Das Fachmagazin für institutionelle Investoren

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

Institutioneller schreibt Mid-/Large-Cap-Mandat aus

Ad

Asset Manager für Mid- & Large-Caps gesucht: Das ausgeschriebene Volumen beträgt zwischen 10 und 25 Millionen Euro. Mehr Informationen zum Mandat erhalten nur registrierte User. Mehr erfahren >>

Anzeige
3/2018 | Theorie & Praxis
twitterlinkedInXING

Stille Post

Verbindungen klassischer Sell-Side-Analysten bei Brokern und Investmentbanken zu Analysten der Buy-Side können unter bestimmten Bedingungen die Qualität der Sell-Side-Analysen erhöhen.

1538039577_adobestock_konstantin_yuganov_42656926.jpg

Die Kommunikation zwischen Sell-Side-Analysten und den Research-Teams der (institutionellen) Kunden stellt einen Wert an sich dar. Im Idealfall kommen die Analysten dabei an zusätzliche Informationen, die auch ihren anderen Kunden zugute kommen.

Konstantin Yuganov | stock.adobe.com, mason schoo

Grundsätzlich gehen wir alle traditionell davon aus, dass die Arbeit der Sell-Side-Analysten die Handlungen der Investoren beeinflusst. Die günstige ­Beurteilung eines Wertpapiers durch die Analyseabteilung einer Bank oder eines Brokerhauses sollte private und institutionelle Investoren wie Versicherer, Pensionskassen und Stiftungen motivieren, dieses zu kaufen. Im – selteneren – umgekehrten Fall wird die Analyse zur Warnung und müsste Verkäufe auslösen. Dabei wird in den Studien allgemein angenommen, dass – und einige Arbeiten zeigen das tatsächlich – der Informationsfluss zwischen Sell- und Buy-Side nur in ­eine Richtung verläuft, nämlich ausgehend von den Research-Produzenten in Richtung der Investoren. Dass das Verhalten der Anleger die ­Arbeit der Analysten beeinflusst, wird in der Regel hingegen nicht unterstellt.

Dabei könnte man sich durchaus die ­Frage stellen, ob dies nicht doch der Fall ist. Genau das haben Gjergji Cici, Philip B. Shane und Yanhua Sunny Yang in einer ­Arbeit getan, die im Oktober des Vorjahres als Research Paper der Universität von Connecticut publiziert wurde. Die Unterstellung, dass der Informationsfluss in diesem Fall nur in eine Richtung verläuft, ist nämlich keineswegs zwingend logisch, schließlich verfügt auch die Buy-Side über Analysten, die ebenfalls Research betreiben. Interessant ist dabei vor allem der Aspekt, ob ein solcher Informationsfluss in die ­Gegenrichtung die Qualität des Outputs der Sell-Side-Analysten verbessert.

Informationsfluss andersrum

Die zu testende Hypothese des Wissenschaftler-Trios lautet: Die Interaktion mit der Buy-Side verschafft den Sell-Side-Analysten Informationen, durch die die Qualität des Sell-Side-Research verbessert wird. Das zu klären ist gar nicht so einfach, denn das Research der Käuferseite ist für andere Marktteilnehmer nicht öffentlich verfügbar. Analysten von Banken und Brokern erhalten aber natürlich sehr wohl auch Einblicke in die Erkenntnisse und Einschätzungen ihrer Kunden. Tatsächlich besteht ihre Dienstleistung keineswegs nur darin, ihre eigene Bewertung eines Emittenten oder Unternehmens zu erstellen. In Erfahrung zu bringen, wie andere Buy-Side-Analysten die Lage einschätzen, und diese Informationen mit institutionellen Klienten zu teilen, ist Teil des Service, das von Sell-Side-Analysten ­erwartet wird.

