Das Fachmagazin für institutionelle Investoren

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

Artikel Filter

Erweiterte Suche

Theorie & Praxis

2/2020 | Theorie & Praxis
twitterlinkedInXING

Positiver Herdeneffekt

„Crowding“ ist ein Begriff, der Portfoliomanager hellhörig werden lässt. Erfahrungsgemäß weist es darauf hin, dass sich zu viele Marktteilnehmer Konkurrenz um immer schmalere Prämien machen. Allerdings muss es nicht unbedingt so sein, dass Crowding grundsätzlich negative Auswirkungen auf die Renditen hat.

1591772557_herdeneffekt.jpg

Der Begriff „Herdenverhalten“ löst bei erfahrenen Investoren im Regelfall eine Abwehrhaltung aus. Wer die Ergebnisse der Verhaltensökonomie kennt, unterstellt fast automatisch, dass zu hohe Zuflüsse in Assetklassen oder Strategien gefährliche Fehlbewertungen verursachen. Nick Baltas’ Arbeit zeigt, dass dies nicht unter allen Umständen so sein muss.

© DMYTRO | STOCK.ADOBE.COM
Es ist durchaus nachvollziehbar, dass Crowding als besonderes Hemmnis für Investments in alternative Risikoprämien vermutet wird und gerade auch aus Sicht des Risikomanagements ein heikles Thema darstellt. Immer mehr Marktteilnehmer sehen die zunehmende „Faktorisierung“ der Investmentlandschaft als Warnzeichen, dass die Renditen dieser Strategien erodieren und die Risiken gleichzeitig steigen könnten.
 
Eine interessante Studie, die neues Licht auf diese Thematik wirft, wurde von Nick Baltas mit dem Titel „The Impact of Crowding in Alternative Risk Premia Inves­ting“ veröffentlicht. Der Autor, der für Goldman Sachs in London arbeitet, betrachtet in seiner im März 2019 veröffentlichten Arbeit die Mechanik der Kapitalflüsse verschiedener alternativer Risikoprämien auf der Strategieebene.
 
Ein wichtiger Punkt, der den Überlegungen zugrunde liegt, ist das Koordinationsproblem: Selbst dann, wenn zum jeweiligen Zeitpunkt eine positive Faktorprämie erwartet wird, können Anwender der Strategie nicht in Echtzeit erkennen, wie viele weitere Marktteilnehmer die gleiche Posi­tion einneh­men. Das kann zum befürch­teten Crow­ding führen, indem die Anwender gleicher Modelle gegenseitig negative externe Effekte erzeugen. In der Folge kann es zu einem Überschießen der entsprechenden Kursbewegungen und Bewertungen kommen.
 
Divergenz vs. Konvergenz
 
Der entscheidende Ansatz der Studie ist die Unterscheidung alternativer Risikoprämien in Divergenz- und Konvergenzprämien. Dabei zielt der Autor speziell auf die Mechanik der jeweiligen Strategien zu dem Zeitpunkt ab, an dem diese hohe Kapital­zuflüsse aufweisen.
Bei Divergenzprämien gibt es keinen fundamentalen Anker, an dem sich die Bewertung orientiert, sodass das beschriebene ­Koordinationsproblem zum Tragen kommt. Deshalb kann infolge hoher Kapitalzuflüsse eine prozyklische Dynamik im Sinne eines Positive Feedback Loops entstehen, der das ursprüngliche Signal verstärkt. Ein gutes Beispiel dafür ist Momentum: Hier führen hohe Zuflüsse unter sonst gleichen Bedingungen zu einer kurzfristigen Faktor-Outperformance, sodass ein Crowding zunächst positiv ist. Gleichzeitig nimmt der Portfolioumschlag ab – die Anwender der Strategie bleiben also zunehmend in den gleichen ­Titeln investiert (siehe Grafik „Divergenzprämien“). Natürlich ist dieser Prozess auf Dauer nicht nachhaltig, da er einer blasenähnlichen Dynamik folgt, wodurch die Wahrscheinlichkeit eines Faktor-Crashs steigt. Allerdings ist mangels des fundamentalen Ankers nur schwer einzuschätzen, wann eine solche Übertreibung erreicht ist. Entscheidend hierfür ist letztlich die Entwicklung der weiteren Kapitalzuflüsse in die Strategie.
 
Bei Konvergenzprämien ist die Mechanik umgekehrt. Diese weisen einen fundamentalen Anker auf, etwa den Spread zwischen unter- und überbewerteten Aktien. Deshalb kann infolge hoher Kapitalzuflüsse eine ­antizyklische Dynamik im Sinne eines ­Negative Feedback Loops entstehen, der das ursprüngliche Signal abschwächt. Ein gutes Beispiel dafür ist Value: Hier führen hohe Kapitalzuflüsse zwar auch zu einer kurzfristigen Outperformance, allerdings nehmen dabei die fundamentalen Bewertungsdifferenzen immer weiter ab, was den Anwendern der Strategie ein Signal für das Abebben der erwarteten Prämie gibt (siehe Grafik „Konvergenzprämien“). In der ­Folge nimmt der Portfolioumschlag zu – die Anwender der Strategie allokieren also ­zunehmend aus den entsprechenden Titeln heraus in neue Bewertungsdifferenzen. ­Dieser Prozess kann gerade bei hohen ­Zuflüssen nachhaltig sein, da er einer antizyklischen, stabilisierenden Dynamik folgt.
 
