Das Fachmagazin für institutionelle Investoren

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

Warum uns der Sektor „nicht-basiskonsumgüter“ in Europa gefällt

Ad

Der Indikator für das Verbrauchervertrauen in der Eurozone zeigt zunehmenden Optimismus. Gleichzeitig steigen auch die Reallöhne, und die Kreditaufnahme von Haushalten. Von diesem Trend dürfte der Sektor Nicht-Basiskonsumgüter kurzfristig profitieren.

Anzeige
3/2017 | Theorie & Praxis
twitterlinkedInXING

Ruinierte Geheimtipps?

Hat die Veröffentlichung akademischer Research Papers Einfluss auf die Wirksamkeit bestimmter Aktieninvestmentstrategien? Und wenn ja, wie hoch fällt er aus?

1508423954_teaserbild5.jpg

Während wohl kaum ein Investor eine von ihm entdeckte Marktineffizienz, die zusätzliche Gewinne verspricht, ausplaudern würde, sind Finanzmarktforscher im Interesse ihrer akademischen Reputation extrem daran interessiert, die ganze Welt darüber zu informieren.

Foto: © Georgetown univ; GMF

Stellen Sie sich vor, Sie würden nach sorgfältiger Recherche feststellen, dass sich die wöchentlichen Lottozahlen vorab ganz einfach aus den Wetterdaten ableiten lassen. Würde man das der „Bild-Zeitung“ erzählen? Vermutlich nicht. Wie wäre es, wenn man erkennt, dass bestimmte Aktien langfristig mehr Ertrag abwerfen als der ­Gesamtmarkt, würde man das jedermann mitteilen? Nun, wenn man Finanzmarktforscher ist, lautet die Antwort ja.

Wissenschaftler rackern sich redlich ab, bestimmte Variablen zu definieren, denen eine Prognosewirkung für künftige Aktienmarktrenditen zugeschrieben werden kann. Dabei werden Ausschnitte historischer Renditen herangezogen, um eine solche Kenngröße zu entwickeln, und dann in weiterer Folge umfangreiche statistische Tests durchgeführt, die die Robustheit der Ergebnisse belegen sollen. Das alles geschieht unter den wachsamen Augen der akademischen Konkurrenz, die, sobald ein Papier veröffentlicht wird, die Ergebnisse überprüft. Dieser Prozess vertieft sich noch, wenn ein solches Paper zur Veröffentlichung in einem renommierten Fachmagazin eingereicht ist. Zwischen Einreichung und Veröffentlichung liegen oft einige Quartale, in denen der Inhalt intensiv auf seine Validität geprüft wird. Die Zahl der Publikationen ist ein entscheidendes Kriterium für die wissenschaftliche Karriere der Autoren und spätere Berufungen an prestigeträchtigere Universitäten.


Ob nun die in einem Sample vorgefundene Prognosekraft einer Variablen einen mehr oder minder stabilen Mehrertrag für die Zukunft verspricht oder am Ende gar nur eine Eintagsfliege ist, überprüften David McLean von der Georgetown University (damals noch an der Universität von Alberta tätig) und Jeffrey Pontiff vom Boston College insgesamt 97 Variablen aus wissenschaftlichen Veröffentlichungen auf ihre Prognosegüte (siehe Tabelle „Deskriptive Statistik“). Was in-sample funktioniert, muss ja noch lange nicht out-of-sample und nach erfolgter Publikation im akademischen Fachjournal die gleiche Prognosegüte aufweisen.

Obwohl sich einige Studien mit der Frage auseinandersetzten, ob sich eine bestimmte Variable nach wie vor als Ertragsbringer behauptet hat, gab es bis zur Arbeit von McLean und Pontiff keine Studie, die bei einer Vielzahl von Variablen die Nachhaltigkeit von deren Prognosegüte überprüft. Dabei interessierte das Autorenduo besonders, ob es einen signifikanten Unterschied bei der Leis­tungsfähigkeit gibt, wenn man den Out-of-Sample-Zeitraum bis zur Publikation im Fachjournal mit jenem danach vergleicht.