Brown, Call, Clement und Sharp haben in der 2016 publizierten Arbeit „The Activities of Buy-Side-Analysts and the Determinants of Their Stock Recommendations“ dazu Buy-Side-Analysten befragt. Diese ­gaben dabei an, dass ihr Bedarf an Research von Sell-Side-Analysten primär von folgenden drei Dingen abhängt: Erstens geht es um die Fähigkeit des Analysten, den persönlichen Zugang zu CFOs und anderen sachkundigen leitenden Angestellten jener Firmen herzustellen, deren Aktien einen wichtigen Teil in den Portfolios von Fondsmanagern darstellen. In weiterer Folge geht es um die Qualität des branchenbezogenen Research des Analysten und last but not ­least um Einblicke in die Perspektiven von Buy-Side-Analysten, die für andere institutionelle Investoren arbeiten. Währen die ers­ten beiden Punkte internalisiert werden können, muss der dritte Punkt in jedem Fall outgesourct werden.

Die dabei anfallenden Kontakte mit den Researchabteilungen ihrer Kunden geben den Analysten von Banken und Brokerhäusern wiederholt Gelegenheit, auch von ihren Kunden zu lernen. Die Motivation der Analysten, hier engen Kontakt zu halten, ist in vielen Fällen jedenfalls gegeben. Der Hauptteil ihres Gehalts basiert auf den sogenannten „Broker Votes“, also darauf, wie viele Kunden für sie abstimmen. Ein Sell-Side-Analyst hat bessere Chancen, viele Stimmen zu bekommen, wenn er persön­liche Kontakte zu seinen institutionellen Kunden und potenziellen Klienten pflegt. Diese Kommunikation ermöglicht es den Sell-Side-Analysten, an private Informationen der Buy-Side heranzukommen, und je größer die Anzahl dieser Kontakte ist, umso größer ist naturgemäß die zusätzliche Information, die auf diesem Weg gewonnen werden kann. Als rational agierende ökonomische Agents besitzen Sell-Side-Analysten einen starken Anreiz, private Informationen, die sie durch den regelmäßigen Austausch mit verschiedenen Buy-Side-Analysten erhalten haben, zur ihrem eigenen Vorteil zu verwenden. Da sie auf diese Weise auch an Informationen herankommen, die sie auf anderem Weg möglicherweise nicht erhalten könnten, profitieren im Idealfall aber auch alle Klienten, die in dieses Informa­tionsnetzwerk eingebunden sind, davon.

In dieser Hinsicht spekulierten Groysberg, Healy und Chapman 2008 in „Buy-­Side versus Sell-Side Analysts’ Earnings Forecasts“ (Financial Analysts Journal), Sell-Side-Analysten könnten durch das Feedback zu ihren Ideen, das sie von ihren eigenen institutionellen Kunden erhalten, ­einen Informationsvorsprung entwickeln. Durch die Nutzung der privaten Informationen der Buy-Side und die Verbesserung der Qualität der eigenen Studien und White ­Papers kann ein Sell-Side-Analyst ein vertieftes Verständnis für die Werttreiber der analysierten Unternehmen entwickeln, wo­raus sich dann ein gesteigertes Interesse der institutionellen Kundschaft an seinem ­Research entwickelt – und das schlägt sich dann in höheren Brokerage Votes, Umsätzen und in einer entsprechend besseren ­Bezahlung nieder.

