Asset Allocation, Risiko-Overlay und Manager-Selektion: Das Diversifikationsbuch

Dirk Söhnholz | Sascha Rieken | Dieter G. Kaiser Asset Allocation, Risiko-Overlay und Manager-Selektion

Dirk Söhnholz Sascha Rieken Dieter G. Kaiser

Asset Allocation, Risiko-Overlay und Manager-Selektion Das Diversifikationsbuch

Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über abrufbar.

1. Auflage 2010 Alle Rechte vorbehalten © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010 Lektorat: Guido Notthoff Gabler Verlag ist eine Marke von Springer Fachmedien. Springer Fachmedien ist Teil der Fachverlagsgruppe Springer Science+Business Media. www.gabler.de Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften. Umschlaggestaltung: KünkelLopka Medienentwicklung, Heidelberg Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier Printed in Germany ISBN 978-3-8349-2408-7

Geleitworte

5

Geleitworte

Diese Publikation stellt ein exzellentes Referenzwerk über Asset Allocation im MultiManager-Kontext für Praktiker dar. Die Vorbehalte bei der Anwendung moderner Techniken zur Konstruktion von Multi-Asset/Multi-Manager-Portfolios machen dieses Buch zu einem unverzichtbaren Hilfsmittel für Portfolio-Manager, Berater und Investoren. Dr. Noël Amenc Professor für Finanzwirtschaft Edhec Business School, Nizza

Bücher zum Thema Diversifikation von Kapitalanlagen konzentrieren sich üblicherweise auf spezifische Einzelaspekte oder stellen theoretische Konzepte vor, ohne dabei die für die praktische Implementierung relevanten Fragen zu stellen – geschweige denn zu beantworten. Die drei in Beratung und Portfolio-Management erfahrenen Feri-Experten legen hier ein Buch vor, das der Anlagepraxis entspringt und die Bedürfnisse des Kapitalanlegers im Blickpunkt hat. Die für die Praxis wichtigen Fragen, einschließlich der Behandlung alternativer Assets und der Managerselektion, werden durchleuchtet und innovative Konzepte zur Risikosteuerung vorgestellt. Mein Fazit: Das Diversifikationsbuch ist ein Must-Have für Finanzexperten und professionelle Kapitalanleger und erspart zudem so manche hochpreisige Berater-Stunde. Stefan Mittnik, PhD Professor für Finanzökonometrie Ludwig-Maximilians-Universität München

Besitzen klassische Diversifikationskonzepte nach den Erfahrungen der jüngsten Finanzkrise überhaupt noch Gültigkeit? Haben die Investmentansätze von US-Stiftungsvermögen wie Yale und Harvard als Vorbild ausgedient? Muss die Sichtweise auf aktives und passives Management neu überdacht werden und welche Rolle spielen Portfolio-Optimierungen in einer sich strukturell wandelnden Zukunft? – Die Autoren verstehen es, in ihrem „Diversifikationsbuch“ fundierte Antworten auf diese und weitere aktuelle Fragestellungen einer modernen Asset Allocation zu geben und dabei wissenschaftliche Erkenntnisse mit ihrer langjährigen praktischen Erfahrung zu verbinden. Die Umsetzung und Steuerung einer geeigneten Anlageklassen-Diversifikation erfordern (nicht nur) für institutionelle Investoren eine kritische Reflexion bei der Manager- und Fondsselektion. Hierfür liefern die Autoren eine Fülle interes-

6

Geleitworte

santer und hilfreicher Denkanstöße, nicht zuletzt, um gegenüber Beratern und anderen externen Dienstleistern in der Lage zu sein, die „richtigen“ Fragen zu stellen. Dr. Andreas Kretschmer Hauptgeschäftsführer Ärzteversorgung Westfalen-Lippe, Münster

Diversifikation ist und bleibt die wichtigste Methode zur Gestaltung der Risiko- und Ertragseigenschaften eines Anlageportfolios. Die zunehmende Globalisierung der Kapitalmärkte und insbesondere die strukturellen Veränderungen unserer Weltwirtschaftsordnung stellen den Anleger vor große Herausforderungen, wenn es darum geht, seine Ertragsziele unter Berücksichtigung eines begrenzten Risikobudgets zu erreichen. Das Denken über den sogenannten Tellerrand hinaus wird bei der Auswahl möglicher Anlageklassen und der Konzeption eines zukunftsfähigen Anlageprozesses zur Pflicht, der Einsatz quantitativer Verfahren zur Portfolio-Optimierung und im Risikomanagement ist unabdingbar. Das „Diversifikationsbuch“ bietet einen umfassenden Überblick über die verschiedenen Ansätze zur Gestaltung einer modernen Asset Allocation. Es gelingt den drei Autoren auf hervorragende Weise, eine rigorose Analyse der Wirksamkeit von Konzepten zusammenzuführen mit ihrer jahrelangen Erfahrung aus der Anlage- und Beratungspraxis. Der Leser des Buches findet eine Vielzahl interessanter Anknüpfungspunkte, um seine Anlageorganisation durch neue Prozesselemente oder Methoden zu ergänzen und daraus langfristig Mehrwert zu schaffen. Die Lesezeit für das Buch ist gut investiert! Dr. Peter Oertmann Chief Executive Officer Vescore Solutions AG, St. Gallen

Dieses Buch, das von langjährig praxiserfahrenen Experten in Sachen Kapitalanlagekonzepte geschrieben wurde, beleuchtet den Themenbereich Asset Allocation samt Zubehör (ManagerSelektion, Overlay-Steuerung) post 2008/09 neu. Dies ist mutig und wichtig, haben doch einige „moderne“ Kapitalanlagekonzepte in der Krise nicht wie erwartet oder gar nicht funktioniert. Einstige Superstars wie US-Stiftungen mussten 2008/09 vor allem für ein bis dato völlig unterschätztes Risiko, nämlich das Liquiditätsrisiko, mit herben Verlusten bezahlen. Andere Investoren litten darunter, dass sie Diversifikation schon für Risikomanagement gehalten haben. Die Autoren verstehen unter Diversifikation nach der Krise den Veränderungsprozess der theoretischen Anlagekonzepte und Investmentprozesse. Besonders gefällt mir die Darstellung einer modernen, pragmatischen Strukturierung der Kapitalanlagen institutioneller Investoren und daraus abgeleiteter konkreter Entscheidungsverfahren in der Praxis veränderter Märkte. Dieses Buch ist sehr wertvoll für jeden, der sich mit Anlageentscheidungen auseinandersetzt, und regt zum Nachdenken und Reflektieren an. Günther Schiendl Vorstand VBV Pensionskasse AG, Wien

Vorwort

7

Vorwort

Nichts ist so alt, wie die Zeitung von gestern! Dieser Satz trifft seit den denkwürdigen Ereignissen im Herbst des Jahres 2008 auch auf eine große Zahl von Finanzpublikationen zu, die vor diesem Datum erstellt worden sind und deren Ergebnisse und Schlussfolgerungen die Erkenntnisse der Finanzkrise nicht berücksichtigen. Auch manche Theorie, manches Dogma ist seit dieser Zeit überholt. Manche Selbstverständlichkeit hat sich in Luft aufgelöst. Daher ist es an der Zeit, die Erfahrungen aus der Krise und die Ergebnisse überholter Studien neu zu bewerten. Es ist auch Zeit für neues Denken und neue Theorieansätze und damit Zeit für eine neue Generation von Büchern, die diese Veränderungen kompakt, strukturiert sowie praxisnah für den Leser aufbereiten. Normal erscheint der Wunsch institutioneller Investoren, die Situation an den Finanzmärkten nach der tiefen Rezession der Jahre 2008/2009 wieder optimistisch zu sehen. Trotzdem bleibt die Welt unsicher, was auch das Thema Staatsbankrott zeigt. Die Märkte haben es den Investoren 2009 durch signifikante Wertaufholungen in nahezu allen Anlagesegmenten fast zu einfach gemacht, aber nur wenige haben davon wirklich profitieren können. Investoren wünschen, dass diese Ruhe sich als dauerhaft und stabil erweist. Nur: Diese alte Normalität wird es nicht mehr geben! Es hat sich eine neue Normalität herausgebildet, die Industrie wie Investoren vor starke Herausforderungen stellen wird. Viele ahnen den Veränderungsdruck. Was dies aber für die tägliche Kapitalanlagepraxis und die mittel- bis langfristige Asset Allocation bedeutet, ist häufig nur in Ansätzen erkennbar. Nicht nur aufgrund des Marktumfelds, auch vonseiten der Stakeholder, Aufsichtsorgane und der Öffentlichkeit gibt es einen enormen Druck auf Investoren. Es sollen kompetitive Erträge erzielt werden, jedoch bei extrem kontrollierten Risiken. Die Eigenkapitalanforderungen werden immer restriktiver, die Risikobudgets aber immer kleiner. Dieser Spagat der Ansprüche ist mit den alten Konzepten, aber auch mit der Denke der Vergangenheit nicht zu bewältigen. Die neue Normalität wird geprägt sein von Ungewissheit, Volatilität und Krisen, von niedrigen Zinsen und versteckten Risiken. Der einfache Weg der 1990er-Jahre mit kontinuierlich steigenden Kursen ist vorbei. Wir befinden uns im Übergang zu einer neuen Welt, die vor allem vom Risikomanagement und von den individuellen Fähigkeiten der Investoren und Vermögensverwalter geprägt sein wird, kontrollierte Risiken einzugehen und sich multidimensional und mit viel Know-how in der Welt aufzustellen. Viele Asset-Manager brauchen mit ungehedgten Long-only-Konzepten bei institutionellen Investoren nicht mehr vorstellig zu werden. Die passive Welt der Exchange Traded Funds (ETFs) wächst rasant und bietet genügend Beta-Exposure, so dass man

8

Vorwort

für ein wenig mehr Rendite und marginal geringere Risiken kaum noch bereit ist, sein Risikobudget aufs Spiel zu setzen. Jetzt fokussieren sich die Asset-Manager auf die alternativen Ideen wie z. B. den Absolute-Return-Ansatz, der häufig nichts anderes darstellt als eine Modifikation der Strategien aus der Hedgefonds-Welt. In Kombination mit dem Thema MultiAsset und Multi-Strategie ist dies für viele Investoren jedoch die einzige Möglichkeit, nachhaltig ihr Risikobudget einzuhalten. Alle Investoren müssen seit der Finanzmarktkrise eine neue langfristige Strategie für ihre Asset Allocation entwickeln. Für die Versicherungsindustrie sichern die hohen Cash-Bestände nicht die laufenden Verpflichtungen und die niedrigen Zinsen verstärken den Effekt schmerzhaft. Eine mittelfristig drohende Inflation würde die Nettorenditen ins Negative treiben bzw. über steigende Zinsen zu Kursverlusten bei Anleihen führen. Aktien-Investments sind in der „Long-only“-Variante aus Risikoerwägungen heraus für die VAG-Welt nicht mehr einsetzbar und viele Investoren suchen eher nach asymmetrischen Renditeprofilen, denn ihr Risikobudget lässt anderes nicht mehr zu. Für institutionelle Investoren stellt sich aber auch die Frage, was die Schlussfolgerungen aus der Krise sein könnten. In der Versicherungsbranche herrscht die Meinung vor, dass sogenannte konservative Anleger, also die mit einer hohen Quote an festverzinslichen Wertpapieren, richtig gehandelt haben, da hier die Verluste in der Krise am geringsten gewesen sind. Investoren, die das Risikoportfolio stärker genutzt haben, sind in den Augen vieler abgestraft worden. Zweifellos hat die Kernschmelze der Risikoaktiva und alternativer Strategieansätze in der Singularität der Finanzkrise dazu geführt, dass viele der gewünschten Diversifikationseffekte nicht eingetreten sind. Fraglich ist, ob man von einer drohenden Wiederholung dieser Singularität ausgehen muss, oder der Weg der multidimensionalen Diversifikation innerhalb der Risikokapitalquote weiter verfolgt werden sollte. Die Antwort kann nicht generell, ohne Verständnis der unterschiedlichen Restriktionen der institutionellen Investoren, gegeben werden. Es wäre aber fatal, wenn die Krise dazu führen würde, dass führende Investoren – stärker, als es ohnehin schon der Fall ist – nur noch als Halter festverzinslicher Titel auftreten würden. Den ständigen Marktzinsschwankungen ausgesetzt, können sie vielfach nur reagieren und kämpfen mit enormem Einsatz um einzelne Basispunkte an Outperformance. Was für eine Verschwendung von menschlicher Finanzkompetenz! Wenn nach Inflation, Kosten und Steuern für die Endinvestoren nur noch ein Kapitalerhalt erwirtschaftet wird, macht sich die auf Versicherungsprodukten aufbauende Altersvorsorge langfristig selbst überflüssig. Daher bleibt es notwendig, die Risikokapitalquoten zu nutzen, um ein Gegengewicht zu den festverzinslichen Anlagen zu schaffen, langfristig Reserven aufzubauen und Marktchancen mit allen heute verfügbaren Investment-Strategien zu nutzen. Was könnte an die Stelle der aktuellen Asset-Allocation treten? Eines hat die Krise gezeigt: Marktrisiken (Beta) korrelieren im Falle von Krisen und liefern keine Diversifikation mehr (Korrelationsrisiko). Es kommt daher darauf an, den Fokus von einem in der Vergangenheit dominierenden Long-only- bzw. Buy-and-Hold-Ansatz abzuwenden und flexiblere Ansätze in der Asset Allocation zu verfolgen. Diese finden sich vielfach im Bereich der Alternative Investments und insbesondere in der Werkzeugkiste der Hedgefonds- und Absolute-Return-