Tatsächlich lässt die Prognosegüte der Faktoren nach, wie die Statistiktabelle zeigt. Nicht nur, dass die Renditen bei Out-of-Sample-Tests und noch einmal nach der Publikation offensichtlich fallen, so steigt auch die Standardabweichung der Erträge. Durchschnittlich verstreicht zwischen dem Ende des Samples und dem Publikationsdatum im Fachjournal ein Zeitraum von 56 Monaten. Im Vergleich dazu beträgt das Zeit­fens­ter der In-Sample-Untersuchungsperiode 323 Monate im Schnitt, und die durchschnitt­liche Post-Publikations-Phase beträgt 156 Monate. Die Studie selbst endet per Jahresende 2013. Erwähnenswert in
diesem Zusammenhang ist noch jener Zeitraum, der zwischen dem Ende der In-Sample-Periode und der Aufnahme der Arbeit in die Boston Metropolitan Libraries beziehungsweise der erstmaligen Online-Publikation beim Social Science Research Network (SSRN) verstreicht. Die Aufnahme in die Bostoner Stadtbüchereien liegt zeitnah bei der Publikation in den Fachjournalen, somit sind die Ergebnisse fast ident. Zwar vergehen zwischen dem Ende der In-Sample-­Periode und der erstmaligen SSRN-Publikation 44 Monate und damit vier Quartale ­weniger als bis zum Erscheinen im Fachjournal, doch auch hier kommen die Autoren zu denselben Schlussfolgerungen.


Bemerkenswert ist des Weiteren, dass zwölf der 97 untersuchten Faktoren beim Nachbau der In-Sample-Tests keinen t-Wert von mindestens 1,50 als Maßstab für statis­tische Signifikanz erreichen. Die Autoren halten dazu fest, dass die Originalstudien in einigen Fällen abnormale Renditen anhand einer Event-Studie zeigen und dieser Effekt monatliche Querschnittsregressionen nicht überlebt. In anderen Fällen sind die verwendeten Daten nicht exakt deckungsgleich. Auch die Portfoliobildung trägt zu Unterschieden in der statistischen Signifikanz bei. Während McLean und Pontiff durchgängig auf Long-Short-Quintil-Renditen abstellen, stellen einige Originalstudien auf Fama-MacBeth-Steigungskoeffizienten oder Buy-and-Hold-Renditen ab.


Preisgekrönte Arbeit
Die Arbeit, die übrigens mit dem von der American Finance Association vergebenen „Amundi Smith Breeden Award 2016“ ausgezeichnet wurde, war Gegenstand heftiger Diskussionen in Fachkreisen, wie Wirtschaftsnobelpreisträger und Columbia-Professor Robert Shiller in seiner Kolumne „Economic View“ in der New York Times vom 23. Juli 2017 schrieb. Denn immerhin konnten die Autoren nachweisen, dass offenbar ein nicht unbeträchtlicher Anteil des Vorteils dieser verschiedenen Investmentstrategien nach der Publikation verpufft. Shiller rät im Übrigen dazu, dass neben der notwendigen statistischen Analyse auch menschliche Intuition und sogar Genialität respektiert werden sollten, so man in der Lage sei, diese zu identifizieren. Dabei sollte man aber die nötige Vorsicht walten lassen, denn es sei unwahrscheinlich, dass eine einzelne Strategie den Markt bis in alle Ewigkeit schlagen könne.


Frühere Studien haben durchaus unterschiedliche Ergebnisse in Bezug auf die Belastbarkeit von Faktoren erbracht. Narasimhan Jegadeesh und Sheridan Titman zeigten 2001 in „Profitability of Momentum Strategies: An Evaluation of Alternative Explanations“, dass die relativen Renditen von ­Aktien mit hohem Momentum nach der ­Publikation ihres bahnbrechenden Papers zum Momentum-Ansatz von 1993 gestiegen sind, während etwa William Schwert 2003 in „Anomalies and Market Efficiency“ argumentierte, dass seit der Publikation des Size- und des Value-Effekts Indexfonds, die auf diesen Variablen basierten, nicht in der Lage waren, Alpha zu generieren.


