolio ­advisors GmbH und heute Chef der dichtl research & consulting GmbH in Bad ­Soden, hat sich dieser Fragestellung angenommen. Dichtl lehrt Asset ­Management am Lehrstuhl für Corporate Finance und Ship Finance von Professor Dr. Wolfgang ­Drobetz der Universität Hamburg und ist Mitglied im Hamburg Financial Research Center (HFRC). In einem aktuellen Working ­Paper, das bereits bei einem wissenschaftlichen Journal eingereicht wurde, untersucht er Alternativstrategien zum Buy and Hold des S&P 500 Index. Als Basis dient ihm ebendieser Index, der neben seiner hohen Praxisrelevanz auch den entscheidenden ­Vorteil aufweist, dass hierzu sehr viele ökonomische Fundamentalfaktoren mit einer hinreichend langen Historie verfügbar sind.

Über 4.100 Strategien getestet
Die getesteten mehr als 4.100 aktiven Investmentstrategien basieren auf drei unterschiedlichen Ansätzen. Unterschieden wurde zwischen Managern, die auf Kalender­anomalien setzen, Managern, die mit technischen Analysemodellen arbeiten, sowie jenen Vermögensverwaltern, die ökonomisch fundierte Prognosemodelle einsetzen. Dichtl dazu: „Nach meinem Kenntnisstand handelt es sich hier um die umfassendste Studie, bei der alle drei verschiedenen Modellkategorien systematisch miteinander verglichen werden.“ Um zu robusten Aussagen zu gelangen, führte Dichtl seine Analysen anhand von drei verschiedenen Analysezeiträumen durch. Der erste reicht von Januar 1966 bis Dezember 2014 und stellt den Basiszeitraum dar, der zweite umfasst die Zeitspanne von Januar 2000 bis Dezember 2014 und ist somit jener Zeitraum, der das Platzen der Dotcom-Blase sowie die Finanzmarktkrise umfasst, und der dritte ist der Langzeittest von Januar 1931 bis Dezember 2014. Darüber hinaus wurden alle Ergebnisse mit dem Data-Snooping-resistenten „Superior Predictive Ability“-Test von Hansen (2005) auf ihre Robustheit getestet.

Streng nach der Effizienzmarkttheorie (EMT) sollte es keine Investmentstrategie nach Kosten geben, die bei angenommener Informationseffizienz den Markt, repräsentiert durch einen Marktindex, risikoadjustiert schlagen kann. Sollte es doch dazu kommen, dass eine risikoadjustierte Outperformance nach Kosten erzielt wird, dann sollte diese Investmentopportunität bald nach ihrer Entdeckung verschwinden oder sich sogar ins Gegenteil verkehren. Dichtls Studie überprüft die Informationseffizienz des S&P 500 Index, indem er unter realistischen Bedingungen (z. B. Berücksichtigung des Prognoseaspekts und realitätsnaher Transaktionskosten) verschiedene Investmentstrategien simuliert.

Das Wichtigste vorweg: Keine Investmentstrategie konnte den S&P 500 Index über alle analysierten Zeitfenster hinweg ­signifikant abhängen – angefangen bei den Kalenderanomalien („Sell in May and go away“, „September Swoon“ etc.) bis hin zu ökonomisch fundierten Prognosemodellen. Für viele gilt, dass sie zwar in bestimmten Perioden besser als Buy and Hold abschneiden, die Resultate sind aber weder statis­tisch signifikant noch über verschiedene Zeitfenster hinweg robust.

Die besten Ergebnisse lassen sich bei der Analyse der auf technischen Indikatoren fußenden Investmentstrategien beobachten, wo statistisch signifikante höhere risikoadjustierte Renditen als bei Buy and Hold des S&P 500 Index in jedem der unterschiedlichen Zeitfenster erzielt werden. Ein Wermutstropfen besteht allerdings darin, dass die auf gleitenden Durchschnitten basierenden Strategien das beste technische Analysemodell nur in zwei der drei Backtest-­Perioden darstellen. Zudem zeigt sich, wenn man den S&P 500 Index als Buy-and-Hold-Benchmark durch eine 50:50-Constant-Mix-Benchmark, bestehend aus dem S&P 500 Index und dem Geldmarkt, substituiert, dass die statistische signifikante Outperformance nur in einem der drei Zeitfenster sichtbar ist.