Vorwort

9

Manager: Leerverkäufe, variables Management des Investitionsgrades, Fremdkapitaleinsatz und -abbau, Nutzung von Derivaten, Investments in unterschiedliche Anlageklassen und Risikoprämien, Alpha-Generierung und das aktive Risikomanagement des Beta-Exposures sind die Zukunftsthemen. Investoren werden zukünftig vermehrt Ertragsziele und Risikobudgets vorgeben. Wenn eine Kapitalanlagegesellschaft neben aktiven Long-only- auch Long-Short-Strategien, marktneutrale Produkte und andere asymmetrische Risikoprofile anbieten kann, wird die bisherige Unterscheidung zwischen „traditionellen“ und „alternativen“ Investments endlich aufgehoben. Die Fondsmanager müssen jetzt ihren Mehrwert bzw. die Mehrkosten über aktives Management erzielen. Das wird nur noch möglich, wenn sie sich von ihren Benchmarks lösen, über aktives Risiko- und Exposure-Management und das Hebeln ihrer Alpha-Potenziale. Denn die Möglichkeiten, asymmetrische Renditeprofile in traditionellen Anlageklassen zu erzielen, werden nur mit dem Werkzeugkasten der Hedgefonds-Manager zu erzielen sein. Auch in Deutschland bereiten sich führende Investmenthäuser auf die Themen Long-Short-Equity und Equity-Market-Neutral vor oder haben entsprechende Produkte bereits in ihrem Sortiment. Die Hedgefonds-Strategien werden sich in Zukunft gedanklich und inhaltlich unter den Anlageklassen sammeln und den Investoren nicht als eigenständige Asset-Klasse, sondern als Zugangsweg zu bestimmten Risikoprämien dienen. Diese neuen Strategien werden zum Lösungsansatz für asymmetrische Renditeprofile werden und die einzige Rettung traditioneller Asset-Manager vor der Marktverdrängung durch die ETFs sein. Absolute Return ist ein Begriff, der in den letzten Monaten eine Renaissance in den Köpfen von institutionellen Investoren erlebt hat. Absolute Return ist aber auch der Begriff, der in Deutschland in den Jahren nach 2001 von einigen Anbietern mit falschen Produkten verbrannt wurde, da „Relative Return“ als „Absolute Return“ verkauft wurde und viele Produkte floppten. Letzteres hat sich in den Köpfen vieler Investoren verankert. Die Unternehmen, die traditionell aufgrund ihrer Freiheitsgrade absolute Renditen erzielen können, also die Hedgefonds-Manager, haben sich hier die Butter vom Brot nehmen lassen. Vorurteilsbeladene Hedgefonds-Strategien waren immer schlechter zu verkaufen als Absolute-Return-Strategien. Sei es, wie es ist. Die Welt hat sich nach dem Jahr 2008 radikal verändert. Für Investoren ohne oder mit nur geringem Risikobudget wird Absolute Return der einzige Weg zu mehr risikokontrollierter Rendite sein. Daher muss der Blickwinkel sich erneut auf eine Kapitalanlage richten, die dem Absolute-Return-Gedanken folgt und sukzessive dazu beiträgt, die Reserven wieder aufzubauen. Was aber Absolute Return bedeutet, ist unterschiedlich belegt. Das Ziel, stets positive Renditen zu erzielen, ist nicht zu erreichen. Vielmehr verbindet sich damit der Anspruch, mit jeder Kapitalanlage ein asymmetrisches RisikoRendite-Profil unter Vermeidung von Extremrisiken zu erzielen und in der Kombination von unterschiedlich korrelierenden Kapitalanlagestrategien über alle Anlageklassen hinweg die

10

Vorwort

Wahrscheinlichkeit zu minimieren, dass das Portfolio Verluste erleidet bzw. das individuelle Risikobudget des Investors aufgebraucht wird. Das vorliegende Buch stellt neue Investmentansätze vor, die die Investmentpraxis um zahlreiche interessante Facetten bereichern. Die Naive Strategische Asset Allocation (NaSAA), der von den Autoren propagierte Ansatz, ist sowohl prognose- als auch benchmarkfrei. Das bedeutet, dass die Asset Allocation nicht von konkreten Prognosen (traditionelle Ansätze verwenden Prognosen vor allem für Assetklassenrenditen, -volatilitäten und Korrelationen, die auf Fortschreibungen der Vergangenheit und/oder anderen Annahmen beruhen) auskommt und sich auch nicht an Benchmarks oder Peergroups orientiert. Prognoseorientierte Ansätze sind allerdings nicht immer klar von Peergroup-orientierten Ansätzen zu trennen. Andernfalls wäre es kaum zu erklären, warum Asset-Liability-Matching Modelle für vergleichbare Investoren teilweise zu sehr unterschiedlichen Asset Allocation Empfehlungen kommen, wie das z.B. bei Versorgungswerken in angelsächsischen versus kontinentaleuropischen Ländern der Fall sein kann – selbst wenn sie vom gleichen Consultant beraten werden. Der NaSAAAnsatz kann außerdem als Maxi-Asset-Konzept (in Abgrenzung zu sogenannten Multi-Asset Ansätzen, die aber oft nur wenige Assetklassen umfassen) mit möglichst annahmefreier breiter und robuster Diversifikation bezeichnet werden. Ausgehend von dem im Buch vorgestellten Zero-based Tactical Asset Allocation (ZebTAA) Ansatz wird angenommen, dass diskretionäre Asset-Allocation-Verbesserungen nur selten dauerhaft erfolgreich sind. Andererseits wird mit dem regelbasierten prognosefreien MultiAsset Risiko-Overlay Concept (MAROC) herausgearbeitet, dass Risikobegrenzungen (der Strategischen Asset Allocation, SAA) mit einem solchen Ansatz durchaus erfolgreich sein können. Zusätzlich wird von den Autoren ein Absolute-Return Overlay-Konzept eingeführt, welches vor allem für aufsichtsrechtlich beschränkte Investoren attraktiv sein kann, denn andere Investoren können grundsätzlich direkt in die dem Absolute-Return-Overlay zugrundeliegenden Wertpapiere investieren. Daher kann die SAA ohne Overlay nach Ansicht der Autoren nicht zum besten Anlageerfolg führen. Auch das steht im Gegensatz zu den vorherrschenden prognoseorientierten oder diskretionären Ansätzen der taktischen Asset Allocation (TAA). Die Investmentstrategieselektion innerhalb der einzelnen Anlageklassen wird nicht separat von der Assetklassen-Diversifikation untersucht, da zwischen Investment-Strategien und Anlageklassen nicht grundsätzlich unterschieden wird. So nehmen die Autoren an, dass eigenständig attraktive Strategien (attraktiv kann auch Short sein), sofern sie genügend attraktive Investmentmöglichkeiten bieten, gleichmässig (naiv) im Portfolio vertreten sein sollten. Das heißt, das auch hier ein prognose- und benchmarkfreier Ansatz verfolgt wird, anders als viele andere Ansätze, die Investment-Strategien benchmarknah allokieren. Bei der Manager- bzw. Fondsselektion verfolgen die Autoren einen systematischen Ansatz mit einer prognosefreien quantitativen Vorselektion und strukturierter qualitativer Analyse. Auch hier treffen sie, ähnlich wie bei der SAA, Annahmen über die künftigen möglich Attraktivität von Managern bzw. Fonds, im Sinne der Frage: Erwartet der Investor mit hoher Konfidenz, dass künftig eine gute Performance erreicht werden kann? Um die vergangene

Vorwort

11

Performance beurteilen zu können, werden Markt- bzw. Peergruppen-Benchmarks benötigt. Die künftige erwartete Rendite muss allerdings nicht prognostiziert werden und auch Manager ohne direkt relevante Kurshistorie können nach Meinung der Autoren durchaus ins Portfolio aufgenommen werden, zum Beispiel, wenn sie innovative und dadurch im Gesamtportfoliokontext diversifizierende Investment-Strategien verfolgen. Andere Ansätze sind rein quantitativ oder mit einer Orientierung an Star-Managern stark qualitativ geprägt oder verfolgen sogenannte passive Benchmark-Investmentansätze, die die Autoren in nur wenigen liquiden und effizienten Märkten für erfolgreich umsetzbar halten. Die aktuelle Entwicklung an den Kapitalmärkten wird in ein neues Investment-Paradigma münden, an dessen Ende ein auf Basis individueller Risikoanforderungen der Investoren stehendes Portfolio steht. Dieses Portfolio sollte sowohl die Diversifikation zwischen Assetklassen als auch zwischen Strategien (Multi-Asset-/Multi-Strategie-Mix) effizient nutzen. Die Zeiten sind so günstig wie nie, einen neuen Investment-Prozess anzustoßen, denn die Marktverwerfungen waren zu tief, als dass man sie ignorieren könnte. Trotz mancher Komplexität bieten die in diesem Buch dargestellten neuen Ansätze hohe Renditepotenziale und Chancen, die Risiken zu diversifizieren und individuell einzustellen. Den Autoren dieses Buches ist es zu verdanken, dass Sie neue Ideen entwickelt und in kompakter und leicht lesbarer Form zusammen getragen haben und Investoren und allen an Finanzthemen interessierten Lesern einen hervorragenden Einstieg in die Zukunft des Asset-Managements bieten. Der institutionelle Investor von heute – und vor allem von morgen – muss den Blick über den Tellerrand heben und sich ansehen, welche Anlageklassen, Risikoprämien und Opportunitäten, sei es Alpha oder Beta, am Markt existieren. Er muss neue Wege beschreiten und innovativ sein. Er sollte dabei nicht blind jeder Mode vertrauen, aber dennoch versuchen sich frei zu machen von gängigen Sichtweisen, Vorurteilen und Einschätzungen, die in der Vergangenheit nicht zum Ziel geführt haben. Möge auch dieses Buch sie dabei begleiten!

Michael Busack Geschäftsführer, Absolut Research GmbH Herausgeber des Absolut Report

Hamburg, im Juni 2010

Inhaltsverzeichnis

13

Inhaltsverzeichnis

Geleitworte .................................................................................................................................5 Vorwort.......................................................................................................................................7

1. Einleitung ...........................................................................................................................15 2. Grundlagen .........................................................................................................................23 2.1 Diversifikation.............................................................................................................23 2.2 Asset Allocation ..........................................................................................................35 2.3 Rebalancing.................................................................................................................41 2.4 Bedeutung der Asset Allocation für den Portfolio-Erfolg...........................................46 2.5 Liquidität .....................................................................................................................50 2.6 Alternative Anlagestrategien.......................................................................................53 2.6.1 Überblick ..........................................................................................................53 2.6.2 Investierbare Hedgefonds-Indizes....................................................................67 2.6.3 Replikation von Hedgefonds-Renditen ............................................................70 3. Portfolio-Optimierung........................................................................................................73 3.1 Portfolio-Optimierung nach Markowitz......................................................................73 3.2 Zwei-Fonds-Theorem und Capital Asset Pricing Model ............................................78 3.3 Portfolio-Optimierung mit dem Conditional Value-at-Risk........................................87 3.4 Erweiterungen .............................................................................................................89 3.5 Umsetzbarkeit traditioneller Optimierungsverfahren .................................................96 3.6 Illiquide Asset-Klassen und Drei-Fonds-Theorem .....................................................97 4. Moderne Asset Allocation-Ansätze....................................................................................99 4.1 Naive Asset Allocation (NaSAA) .............................................................................101 4.2 Zero-based Tactical Asset Allocation (ZebTAA) ...................................................... 111 4.3 Vergleich systematischer und diskretionärer Ansätze ...............................................117

14

Inhaltsverzeichnis

5. Manager-Selektion........................................................................................................... 121 5.1 Quantitative Manager-Selektion............................................................................... 121 5.1.1 Performancemaße .......................................................................................... 121 5.1.2 Risikomaße .................................................................................................... 127 5.1.3 Quantitative Analysemethoden...................................................................... 132 5.2 Qualitative Manager-Selektion................................................................................. 137 5.3 Empirische Erkenntnisse und konzeptionelle Ansätze ............................................. 140 6. Overlay-Strategien ........................................................................................................... 155 6.1 Risiko-Overlay für traditionelle Anlageklassen ....................................................... 157 6.2 Multi-Asset-Risiko-Overlay-Concept (MAROC) .................................................... 165 6.3 Absolute-Return-Overlays........................................................................................ 177 6.3.1 Ertragskomponenten ...................................................................................... 177 6.3.2 Implementierungsbeispiel.............................................................................. 183 7. Ideal-Portfolio und Implementierungsrestriktionen ........................................................ 187 8. Zusammenfassung ........................................................................................................... 195

Abbildungsverzeichnis .......................................................................................................... 199 Tabellenverzeichnis ............................................................................................................... 203 Literaturverzeichnis ............................................................................................................... 205 Die Autoren............................................................................................................................ 217 Stichwortverzeichnis.............................................................................................................. 219

Einleitung

1.