Drei Zeiträume im Vergleich
Ziel von McLean und Pontiff ist es, besser zu verstehen, was mit der Vorhersagbarkeit von Renditen außerhalb des ursprünglichen Analysezeitraums geschieht. Zu diesem Zweck haben sie jede Faktor-Rendite in drei unterschiedlichen Zeitfenstern miteinander verglichen: die Rendite im Untersuchungszeitraum des Autors mit jener nach Abschluss dieser Arbeiten bis zur Publikation und danach im sogenannten Post-Publikations-Zeitraum. Frühere Arbeiten haben die Prognosegüte der Returns statistischen Biases, rationalem Pricing oder auch Mis­pricing zugeordnet. Durch den Vergleich der Prognosegüte der beinahe hundert Faktoren in diesen drei Zeiträumen können die Autoren besser zwischen den verschiedenen ­Erklärungen differenzieren.


Sollte die Vorhersagbarkeit künftiger Renditen in publizierten Studien lediglich das Resultat statistischer Biases sein, müsste sich out-of-sample die Prognosekraft dieser Variablen in Luft auflösen. Unter dem Begriff des statistischen Bias subsumieren die Autoren ein breites Spektrum von Biases, die in Research-Publikationen angesprochen werden. Eugene Fama hat das Problem des Data-Mining und Over-Fitting durch clevere Researcher bereits 1991 angesprochen. In dem Ausmaß, in dem die Ergebnisse dieser Arbeiten in dem untersuchten Sample durch solche Biases verursacht sind, sollte ein Rückgang der Prognosegüte der identifizierten Faktoren out-of-sample nach der Publikation zu beobachten sein.


Unterschiede zwischen In-Sample- und Out-of-Sample-Renditen werden neben Biases auch durch Inves­toren, die aus den Publikationen lernen, bedingt. John Cochrane hielt bereit 1999 in „Portfolio Advice for a Multifactor World“ fest, dass in jenen Fällen, wo die Vorhersagbarkeit künftiger Renditen Risiko widerspiegle, diese Prognosegüte wahrscheinlich erhalten bliebe. Selbst wenn diese Opportunität breit publiziert würde, so Cochrane weiter, würden Investoren ihre Anlageentscheidungen nicht ändern, und der relativ hohe Ertrag dieses Faktors bliebe bestehen. Damit folgt Cochrane der Hypothese rationaler Erwartungen von John Muth.


Falls die Vorhersagbarkeit von Renditen zur Gänze rationale ­Erwartungen reflektiert, wird die Publikation der Studienergebnisse keine Information enthalten, die ein rational handelndes Wirtschaftssubjekt dazu bringt, sein Verhalten zu ändern. Sobald also die Auswirkung eines statistischen Bias entfernt ist, sollten die Prognosekraft vor und nach der Publikation der jeweiligen Faktor-Resultate gleich hoch ausfallen. Gesetzt den Fall, die Prognostizierbarkeit der Renditen spiegelt ein Mispricing wider, sophistizierte Investoren durchschauen das und setzen Trades gegen dieses Mispricing auf, kann man erwarten, dass die Faktor-Renditen verschwinden oder zumindest deutlich abfallen, so sie publiziert sind. Zu einem gänzlichen Verschwinden dieser Renditen wird es dann nicht kommen, wenn es Arbitrage-Hemmnisse gibt, die verhindern, dass die fehlerhafte Bepreisung vollständig ausarbitriert werden kann. Beispiele solcher Arbitrage-Hindernisse sind etwa ein systematisches Noise-Trader-Risiko sowie idiosynkratische Risiken und Transaktionskosten. Diese Effekte können noch durch die Beziehungen zwischen Principal und Agent, also Investor und Investment Professional, verstärkt werden.


Ergebnisse
97 Variablen aus insgesamt 80 verschiedenen Studien wurden analysiert, indem Long-Short-Portfoliostrategien benutzt werden, wobei man die Extrem-Quintile auf Basis jedes einzelnen Faktors kauft beziehungsweise verkauft. Die durchschnittliche Faktor-Rendite sinkt bei der Out-of-Sample-Betrachtung um 26 Prozent. Diese 26 Prozent sind die Obergrenze für den statistischen Bias, da einige Trader vom neuen Faktor bereits vor der Publikation erfahren und deren Handeln dazu führt, dass der ­Return-Rückgang stärker ausfällt als jener Rückgang, der dem reinen statistischen Bias zuzuschreiben ist.