Geht man über Mean Variance hinaus und sieht sich die höheren Momente der Renditeverteilungen an, bestätigen Dichtls Analysen die Ergebnisse anderer wissenschaftlicher Arbeiten, dass die Anwendung von gleitenden Durchschnitten einen positiven Effekt auf die Schiefe hat und zu bemerkenswert niedrigeren Drawdowns als ­eine Buy-and-Hold-Strategie führt. Zudem produziert die Strategie der gleitenden Durchschnitte ein statistisch signifikantes Alpha in turbulenten Aktienmarktzyklen.

Set-up im Detail
Tatsächlich hat Dichtl sämtliche Kalendermarktanomalien eingefangen, indem er alle möglichen unterjährigen Kombinationen von investierten und nichtinvestierten Monaten bildete, diese über die Backtest-Perio­den gleich beließ und damit 212 gleich 4.096 verschiedene Allokationsmodelle analysierte (siehe Grafik „Umfassende Saiso­na­litätsanalyse“). Die Extrema sind dann das gänzlich investierte Portfolio, das dem klassischen Kaufen und Halten des Index entspricht, sowie jenes, das die ganze Zeit hindurch ausschließlich aus Cash besteht. Dazu kommen die auf technischen Indikatoren wie Momentum, Volumen und gleitenden Durchschnitten basierenden Untersuchungen. Bei den Moving Averages (MA) werden immer zwei – ein kurzfristiger von ein bis drei Monaten und ein langfristiger von neun und zwölf Monaten einander gegenübergestellt, wobei dann in den Index investiert wird, wenn der kurzfristige über dem lang­fris­tigen MA liegt. Daraus ergeben sich sechs Allokationsmodelle. Dazu kommt noch eine in der Praxis immer wieder zu findende Parametrisierung mit dem aktuellen Indexstand (einmonatiger MA) am kurzen Ende sowie einem MA auf Basis von 10, 24, 36 und 48 Monaten am langen Ende, somit ­also vier weitere Modelle.

Bei Momentum wird auf 1, 3, 6, 9, 12, 24, 36 und 48 Monate abgestellt, woraus sich acht Momentum-(MOM)-Modelle ergeben. Die im Volumen verpackte Information wird in Anlehnung an Granville in Form des On-Balance-Volumens (OBV) eingefangen. Hier werden kurze und längere Durchschnitte des Handelsvolumens (über 1, 2 und 3 Monate beziehungsweise 9 und 12 Monate) einander gegenübergestellt. Ein Kaufsignal für den Index wird dann generiert, wenn das durchschnittliche kurzfristige Volumen über dem langfristigen liegt, respektive ein Verkaufssignal, wenn der kurzfristige Volumensdurchschnitt unter dem langfristigen zu liegen kommt. Daraus errechnen sich weitere sechs Allokationsmodelle.

Für die auf fundamentalen Faktoren ruhenden Investmentstrategien setzt Dichtl auf ein bivariates Regressionsmodell. Als erklärende Variablen verwendet der Autor unter anderem die Dividendenrendite, das Kurs-Gewinn-Verhältnis, die Dividend Payout Ratio, die Volatilität der Aktien-Risikoprämie, das Kurs-Buchwert-Verhältnis, kurz- und langfris­tige Zinsen, die Zinskurvensteile, Credit Spreads und die Inflation, insgesamt 14 an der Zahl. Diese 14 bivariaten Regressionsmodelle werden ergänzt durch ein Regressionsmodell, das alle 14 erklärenden Variablen gemeinsam berücksichtigt, zwei Regressionsmodelle, in denen alle erklärenden Variablen mithilfe der Hauptkomponentenanalyse auf einen beziehungsweise zwei Faktoren verdichtet werden, sowie einen Forecast-Combination-Ansatz, bei dem die Prognose dem arithmetischen Mittelwert der 14 Einzelprognosen der bivariaten Regressionsmodelle entspricht. Das verfügbare Datenset reicht von Dezember 1950 bis Dezember 2014. Um für die Regressionsrechnungen eine genügend lange Schätzperiode zur Verfügung zu haben, beginnt die Out-of-Sample-Rechnung mit Januar 1966.