15

Einleitung

Praktisch alle Investoren, die signifikant in andere Anlagekategorien als Staatsanleihen investiert waren, haben in 2008 erhebliche Verluste mit ihren Kapitalanlagen erlitten. Nach der New-Economy- bzw. Aktienmarktkrise vom Anfang des Jahrtausends und mehreren anderen größeren Krisen fragen sich Investoren nun besonders intensiv, wie sie einerseits den Wert ihrer Kapitalanlagen nachhaltig erhalten und andererseits genügend Rendite erzielen können, um ihre Pläne – besonders in Bezug auf kurzfristige Auszahlungen und andere Verpflichtungen – erfüllen zu können. Das gilt besonders auch deshalb, weil künftig weitere, ggf. sogar häufigere und heftigere Finanzmarktkrisen erwartet werden.1 Der klassische Rat zur Risikobegrenzung in der Vergangenheit lautete Diversifikation der Kapitalanlagen. Die konzeptionelle Basis dazu lieferten vor allem die Arbeiten von Harry Markowitz (1952) und die vielen darauf basierenden Ansätze. Einige Investment-Grundthesen vieler Investoren, z.B. dass Anlageklassen-Diversifikation immer gut ist, um Risiken zu reduzieren und man mit guten Modellen auf Basis von Vergangenheitsdaten fast alles erklären und prognostizieren kann, sind jedoch erschüttert worden. Bedeutet die Erfahrung von 2008 aber wirklich, dass Diversifikation ein Konzept der Vergangenheit ist, wie das viele Praktiker und auch einige Theoretiker behaupten?2 Heute gibt es eine anerkanntermaßen zunehmende Komplexität und Interdependenz der Anlagemärkte.3 Brauchen Investoren deshalb eine komplett neue Anlagephilosophie?4 Seit der Finanzkrise gibt es eine zunehmende Zahl von Marktteilnehmern, die propagieren, es solle nur in die Anlagekategorien bzw. Produkte investiert werden, die man selbst vollständig verstehen würde. Das hört sich sehr plausibel an und wird daher selten kritisch hinterfragt. Aber kann davon ausgegangen werden, dass selbst die Entwicklung von StandardAnlageklassen, wie z.B. deutschen Large-Cap-Aktien, repräsentiert durch den DAX, wirklich verstanden wird? Wie ist es dann zu erklären, dass dieser Index von 30 deutschen Standardwerten durch die Volkswagen-Aktie mit immensen Preisveränderungen in 2008/2009 so stark beeinflusst wurde und viele Investoren negativ getroffen hat? Wo bliebe außerdem die Innovation und das Ausnutzen ineffizienter Märkte, welche z.B. die Stiftung der US-Universität Yale gut demonstriert hat, wenn man sich nicht trauen würde, auch in innovative InvestmentStrategien zu investieren? Gerade Investoren in Kontinentaleuropa sind ohnehin schon stark durch strikte Regulatoren und oftmals mangelnde Beraterkenntnisse in ihrer Diversifikation beeinträchtigt. Das bedeutet nicht, dass Investoren das Risiko für sie neuer Anlageformen nicht möglichst gut verstehen sollten. Aber es kann von keinem Investor erwartet werden, alle sinnvollen Anlagemöglichkeiten bis ins kleinste Detail zu verstehen. Investoren sollten aller1 2 3 4

Vgl. Kaiser, H. (2009), S. 12. Vgl. Hewitt Associates LLC (2009), S. 3 und Aehling (2009), S. 34 im Gegensatz zu Kaiser, H. (2009), S. 13. Vgl. Waitzer (2009), S. 4 und Lo (2009a), S. 57. Vgl. Krämer (2009), S. 3.

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4_1, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

16

Einleitung

dings in der Lage sein und sogar dazu verpflichtet werden, bei mangelndem Eigenverständnis erfahrene Berater hinzuzuziehen. Hier wird angenommen, dass Asset Allocation und Overlays sowie die Manager- bzw. Fondsselektion die wichtigsten Themen für Investoren sind. Es wird die These vertreten, dass sich Direkt-Investments, gerade wenn Investoren in sehr vielen unterschiedlichen Märkten investiert sein wollen, meist nicht anbieten. Der Fokus dieses Buches liegt daher nicht auf dem Thema Direkt-Investition bzw. Titelselektion. Das Buch nutzt die sich aus der Finanzkrise ergebende Chance, ehemals unumstößliche „Wahrheiten“ im Kontext der Asset Allocation in Frage zu stellen, um die Kernfrage der richtigen bzw. besten Asset Allocation noch einmal von Anfang an zu entwickeln. Das Ziel dieses Buches ist es, Denkanstöße zu liefern, die Investoren dazu in die Lage versetzen sollen, ihre bisherige unzureichende Anlageklassen-Diversifikation in Richtung einer Investment-Strategie-Diversifikation auszubauen.5 Dabei halten wir uns bei der Verwendung des Wortes „Anlageklasse“ nicht immer stringent an die akademische Definition, sondern verstehen hierunter auch teilweise Anlagesegmente, Anlagekategorien oder Investitions- bzw. Investment-Strategien. Zu Beginn des Buches wird auf die Auswirkungen der Finanzkrise auf einzelne Asset-Klassen und Diversifikation im Allgemeinen eingegangen. Nach der Begriffsabgrenzung diverser Asset Allocation-Konzepte wird im Zusammenhang mit der zeitlichen Dimension das Thema Rebalancing analysiert, welches gerade in Bezug auf die Strategische Asset Allocation oft vernachlässigt wird. Die These, dass Diversifikation überholt ist, wird am Beispiel von in der Vergangenheit besonders erfolgreichen und bekannten „Diversifizierern“, nämlich der US-Universitätsstiftungen von Yale und Harvard, diskutiert.6 Dabei zeigt sich, dass eine unvoreingenommene Analyse zu dem Schluss kommt, dass Diversifikation durchaus weiterhin sehr attraktiv sein kann. Neben Rendite und (Verlust-)Risiko wird auf ein in der Diskussion der Finanzkrise dominantes Ziel eingegangen, nämlich das Liquiditätsziel. Dazu wird auf das sogenannte Magische Dreieck der Kapitalanlage verwiesen. Im Zusammenhang mit der Finanzkrise wird oft postuliert, man solle nur in komplett liquide Anlagen investieren. Das würde jedoch die Möglichkeiten der Diversifikation eines Portfolios signifikant einschränken. Auf die Frage, welche Ziele sich Investoren konkret im Einzelfall setzen sollten, kann hier allerdings kaum eingegangen werden, da dies unserer Auffassung nach nur sehr individuell zu beantworten ist. Am Ende des Grundlagenkapitels werden wichtige sogenannte alternative (oft nicht voll liquide) Asset-Klassen kurz vorgestellt. Dabei wird neben Private Equity, Immobilien, Infrastruktur und Rohstoffen auch auf Managed Futures und Hedgefonds eingegangen, obwohl die beiden letzteren eigentlich Investment-Strategien bzw. Anlagevehikel sind, oft aber als eigenständige Anlageklassen bezeichnet werden. Die AssetKlassen-Diskussion wird außerdem um das Konzept der sogenannten alternativen Betas bzw. innovativen Investment-Strategien erweitert. Im Kapitel Portfolio-Optimierung wird zunächst der klassische sogenannte MarkowitzAnsatz kurz aufgezeigt. Da dieser auf zahlreichen unrealistischen Annahmen basiert, wird danach auf die inzwischen recht weit verbreitete Portfolio-Optimierung mit dem Conditional

5 6

Vgl. z.B. Hilpold/Kaiser (2010). Vgl. z.B. Swensen (2000) sowie Fraser-Sampson (2006).

Einleitung

17

Value-at-Risk (CVaR) eingegangen. Aber auch dieser Ansatz ist verbesserungsfähig, was anhand eines erweiterten CVaR-Ansatzes gezeigt wird. Im Anschluss an dieses Verfahren wird mit der Naiven Strategischen Asset Allocation7 (NaSAA) die mathematische Optimierung für die Strategische Asset Allocation an sich in Frage gestellt. Mit der sogenannten Zero-based Tactical Asset Allocation (ZebTAA) wird auch für die Taktische Asset Allocation aufgezeigt, dass die Konfidenz in die Treffsicherheit von Asset Allocation Entscheidungen sehr hoch sein muss, um attraktive Ergebnisse erzielen zu können. Die Frage, ob grundsätzlich systematische oder diskretionäre Asset Allocation-Modelle vorzuziehen sind, wird anhand eines Vergleichs von Managed Futures- und Global Macro-Fonds thematisiert. Im Kapitel Manager-Selektion wird zunächst auf die verschiedenen zur Verfügung stehenden Performance- und Risikomaße, aber auch die sogenannte Peergroup-Definition für quantitative Selektionen eingegangen. Danach werden die Grundzüge der qualitativen ManagerSelektion bzw. Due Diligence aufgeführt. Im Anschluss wird die Performance von aktiven (Long-Only) Managern in Relation zu Vergleichsindizes unter Einbezug aktueller Daten von 2008 und 2009 untersucht und in diesem Zusammenhang die Frage nach der Rolle von aktivem versus passivem Management gestellt. Zu den wesentlichen Portfolio-Management-Instrumenten gehört auch das Risiko-Management. Hier liegt der Fokus auf regulatorischen bzw. vom Investor selbst vorgenommenen Anlagebeschränkungen sowie auf Risiko-Overlays. Dagegen wird auf Risiko-Management im Sinne von Monitoring und Controlling bzw. auf das operative Risiko-Management, z.B. mit Hilfe von sogenannten Balanced-Scorecards, nicht eingegangen. Nach der Vorstellung eines Risiko-Overlay-Ansatzes für traditionelle Anlagen, der sich in der Finanzkrise gut bewährt hat, wird auch auf ein mögliches Risiko-Overlay für (semiliquide) Hedgefonds (sogenannter Hedge Hedge) eingegangen, welches zu einem Multi-Asset Risiko-Overlay Concept (MAROC) weiterentwickelt wird. Im Rahmen der Overlay-Konzepte wird zudem ein Rendite-Overlay vorgestellt, welches ebenfalls auf Hedgefonds (bzw. Absolute ReturnFonds) aufbaut. Am Ende des Buches wird ein konzeptionelles Muster-Portfolio für einen idealtypischen (institutionellen) Investor skizziert, der restriktionslos, ähnlich wie die US-Universitätsstiftungen, investieren kann. Da es Ideal-Investoren und restriktionslose Umgebungen nicht gibt, sollte klar sein, dass gute Investment-Berater weiterhin sehr wichtig sein werden. Investoren soll es mit Hilfe dieses Buches aber zumindest ermöglicht werden, die richtigen Fragen zu stellen, um Vorschläge von Beratern und Produktanbietern kritisch beurteilen zu können. Die praktische Umsetzung der klassischen Portfolio-Optimierungs- bzw. Asset AllocationKonzepte bringt in der Praxis viele Probleme mit sich.8 Aus Investorensicht ergeben sich unseres Erachtens vor allem folgende Kernfragen:

7 8

Vgl. Söhnholz/Burkert (2008). Vgl. Dreu/Bikker (2009), S. 2.

18

Einleitung

„ Welche wesentlichen Investment-Ziele werden verfolgt? „ In welchem Zusammenhang stehen Rendite, Risiko und Liquidität? „ Wie werden Zielrendite, -risiko und -liquidität gemessen und von dem Investor bestimmt bzw. für die Anlagemöglichkeiten prognostiziert? „ Inwieweit bestimmen Verpflichtungen, Zeithorizonte bzw. Risikotoleranz die Asset Allocation, und wie können Verbindlichkeiten bzw. Risikotoleranz verlässlich bestimmt werden? „ Welcher Art sind die Renditeziele: absolut oder relativ (zu einer Benchmark)? Gibt es ggf. Überschneidungen von Zielen oder Zielkonflikte? „ Welche Arten von Annahmen bzw. Prognosen sind nötig und wie robust bzw. stabil (Konfidenz?) oder variabel sind diese? „ Welche Anlageklassen sollen in dem Portfolio vertreten sein? „ Sollen Investitionen nur in liquide Anlagesegmente (bzw. Instrumente) erfolgen oder auch in illiquide? „ Wie sollen die Anlageklassen gewichtet werden? Wann und wie wird die Gewichtung verändert? „ Soll die langfristig orientierte Strategische Asset Allocation (SAA) Grenzen für die kurzfristige Taktische Asset Allocation (TAA) vorgeben? Falls ja, soll die TAA die Grenzen der langfristigen Strategischen Asset Allocation immer, also ausnahmslos, einhalten? „ Soll passiv oder aktiv verwaltet in die jeweiligen Märkte investiert werden? „ Sollen nur Beta-Manager mit Tracking-Error-Vorgaben oder auch Alpha-Manager und Absolute Return-Ansätze berücksichtigt werden? „ Sollen eher systematisch bzw. quantitativ oder eher diskretionär orientierte Fonds bevorzugt werden? „ Soll Long-Only oder mit Hebel bzw. der Möglichkeit des Leerverkaufs in die Märkte investiert werden? „ Soll direkt oder indirekt (über Derivate, strukturierte Produkte, Dachfonds etc.) in die Märkte investiert werden? „ Mit wie vielen und welchen Managern/Fonds/Instrumenten soll die Asset Allocation umgesetzt werden? „ Sollen renditeorientierte und/oder risikoorientierte Overlays eingesetzt werden? „ Ersetzen bzw. konterkarieren Overlays unter Umständen die Asset Allocation oder die Manager-Selektions-Entscheidungen? „ Wie wirken sich regulatorisch-rechtliche bzw. steuerliche Anlagebeschränkungen aus?