Verbindungsstärke

Die hervorstechendste Komponente im Research eines Sell-Side-Analysten sind die Gewinnschätzungen für die restlichen Quartale des laufenden Geschäftsjahres. Die ­Autoren nutzen diese Gewinnschätzungen stellvertretend für die Qualität eines Research-Reports, deren Genauigkeit ist die abhängige Variable in der multivariaten Regressionsrechnung dieser Studie. Schließlich sind die Gewinnerwartungen die Basis für Kaufempfehlungen und Kursziele von Aktien sowie gut messbar im Verhältnis zu den tatsächlich unternehmensseitig berich­teten Quartalsgewinnen. Wichtig ist eine unabhängige Variable, die die Stärke der Beziehung zwischen Sell-Side-Analysten und institutionellen Investoren misst. Andere Studien fanden heraus, dass folgender Zusammenhang gilt: Je höher der Anteil ­institutioneller Investoren an einer Aktie ist, desto besser werden die Gewinnschätzungen der Sell-Side-Analysten – wohl eine Konsequenz davon, dass es eine erhöhte Nachfrage nach treffsicherem Research gibt. Als Messgröße für die Beziehungsintensität zwischen Sell- und Buy-Side ziehen die Autoren nicht die verwirrende Beziehung zwischen höherer Prognosegenauigkeit und steigender Anzahl Institutioneller am Aktienkapital (Institutional Ownership) heran, sondern sie bemessen die Stärke der Verbindung an der Anzahl von Aktien, die sowohl vom Sell-Side-Analysten verfolgt werden als auch im Portfolio eines institutionellen Investors enthalten sind, gemittelt über alle institutionellen Investoren. Je höher die durchschnittliche Anzahl von Aktien, desto stärker sollte die Verbindung des Sell-Side-Analysten zu institutionellen Investoren und damit deren Buy-Side-Analysten sein. Damit steigt die Wahrscheinlichkeit, dass der Sell-Side-Analyst an private Informationen der Buy-Side-Analysten herankommt. Eine signifikant positive Relation zwischen Genauigkeit und Verbindungsstärke unterstützt die Annahme, dass Sell-Side-Analysten aus ihrer Interaktion mit der Buy-Side lernen und dieser Lernprozess zu einer Qualitätssteigerung im Research führt. Jedenfalls ist diese durchschnittliche Aktienanzahl, die die Sell-Side verfolgt und die sich im institutionellen Portfolio befindet, die unabhängige Schlüsselvariable in der vorliegenden Untersuchung.

Zu viel Kontakt ist schädlich

Tatsächlich stellt sich in der vorliegenden Untersuchung des Autorentrios heraus, dass es einen signifikant positiven Zusammenhang zwischen der Genauigkeit der Gewinnprognosen von Sell-Side-Analysten und der Stärke der Verbindungen zu Buy-Side-Analysten gibt. Sell-Side-Analysten lernen von Buy-Side-Analys­ten und verbessern damit ihre Empfehlungen. Allerdings ist dieser Zusammenhang nicht unbegrenzt nutzbar. Bei einer zu großen Anzahl an Verbindungen zu Buy-Side Analysten lässt die Genauigkeit der Gewinnprognosen wieder nach, und es gibt schwächer werdende Renditen. Dieses Ergebnis liegt auf einer Linie mit Studien, die herausfanden, dass eine verminderte Genauigkeit bei Gewinnschätzungen bei jenen Sell-Side-Analysten auftritt, die eine große Anzahl von Aktien abdecken. Zudem ist es konsis­tent mit Maber, Groysberg und Healy, die 2015 zeigen konnten, dass eine intensive ­Interaktion mit institutionellen Klienten Opportunitätskos­ten mit sich bringt, da der Sell-Side-Analyst durch diese Form der ­Ablenkung nicht mehr genügend Zeit für andere Aspekte seines Sell-Side-Jobs zur Verfügung hat.

137.000 Beobachtungen

Das Sample besteht aus 137.835 Beobachtungen im Zeitraum von 1995 bis 2012 und umfasst 3.980 Unternehmen und 7.615 Analysten. Jede Beobachtung muss im ­Institutional Brokers’ Estimate System (I/B/E/S) eine 12-Monats-Gewinnvorschau zwischen 1995 und 2012 und während der ersten 90 Tage nach der Gewinnmitteilung im Vorjahr aufweisen sowie einen Identifier, mit dessen Hilfe ein Link zur CRSP-Datenbasis hergestellt werden kann. Gibt es mehr als eine Analystenbeobachtung je Firma und Jahr, wird nur die erste betrachtet. Außerdem werden alle Beobachtungen mit einem Wert von null oder jene, die keine institutionellen Aktionäre in der 13F-Datenbasis von Thomson Reuters aufweisen, eliminiert. Dazu kommen zusätzliche Filter in Bezug auf Daten, die benötigt werden, um die für Analysten typischen Kontrollvariablen zu messen – etwa der um eine Periode verschobene Fehler in der Gewinnschätzung. Für jede Beobachtung pro Firma und Jahr wird schließlich verlangt, dass diese von mehr als einem Analysten gecovert wird.