Die Tabelle „Deskriptive Statistik“ testet die drei Zeitfenster auf Autokorrelationen und Runs. Einmal zeigt sich wenig über­raschend, dass die durchschnittliche monatliche Rendite des S&P 500 Index im Zeitfenster 2000 bis 2014 mit 0,36 Prozent weit unter jener der beiden anderen längeren Zeiträume mit 0,79 respektive 0,80 Prozent liegt. Allen dreien gemein sind die Linksschiefe der Renditeverteilung und eine überschießende Kurtosis (Steilgipfligkeit) (leptokurtische Verteilung). Damit muss die Hypothese, die Monatsrenditen des Index seien normalverteilt, auf einem Signifikanzniveau von 99 Prozent zurückgewiesen werden.
Was die Untersuchung der Rendite-Autokorrelationen anbelangt, so sind diese gemäß den Ergebnissen des Ljung-Box-Tests – getestet wurde hier für Lags von einem bis zu 36 Monaten – in den beiden Backtest-Perioden ab 1931 und 2000 statistisch signifikant positiv korreliert, nicht jedoch für die Periode ab 1966. Der Runs-Test –er wird primär zur Überprüfung der Zu­-
fäl­ligkeit einer Zufallsfolge eingesetzt – zeigt wiederum andere Ergebnisse, denn er findet keine signifikanten Runs in einer ­dieser drei Perioden. Beim Runs-Test werden die Monatsrenditen dichotomisiert, das heißt, sie nehmen entweder den Wert 0 oder 1 an. Setzt man den Cut-off beispielsweise beim Median, so erhalten Monatsrenditen, die größer als der Median sind, den Wert 1 und alle, die darunterliegen, den Wert 0. Werten, die exakt auf dem Median liegen, wird ­zufällig 0 oder 1 zugeordnet. Weicht die Zahl der gefundenen Runs dann signi­fikant von der Zahl der bei Unabhängig­keit er­warteten Runs ab, so ist das ein Indiz dafür, dass die Zufallsfolge nicht zufällig ist. Die Resultate der Tests zeigen jedenfalls keine statistisch signifikanten Runs, gleichgültig ob man den Cut-off beim Median, beim Durchschnitt oder beim Wert null ­ansetzt. Dichtl bringt die Ergebnisse auf den Punkt: „Zusammenfassend gesagt erklärt weder der Test der Autokorrelation noch der Runs-Test, ob die gefundenen Ineffizienzen erfolgreich mit­hilfe einer realistischen Investmentstrategie verwertet werden können.“

In einem nächsten Schritt wurde eine ­Simulation aller Investmentstrategien von 1966 bis Ende 2014 unter Annahme realis­tischer Tradingkosten von 25 Basispunkten je Umschlag durchgeführt. Die fundamentalen Regressionsmodelle wurden anhand von rollierenden 180-Monats-Zeitfenstern geschätzt. Für jeden der mehr als 4.100 Ansätze errechnete der Autor eine durchschnittliche Monatsrendite und eine risikoadjustierte Überschussrendite, sprich Sharpe Ratio. Die Tabelle „Traditioneller Backtest“ zeigt für den 49-jährigen Zeitraum die jeweils zehn besten saisonalen und technischen Modellansätze.