Einleitung

19

„ Was soll intern selbst und was soll durch externe Experten verwaltet oder gesteuert werden? „ Soll in unterschiedlichen Marktumfeldern/Regimes unterschiedlich gehandelt werden? „ Wie können Regime differenziert und Regimewechsel identifiziert werden? Während es zahllose Publikationen zu einzelnen dieser Fragen gibt, sind die teilweise signifikanten Wechselwirkungen der diversen Themen unseres Erachtens bisher zu wenig beachtet worden. So wird in jüngster Zeit isoliert über Diversifikation und auch über Wertsicherungskonzepte diskutiert, aber ihre Wechselwirkung selten analysiert. Auch einzelne Konzepte selbst werden manchmal zu undifferenziert behandelt. So werden bei der Strategischen Asset Allocation traditionelle Modelle selten in Frage gestellt. Diesen traditionellen Modellen wird hier die sogenannte Naive Strategische Asset Allocation (NaSAA) zur Seite gestellt, die bei genauerer Betrachtung weniger naiv ist, sondern zu sehr guten Resultaten führen kann. Außerdem werden TAA und Overlays differenziert und Risiko-Overlays bewusst von renditeorienterten Overlays (wie zum Beispiel dem im Rahmen dieses Buches vorgestellten ZebTAA-Konzepts bzw. sogenannten Best-of-Two- oder Best-of-N-Modellen) getrennt. In diesem Zusammenhang wird ein neuer Ansatz von Risiko-Overlay vorgestellt, der anders als die meisten anderen Overlay-Konzepte (wie z.B. CPPI), auf einer sogenannten AssetKlassen-Budgettrennung beruht. Dieser erweitert zudem das Overlay-Konzept auf praktisch alle Anlagesegmente (Multi-Asset Risiko-Overlay Concept (MAROC)). Eine mögliche Anwendung wird mit dem sogenannten Hedge Hedge-Konzept aufgezeigt, einem RisikoOverlay für Hedgefonds-Portfolios.9 Mit einem solchen Risiko-Overlay-Ansatz können wesentliche Nachteile illiquider Anlagen abgemildert werden und somit weniger liquide Assets in der Allokation stärker berücksichtigt werden als normalerweise üblich. Die Bedeutung von Illiquidität wird auch mit der Hinterfragung des bekannten Zwei-Fonds-Theorems sowie bei dessen Überarbeitung zu einem Drei-Fonds-Theorem auf Basis des Magischen Dreiecks der Kapitalanlage hervorgehoben. Einen Überblick über die wesentlichen hier erwähnten Instrumente und ihre groben Zusammenhänge gibt Abbildung 1.1.

9

Vgl. Söhnholz/Rieken (2009) und Hartmann/Kaiser (2010).

20

Einleitung

Märkte

Portfolio Strategische Asset Allocation (SAA)

Managerselektion + Direktinvestments

Taktische Asset Allocation (TAA)

Risikomanagement

Overlay

Abbildung 1.1: Das Konzept im Überblick Quelle: Eigene Darstellung Die wissenschaftstheoretische Basis für dieses Buch bildet der kritische Rationalismus von Karl Popper. Dieser besagt vereinfacht zusammengefasst, dass eine Theorie nicht positiv bestätigt werden kann, denn mit der Theorie konforme Fälle können diese nicht bestätigen, sondern dienen nur ihrer Illustration. Andererseits kann eine Theorie durch konträre Einzelfälle (wie den vielzitierten schwarzen Schwan10) nicht formal widerlegt werden; dazu ist zunächst eine alternative Theorie notwendig, die die Beobachtungen besser erklärt. Nach Poppers Ansicht soll fortlaufend nach besseren Theorien gesucht werden, und darum bemühen wir uns hier, weil auch die besten bekannten Theorien Anomalien aufweisen.11 Konzeptionell sind wir dabei skeptisch in Bezug auf wesentliche Annahmen der traditionellen Wirtschaftswissenschaft, besonders wenn diese auch noch stark vereinfacht werden12, aber auch, wenn Modelle überoptimiert werden – was zu schlechten Prognosen und unrealistischen Ergebnissen führen kann.13

10

11 12

13

Der schwarze Schwan wird im Buch von Taleb (2007) als Synonym für ein vollkommen unerwartetes Ereignis mit geringer Eintrittswahrscheinlichkeit, aber gleichzeitig extrem negativer Wirkung verwendet. Das Risiko-Management ist auf so ein Black-Swan-Ereignis oft nicht vorbereitet. Vgl. Albert (1991). Amenc et al. (2009b) verweisen darauf, dass die meisten Asset Allocation-Modelle für Privatkunden auf einperiodigen Mean-Variance Optimierungen beruhen, konstante Optimierungsparameter verwenden und Verpflichtungen überhaupt nicht berücksichtigen; vgl. auch Investor Analytics/BNY Mellon (2009), S. 2. Vgl. Stern (2009): „Alle unsere Probleme beruhen darauf, dass wir die falschen Dinge richtiger machen“. Nachtweh (2009) verweist auf eine RBS Capital Markets und Economist Intelligence Unit Umfrage: „Mehr als die Hälfte der befragten (Hedgefonds-) Manager stellt die Hypothese effizienter Märkte, die moderne Portfolio-Theorie in Frage“.

Einleitung

21

Wir orientieren uns konzeptionell am Behavioural-Finance-Denken bzw. dem, was man unter Komplexitätswirtschaftswissenschaft bezeichnet.14 Dies beinhaltet die Annahme, dass Abweichungen von fundamentalen Marktpreisen bzw. effizienten Märkten sich unter anderem durch unvollständige Informationen, fehlerhafte Entscheidungen und Lernprozesse und damit auch Arbitrage- bzw. Spekulationsmöglichkeiten ergeben,15 was signifikante Auswirkungen haben kann. Trendfolgemodelle können helfen, solche Abweichungen vom „rationalen Verhalten“ zu identifizieren.16 Dabei geht es nicht um möglichst schön aussehende sogenannte Chart-Technik, sondern um verhaltenswissenschaftliche bzw. Behavioural Finance basierte Ansätze. Allerdings existieren noch keine modernen Kapitalmarktmodelle, die auf erweiterten verhaltenswissenschaftlichen Annahmen basieren, breit akzeptiert sind und erfolgreich getestet wurden.17 Wir haben dieses Buch „Diversifikationsbuch“ genannt, weil Diversifikation der Kernbegriff unserer Überlegungen ist – und zwar nicht nur über die Asset Allocation, sondern auch für die Manager-Selektion. Diversifikation bedeutet „Veränderung, Abwechslung und Vielfalt“, besonders die „Spezialisierung auf mehrere, unterschiedliche Gebiete“ bzw. den „Prozess der Veränderung von einer Klasse in mehrere unterschiedliche“.18 Im allgemeinen Sprachgebrauch wird auf die Unternehmenspolitik19 hingewiesen und es wird die Linguistik genannt, nicht jedoch die Kapitalanlage, die hier im Vordergrund steht. Auch Alpha- bzw. Absolut-Return-Overlays basieren auf dem Konzept der Diversifikation, während Risiko-Overlays das mögliche Versagen der Diversifikation durch ansteigende Korrelationen der PortfolioBestandteile in Stress-Phasen reduzieren sollen. Dieses Buch ist aus aktuellem Anlass – der Finanzkrise 2008/2009 – entstanden. Diese hat sehr viele Fragen bei Investoren, Asset Managern und Beratern in Bezug auf die „beste“ Kapitalanlage aufgeworfen. Andererseits beruht dieses Buch auf langjährigen Diskussionen mit Investoren, Asset Managern und vor allem unseren Kollegen bei Feri. In diesem Buch wird auf die wichtigsten Asset Allocation-Konzepte im Gesamtzusammenhang und im Hinblick auf deren mögliche künftige Bedeutung nach der Finanzkrise eingegangen. Dieses Buch stellt wesentliche Investitionskonzepte in Frage, ist aber nicht nur von Praktikern für Wissenschaftler und Studenten, sondern vor allem für Investoren, Asset Manager und Kundenberater geschrieben. Dabei liegt der Fokus zwar auf Konzepten für institutionelle Investoren, aber auch anspruchsvolle Privatanleger und ihre Berater sollten von einigen

14 15

16 17 18 19

Ein guter Überblick dazu findet sich bei Investor Analytics/BNY Mellon (2009). Andere Faktoren sind auch Overconfidence und Hindsight Bias: Overconfidence: So glauben die meisten Bankkunden laut einer Studie, dass sich ihr eigenes Portfolio wesentlich besser als der Vergleichsmarkt entwickelt. Hindsight Bias: So steht die Schätzung der Rendite des eigenen Portfolios für die Vergangenheit in überhaupt keinem Zusammenhang mit der Realität. Vgl. Weber (2009), S. 43. Zur Prognosekraft von Trendfolgemodellen vgl. Lo et al. (2000), Jung/Shiller (2005) und DB Advisors (2009). Vgl. Weber (2009), S. 42. Vgl. Wikipedia unter folgendem link: http://de.wikipedia.org/wiki/Diversifikation [Stand:31.12.2009]. Bisher gibt es keine Studie, welche die Erkenntnisse aus der Erforschung realwirtschaftlicher Diversifikation von Unternehmen (also die Ausweitung der Aktivitäten in Bezug auf Leistungsbereiche, Kundengruppen oder Regionen) für die finanzwirtschaftliche Anlagediversifikation darstellt.

22

Einleitung

der Konzepte profitieren können. Die meisten der Beispiele des Buches basieren auf Beratungsdienstleistungen für deutsche institutionelle Investoren, aber auch nicht-deutsche Leser sollten von diesen Erkenntnissen profitieren können. Wir gehen davon aus, dass die Forschung zum Thema Asset Allocation, Manager-Selektion und Overlay bzw. Diversifikation noch keinesfalls abgeschlossen ist und hoffen, dass unvermeidbar auftretende Lücken bzw. Fehler in dieser Ausgabe mit künftigen Auflagen des Buches beseitigt werden können. Anregungen, Kommentare und Stellungnahmen von Lesern sind daher sehr erwünscht. Bei dem vorliegenden Buch handelt es sich nicht um ein offiziell von der Feri herausgegebenes Buch, sondern alle dargestellten Aussagen stellen die persönliche Meinung und Überzeugung der Autoren und nicht notwendigerweise die Position der Feri dar. Gleichzeitig sind wir Feri sehr zu Dank verpflichtet. Zum einen durften wir von unseren Kollegen, Kunden und Geschäftspartnern im Laufe der Jahre sehr viel lernen. Außerdem danken wir Feri für die Erlaubnis, die im Buch abgedruckten Ergebnisse und Darstellungen zu verwenden sowie für die vielfältige sonstige Unterstützung. Insbesondere weisen wir darauf hin, dass die Autoren nicht die alleinigen „Erfinder“ der im Buch vorgestellten neuen Konzepte sind, sondern fast alle dieser Konzepte auf dem Know-how von herausragenden Feri-Mitarbeitern und -Mitarbeiterinnen bzw. Feri-Teams beruhen. Wir danken besonders unseren Kollegen Andreas Syguda und Dr. Daniel Hartmann für die Mitarbeit am MAROC-Konzept und Stefanie Drögemüller für ihre hervorragende organisatorische Mitarbeit an diesem Buchprojekt. Auch danken wir Guido Notthoff vom Gabler Verlag für die Möglichkeit der Verwirklichung dieses Buches sowie das Lektorat.

Dirk Söhnholz

Sascha Rieken

Bad Homburg v.d.H., im März 2010

Dieter Kaiser

Diversifikation

2.

23

Grundlagen

In diesem Kapitel werden die wesentlichen Grundzüge, auf denen die Asset Allocation aufbaut, beschrieben. Zu diesen zählen als Ausgangspunkt insbesondere der Wunsch der Investoren nach Diversifikation, um nicht zu risikoreich zu investieren und ggf. Klumpenrisiken in einem Portfolio zu vermeiden. In einem nächsten Schritt werden die verschiedenen Arten der Asset Allocation in Relation ihrer Zeithorizonte gegeneinander abgegrenzt. Anschließend wird das wichtige Thema der Rebalancierung der Asset Allocation thematisiert, d.h. wie oft das Portfolio eines Anlegers wieder auf die Strategische Asset Allocation-Ausgangsbasis gebracht werden sollte. Hierauf aufbauend wird die Bedeutung der Asset Allocation für den Portfolio-Erfolg erläutert, bevor eine eingehende Betrachtung von Liquiditätsaspekten erfolgt. Das Kapitel schließt mit einem Überblick über die wesentlichen alternativen Anlageklassen.

2.1

Diversifikation

Unter Diversifikation von Anlageklassen wird im Allgemeinen verstanden, dass sich verschiedene Assets oder Asset-Klassen nicht genau gleich entwickeln. Hält man ein Portfolio von Anlageklassen, die sich unterschiedlich entwickeln, so kann das Portfolio-Risiko reduziert werden.1 Der Diversifikationseffekt zwischen zwei Asset-Klassen wird in der Praxis meist mit dem Korrelationskoeffizienten (der Korrelation) bestimmt. Der Korrelationskoeffizient misst den linearen Zusammenhang zwischen zwei Merkmalen (Renditen), geht also davon aus, dass der (lineare) Zusammenhang für den gesamten Renditebereich gilt und über die Zeit stabil ist. Anlageklassen neigen teilweise zu einem gleichgerichteten Verhalten in besonders negativen Marktszenarien. Geht ein Anleger von gleichbleibenden Diversifikationseffekten auch in sehr negativen Marktszenarien aus, so unterschätzt er damit das Portfolio-Risiko.2 Die Finanzkrise 2008/2009 hat gezeigt, dass auch Investments, die sich in der Vergangenheit durch relativ geringe Verluste und/oder gute Diversifikationseigenschaften – also stabile und geringe Korrelationen zu anderen Asset-Klassen – auszeichneten, in „Stress-Zeiten“ nicht mehr unbedingt attraktive Investitions- bzw. Diversifikationseigenschaften besitzen (siehe Abbildung 2.1). 1 2

Dieser Gedanke geht auf Markowitz (1952) zurück, der gezeigt hat, dass sich das Risiko von Aktien durch ein Portfolio mit vielen Einzelaktien reduzieren lässt. Das Konzept der Excess Correlation zeigt beispielhaft, dass die Korrelation für bestimmte Renditepaare gerade im negativen Renditebereich deutlich zunehmen kann, wodurch der Diversifikationseffekt und damit das Portfolio-Risiko bei Annahme der Normalverteilung mit konstanter Korrelation deutlich unterschätzt wird. Vgl. Haas et al. (2009).