Die langfristige Prognosegüte des Faktors sinkt allerdings um 58 Prozent im Post-­Publikations-Stadium. Kombiniert man dieses Resultat mit dem geschätzten statistischen Bias von (maximal) 26 Prozent, erhält man einen Publikationseffekt von mindestens 32 Prozent. Damit können die Auto­ren die Hypothese verwerfen, dass die Faktor-Renditen gänzlich verschwinden. Gleiches gilt für die Hypothese, dass sich die Prognosegüte der Faktoren nach dem Publikationsdatum nicht verändert. Dieser Post-Publikations-Abwärtstrend ist robust über zu unterschiedlichen Zeitpunkten startende Zeitfenster der einzelnen Faktoren.


Beide Rückgänge sind der Tabelle „Faktor-Renditen auf dem Rückzug“ zu entnehmen. Die dahinterstehende Regressionsrechnung testet die Veränderungen der Faktor-Renditen als abhängige Variable in Bezug auf den Zeitraum nach Ende des In-Sample-Zeitfensters (Post-Sample genannt) und nach deren Publikation (Post-Publication). Dabei wird mit Dummy-Variablen operiert, wobei Post-Sample gleich eins gesetzt wird, wenn es einen Monat nach Ende der Sample-Periode in der Originalstudie betrifft, ansonsten hat die Variable den Wert null. Bei Post-Publication wird der Wert der Dummy-Variablen mit eins angesetzt, wenn es sich um einen Monat nach dem Publikationsdatum handelt, ansonsten mit dem Wert von null. Die erste Spalte zeigt die Regressionsergebnisse über alle 97 Faktoren. Der Post-Sample-Koeffizient liegt bei minus 15 Basispunkten und ist statistisch signifikant, während der Post-Publication-Koeffizient bei minus 33,7 Basispunkten geschätzt wird und ebenfalls statis­tische Signifikanz aufweist. Setzt man diese beiden Werte ins Verhältnis zu den aus der deskriptiven Statistik entnommenen durchschnittlichen monatlichen Portfoliorendite von 58,2 Basispunkten, kommt man auf die Verringerungen der Faktor-Renditen im Post-Sample um 26 Prozent und bei Post-Publication um weitere 36 Prozent auf nunmehr 58 Prozent. In der zweiten Spalte werden Resultate von minus 18 respektive minus 38,7 Basispunkten dadurch erzielt, dass die gleiche Rechnung nur für die 85 Portfolio-Faktor-Renditen mit t-Werten von mehr als 1,5 angestellt wird. Da die durchschnittliche In-Sample-Portfoliorendite in diesem reduzierten Universum bei 65,2 Basispunkten liegt, sind die prozentualen Rückgänge mit minus 28 Prozent beziehungsweise minus 59 Prozent mit denen des vollen Samples vergleichbar.


Die Regression in der dritten Spalte der Tabelle beinhaltet Fixed Effects der Faktor-Renditen (hier werden von den unterschiedlichen Ren­di­ten die jeweiligen Mittelwerte abgezogen) gemeinsam mit den Interaktionen zwischen der In-Sample-Durchschnittsrendite jedes Faktors und den Post-Publication-Dummy-Variablen. Diese Interaktionen tes­ten, ob Faktor-Portfolio-Renditen mit höheren In-Sample-Durch­schnitts­werten nach der Publikation tiefer fallen. Dabei wird der In-Sample-Durchschnitt selbst nicht in die Regression miteinbezogen, da er nicht im Zeitablauf variiert. Wie die Tabelle zeigt, liegt der Post-Sample-Koeffizient bei 0,157, während der Koeffizient für die Post-Sample-Interak­tion mit dem In-Sample-Durchschnitt minus 0,532 beträgt. Nachdem der durchschnittliche In-Sample-Monatsreturn, wie aus der deskriptiven Statistiktabelle zu ersehen, bei 0,582 liegt, macht der gesamte Post-Sample-Effekt minus 0,153 aus. Dieser errechnet sich wie folgt: 0,157 + (–0,532 × 0,582) = –0,153. Damit ähnelt das Resultat sehr stark jenem des Post-Sample-Koeffizienten in der ersten Spalte mit minus 0,150.