Dabei fällt auf, dass alle zehn Kalenderstrategien mit der höchsten durchschnittlichen Monatsrendite (Panel A) sowie jene mit der höchsten ­Sharpe Ratio den Buy-and-Hold-Ansatz im S&P 500 Index (Panel C) schlagen. Exemplarisch sei die Strategie SEA759 angeführt, die das Jahr über mit Ausnahme der vier Monate Juni bis September im Markt ist. Sie erzielt eine durchschnittliche Monatsrendite von 0,8434 Prozent, während Buy and Hold des S&P 500 Index nur einen Return im Schnitt von 0,7894 Prozent pro Monat bringt. Die Top Drei nach der Monatsrendite zeigen ähnliche Allokationen und sind mit der Halloween-Strategie vergleichbar, die von Mai bis inklusive Oktober nicht im Markt ist. Genau diese Strategie – hier SEA2482 genannt – dominiert in Bezug auf die Sharpe Ratio mit einem Wert von 0,1283, gefolgt von zwei sehr ähnlichen Allokationen.

Überlegene technische Indikatoren
Panel B zeigt die Performancewerte der technischen Allokationsstrategien. Vergleicht man die Renditen und Sharpe Ratios der Top Ten, zeigt sich die Überlegenheit der technischen Indikatormodelle gegenüber den Saisonalitätsansätzen. Die drei Besten in Bezug auf beide Kenngrößen sind die auf der Differenz von kurz- zu langfristigen Vo­lumensdurchschnitten basierenden Strategien. Unter den Top Acht finden sich nur solche und jene, die auf der Differenz gleitender Durchschnitte beruhen. Inter­essanterweise schafft es nur die auf einem 12-Monats-Zeitraum fußende Momentum­strategie auf Platz neun bei der Durchschnittsrendite pro Monat. Überhaupt fällt auf, dass bei his­torischen Kursen die bis zu einem Jahr alten von größerer Wichtigkeit sind als weiter zurückliegende.

Was die Performance der fundamentalen Modelle anbelangt, so zeigt sich hier bei Durchschnittsrendite und Sharpe Ratio ebenfalls die Überlegenheit der technischen Modelle. So liegen sechs technische Allo­kationsansätze performancemäßig vor dem besten fundamentalen Modell, das eine Fore­cast-Kombination aus den 14 Einzelprognosen der bivariaten Regressionsmodelle darstellt und auf eine Monatsrendite von im Schnitt 0,8538 Prozent kommt. Das beste fundamentale Modell in Bezug auf die ­Sharpe Ratio hat als erklärende Variable die Dividend Payout Ratio, der Wert liegt hier bei 0,1187.

Ein Resümee dieser Untersuchung zeigt, dass eine klare Dominanz der technischen Analysemodelle gegenüber der Buy-and-Hold-Strategie – und zwar sowohl in Bezug auf die Performance als solche und auch ­risikoadjustiert in Form der überlegenen Sharpe Ratio – vorhanden ist. Allerdings ist das Data-Snooping-Problem damit nicht ­gelöst, weswegen Dichtl auf Hansens SPA-(Superior Predictive Ability)-Test für alle drei Cluster zurückgreift.

SPA-Test-Ergebnisse
Dabei stellt sich heraus, dass es keinen statistisch signifikanten Beleg dafür gibt, dass irgendein Saisonalitätsmodell der Buy-and-Hold-Benchmark, dem S&P 500 Index, in Bezug auf absolute Renditen überlegen ist. Interessanterweise ist das signi­fikanteste Modell nicht das beste. ­Jenes Modell SEA9, das immer mit Ausnahme des Monats September investiert ist, ist das signifikanteste. Dichtl: „Offensichtlich wäre es ein guter Ratschlag für eine monatliche Handelsstrategie, dem ,September Swoon‘-Ansatz zu folgen.“ Den höchsten durchschnittlichen Monatsertrag wiederum erringt das SEA759-Modell, das von Juni bis September in Cash allokiert ist.

