Kapazitäts-Check

Es ist eine Sache, einen empirischen Vorteil am Markt auf dem Papier zu beschreiben. Es ist etwas anderes, diesen Vorteil am Markt mit einem Portfolio institutioneller Größe in Rendite umzusetzen. Praktiker wissen, dass Welten dazwischen liegen können. Ein häufiges Problem vieler Faktor­strategien ist zum Beispiel, dass deren theoretische Renditen in akademischen Studien stark von den einbezogenen Small und Micro Caps abhängen. In der Praxis werden viele dieser Aktien dagegen aufgrund von Illiquidität oder hohen Transaktionskosten ausgeschlossen (siehe auch „Nur eine Fata Morgana“, Institutional Money 1/2022).

Theorie vs. Praxis

Ein konkretes Beispiel ist der Post ­Earnings Announcement Drift, bei dem sich die Aktienkurse über Wochen hinweg in Rich­tung einer vorherigen Gewinnüberraschung bewegen. In einer aktuellen Untersuchung schreibt Avanidhar Subrahmanyam von der University of California in Los Angeles, dass dieser Effekt zwar bei Micro Caps auftritt, jedoch beim Großteil der Marktkapitalisierung nicht („Keeping it Simple: How Can Post-Earnings Return Drift Exist and Not Exist Simultaneously?“). Allein die Tatsache, dass eine Anomalie eine hohe Vorhersagegenauigkeit ­ermöglicht, ist also noch lange keine Garantie für überdurchschnittlichen realen Anlageerfolg. Denn die größte Herausforderung besteht in der praktischen Umsetzbarkeit. Hier ist fraglich, ob beziehungsweise wie die gefundenen Vorteile auf ein großes verwaltetes Vermögen skaliert werden können. Deshalb ist der wirtschaftlich ausnutzbare Wert von Strategien, die vor allem auf kleine und illiquide Aktien abzielen, meist erheblich eingeschränkt.

Bottom-up-Modell

Aus diesem Grund schlagen die vier Forscher Alvaro Cartea, Mihai Cucuringu, Qi Jin und Jiexiu Zhu von der ­University of Oxford einen Bottom-up-Ansatz vor, der quantifiziert, welche Größenordnungen unter Berücksichtigung von Kapazitätsbeschränkungen auf Aktien­ebene realistisch gehandelt werden können („Bottom-Up Capacity Constraints and the Limits of Anomaly Profitability“). Dazu approximieren sie zunächst die Kapazität mit dem durchschnittlichen Tagesvolumen jeder Aktie. Um nun die Handelsgröße zu schätzen, kombinieren sie diesen Wert mit der prognostizierten Rendite der Aktie in ihrem Modell. Statt also wie klassisch ­feste Kapitalbeträge über den Querschnitt von oben nach unten zu verteilen, wird das handelbare Dollarvolumen jeder ­einzelnen Aktie simuliert. Wichtig ist dabei, dass die Profitabilität nicht relativ, sondern absolut gemessen wird. Das ermöglicht direkte Rückschlüsse darauf, ob eine Umsetzung wirtschaftlich wäre.

Anschließend verwenden die Autoren ihr Rahmenwerk zur Performanceanalyse von insgesamt 128 Faktoren. Dabei unterteilen sie ihre Stichprobe in In-Sample- und Out-of-Sample-Perioden. Erstere setzen sie mit dem Zeitfenster gleich, das in der ursprünglichen Studie zur betreffenden Anomalie verwendet wurde. Durch die Unterteilung können sie herausfinden, worauf sich die Verschlechterung der Renditen zurückführen lässt. Um den Einfluss von Kapazitätsbeschränkungen auf die Strategieperformance zu isolieren, arbeiten die Forscher zunächst ohne Handelskosten.

Ergebnisse

Die Ergebnisse bestätigen, was viele Praktiker vermuten. Demnach verringern allein Kapazitätsbeschränkungen einen Großteil der Profitabilität von 1-Faktor-Strategien. Mehr als 70 Prozent von ihnen erzielten im Out-of-Sample-Zeitraum einen absoluten Gewinn von weniger als 1.000 US-Dollar am Tag. Das verdeutlicht das Problem, wenn man sich beim Handel dieser Anomalien auf relative Renditeangaben verlässt. Die Sharpe Ratios und die statistische Signifikanz fielen im Vergleich zur klassischen Vorgehensweise ebenfalls schlechter aus. Besonders stark zeigt sich das im Out-of-Sample-Zeitraum, in dem nur 20 der 128 analysierten Faktoren statistisch signifikant waren.