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4_2, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

24

Grundlagen

Performance

GSCIEnergyTR GSCIExEnergyTR JP.MorganEMBIGBI MSCIEnergyNTR S&PGl.Infrastr.Ind.TR S&PListedPriv.Eq.TR ARIXCompGrossUSD MSCIRealEstateNTR

Performancep.a 6.33% 3.42% 9.01% 9.52% 7.36% 8.84% 3.32% 1.88%

-6-

Volatilitätp.a. 34.83% 15.43% 10.45% 21.65% 15.99% 31.53% 5.71% 23.51%

Max.Drawdown 68.79% 43.09% 20.74% 46.64% 49.16% 76.76% 21.44% 63.32%

01.01.2002 – 31.12.2009

Abbildung 2.1: Gleichzeitiger Stress in vielen alternativen Anlageklassen Quelle: Feri Institutional Advisors GmbH (2010), Daten: Bloomberg. Normalerweise zeichnen sich besonders sogenannte alternative Anlageklassen durch relativ geringe Korrelationen zu traditionellen Anlageklassen aus. In Abbildung 2.2 ist zum Beispiel eine langfristige Korrelation von 0,31 zwischen einem breiten investierbaren HedgefondsIndex (hier der Absolute Return Investable Index, ARIX)3 und dem Euro Stoxx 50 zu sehen. Die Abbildung enthält die Wochenrenditen beider Asset-Klassen im Zeitraum von Januar 2002 bis Dezember 2009. Gerade wenn die Diversifikationseigenschaften besonders benötigt werden – also dann, wenn der Euro Stoxx 50 besonders stark fällt – sind allerdings auch die Hedgefonds-Renditen oft negativ (dunkelgrau markierte Punkte in der Abbildung 2.2).

3

Von Feri entwickelter investierbarer Hedgefonds-Index.

Diversifikation

25

Korrelation: 0,31

Positive Diversifikationseigenschaften

Negative Diversifikationseigenschaften

Abbildung 2.2:

Niedrige Korrelation, aber nicht immer gute Diversifikationseigenschaften im Stress (helle Kreise zeigen positive und graue negative Diversifikationseigenschaften an) Quelle: Feri Finance AG (2010), Daten: Bloomberg. Abbildung 2.3 zeigt die Zusammenhänge zwischen wöchentlichen Renditen für ein größeres Anlageklassen-Spektrum. Hierfür werden folgende Indizes verwendet: „ Staatsanleihen: JP Morgan Government Bond Index Germany; „ Aktien: Euro Stoxx 50; „ Schwellenländer-Anleihen: JP Morgan EMBI+; „ Rohstoffe: Dow Jones UBS Commodity Index sowie die drei Subindizes Energie, ex Energie und Edelmetalle des Goldman Sachs Commodity Index; „ Hedgefonds: investierbarer Hedgefonds-Index ARIX. Die schwarzen Linien in Abbildung 2.3 zeigen nun nicht mehr die Korrelation, sondern den Zusammenhang für die unterschiedlichen Renditebereiche. Auf der Hauptdiagonalen ist das Häufigkeitsdiagramm (Histogramm) der jeweiligen Anlageklasse eingezeichnet. Offensichtlich ist der Zusammenhang für viele Bereiche weit von einer Linearität entfernt. Ideal ist ein V-förmiger Verlauf des Zusammenhangs, d.h. eine Zunahme des Diversifikationseffektes (stärkerer negativer Zusammenhang) im negativen Renditebereich der AssetKlasse sowie ein positiver Zusammenhang im positiven Renditebereich. Ein solcher Verlauf ist für die Schwellenländer-Anleihen versus Renten Deutschland erkennbar. Für stark negati-

26

Grundlagen

ve Renditen bei Schwellenländer-Anleihen ergibt sich ein ansteigender Diversifikationseffekt von Renten Deutschland, was eine zunehmende Risikoaversion der Anleger und damit eine „Flucht in die Qualität“ (sichere deutsche Staatsanleihen) anzeigt. In schwächerem Umfang ist ein solcher idealer Korrelationsverlauf nur noch zwischen Edelmetallen und deutschen Staatsanleihen erkennbar. Eine Verschlechterung der Diversifikation ist bei stark negativen Aktienrenditen und Energie-Rohstoffen zu erkennen. Hier liegen viele Renditepaare im wenig Diversifikation darstellenden dritten Quadranten mit negativen Renditepaaren beider Anlageklassen (unten links).4 Abgesehen von diesen zwei Extremfällen kann der Diversifikationseffekt die unterschiedlichsten Verläufe im Renditebereich zweier Anlageklassen annehmen und ist folglich mit der linearen Korrelation nicht messbar. Eine Theorie, die den Zusammenhang zwischen Zufallsvariablen (hier Asset-Klassen) im Extrembereich modelliert, ist die Theorie der sogenannten Copulas.5 Solche Copulas werden gern in der Versicherungsmathematik zur Berechnung von Versicherungsrisiken verwendet, in denen extreme Ereignisse (beispielsweise Erdbeben oder Wirbelstürme) eine große Rolle spielen. Gerade die akkurate Berechnung solcher Extremrisiken ist für Versicherungen (inkl. Rückversicherungen) für deren langfristige Existenz von entscheidender Bedeutung. Obwohl die Risiken der Finanzmärkte ebenfalls extrem sein können, wie einige Häufigkeitsdiagramme in Abbildung 2.3 zeigen, spielen Copulas hier bisher keine große Rolle. Ein Grund dafür ist, dass die Modellierung und Schätzung von Copulas nicht einfach ist. Zudem werden bei vielen Copula-Familien (Archimedische Copulas, Elliptische Copulas) relativ strenge Annahmen über die Art des Zusammenhangs zwischen zwei Assets oder Asset-Klassen getroffen, die in der Realität für bestimmte Paare von Anlageklassen nicht erfüllt sind. So muss zunächst für jeden Fall die am besten passende Copula gefunden werden. Zudem ist die Schätzung von Copulas, die den Extrembereich von Renditezusammenhängen modellieren, mit großer Unsicherheit behaftet, da die Zahl der Beobachtungen in diesem Renditebereich beschränkt ist und sich der Zusammenhang im Zeitverlauf ändert.

4

5

Rohstoffe tendieren dazu, über die Zeit zunehmend mit Aktien zu korrelieren, vor allem während Aktienmarktkrisen der letzten Dekade. Aktienmarktbooms gehen mit niedrigeren Korrelationen einher. Vgl. Davis/Settles (2009), S. 2. Vgl. Malevergne/Sornette (2006).

Diversifikation

27

Renten Deutschland

Aktien Euroland

Commodities

Renten Schwellenländer

Rohstoffe ex Energie

Edelmetalle

Energie

Hedgefonds

Renten Deutschland

Aktien Euroland

Commodities

Renten Schwellenländer

Rohstoffe ex Energy

Edelmetalle

Energie

Hedgefonds

rGBID = Rendite des JP Morgan Government Bond Index Germany, rES50 = Rendite des Euro Stoxx 50, rAIG = Rendite des Dow Jones UBS Commodity Index, rEMBI = Rendite des JP Morgan Emerging Markets Bond Index, rGSCIXE = Rendite des S&P GSCI Commodity Index ohne Energie, rGSCIPM = Rendite des S&P GSCI Commodity Index Edelmetalle, rGSCIE = Rendite des S&P GSCI Commodity Index Energie, rARIX = Rendite des Absolute Return Investable Index.

Abbildung 2.3:

Geringe Diversifikationsvorteile in Stress-Szenarien (Wochenrenditen, Mai 2004 – Dezember 2009) Quelle: Feri Finance AG (2010), Daten: Bloomberg. Um die Stabilität des Zusammenhangs zwischen Anlageklassen zu prüfen, wurde die Korrelation zwischen dem Euro Stoxx 50 und diversen Anlageklassen über einen längeren Zeitraum berechnet (siehe Abbildung 2.4). In der auch als Heat Map bezeichneten Darstellung ist die Korrelation als Schattierung im Spektrum weiß (extrem niedrig) bis schwarz (extrem hoch) dargestellt. Es ist erkennbar, dass die über lange Zeiträume niedrige Korrelation von Euroland-Aktien mit Hedgefonds (ARIX) im dritten Quartal 2008 deutlich ansteigt. Ein ähnliches Bild ist für die Schwellenländer-Anleihen (EMBI) erkennbar, bei denen allerdings ein Anstieg der Korrelation mit den Aktien bereits im dritten und vierten Quartal 2007 zu sehen ist. Interessanterweise ist die Korrelation sämtlicher Rohstoffe mit den Aktien, die mit Ausnahme der Edelmetalle im dritten Quartal 2008 ebenfalls deutlich steigt, noch einige Monate extrem negativ (weiße und hellgraue Flächen in Abbildung 2.4). Gut diversifizierende Anlageklassen, gerade in Stress-Phasen, sind Edelmetalle (GSCIPM) sowie deutsche Staatsanleihen (GBID). Hier sind keine nennenswerten Verschlechterungen des Diversifikationseffektes erkennbar.

28

Grundlagen

ARIX = ARIX Composite, GSCIE = S&P GSCI Energy Index, GSCIPM = S&P GSCI Precious Metals, GSCIXE = S&P GSCI Ex Energy, AIG = DJ UBS Commodity Index, EMBI = MSCI Emerging Markets Bond Index, GBID = JP Morgan Government Bond Index Germany.

Abbildung 2.4:

Korrelation verschiedener Anlageklassen mit dem Euro Stoxx 50, Wochenrenditen 2007-2009 Quelle: Feri Finance AG (2010), Daten: Bloomberg. Das Portfolio-Risiko kann in Stress-Phasen nicht nur durch einen Anstieg der Korrelation zunehmen. Gleichzeitig steigt in solchen Phasen in der Regel auch die Volatilität stark an. Dies ist in Abbildung 2.5 erkennbar, in der der Volatilitätsverlauf der Anlageklassen als Heat Map dargestellt ist. Wie die Korrelationen wurden die Volatilitäten aus den vorangegangenen 15 Wochenrenditen berechnet. Um die unterschiedlichen Niveaus der Volatilität zwischen den einzelnen Anlageklassen vergleichbar zu machen, wurden Quantilswerte anstelle der Niveaus berechnet und in der Abbildung die Unterschreitungshäufigkeit in der Zeitperiode Januar 2007 bis Dezember 2009 dargestellt. Die Werte sind somit sämtlich auf die Skala 0 bis 1 (niedrigste bis höchste Volatilität) normiert. Während sich noch im zweiten bis vierten Quartal die Renditeschwankungen der meisten Anlageklassen auf einem sehr niedrigen Niveau befanden, ist im dritten Quartal 2008 ein simultaner Anstieg sämtlicher Volatilitäten zu erkennen. Die Volatilitäten der Renten aus den Emerging Markets lagen direkt vor diesem Anstieg noch nahe an ihren Tiefstwerten seit Januar 2007, um dann innerhalb kurzer Zeit auf ihre Höchstwerte anzusteigen.

Diversifikation

29

ARIX = ARIX Composite, GSCIE = S&P GSCI Energy Index, GSCIPM = S&P GSCI Precious Metals, GSCIXE = S&P GSCI Ex Energy, AIG = DJ UBS Commodity Index, EMBI = MSCI Emerging Markets Bond Index, GBID = JP Morgan Government Bond Index Germany.

Abbildung 2.5:

Volatilitätsverlauf verschiedener Anlageklassen anhand von Quantilen (Januar 2007 bis Dezember 2009) Quelle: Feri Finance AG (2010), Daten: Bloomberg. Während Abbildung 2.3 eine grafische Darstellung der Zusammenhänge zwischen den Anlageklassen darstellt, wird im Folgenden der Effekt einer Stress-Situation in einer Anlageklasse auf den Korrelationskoeffizienten untersucht. Obwohl viele Zusammenhänge, gerade im Extrembereich, nicht-linearer Natur sind, werden hier lediglich lineare Zusammenhänge analysiert. Es wird angenommen, dass sich der Distress von Asset-Klassen und der damit einhergehende Zusammenbruch von Diversifikationseffekten auch anhand des Korrelationseffektes zeigen lässt. Um den Effekt von Extremsituationen einer Anlageklasse auf die Diversifikation zu untersuchen, wird die Korrelationsmatrix zwischen den Wochenrenditen aller Anlageklassen einmal über den Gesamtzeitraum berechnet und diese mit der Korrelationsmatrix verglichen, die sich in Extremsituationen ergibt. Eine Extremsituation (Distress-Fall) für eine Anlageklasse wird definiert durch eine Wochenrendite, die unter dem 95-Prozent-Value-at-Risk liegt. Wird die Korrelationsmatrix beispielsweise nur über die Wochen berechnet, in denen Aktien in Distress waren, so erhält man die Diversifikationseffekte in Extremsituationen für Aktien. Steigen die Korrelationen im Distress-Fall an (was aber für die gewählte Untersuchungsperiode von Mai 2004 bis Dezember 2009 die Regel ist), so haben sich tendenziell die Diversifikationseigenschaften verschlechtert.

30

Grundlagen

DJ AIG JPM GBI Euro Stoxx Commodity Index Germany 50

JPM EMBI+ (USD)

GSCI exEn

GSCI Prec. Met. GSCI En

ARIX

1,2 JPM GBI Germany 1,0 0,8

Euro Stoxx 50

0,6 0,4

DJ AIG Commodity Index

0,2

JPM EMBI+ (USD)

0,0

GSCI exEn

-0,2 -0,4 -0,6

GSCI Prec. Met.

GSCI En

-0,8 ARIX -1,0

JPM GBI Germany = JP Morgan Government Bond Index Germany, JPM EMBI+ = JP Morgan Emerging Markets Bond Index, GSCI exEn = S&P GSCI Commodity Index Ex-Energie, GSCI Prec. Met. = S&P GSCI Commodity Index Edelmetalle, GSCI En = S&P GSCI Commodity Index Energie, ARIX = Absolute Return Investable Index.