Nachdem die Tabelle der deskriptiven Statistik die Standardabweichung der durchschnittlichen In-Sample-Faktor-Portfolio-Rendite mit 0,395 angibt, kann man sagen, dass ein Faktor-Portfolio, das einen In-Sample-Return aufweist, der eine Standardabweichung über dem Durchschnitt liegt, einen 21 Basispunkte großen monatlichen Return-Rückgang im Post-Sample-Zeitraum aufweist (–0,532 × 0,395 = –0,210). Das Ergebnis könnte die Tatsache widerspiegeln, dass Faktoren mit höheren In-Sample-Renditen wahrscheinlich einen höheren statistischen Bias aufweisen. Eine alternative Interpretation wäre, dass sich Arbitrageure mit höherer Wahrscheinlichkeit mit Faktor-Renditen befassen, die vor ihrer Publikation hoch ausfallen. Die Grafik „In-Sample-Renditen versus Post-Publication-Rückgang“ stellt diesen Zusammenhang dar. Hier wird jeder In-Sample-Faktor-Return dem Renditerückgang gegenübergestellt, den dieser nach erfolgter Publikation in einem Fachjournal hinnehmen muss.


Die vierte und letzte Regression der Tabelle „Faktor-Renditen auf dem Rückzug“ untersucht die Interaktionen der Post-Sample- und Post-Publication-Dummies mit den In-Sample-t-Statistik-Werten der Faktoren. Der durchschnittliche In-Sample-t-Statistik-Wert liegt bei 3,55 und die Standardabweichung der t-Statistik bei 2,39. Hier lassen die Regressionsschätzwerte erwarten, dass ein Faktor-Portfolio mit einem t-Statistik-Wert, der eine Standardabweichung höher liegt als der Durchschnitt, einen Rendite- rückgang von monatlich 14,6 Basispunkten im Post-Sample-Fall respektive von minus 15,1 Basispunkten im Post-Publication-Fall. Die Grafik „Trügerische statistische Sicherheit“ visualisiert, dass der Verfall der Faktor-Renditen dort höher ausfällt, wo auch die In-Sample-Renditen und die In-Sample-t-Werte der Statistik höher ausfallen. Diese Ergebnisse sind konsistent mit der Idee, dass Arbitrageure mehr Kapital bei Faktor-Portfolios mit höheren In-Sample-Renditen einsetzen.


Träger Publikationsprozess
Da der Publikationsprozess oft Jahre in Anspruch nimmt, haben skrupellose Researcher die Möglichkeit zu wählen, wo ihr untersuchtes Sample endet, um möglichst starke Ergebnisse berichten zu können. Daher ist es in den Augen der Autoren sinnvoll, die Post-Sample-Phase und die Post-Publication-Phase in kürzere Zeitfenster zu unterteilen und diese Perioden getrennt zu analysieren. Die Grafik „Dynamik der Faktor-Renditen“ zeigt, dass der Koeffizient für die Veränderung der Prognosegüte in den letzten zwölf Monaten der Sample-Periode positiv ist. Das bedeutet, dass die letzten zwölf Monate der In-Sample-Periode höhere Renditen aufweisen als die anderen In-Sample-Monate. Das ist konsis­tent mit der Ansicht, dass Kapitalmarktforscher opportunistisch agieren, wenn es um die Festlegung des Endes ihres Untersuchungszeitraums geht. Der Koeffizient in den zwölf Monaten nach Ende der In-Sample-Periode, also dem ersten Jahr out-of-sample, liegt bei null. Dies besagt, dass die ersten zwölf Monate post-sample im Durchschnitt die gleiche Faktor-Rendite erbringen, wie die Durchschnittsrendite in-sample ausmacht. Damit ist die Seriosität der Autoren belegt, denn wenn sie selektiv ihre Sample-Perioden wählten, würde dieser Koeffizient negativ sein. Die Grafik zeigt aber auch, dass es nach Jahr eins post-sample mit den Faktor-Renditen bergab geht. Ab dem 13. Monat post-sample und während der verbleibenden Out-of-Sample-Monate bis zur Publikation geht es mit der Prognosequalität nach unten, und zwar um mehr als 20 Basispunkte pro Monat. Die Renditen bleiben in etwa auf diesem Niveau in den ersten beiden Jahren nach erfolgter Publikation in den Fachjournalen, ehe sie sich dann weiter zurückbilden. Im Jahr drei wird der Rückgang der Faktor-Renditen dann auf 40,8 Basispunkte geschätzt, im vierten Jahr sind es 43,3 und im fünften 20,5 Basispunkte. Nach dem fünften Jahr rentieren die Faktoren dann im Schnitt um 33,9 Basispunkte niedriger als in-sample.