Was die SPA-Testergebnisse in Bezug auf die technischen Indikatormodelle anbelangt, so zeigen diese, dass kein Einziges dieser Modelle die Buy-and-Hold-Benchmark hinsichtlich der absoluten Rendite signi­fikant outperformt. In dieser Gruppe ist das bestperformende Modell gleichzeitig auch das signifikanteste. Es investiert dann, wenn der 2-Monats-Durchschnitt des Handelsvolumens über jenem des 12-Monats-Durchschnitts liegt. Auch beim Test der Ergebnisse der fundamentalen Modelle ergab sich, dass kein Einziges zur Ablehnung der Nullhypothese des SPA-Tests von Hansen führte. Der Ansatz der „Forecast Combination“ ist nicht nur derjenige mit dem signifikantesten, sondern auch der mit dem besten ­Ergebnis. Dieses Modell ist aber auch dann nicht signifikant, wenn man nicht alle fundamentalen Modelle in Betracht zieht.

Wenn man den SPA-Test für die Sharpe Ratios – und damit die risikoadjustierten anstelle der absoluten Renditen – wiederholt, so weist die Halloween-Strategie (Sell in May and go away; Modell SEA2482) die höchste Sharpe Ratio und die höchste Signifikanz unter allen Saisonalitätsstrategien auf. Diese Signifikanz ist bei einem Konfidenzniveau von 90 Prozent gegeben, wenn man nicht das gesamte Universum der Saisonalitätsmodelle miteinbezieht. Tut man dies aber, dann ist die Sharpe Ratio der Halloween-Strategie statistisch gesehen nicht signifikant besser als jene von Buy and Hold. Bei den technischen Indikatormodellen hat die Sharpe Ratio der Volumensstrategie, die dann investiert ist, wenn der 2-Monats-Durchschnitt des Handelsvolumens über jenem des 12-Monats-Durchschnitts liegt (VOL 2-12), die Nase vorn. Das Ergebnis ist auf dem 95-Prozent-Niveau statis­tisch signifikant, wenn nicht das gesamte Universum der technischen Modelle in die Analyse miteinbezogen wird. Unter Einbezug desselben bleibt eine Signifikanz nahe dem 90-Prozent-Level bestehen. VOL 2-12 dominiert also statistisch signifikant den S&P 500 Index. Im Fall der fundamentalen Modelle ist ebenfalls keine statistisch signifikant bessere Sharpe Ratio auszumachen. Festzuhalten ist somit, dass für den Untersuchungszeitraum von 1966 bis 2014 nur das technische Modell VOL 2-12 risikoadjustiert signifikant besser als ein Engagement im S&P 500 Index abschneidet.

Anderes Zeitfenster
Im nächsten Schritt wurde die gleiche Vorgangsweise auf den Zeitraum von 2000 bis Ende 2014 angewendet. Hier entpuppte sich wieder ein technisches Modell als das Einzige, das statistisch signifikant besser abschnitt als Buy and Hold. In Bezug auf die Sharpe Ratio war das Modell der gleitenden Durchschnitte, bei dem der kurze Zeitraum einen Monat und der lange neun Monate umfasst (MA 1-9), auf einem Konfidenzniveau von 95 Prozent signifikant überlegen.

Für den ganz langen Zeitraum von 1931 bis 2014 lässt sich feststellen, dass das beste und signifikanteste technische Indikatormodell MA 2-12, basierend auf gleitenden Durchschnitten von zwei beziehungsweise 12 Monaten, eine statistisch signifikante Outperformance in Bezug auf die Sharpe Ratio gegenüber Buy and Hold liefert, wenn man den SPA-Test in seiner liberalen Version ­anwendet.

Technik sticht immer
In einem Zwischenresümee lässt sich festhalten, dass sich die Modelle der technischen Analysen allen anderen Ansätzen (basierend auf ökonomischen Fundamentaldaten oder auch Kalenderanomalien) als überlegen erweisen. Dies trifft für alle drei Untersuchungsperioden zu, wobei das jeweils beste technische Analysemodell (TA) von Periode zu Periode variiert. Dr. Dichtl dazu: „Schöner wäre es sicher gewesen, wenn es ein bestes technisches Analysemodell gäbe, das in allen drei Perioden dominiert.“ Während volumenbasierte Modelle im Zeitraum von 1966 bis 2014 am besten abschneiden, sind es im kürzeren und im ultralangen Zeitraum jeweils Modelle, die auf gleitenden Durchschnitten beruhen.