Abbildung 2.6:

Korrelationszunahme in turbulenten Marktphasen, Wochenrenditen Mai 2004 – Dezember 2009 Quelle: Feri Finance AG (2010), Daten: Bloomberg. Abbildung 2.6 fasst die Ergebnisse dieser Analyse zusammen. Die Balken in jedem Block von jeweils acht Asset-Klassen bezeichnen dabei die Anlageklasse, die sich in Distress befindet, und die Höhe der Balken gibt den Korrelationsanstieg zu einer anderen Asset-Klasse wieder. In Extremsituationen bei Aktien (zweiter Balken von links) nehmen beispielsweise nur die Korrelationen mit Staatsanleihen und Schwellenländer-Anleihen ab, während die Korrelationen mit allen anderen Anlageklassen zunehmen. Im Distress-Fall für Staatsanleihen (Balken ganz links in jedem Block) steigen sogar sämtliche Korrelationen an. Bei der Betrachtung der Balkenhöhe in Abbildung 2.6, welche wiederum als Indikation für die Diversifikationseigenschaften (Diversifier) der jeweiligen Anlageklasse gewertet werden können, lässt sich erkennen, dass Aktien in Extremsituationen keinen Diversifikationsnutzen bieten. So sind im Block unter „Euro Stoxx 50“ mit Ausnahme von Schwellenländer-Anleihen und Rohstoffen (ohne Energiewerte) nur Korrelationsanstiege zu beobachten. Ähnliches gilt für Hedgefonds, bei denen die Korrelationsanstiege (absolut) höher als die (geringfügig) verbesserten Korrelationen mit Rohstoffen (GSCI ex Energy und Edelmetalle) sind. Generell sehr gute Diversifikationseigenschaften in Marktverwerfungen bieten dagegen vorwiegend Staats-

Diversifikation

31

anleihen und Edelmetalle. Bei diesen verringern sich die Korrelationen, d.h. verbessern sich die Diversifikationseigenschaften, im Distress-Fall teilweise deutlich.6 Die Frage ist, was in solchen Stress-Szenarien zu tun ist, um größere Verluste zu vermeiden. Umso wichtiger wird dies aufgrund der Tatsache, dass sich in den letzten Jahren immer häufiger eine steigende Anzahl von Anlageklassen gleichzeitig in Extremsituationen befunden haben (siehe Abbildung 2.7).

Abbildung 2.7:

Anzahl der Märkte mit Wochenrendite unter dem 95-Prozent-Value-at-Risk (Distress), Wochenrenditen der acht Anlageklassen in Abbildung 2.6, 1995 – 2008 Quelle: Feri Institutional Advisors GmbH (2010), Daten: Bloomberg. Teilweise wird daher behauptet, gerade die Finanzkrise von 2008 zeige, dass Diversifikation keine Vorteile bringen würde. Dabei ist allerdings zu beachten, dass das Jahr 2008 besonders problematisch war. Einige Beobachter sprechen davon, dass Diversifikation z.B. durch Beimischung von Hedgefonds zu Portfolios zwar in der Regel funktioniere, wenn andere Anlageklassen stark verlieren, nicht aber wenn Märkte zusammenbrechen oder „verschwinden“, wie dies z.B. Marktliquiditätsindikatoren zeigen. Abbildung 2.8 zeigt anhand des von der Bank of England berechneten Liquiditätsindex den in 2008 beobachteten starken Liquiditäts-

6

Auch die Entwicklung von Immobilien und der beiden Rohstoffe-Segmente Industriemetalle und Energie ist in Erholungsphasen am besten. Vgl. O’Sullivan et al. (2009).

32

Grundlagen

abfall.7 Interessanterweise war jedoch nicht die effektiv vorhandene Marktliquidität knapp, sondern nur die verfügbare bzw. anderen zur Verfügung gestellte Liquidität.8 Dies lässt die Vermutung zu, dass in Phasen hoher Marktliquidität die Investoren attraktive Anlagemöglichkeiten in allen Asset-Klassen suchen und dadurch die Renditeunterschiede sowie die Diversifikationsvorteile abnehmen. Entsprechend könnten in Phasen knapper Liquidität liquide Anlageklassen mit geringem erwarteten Verlustpotenzial im Fokus der Investoren stehen, was wiederum einen negativen Effekt auf den Diversifikationsgrad der InvestorenPortfolios haben würde. Solange aber die Korrelationen zwischen verschiedenen AssetKlassen nicht dauerhaft hoch sind, ist Diversifikation weiterhin in vielen Marktphasen vorteilhaft.

150% 50% 50% 150% 250% 350% 450% Jan. Jan. Jan. Jan. Jan. Jan. Jan. Jan. Jan. Jan. Jan. Jan. Jan. Jan. Jan. Jan. Jan. Jan. 92 93 94 95 96 97 98 99 00 01 02 03 04 05 06 07 08 09 BOELiquidityIndex

Abbildung 2.8: Liquiditätsdruck in 2008, Januar 1992 – März 2009 Quelle: Feri Finance AG (2009), Daten: Bloomberg, Bank of England. Neben der Frage, ob Diversifikation sinnvoll ist, stellt sich diejenige nach dem idealen Ausmaß an Diversifikation. Dazu werden zunächst eine typische Zwei-Asset-Klassen-Diversifikation (Anleihen/Aktien) von traditionellen Mischfonds mit meist breiter und flexibler 7

8

Der BOE Liquidity Index ist ein einfacher Durchschnitt von unterschiedlichen Liquiditätsmaßen, normiert über die Periode 1994 bis 2004. Die Indexzeitreihe wird als exponentiell gewichteter gleitender Durchschnitt dargestellt. Aufgrund seiner Erweiterung um mehrere Komponenten gilt der Liquiditätsindex ab 1997 als aussagekräftiger. Die im Index verwendeten Liquiditätsmaße umfassen Bid-Ask-Spreads für Anleihen, Währungen und Aktien, das Verhältnis von Marktrenditen zu Handelsvolumina sowie Kreditmarkt-Spreads. Zur Kritik an der Verwendung des absoluten versus relativen Liquiditätsmaßes vgl. Biggs et al. (2009).

Diversifikation

33

diversifizierten sogenannten Absolute-Return-Fonds verglichen. Letztere enthalten in Deutschland, auf das sich die Untersuchung bezieht, in der Regel vor allem signifikante Quoten von Rentenfonds, Aktienfonds und Immobilienfonds.

190 180 Mixed - Global 170 160 Mixed - Global Konservativ

150 140

Mixed - Global Flexibel 130 120

Absolute Return mit Verlusttoleranz (-10%)

110 100

Aktien Global

Dez 08

Jun 08

Sep 08

Mrz 08

Dez 07

Jun 07

Sep 07

Mrz 07

Dez 06

Jun 06

Sep 06

Mrz 06

Dez 05

Jun 05

Sep 05

Mrz 05

Dez 04

Jun 04

Sep 04

Mrz 04

Dez 03

Jun 03

Sep 03

Mrz 03

Dez 02

90

Abbildung 2.9:

Performancevergleich von Absolute Return- und klassischen Mischfonds (Januar 2003 bis Dezember 2008, Peergroup-Durchschnitte) Quelle: Feri Institutional Advisors GmbH (2009). In der Zeit von 2003 bis 2008 weisen beide Anlagearten ähnliche Renditen auf (siehe Abbildung 2.9). Es ist jedoch auch zu sehen, dass Absolute-Return-Fonds in guten Aktienjahren niedrigere Renditen als Mischfonds aufwiesen, im schlechten Aktienjahr 2008 jedoch auch wesentlich weniger verloren (siehe Abbildung 2.10). Absolute-Return-Fonds weisen insgesamt eine deutlich niedrigere Volatilität als Mischfonds auf. Die meisten deutschen institutionellen Investoren sind eher wie Mischfonds und nicht wie Absolute-Return-Fonds investiert. Daher war es nach 2008 nicht verwunderlich, dass die Unsicherheit bei den Investoren sehr groß war und viele die Vorteile von Diversifikationen im Allgemeinen – und von sogenannten Risiko-Investments im Besonderen – teilweise gänzlich in Frage gestellt haben. Zu den Risiko-Investments zählen Investoren dabei sowohl „normale“ Aktien-Investments aber ganz besonders auch weniger liquide Investments wie viele alternative Anlageformen. Erschwerend kommt hinzu, dass die nötigen Renditen, um Verpflichtungen9 und Ausschüttungen zu decken, bei geringen Zinsniveaus nicht allein mit risikolosen bzw. sehr risikoarmen Investments erreicht werden können. Viele Investoren fragen sich daher, ob die Grundannahmen für ihre ursprünglich geplante Strategische Asset Allocation (SAA) noch richtig sind. 9

Bzw. Verbindlichkeiten oder sogenannte Liabilities.

34

Grundlagen

Zur Vereinfachung und Veranschaulichung der Analyse wird hier nicht auf die unterschiedlichen Anforderungen von Investoren eingegangen, sondern es wird von einem „restriktionsfreien“ Idealinvestor ausgegangen.10

110

Mixed - Global 100

Mixed - Global Konservativ

90

80

Mixed - Global Flexibel

70

Absolute Return mit Verlusttoleranz (10%)

60 Aktien Global

50 Dez 07

Jan 08

Feb 08

Mrz 08

Apr 08

Mai 08

Jun Jul 08 Aug Sep 08 08 08

Okt 08

Nov Dez 08 08

Jan 09

Feb 09

Abbildung 2.10: Performanceverlauf von Absolute Return- und klassischen Mischfonds in 2008 (Peergroup-Durchschnitte) Quelle: Feri Institutional Advisors GmbH (2009). Während die Hypothese von rationalen und allwissenden Investoren und Märkten zunehmend durch Behavioral Finance-Ansätze verdrängt wird, werden die Annahmen von traditionellen SAA-Modellen, die auf der Annahme effizienter Märkte basieren, bisher selten hinterfragt.11 Für solche SAA-Modelle sind Prognosen für Renditen, Risiken und Abhängigkeiten aller Anlageklassen nötig. Die Modelle werden mit zunehmender Zahl von Anlageklassen und längeren Anlagehorizonten sehr schnell äußerst komplex. Zudem berücksichtigen solche Modelle in der Regel nicht explizit die Illiquidität von Anlagen, schließen meist Leerverkäufe aus und werden durch zahlreiche individuelle Annahmen wie Ausgangsbasis der Optimierung – meist die bestehende Asset Allocation –, Regulierungs- und sonstige Beschränkungen beeinflusst.

10

11

Weitere Informationen in Bezug auf unterschiedliche Investorenperspektiven zu Themen wie Zeithorizont, SAA-Vergleich von Individuen und Altersversorgern im Gesamtzusammenhang, Berücksichtigung von Steuereffekten, Haftungsthemen und Eigentümerstrukturen, nicht-finanziellen Assets, unterschiedlichen Zukunftserwartungen und Verhalten anderer Investoren vgl. Campbell/Viceira (2002). Vgl. Kurz (2008), Wheelan (2009) sowie Johnson/Graaf (2009).

Asset Allocation

2.2

35

Asset Allocation

Der Definition nach bezeichnet Asset Allocation die Aufteilung eines Anlagevermögens auf unterschiedliche Vermögens- oder Anlageklassen (Asset-Klassen).12 Voraussetzung für die Asset Allocation ist daher die Unterscheidung verschiedener Asset-Klassen. In einer Anlageklasse werden dabei „ähnliche“ Vermögensobjekte zusammen gefasst. Die Klassifikation „ähnlicher“ Assets zu einer Anlageklasse setzt daher die Definition von Vergleichskriterien voraus. Solche Vergleichskriterien sind allerdings nicht eindeutig definiert. Zum einen könnte man Anlageklassen danach bilden, welche Finanzinstrumente eingesetzt werden, z.B. Aktien, Staatsanleihen oder Unternehmensanleihen, ggf. weiter unterteilt nach unterschiedlichen Regionen oder Marktsegmenten. Würde es heute nicht eine Vielzahl von immer komplexeren Finanzinstrumenten und -derivaten geben, wäre diese Unterscheidungen wohl ausreichend. Weit verbreitet ist auch die Einteilung in die Anlageklassen Aktien, Renten und alternative Anlagen. Heutzutage greifen diese Unterscheidungen allerdings zu kurz. In Tabelle 2.1 findet sich eine mögliche Anlagesegment-Aufteilung. Tabelle 2.1: Anlagesegmente im Überblick (Beispiel für drei Anlageklassen) Anlageklasse

Aktien

Anleihen

Immobilien

Anlagesegment

Private Equity

Börsennotierte Anleihen

Direkte Immobilien

Anlage-/InvestmentStrategie

Buyout

Long-Short diskretionär mit Leverage

Buy and hold

Anlage-/Investmentvehikel

SICAR (Lux. Private Equity „Fonds“-struktur)

Hedgefonds (z.B. nach deutschem Investmentrecht)

Objektgesellschaft

Quelle: Eigene Darstellung Eine alternative Vorgehensweise nutzt sogenannte Beta-Faktoren, anstatt direkt alle Investments innerhalb eines Portfolios auf verschiedene Anlageklassen aufzuteilen (siehe z.B. Abbildung 2.11). Beta-Faktoren sind dabei die Sensitivitäten der Einzelrenditen der PortfolioBestandteile auf bestimmte Risikofaktoren, repräsentiert durch die „Marktrenditen“ bestimmter Anlageklassen. Weist ein Portfolio beispielsweise eine Sensitivität (gemessen anhand des Betas) von 0,3 in Bezug auf den MSCI Welt Aktienindex auf, so vollzieht das Portfolio durchschnittlich die Entwicklung des MSCI Welt nach, allerdings nur mit einem Faktor von 0,3. Äquivalent wäre dieses Portfolio also mit einem Portfolio, welches tatsächlich zu 30 Prozent aus „dem MSCI Welt“ (also den Einzelaktien des MSCI Welt) besteht. Relevant für die Wertentwicklung ist vor allem die Sensitivität zum MSCI Welt. Ob das Portfolio tat12

Vgl. Bodie et al. (1999), S. 178ff.