Weitere statistische Belege
Diese finden sich auch dafür, dass bei jenen Variablen der Renditeabfall größer ist, wo nur mit Preis- und Handelsdaten gearbeitet wird. Renditen nach der Publikation sind niedriger bei jenen Faktoren, die weniger kostenaufwendig zu arbitrieren sind, also bei Portfolios, die sich auf liquide Aktien konzentrieren und Aktien mit niedrigem idiosynkratischem Risiko umfassen. Diese Studienergebnisse stehen im Einklang mit einem Mispricing, das für einen Teil der Renditevorhersagbarkeit – oder die ganze ursprüngliche Faktor-Prognosegüte – verantwortlich ist, und ist auch mit der Tatsache vereinbar, dass Investoren aus dieser Fehlbepreisung lernen. Schließlich untersuchte das Autorenduo auch noch die Auswirkung der Publikation von Faktor-Renditen auf die Handelsaktivität. Es gelang, Belege dafür zu finden, dass Aktien, die sich in den Faktor-Portfolios befinden, nach der Publikation des Faktors ein höheres Handelsvolumen aufweisen. Auch die Differenz beim Short Interest zwischen der Long- und der Short-Seite jedes Portfolios steigt nach der Publikation. Damit stützen die Ergebnisse die These, dass das akade­mische Research das Interesse von sophis­ti­zier­ten ­Investment Professionals auf sich zieht.


Die Publikation als solche hat auch Auswirkungen auf die Korrelationen zwischen den Faktor-Portfolio-Renditen. Renditen jener Faktoren, die noch publiziert werden müssen, sind korreliert, und nachdem ein Faktor in einer Publikation öffentlich geworden ist, geht dessen Korrelation mit den Renditen der noch nicht publizierten Faktoren zurück, während seine Korrelation zu bereits publizierten Faktoren steigt.


Eine mögliche Interpretation dieses Phänomen ist, dass ein Teil dieser Faktor-Portfolio-Renditen das Ergebnis von Mispricing ist, und diese Fehlbepreisung hat eine gemeinsame Ursache. Das ist der Grund dafür, dass die Renditen von In-Sample-Faktor-Portfolios korreliert sind. Diese Interpreta­tion ist konsistent mit den irrationalen Co-Movement-Modellen, wie sie Lee, Shleifer und Thaler 1991 sowie Barberis und Shleifer 2003 vorgeschlagen haben. Die Publi­kation kann auch mehr Arbitrageure dazu veranlassen, auf den Faktor zu traden, was dazu führt, dass die Faktor-Portfolios eine höhere Korrelation zu bereits publizierten Faktor-Portfolios aufweisen, die ebenso ­Gegenstand des Interesses von Arbitrageuren sind, und weniger korreliert mit noch zu ­publizierenden Faktor-Portfolios sind.


Die Ergebnisse der Arbeit des Autoren­duos McLean und Pontiff stehen im Einklang mit Arbeiten der jüngsten Zeit, die untersuchen, auf welche Art und Weise die Größe des cleveren, reagiblen Kapitals Anomalien bei Renditen beeinflusst. Im Unterschied zu diesen Papers verwenden die Autoren keine Proxies für die Veränderung von Kapital­niveaus. Eher legen die Ergebnisse von ­McLean und Pontiff den Schluss nahe, dass akademische Publikationen Informationen an sophistizierte Investoren wie Hedgefonds übermitteln.


Von neuen wissenschaftlichen Erkenntnissen schienen jedenfalls die researchaffinen Hedgefonds als Arbi­trageure am meisten profitieren zu können. Die großen ETF-Anbieter wie BlackRock und Amundi, die nur auf eine Handvoll wissenschaftlich wirklich gut abgesicherte Faktor-ETFs (Value, Size, Quality, Momentum und Minimum Volatility) setzen und den restlichen oft auf Data-­Mining basierenden Faktor-Zoo außen vor lassen, tun gut daran, an dieser konservativen Vorgangsweise nichts zu ändern. Investoren wiederum sind gehalten, sich zwar über neueste Entwicklungen zu informieren, bei den Investments aber den gleichen konservativen Faktor-Ansatz walten zu lassen.    


Anhang:

twitterlinkedInXING
 Schliessen