Doch woher stammt die Diskrepanz zwischen theoretischer Vorhersagbarkeit und tatsächlicher Profitabilität genau? Die Antwort finden die Forscher wie vermutet bei der Marktkapitalisierung. Hier zeigt sich, dass Small Caps viel besser prognostizierbar sind als Large Caps, also hohe ­relative Anomalierenditen bieten. Allerdings ist ihr Handelsvolumen begrenzt, sodass kaum Kapital darin investiert werden kann. Absolut betrachtet stammt deshalb der größte Teil der in US-Dollar gemessenen ­Renditen von Large Caps. Dort ist zwar die Prognostizierbarkeit schwächer und im Zeitverlauf weniger stabil, aber die Kapazität dafür weitaus höher.

Eine Lösung könnte nun sein, verschiedene Anomaliesignale zu kombinieren. Das könnte dazu führen, dass sich die „kritische Masse“ erhöht und die Kapazitätsbeschränkungen abnehmen. Die Autoren untersuchen mehrere Modelle, die Prädiktoren entsprechend aggregieren. Darin verbessert sich die theoretische Prognostizierbarkeit erheblich. Doch die tatsächliche Profitabilität steigt kaum. Das liegt daran, dass sich die Gewinne nach wie vor in Small-Cap-Aktien konzentrieren. Hier bestätigt sich also, dass allein eine bessere Vorhersagbarkeit nicht unbedingt höhere Gewinne bedeutet.

Transaktionskosten

Als Nächstes beziehen die Forscher ­klassische Transaktionskosten mit ein, die bisher als größte Hürde für das Umsetzen von auf dem Papier profitablen Strategien galten. Konkret werden der halbe Bid-Ask Spread und der Preiseinfluss eigener Orders (Market Impact) verwendet. Allerdings ziehen die Autoren die geschätzten Kosten nicht wie in bisherigen Studien üblich direkt von den Bruttorenditen ab. Stattdessen vergleichen sie erwartete Bruttorenditen und geschätzte Kosten. Nur, wenn unterm Strich positive Renditen zu erwarten sind, gehen sie von einer Trans­aktion aus. Das ist deutlich realistischer als die klassische Methode.

Unter Annahme des Market Impact entfallen durchschnittlich 29 und unter Annahme des halben Spreads sogar 80 Prozent der zuvor angezeigten Transaktionen. Die klassische Methode mit direktem Abzug der Transaktionskosten führt dagegen dazu, dass viele Transaktionen trotz negativen erwarteten Nettorenditen berücksichtigt sind, die in der Praxis wahrscheinlich nicht ausgeführt würden. Das erklärt auch, ­warum einige Studien zu dem Ergebnis kommen, dass die Transaktionskosten positive Anomalierenditen nahezu eliminieren. Das muss in der Praxis aber nicht unbedingt der Fall sein.

Trotzdem verschlechtern sich auch im aktuellen Paper die Ergebnisse durch Einbezug der Transaktionskosten. Nachdem im Out-of-Sample-Zeitraum zuvor 20 von 128 Prädiktoren signifikant waren, sind es unter Berücksichtigung des Market Impact noch 15 und unter Berücksichtigung des halben Spreads nur noch elf.

Schlussfolgerungen

Dass sich die Renditen vieler Faktorstrate­gien im Out-of-Sample-Zeitraum sowie nach Veröffentlichung der ­entsprechenden Studien verschlechtern, ist bekannt ­(siehe „Früher Vogel“, Institutional Money 2/2022). Das bestätigt auch die aktuelle Studie. Da­rüber hinaus sollten aber vor allem die In-­Sample-Ergebnisse von Vornherein realistisch sein. Deshalb sind dort ebenfalls Kapazitätsbeschränkungen zu berücksichtigen. Die Autoren schreiben, dass zur Beurteilung, ob Handelsstrategien in der Praxis profitabel umsetzbar sind, Kapazität und klassische Transaktionskosten gemeinsam statt ­isoliert zu bewerten sind.

Dr. Marko Gränitz

Diese Seite teilen