36

Grundlagen

sächlich Aktien enthält oder sein Exposure zum MSCI Welt durch Derivate, z.B. Futures oder Swaps, aufgebaut hat, oder hybride und damit schwer auf Anlageklassen aufzuteilende Investments wie Wandelanleihen enthält, ist dabei zweitrangig. Ein Portfolio mit einem Beta von 0,3 zum MSCI Welt kann daher als ein Portfolio mit 30 Prozent Aktien Welt angesehen werden, unabhängig davon, welche Wertpapiere tatsächlich enthalten sind.

Das Beta Kontinuum

Beta

Beispiele

Instrument

Classic Beta

S&P 500, Nikkei, Dax

ETF

Bespoke Beta

Growth Index, Autosektor

ETF

Alternative Beta

Währungen, Volatilität

Derivate

Fundamental Beta

Fundamentaler Index

ETF, aktiver Fonds

Cheap Beta

Convertible Arbitrage, TAA

Hedgef onds, aktiver Fonds

Active Beta

130/30-Fonds, TAA

Aktiver Fonds

Bulk Beta

Aktives Mandat

Aktiver Fonds, Hedgef onds

Bulk Beta

Active Risk

Active Beta

Cheap Beta

Fundamental Beta Classic Beta

Bespoke Beta

Alternative Beta

Systematic Risk Premiums

Active Returns

ETF = Exchange Traded Fund, TAA = Taktische Asset Allocation.

Abbildung 2.11: Das Beta Kontinuum Quelle: Anson (2009), S.39. Die Bestimmung der Asset Allocation über die Sensitivitäten zu Marktrisikofaktoren hat neben dem Vorteil der „ökonomisch korrekten“ Messung den weiteren Vorteil, dass die Einzelinstrumente in einem Portfolio nicht detailliert dargestellt werden müssen, um eine Asset Allocation zu bestimmen. Dies ist insbesondere bei Hedgefonds vorteilhaft, da die EinzelInvestments, die sich zudem schnell ändern können, häufig nicht oder nur mit Verzögerung bekannt gegeben werden. Hedgefonds sind keine eigene Anlageklasse, weil sie grundsätzlich in alle Anlageklassen investieren können. Bei Hedgefonds handelt es sich oft um MultiAsset-Konzepte mit variablen Beta-Sensitivitäten und einem teilweise signifikanten Anteil illiquider Investments. Sie gelten vor allem deshalb als alternative Anlagen, weil sie meist mehr Freiheiten bei der Umsetzung ihrer teils sehr stark divergierenden Strategien haben als traditionelle Investments, vor allem, da sie grundsätzlich unbeschränkt Leerverkäufe und

Asset Allocation

37

Kreditaufnahmen einsetzen können.13 Vergleichbar mit Hedgefonds sind am ehesten MultiAsset- bzw. Absolute Return-Fonds, aber auch andere „traditionelle“ (Retail-)Fonds, die zunehmend ähnliche Instrumente wie Hedgefonds einsetzen können.14 So können 130/30Fonds ebenso von steigenden und fallenden Kursen profitieren wie z.B. Equity NeutralHedgefonds, wenngleich mit gegenüber Hedgefonds deutlich beschränktem (i.d.R. maximal zweifachem) Leverage. Hedgefonds sind, ebenso wie 130/30 oder Wertsicherungsfonds, als Anlagestrategien anzusehen. Im Unterschied zu (reinen) Anlageklassen beinhalten Strategien typischerweise variable Abhängigkeiten von mehreren Beta-Faktoren. Für die Frage, wie das Vermögen auf die unterschiedlichen Anlageklassen aufgeteilt werden soll, sind neben der Festlegung der einzubeziehenden Asset-Klassen vor allem die Ziele des Anlegers sowie dessen Präferenzen (z.B. Risikotoleranz, Renditeziel, Marktsensitivitäten) relevant.15 In diesem Zusammenhang ist der Anlagehorizont von besonderer Bedeutung, d.h. die Zeitperiode, innerhalb derer die Anlageziele erreicht werden sollen. Allerdings wird sich auch ein „Langfristanleger“ nicht völlig von der kurzfristigen Entwicklung seiner Kapitalanlagen loslösen können oder wollen. Kurzfristige Entwicklungen und langfristige Ziele sind nicht immer gut miteinander vereinbar. So wird beispielsweise durch ein besonders schlechtes Ergebnis in einem Kalenderjahr das langfristige Renditeziel tendenziell gefährdet, so dass langfristige Ziele nie als von der kurzfristigen Entwicklung losgelöste Ziele betrachtet werden können. Zudem verfolgen institutionelle „Langfristanleger“ wie Pensionsfonds aufgrund der Bilanzierungsvorschriften und der Rechenschaft gegenüber Kapitaleignern immer mehr auch kurzfristige Anlageziele. So gelten für kürzere Zeithorizonte typischerweise maximale Verlusttoleranzen, die bei der Konzeption der Asset Allocation zu berücksichtigen sind. Neben Risikotoleranz, Renditeerwartungen sowie Anlagehorizont des Anlegers sind ggf. weitere Restriktionen zu berücksichtigen, wie z.B. die Liquidierbarkeit von Vermögensobjekten innerhalb eines bestimmten Zeitraums. Allerdings wird gerade die wichtige Dimension Liquidität wenig thematisiert bzw. selten konkret und unabhängig modelliert.

13

14 15

Ein Leerverkauf ist eine Investment-Technik, bei der (vermeintlich überbewertete) Aktien verkauft werden, ohne dass sich diese im Eigentum des Verkäufers befinden. Ziel dieser Strategie ist es, die leerverkauften Wertpapiere oder Waren zu einem günstigeren Preis in der Zukunft zurückzukaufen. Dabei wird der Ausdruck „Zukunft“ meist durch einen vorab definierten Zeitpunkt näher bestimmt. Weitere Synonyme für den Leerverkauf sind Short Selling, Blankoverkauf, Verkauf à découvert oder „short gehen“. Short Selling als Anlageinstrument wird meist von Investmentbanken, Brokern und Hedgefonds benutzt. Rechtlich besteht ein Leerverkauf aus vier verschiedenen Rechtsgeschäften. Zuerst werden von den Leerverkäufern Wertpapiere oder Waren von beispielsweise Banken oder Investmentfonds für eine bestimmte Zeitperiode geliehen. Diese verlangen im Gegenzug eine Sicherheit (Collateral) für die geliehenen Wertpapiere und erhalten zusätzlich eine Prämie. Die geliehenen Wertpapiere werden anschließend von den Leerverkäufern über den Markt verkauft. Dieselbe Anzahl an Wertpapieren wird von den Leerverkäufern zu einem späteren Zeitpunkt über den Markt zurückgekauft. Anschließend werden die gekauften Wertpapiere an den Verleiher zurückgegeben. Vgl. Kaiser (2009), S. 41. Seit Inkrafttreten der Europäischen Richtlinie für Wertpapierfonds „UCITS III“ im Jahre 2002 ist der Leerverkauf nicht mehr nur den Hedgefonds vorbehalten, sondern auch für Publikumsfonds darstellbar. Einen guten Überblick über verschiedene Multi-Asset-Konzepte bietet Gerner (2010). Vgl. Campbell/Viceira (2002), S. 441.

38

Grundlagen

In Tabelle 2.2 wird die Asset Allocation nach dem Anlagehorizont gegliedert. Von Strategischer Asset Allocation (SAA) spricht man in der Regel, wenn die Gewichtung der Anlageklassen an einem mehrjährigen Horizont (mindestens fünf Jahre) ausgerichtet wird. Aufgrund des langen Anlagehorizontes spielen Liquiditätsgesichtspunkte bei der Asset Allocation nur eine untergeordnete Rolle, so dass der Anteil illiquider Anlageklassen tendenziell höher sein kann als bei einer kurzfristigen Betrachtung. Gibt der Anleger dabei das einzugehende Risiko vor, so besteht das Ziel der SAA typischerweise darin, bei gegebenem Risiko die maximale Rendite zu erzielen. Die Reduktion des Optimierungsproblems auf nur zwei für die Anlegernutzenfunktion relevante Größen „Rendite“ und „Risiko“ ist dabei eine starke Vereinfachung, ebenso wie die Reduktion der zeitlichen Dimension auf einen klar definierten Anlagehorizont. Neben den Größen Rendite und Risiko ist im Allgemeinen die gesamte Verteilung der Portfolio-Rendite des Anlegers sowohl am Ende des Anlagehorizontes als auch deren Entwicklung innerhalb der Zeit von besonderem Interesse. Allerdings wird so das Optimierungsproblem, welches den „Optimierer“16 auch ohne diese zusätzliche Komplexität bereits vor große Herausforderungen stellt, kaum noch handhabbar. Für die Darstellung der SAA im Portfolio werden meist direkte anstelle von abgeleiteten (derivativen) Finanzinstrumenten verwendet, d.h. Aktien und Renten anstelle von Optionen, Futures oder Swaps, da diese Assets als langfristiges Grund-Investment gedacht sind. Die einer SAA-Konzeption zugrunde liegende Analyse, in der die Risiko- und Ertragseigenschaften der einzelnen Anlageklassen sowie des Portfolios insgesamt auf die Präferenzen und Restriktionen des Investors ausgerichtet (in der strengen Form, falls dies möglich und sinnvoll ist, auch „optimiert“) werden, wird allgemein SAA-Analyse genannt. Wird die Asset Allocation auf eine Liability-Struktur und deren Veränderung über die Zeit hin optimiert, z.B. im Falle einer Versicherung oder eines Pensionsfonds, so spricht man allgemein von AssetLiability-Management (ALM) oder einer ALM-Studie. Verbindlichkeitsgetriebene Investment-Strategien (Liability-Driven-Investments, kurz LDI) werden entwickelt, um, die Deckung der kurz-, mittel- und langfristigen Verbindlichkeiten von Institutionen (Pensionsfonds) zu reflektieren und deren Zahlungsströme sicherzustellen. Die akademische Diskussion fokussiert ab 2007 auf die Frage, welchen Anlageklassenanteil Investoren mit Verpflichtungs-Risiken in sogenannte Liability Hedging-Portfolios allokieren sollten. Deshalb bestehen die Portfolios solcher Investoren häufig zu erheblichen Anteilen aus Anleihen, besonders aus langfristigen Renten für die langfristigen Verbindlichkeiten.17 Der Fokus solcher Strategien liegt auf der Absicherung von Zinsänderungsrisiken bzw. dem Inflationsschutz,18 weniger auf der Absicherung von sogenannten Langlebigkeitsrisiken, die sehr signifikant sein können.19 Inflationsschützend sind aber auch Immobilien und Rohstoffe, die jedoch selten in signifikantem Umfang in den sogenannten Liability Hedging-Portfolios 16 17 18 19

Die Person, nicht unbedingt der Algorithmus. Vgl. Dorsey/Davydov (2009), S. 2. Vgl. Littermann (2006), S. 665. Diese fehlen oft schon als spezifische Komponente von ALM-Modellen. Vgl. Sender (2009a), S. 18. Zu den Auswirkungen der erwarteten Effekte demografischer Veränderungen auf die Asset-Allocation vgl. Kramer et al. (2009), S. 21.

Asset Allocation

39

zu finden sind. Auch Gehaltsentwicklungsabhängigkeiten sollten berücksichtigt werden. Zur Absicherung bieten sich dabei Aktien und ähnliche wirtschaftswachstumsabhängige Anlagen an.20 LDI-Strategien verfügen außerdem über renditegenerierende Portfolio-Bestandteile, für die über die Asset Allocation entschieden werden muss.21 Tabelle 2.2: Klassifikation der Asset Allocation nach dem Anlagehorizont Strategische Asset Allocation (SAA)

Taktische Asset Allocation (TAA)

Dynamische Asset Allocation (DAA)

Anlagehorizont, Frequenz von Eingriffen (Reallokationen)

Langfristig (mehrere Jahre)

Kurz- oder mittelfristig (i.d.R. monatlich bis zu einem Jahr)

Nach Bedarf

Einbezogene Asset-Klassen

Generell alle, abhängig von den Anlegerpräferenzen

Liquide AssetKlassen

Liquide AssetKlassen

Ziel

Langfristige Renditemaximierung bei gegebenem Risiko (oder Risikominimierung bei gegebener Renditeerwartung)

Unterjährige Generierung von Zusatzerträgen durch Nutzung der kurzfristigen Marktentwicklung

Risikobegrenzung, z.B. Absicherung einer Wertuntergrenze

Steuerungsgrößen

Risiko, Renditeerwartung

Risiko, Renditeerwartung

Portfolio-Risiko (CPPI) oder relative Performance (Bestof-N)

Instrumente

Basiswerte, i.d.R. keine Derivate

Basiswerte oder Derivate

i.d.R. Derivate

Strategien

SAA-Analyse, AssetLiability-Management (ALM)

TAA-Prozess (qualitativ und/oder quantitativ)

Stop Loss, Constant-ProportionPortfolio-Insurance (CPPI), Best-of-Two, Best-of-N

Quelle: Eigene Darstellung. Die Taktische Asset Allocation (TAA) ist auf einen kürzeren Anlagehorizont ausgerichtet als die SAA, worunter man in der Regel einen Anlagezeitraum zwischen einem Monat und ei20 21

Vgl. Sender (2009a), S. 18. Eine Alternative zu LDI-Strategien stellen Risiko-Overlay-Konzepte dar. Diese verfolgen einen anderen Ansatz, nämlich die Optimierung des Portfolios unabhängig von Portfolio-Insurance-Strategien und die an die Optimierung anschließende Risikoabsicherung mit Hilfe eines Overlay-Konzeptes. Neben dem Risiko-Overlay kann dabei auch ein sogenanntes Absolute Return-Overlay auf LDI-Portfolios angewandt werden, um die erwarteten Renditen für die in Aussicht stehenden Investoren zu erhöhen ohne die Zahlungsstromstruktur des Portfolios negativ zu beeinflussen. Solche Overlays können daher die sogenannten Rendite-Portfolios von LDI-Konzepten ersetzen.