Um nun zu eruieren, welches der technischen Modelle zwischen 1966 und 2014 in Absenz der volumenbasierten Strategien die Nase vorn hat, werden die Tests unter Ausschluss der sich auf Volumendaten gründenden Modelle erneut durchgeführt. Die Strategie MA 2-12 ist dabei nicht nur die beste, sondern auch die signifikanteste, allerdings ist sie bei Anwendung von Hansens SPA-Test auf einem Konfidenzniveau von 90 Prozent weder in Bezug auf die absolute Rendite noch auf die Sharpe Ratio statis­tisch signifikant besser als Buy and Hold. Man kann daher sagen, dass trotz des Umstands, dass nicht immer das gleiche technische Indikatormodell in den unterschiedlichen Zeitfenstern das bessere Ende für sich hat, doch in allen Fällen eine statistisch signifikante Outperformance der Sharpe ­Ratio gegenüber einem Index-Engagement zu beobachten ist. Im Gegensatz zu den technischen Strategien ist die Buy-and-Hold-Strategie immer investiert, weswegen Letztere auch immer eine systematisch ­höhere Volatilität als die Market-Timing-Strategien aufweist.

Erfolgskontrolle
Um zu verifizieren, ob dies die Outperformance der besten technischen Indikatormodelle in Bezug auf die Sharpe Ratio erklärt, wurde die Buy-and-Hold-Benchmark durch eine 50:50-Constant-Mix-Strategie, die jeweils zur Hälfte aus Cash und dem S&P 500 Index besteht, ersetzt. Dabei zeigt sich, dass die Überlegenheit der technischen Analysemodelle in zwei der drei Backtest-Perioden gegenüber dieser neuen Benchmark nicht mehr statistisch signifikant ausfällt. Nur im Zeitfenster von 2000 bis 2014 bleibt die risikoadjustierte Outperformance auf einem Signifikanzniveau von 95 Prozent bestehen. Diese Resultate bestätigen die vorhergehenden: Selbst wenn die Market-Timing-Modelle in Bezug auf absolute oder risikoadjustierte Renditen durchwegs besser abschneiden als die Buy-and-Hold-Benchmark, so bleibt es doch schwierig, statistische Signifikanz bei Anwendung von Hansens SPA-Test zu erhalten.

SPA-Test als hohe Hürde
Trotz der Tatsache, dass die statistische Signifikanz der Dominanz der Strategien mit gleitenden Durchschnitten vom betrachteten Zeitfenster und der gewählten Benchmark abhängig ist, beobachtet der Autor doch in jedem der drei Zeitfenster, dass Moving-Average-Strategien die Buy-and-Hold-Benchmark dominieren. Das gilt sowohl für absolute Renditen als auch Sharpe Ratios. Trotz dieser Einschränkungen haben einige Studien gezeigt, dass Strategien, die mit gleitenden Durchschnitten arbeiten, die Schiefe verbessern und Drawdowns verringern können. Die Grafik „Buy and Hold im Vergleich zu Strategien gleitender Durchschnitte“ dokumentiert deutlich den kumulierten Renditevorsprung von vier verschiedenen Moving-Average-Strategien gegenüber Buy and Hold. Da diese Dominanz in Bezug auf absolute Renditen in dieser Studie nicht statis­tisch signifikant ausfällt, kann daraus geschlossen werden, dass der SPA-Test nach Hansen eine hohe Hürde für eine statistisch signifikante Outperformance darstellt. Jedenfalls werden die geringeren Drawdowns ­aller vier MA-Strategien gegenüber einem Buy-and-Hold-Ansatz offensichtlich.