Die Tabelle „Deskriptive Statistik“ zeigt, dass ein Analyst im Durchschnitt 3,825 Branchen-Aktien verfolgt, 4,953 Jahre Erfahrung bei der Schätzung der Gewinne der Aktien, die er abdeckt, besitzt, dabei für ­eine Firma arbeitet, die durchschnittlich 67,109 Analysten beschäftigt, und seine ­Gewinnschätzungen 4,589 Tage nach der Veröffentlichung der Schätzung eines anderen Analys­ten, der das Unternehmen abdeckt, publiziert. Er hat in der Vergangenheit 6,125 Gewinnschätzungen auf Horizont ein Jahr für das beobachtete Unternehmen abgegeben und einen Forecast-Horizont von im Schnitt 310 Tagen bis zum Ende des ­Geschäftsjahres. Dazu kommt, dass die durchschnittliche Anzahl von Verbindungen mit institutionellen Investoren, die jeder Analyst hat, in drei Gruppen (RPI – Re­liance on Public Information: niedrig, mittel und hoch) aufgeteilt wird. Diese stehen stellvertretend für die Möglichkeit des Analysten, nützliche ­Informationen von institutionellen Investoren in Erfahrung zu bringen.

Die beschreibende Aufstellung enthält aber ebenso die Variablen, die in den Modellrechnungen zum Einsatz kommen, sowie einige variable Komponenten. Die Verteilung des absoluten Gewinnschätzfehlers hat einen Median-(Mittel)wert von 0,146 (0,795). Die Variable der Gewinnschätzungsgenauigkeit (Accuracy) liegt zwischen 0 und 1, hier liegen Median- und Mittelwert bei 0,550 respektive 0,528. Skaliert man ­alle unabhängigen Variablen in dieser Art, bleibt der relative Wert der Variablen erhalten, wodurch Vergleiche über Regressionskoeffizienten möglich werden. Die Variable der Verbindungsstärke (Connections) zeigt an, dass der Aktien-Overlap zwischen dem Analysten, der diese Aktien verfolgt, und ­einem institutionellen Investor, der diese in seinen Beständen hat, bei durchschnittlich 6,68 Aktien liegt, während ein Analyst im Schnitt 16,665 Aktien ab­deckt. Dieser relativ hohe Prozentsatz an deckungsgleichen Aktien bei Analysten und Institutionellen, schreiben die Autoren, sei auf die breit aufgestellten und diversifizierten Portfolios institutioneller Anleger zurückzuführen. Im Schnitt (Median) halten 293 (213) professionelle Kunden eine bestimmte Aktie.

Die Tabelle „Korrelationen“ zeigt das Korrelationsverhalten der geschilderten ­Variablen, die für den Test der Hypothesen verwendet werden. Im Einklang mit der ­Literatur ist die relative Kenngröße der Schätzgenauigkeit der künftigen Unternehmensgewinne signifikant positiv mit der Schätzgenauigkeit aus dem Vorjahr sowie der unternehmensspezifischen Erfahrung des Analysten und der Größe des Analys­tenarbeitgebers korreliert. Daneben ist die Schätzgenauigkeit mit der Anzahl von Tagen, die seit der zuletzt stattgefun­denen Gewinnschätzung des Analysten vergangen sind, der Häufigkeit der Schätzungen, der Anzahl der Branchen, die der Analyst abdeckt, und dem Horizont zwischen Forecast und dem bevorstehenden Bekanntgabedatum des Jahresgewinns negativ korreliert. Die Schätzgenauigkeit ist nicht signifikant mit der Verbindungsintensität korreliert. Dies ist konsistent mit einer nichtlinearen Beziehung der beiden, die einen quadratischen Term in multiplen Regressionsanalysen benötigt. Sowohl Verbindungsintensität als auch Schätzgenauigkeit sind signifikant höher nach Einführung des globalen Settlements.