Der Studienautor weist darauf hin, dass ein starkes Crowding in Konvergenzprämien langfristig dazu führen kann, dass sich die Bewertungen in der Querschnittsbetrachtung auf ähnlichem Niveau ein­pendeln. Allerdings ist es auch möglich, dass die stärksten und schwächsten Konvergenztitel infolge ihrer Kursveränderungen auf Seite der Divergenzprämien auftauchen und sich dann vom fundamentalen Anker wegentwickeln. Hieraus könnte letztlich ein Konvergenz-Divergenz-Zyklus resultieren.
 
Untersuchungsmethodik
 
In der Studie wurden Aktien (Global ­Developed Markets im Zeitraum September 2004 bis Mai 2018), Rohstoffe (S&P GSCI Mitglieder im Zeitraum Januar 1999 bis Mai 2018) und Währungen (26 verschiedene Paare aus Developed und Emerging Markets im Zeitraum Januar 2000 bis Mai 2018) betrachtet. Dabei untersuchte der ­Autor für Aktien die Faktoren Value (Kurs-Buchwert-Verhältnis), Size (Market Cap), Momentum (zwölf Monate), Quality (Return on Assets) und Low Beta (vs. MSCI World). Bei Rohstoffen lag der Fokus auf dem Faktor Momentum (zwölf Monate) und bei Währungen auf Value (Kaufkraftparität) und Momentum (zwölf Monate). Alle Faktoren wurden als Long-Short-Variante konstruiert, bei Aktien als Dezile und im Fall von Rohstoffen und Währungen aufgrund des kleineren Universums als Terzile.
 
Zur Messung der Crowding-Stärke verwendet der Autor paarweise Korrelationen faktorbereinigter Renditen. Diese berechnet er auf wöchentlicher Basis für Titel der ­jeweils gleichen Peergroup, also innerhalb der entsprechenden faktorspezifischen Long- und Short-Portfolios. Hinter diesem Proxy-Maß für das Crowding steckt die ­Annahme, dass synchrone Kapitalflüsse ­einer großen Gruppe von Marktteilnehmern mit ähnlichen Anlageprämissen zu höheren Korrelationen der entsprechenden Werte führen sollten. Baltas verweist auch auf ­frühere Studien, aus denen hervorging, dass paarweise Korrelationen ein gutes Crow­ding-Maß darstellen.
 
Empirische Analyse
 
Aus den Berechnungen ergeben sich Zeitreihen von Co-Movement-Indikatoren für die Long- und Short-Seite der einzelnen Faktoren in den verschiedenen Assetklassen. Mithilfe dieser Indikatoren ermittelt der ­Autor die Quintile mit dem höchsten und dem niedrigsten Crowding und untersucht die anschließende durchschnittliche Faktorperformance über 24 Monate. Dabei kommt Baltas in seinen ­Berechnungen zu dem Ergebnis, dass Momentum trotz des kurzfris­tig prozyklischen Effekts nach Phasen des stärksten Crowdings under­per­formt und umgekehrt nach Phasen des geringsten Crowdings outperformt. Dieses Ergebnis bestätigt sich bei den übrigen Divergenzprämien. Als Erklärung vermutet der Analyst, der auch an der Londoner Imperial College Business School lehrt, dass sich diese bei ­Erreichen der stärksten Crowding-Phasen (Topquintil) bereits in einer fortgeschrittenen prozyklischen Bewegung befinden und deshalb über einen längeren Zeitraum under­performen – und umgekehrt für Phasen ­­besonders geringen Crowdings. Moderate Co-Movement-Werte könnten dem Autor ­zufolge dagegen besser für eine Outperformance geeignet sein und innerhalb eines Faktor-Timing-Modells Anwendung finden.
 
Performancekatalysator
 
Die Ergebnisse für die Konvergenzprämien fallen genau umgekehrt aus. Hier stellten Phasen des stärksten Crowdings am Beispiel von Value einen Katalysator für die Performance der folgenden 24 Monate dar, während nach Phasen des geringsten Crowdings eine Underperformance resultierte. Die Ergebnisse bestätigten sich bei den übrigen Konvergenzprämien mit Ausnahme des Size-Faktors.
 
Die Studie zeigt, dass es beim Thema Crowding auf die Art der Risikoprämie ­ankommt. Während bei Divergenzprämien wie Momentum nach starken Crowding-Phasen eine Underperformance zu erwarten ist, weisen Konvergenzprämien wie Value im Anschluss eher eine Outperformance auf. Diese Differenzierung verdeutlicht, dass Crowding nicht generell negativ für die Performance alternativer Faktorstra­tegien sein muss.
 
In der Praxis lassen sich diese Erkenntnisse etwa im Rahmen des grundsätzlichen Strategiedesigns oder von Rebalancings ­anwenden. Für das Risikomanagement bietet sich bei Divergenzprämien beispielsweise Volatility Targeting an, was in früheren Studien zu den entsprechenden Faktoren verbesserte risikoadjustierte Renditen ermöglichte. Insgesamt sind die Ergebnisse deshalb auch für Multi-Faktor-Portfolios ­relevant, in denen sich beispielsweise eine Risk-Parity-Modellierung eher für Divergenz- als für Konvergenzportfolios eignet.
 
Entscheidend für die Ergebnisse der Studie sind die betrachteten Kapitalflüsse, welche je nach Art der Prämie in der Regel unterschiedliche Effekte haben. Während die ­Resultate zum Teil durchaus (positiv) überraschen, ist darauf hinzuweisen, dass sich die Analyse lediglich auf die Mechanik der Strategieebene bezieht. Aussagen darüber, ob der gesamte Bereich alternativer Risikoprämien einem generellen Crowding unterliegt und es zu breiten Unwinding-Effekten kommen kann, lassen sich daraus nicht ­ableiten.
 
Dr. Marko Gränitz 

Anhang:

twitterlinkedInXING
 Schliessen

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