Verbesserte Schiefe
Sieht man sich für alle drei Zeitfenster Parameter der Monatsrenditeverteilungen wie Schiefe, höchste negative Monatsrendite und den Maximum Drawdown für die vier in der Grafik dargestellten Moving-Average- und für die Buy-and-Hold-Strategie an und testet die Schiefe auf ihre Robustheit, erhält man ein überzeugendes Bild (siehe Grafik „Günstige Eigenschaften“). Die Ergebnisse bestätigen jene von Clare, Seaton, Smith und Thomas von 2016, denn die Anwendung von Strategien mit gleitenden Durchschnitten hat einen positiven ­Effekt auf die Schiefe der Verteilung der Monatsrenditen. Diese Ergebnisse sind ­besonders ausgeprägt, wenn man ein robus­tes Schiefemaß mit einem Alpha-Perzentilniveau von fünf Prozent zugrunde legt, bei dem man positive Auswirkungen für alle Moving-Average-Strategien in allen drei ­Perioden erkennen kann.

Im Zeitfenster von 2000 bis 2014 sind diese Vorteile besonders ausgeprägt. Wie nicht anders zu erwarten war, sind die ­Maximum Drawdowns in allen vier MA-Strategien signifikant geringer als bei Buy and Hold. In dieser 15-jährigen Periode erzielen diese MA-Strategien sogar noch ein signifikant positives Alpha im Risikofaktorenmodell von Fama und French beziehungsweise Carhart. Haupttreiber der Performance dieser MA-Strategien sind in ­allen drei Perioden die US-Aktienmarkt- und die Momentum-Prämie.

Diese Erkenntnisse werden vor allem jene Praktiker interessieren, die mit Moving-Average-Modellen arbeiten. Die Popularität der auf gleitenden Durchschnitten basierenden Strategien scheint jedenfalls durch deren Potenzial zur Steigerung absoluter Renditen und risikoadjustierter Erträge wie auch durch deren positive Effekte auf den Drawdown gerechtfertigt zu sein. Vor allem wenn man Schiefe und Maximum Drawdown mit jenen Werten vergleicht, die eine Buy-and-Hold-Strategie zeigt. Offensichtlich können Strategien auf Basis gleitender Durchschnitte ein positives Alpha in Zeiten turbulenter Aktienmarktzyklen liefern. Begründungen für das Vorliegen von Trends liefert die Behavioral Finance in ausreichendem Maß. Zwar kann die Studie letztlich nicht dazu verwendet werden, die Theorie effizienter Kapitalmärkte für obsolet zu erklären, jedoch liefert sie überzeugende Begründungen dafür, Trendfolgestrategien anzuwenden. Buy and Hold ist also definitiv nicht die Ultima Ratio.

 

-----------

Textkasten:
 

Der „Superior Predictive Ability“-Test von Hansen
Eine Hürde, die nicht leicht zu überspringen ist

Peter Reinhard Hansen, Professor of Economics an der University of North Carolina, der zuvor am European University Institute sowie an der Stanford University unterrichtet hat, stellte 2005 einen Test auf Prognoseüberlegenheit vor.

Dieser Test zur „Superior Predictive Ability“ (SPA-Test) stellt eine Verbesserung des „Reality Checks“ von White (RC-Test) in ­Bezug auf die Mächtigkeit und Sensitivität ­gegenüber schlechten und irrelevanten Prognosemodellen dar. Hansen konnte darlegen, dass Whites RC-Test manipulierbar ist, indem „schlechte“ Prognosemodelle zur Menge der gegenüber der Benchmark zu testenden Verfahren hinzugefügt werden. Um diesem Problem zu begegnen, führt Hansen zwei Modifikationen des RC-Tests ein. Zum einen verwendet Hansen eine studentisierte Teststatistik, zum anderen eine stichprobenabhängige Verteilung, die auf einem neuen Prozedere basiert. Dabei werden zusätzliche Stichprobeninformationen berücksichtigt, um die relevanten Prognoseverfahren identifizieren zu können. Die von Hansen vorgeschlagene Teststatistik ist in der Regel mächtiger als jene von White und daher zu bevorzugen.


Anhang:

twitterlinkedInXING
 Schliessen