Hypothesentest

Die Hauptidee der Autoren war, dass sich die Schätzgenauigkeit der Gewinnprognose des Analysten mit zunehmender Verbindungsintensität zu institutionellen Investoren, die dieselbe Aktie im Portfolio halten, bis zu einem gewissen Punkt verbessern lässt, ehe sie dann wieder abnimmt. Die ­Ergebnisse, sichtbar gemacht in der Re­gressionskoeffizienten-Tabelle „Genauigkeit der Gewinnprognose und Verbindungsintensität“, zeigt einen signifikant positiven Koeffizienten bei der Variable Verbindungsintensität und einen signifikant negativen Koeffizienten bei der Variable der quadrierten Verbindungsintensität, womit die Hypothese der Autoren ihre Bestätigung findet. Die p-Werte von weniger als 0,01 und die Höhe der Koeffizienten legen nahe, dass sie sowohl statistisch als auch ökonomisch signifikant sind. Die wirtschaftliche Signifikanz wird in der vierten Spalte noch deutlicher sichtbar, wo eine stückweise Schätzung der Verbindungs-Terzile dargestellt wird. Der Koeffizient „Verbindungsintensität im untersten Terzil“ ist mit 9,464 angegeben. Das bedeutet, dass eine Abweichung in Höhe einer Standardabweichung – diese beträgt 0,345; in der Tabelle nicht angeführt – mit einer 3,265-prozentigen Änderung (0,345 × 9,464) der abhängigen Variable „Ge­winnprognosegenauigkeit“ einhergeht. Das repräsentiert 6,2 Prozent der durch­schnitt­lichen Gewinnprognosegenauigkeit (0,03265/0,528).

Der weniger signifikante Koeffizient „Verbindungsintensität im mittleren Terzil“ und der nicht mehr signifikante Koeffizient im obersten Terzil lassen den Schluss zu, dass wenn einmal die durchschnittliche ­Anzahl an Verbindungen eines Analysten zu Institutionellen ein optimales Niveau erreicht hat, es offensichtlich wird, dass weitere Verbindungen zu institutionellen Kunden mit abnehmenden Returns verknüpft sind. Der Koeffizient „Verbindungsintensität im untersten Terzil“ ist signifikant höher als jener im höchsten Terzil mit einem – hier nicht angeführten – p-Wert von weniger als 0,001.

Die Resultate in der Tabelle „Genauigkeit der Gewinnprognose und Verbindungsintensität“ legen den Schluss nahe, dass sich die Prognosegenauigkeit signifikant mit der Anzahl der Unternehmen, die ein Analyst während des Jahres vor dem Datum der Abgabe seiner Gewinnprognose abdeckt, und mit der Prognosegenauigkeit des Vorjahres verbessert. Die Prognosegenauigkeit sinkt signi­fikant mit der Anzahl der Branchen, denen der Analyst folgt, mit der Anzahl von Tagen, die zwischen dem Datum der Gewinnprognose und dem Ende des Geschäftsjahres liegen. Verschiedene statistische Tests können ausschließen, dass dieser beobachteten Verbindung zwischen der Gewinnprognosegenauigkeit als abhängiger Variable und der Verbindungsstärke eine Kausalität in die andere Richtung zugrunde liegt.

Fazit

Die Autoren halten sich zugute, dass ihre vorliegende Arbeit die erste groß angelegte Studie ist, die die Auswirkungen privater Information von Buy-Side-Analysten auf die Qualität öffentlich publizierter Research ­Papers von Sell-Side-Analysten aus Investmentbanken, Brokerhäusern beziehungsweise reinen Research-Häusern untersucht. Sell-Side-Analysten haben genug Anreize, um Buy-Side-Analysten zu beeindrucken, denn diese stimmen über ihren Erfolg ab. Die Buy-Side-Analysten wiederum haben ebenfalls Anreize, die Dienstleistungen jener Sell-Side-Analysten zu beziehen, die einen Mehrwert zu ihren eigenen Buy-Side-Reports für ihre Fondsmanager liefern. Dieser Mehrwert auf der Buy-Side kommt durch die Branchenerfahrung, Verbindungen zum Management der analysierten Unternehmen und Informationen von Sell-Side-Analysten zustande, wobei Letztere wiederum auf ­Informationen von anderen Buy-Side-Analysten zurückgreifen können.    

DR. KURT BECKER


Anhang:

twitterlinkedInXING
 Schliessen