40

Grundlagen

nem Jahr versteht. Dies bedeutet allerdings nicht, dass der Anleger sich zwischen SAA und TAA entscheiden muss; vielmehr kann die TAA auf der SAA aufbauen. Während die SAA den langen Anlagehorizont durch eine entsprechende Grund-Allokation darstellt, ist das Ziel der TAA, Chancen zu nutzen, die aus kurzfristigen Marktentwicklungen entstehen, und dadurch unterjährig eine Zusatzrendite zu generieren. Da der Anlage- bzw. Prognosehorizont hier deutlich kürzer ist als bei der SAA, werden für die TAA aus Kostengründen anstelle des Basiswertes oft auch Derivate eingesetzt, um die SAA in Richtung der TAA zu ändern. Enthält beispielsweise die SAA 20 Prozent Aktien USA in Form von Einzelaktien und ist aufgrund der TAA ein Ziel von nur 10 Prozent gewünscht, so kann dieses Ziel durch eine Short Future-Position von 10 Prozent erreicht werden. Da nicht für alle Anlageklassen liquide und kostengünstige Derivate verfügbar sind, eignen sich eher die liquiden Asset-Klassen für eine TAA-Steuerung. Während die SAA und die TAA auf einem wie auch immer gearteten Gewichtungsprozess (z.B. Risiko-Rendite-Optimierung, Gleichgewichtung, Risikogewichtung) basieren, in welchen meist die Renditeerwartungen sowie Risikoparameter und Abhängigkeitsmaße zwischen Asset-Klassen eingehen, versteht man unter der dynamischen Asset Allocation (DAA) in der Regel die dynamische Ausrichtung der Asset Allocation an einem über die Zeit und/oder mit der Wertentwicklung schwankenden Risikobudget (sogenannter Wertsicherungsansatz). Hierbei wird die Asset Allocation ständig so angepasst, dass eine vorab definierte Wertuntergrenze innerhalb oder am Ende eines Anlagezeitraumes, unter bestimmten Worst-Case-Annahmen für die Kapitalmärkte, nicht unterschritten wird. Das bekannteste dynamische Wertsicherungskonzept ist das sogenannte Constant-Proportion-Portfolio-Insurance (CPPI)-Konzept, das bereits in den 80er Jahren entwickelt wurde.22 Heute werden viele Abwandlungen des CPPI-Konzepts von der Asset Management-Branche angeboten, welche bestimmte Schwächen des Grundkonzeptes vermeiden sollen oder das Konzept auf weitere Anlageklassen sowie um aktive Komponenten erweitern. Während das CPPI-Konzept direkt ein Risikobudget steuert, erhält der Anleger bei der Bestof-Two-Strategie eine dynamische Steuerung zwischen zwei Asset-Klassen. Bei dieser Steuerung wird eine „Austauschoption“ (exchange option) dynamisch repliziert, die dem Anleger die bessere Performance zweier Anlageklassen sichert.23 Dabei gibt es abhängig von der Detailausgestaltung solcher Systeme erhebliche Performanceunterschiede zu verzeichnen.24 Wenn mehr als zwei Asset-Klassen für solche Strategien genutzt werden, spricht man von Best-of-N Strategien. Dieses Konzept ist durch zunehmende Komplexität und Kosten bei mehr als zwei Asset-Klassen geprägt, daher überwiegen in der Praxis Best-of-Two Ansätze. Tabelle 2.3 stellt beispielhaft die Kombination der SAA, TAA und DAA dar. 22 23

24

Vgl. Perold (1986) und Black/Jones (1987). Bei der Implementierung des Konzeptes in der Praxis zeigen sich zum Teil erhebliche Performancedifferenzen, die teilweise aufgrund geringer Implementierungsunterschiede sowie leichter Unterschiede in den Parametern (z.B. Höhe der Wertuntergrenze) zustande kommen. Vgl. Institutional Money (2009a). Die Performanceunterschiede werden durch die starke Pfadabhängigkeit dynamischer Wertsicherungskonzepte tendenziell verstärkt. Vgl. Tilley/Latainer (1985), S. 33, Chee (2009), S. 3 und Dichtl/Schlenger (2003), S. 812. Vgl. Kurz (2008).

Rebalancing

41

Tabelle 2.3: Beispiel für eine Kombination der drei Konzepte SAA, TAA und DAA Asset-Klasse

Gewichtung gemäß SAA

Gewichtung gemäß TAA

Dynamische Gewichtung (DAA)

Aktien USA

20%

0% – 40%

wie TAA

Aktien Euroland

30%

0% – 60%

wie TAA

Staatsanleihen EUR

20%

0% – 40%

wie TAA

Unternehmensanleihen EUR

10%

0% – 20%

wie TAA

Private Equity

10%

10%

wie TAA

Hedgefonds

10%

10%

wie TAA

Kasse EUR

0%

0% – 10%

0% – 100%

Quelle: Feri Institutional Advisors GmbH (2010).

2.3

Rebalancing

Das Rebalancing bzw. die Rückkehr zur Ausgangs-Asset Allocation wurde bei vielen institutionellen Anlegern früher nur in mehrjährigen bzw. unregelmäßigen Abständen hinterfragt. Rebalancing wird jedoch besonders in Stress-Szenarien immer wieder zum aktuellen Thema.25 In vielen standardisierten Anlageprogrammen, vor allem bei Best-of-Two, erfolgt eine automatische Rebalancierung jährlich zu Beginn eines neuen Anlagezeitraumes. Mit diesen Änderungen sind direkte Transaktions- und indirekte Opportunitätskosten verbunden, z.B. wenn sich herausstellen sollte, dass sehr viele institutionelle Investoren zu Jahresende bzw. Jahresbeginn ähnlich handeln. Bei aktiven Allokationsänderungsentscheidungen ist zwischen relativ einfach implementierbaren systematischen Ansätzen und diskretionären Ansätzen zu unterschieden, von denen letztere in der Praxis oft gerade bei langsam entscheidenden institutionellen Investoren nur schwer effizient zu implementieren sind.26 Rebalancierungsregeln können auch bei der Strategischen Asset Allocation implementiert werden. Solche Regeln sind zum Beispiel sinnvoll, wenn Vorgaben eingehalten werden müssen, wie das Erzielen von Mindestrenditen, maximalen Anlagegrenzen aber auch das Bestehen von sogenannten StressTests. So sieht die deutsche Versicherungs-Anlageverordnung einen maximalen Anteil von sogenannten Risiko-Anlagen von 35 Prozent vor. Außerdem werden, abhängig von Marktszenarien, genaue Stress-Tests vorgegeben. Diese können in der SAA berücksichtigt und die SAA somit dynamisiert werden. Dabei sieht die maximale Stress-Allokation vor, dass die Stress-Tests zu Beginn und am Ende eines Jahres gerade noch bestanden werden. Mit Monte25 26

Vgl. Dorsey/Davydov (2009), S. 2. Vgl. Sender (2009a), S. 26.

42

Grundlagen

Carlo-Simulationen kann getestet werden, wie hoch die Wahrscheinlichkeit für das Bestehen der Tests in verschiedenen Szenarien ist. Das Ergebnis ist vor allem vom bestehenden Risikobudget des Investors abhängig. Je höher das vorhandene Risikobudget, desto höher die potenzielle Allokation zu sogenannten Risikoanlagen. Simulationen ergeben normalerweise, dass auch bei einem hohem Risikobudget (bzw. hoher Risikotragfähigkeit) nicht die volle Allokation von 35 Prozent zu Risikoanlagen ausgenutzt werden sollte. In Abbildung 2.12 ist der Vergleich zwischen einer statischen Allokation mit 20 Prozent zu Risikoassets (Standardmodell) und einer dynamischen Allokation mit 20 bzw. 15 Prozent (dynamisches Modell) im Zeitverlauf beispielhaft dargestellt.

Standardmodell

Jahr 1

Jahr 2

Jahr 3

80%

80%

80%

Basis-Portfolio

20%

20%

20%

„Risiko-Anlagen“

Risikoanlagen gewinnen Risikoanlagen stark an Wert verlieren stark an Wert

Dynamisches Modell

80%

20%

70%

30%

Basis-Portfolio 85%

15%

„Risiko-Anlagen“

Abbildung 2.12: Dynamische Strategische Asset Allocation im Überblick Quelle: Eigene Darstellung, in Anlehnung an HEUBECK-FERI Pension Asset Consulting GmbH. Neben aktiven Entscheidungen aufgrund von (TAA-)Modellen ergeben sich Allokationsänderungen durch unterschiedliche Performance-Entwicklungen der berücksichtigten Anlagesegmente. Allokationsentscheidungen werden aber auch durch Liquiditätszu- oder -abflüsse beeinflusst. Bei privaten Sparplänen aber auch bei Altersvorsorgern mit aktiven Beitragszahlern erfolgt zum Beispiel eine regelmäßige Liquiditätszuführung zu einem Portfolio. Diese kann jeweils basierend auf der SAA für den jeweiligen Anleger allokiert werden, z.B. 50/50 zu Aktien und Anleihen. Während dieses Vorgehen zum Zeitpunkt der ersten Sparrate noch einfach ist, ist für die weiteren Sparraten ein Allokationsmodell erforderlich. Wenn das neu angesparte Geld im Rahmen der 50/50 Ausgangsallkation zum Zeitpunkt t1 investiert wird, kann die Portfolio-Allokation nach Geldzuführung durch Preisveränderungen trotzdem von

Rebalancing

43

der 50/50-Allokation abweichen, wenn sich die Kurse der beiden Anlageklassen seit Portfolio-Start in ihrer Preisrelation verändert haben (siehe Abbildung 2.13 und Tabelle 2.4). Das zusätzliche Geld kann aber auch so allokiert werden, dass die Ziel-Allokation 50/50 entspricht. Für den Anleger ergibt sich ein Cost-Average-Effekt, der jedoch die Aufgabe der Portfolio-Allokation erschwert und bisher nur in wenigen Modellen Berücksichtigung findet.27 Ein Cost-Average-Effekt tritt auf, wenn immer der gleiche Anlagebetrag in eine AssetKlasse investiert wird und gleichzeitig diese Asset-Klasse einen vorübergehenden Wertverlust erleidet (V-förmiger Verlauf). Dadurch werden automatisch mehr Anteile in schwachen Marktphasen (mit niedrigen Asset-Preisen) gekauft als in normalen oder starken Marktphasen.

Anteilspreis (EUR)

Portfolio (t1)

27,5 25 22,5

Wert

%

2

50

57,1%

3

37,5

42,9%

Anzahl

Anleihe (1)

Anleihe (1)

Aktie (1)

20 17,5 15 12,5

Aktie (2)

10 7,5 5 2,5 0

( ) Neukauf Anteile

t0

Zeit

t1

Annahme: EUR 50 Zufluss pro Zeitpunkt werden zu jeweils 50% in Anleihen und Aktien investiert.

Abbildung 2.13: Asset Allocation und Cost-Average-Effekt (CAE) Quelle: Eigene Darstellung. Im Folgenden wird der Cost-Average-Effekt genauer untersucht.

27

Für eine formale Darstellung des Cost-Average-Effektes siehe Walze et al. (2003), S. 439ff.

44

Grundlagen

Tabelle 2.4: Cost-Average-Effekt bei V-förmigem Aktienkursverlauf

Quelle: Eigene Darstellung. In Tabelle 2.4 wird zunächst von einer gleichmäßigen Aufteilung eines regelmäßigen konstanten Anlagebetrages von 50 Euro auf zwei Asset-Klassen ausgegangen (Fall 1 in Tabelle 2.4) und ein V-förmiger Aktienkursverlauf unterstellt, bei dem sich die Aktie zunächst halbiert (Zeitpunkt 1) und danach wieder vollkommen erholt (Zeitpunkt 2). Für die Anleihen wird der Einfachheit halber davon ausgegangen, dass sich deren Preis nicht verändert. Im Zeitpunkt 1, in dem sich der Aktienkurs halbiert hat, ist das Vermögen ungleichmäßig allokiert. Ohne ein Rebalancing auf 50 Prozent Aktien und 50 Prozent Anleihen ergibt sich ein Verhältnis von 42,9 Prozent Aktien zu 57,1 Prozent Anleihen. Dieses Verhältnis kehrt sich im Zeitpunkt 2 um, da sich der Aktienkurs verdoppelt. Es wird ferner angenommen, ein Investor hätte ohne regelmäßige Einzahlungen nur zum Zeitpunkt 0 investiert. Da sich die Preise von Aktie und Anleihe zwischen den Zeitpunkten 0 und 2 insgesamt nicht verändert haben, hätte der Investor (unabhängig von der Aufteilung des Vermögens) eine Rendite von 0 Prozent erzielt. Durch den Cost-Average-Effekt sieht die Rechnung im Falle der regelmäßigen Einzahlung anders aus. Durch den erhöhten Anteilskauf für die Aktie nach deren Kurseinbruch profitiert der Anleger von der nachfolgenden Erholung besonders stark, da sich die zwei gekauften Aktien im Wert verdoppeln. Für den Einzahlplan ergibt sich so eine Rendite von 7,9 Prozent p.a.28 Im Vergleich zur Einmalanlage ergibt sich damit ein Renditevorteil durch den Einzahlplan von 7,9 Prozent p.a., der auch als Cost-Average-Effekt bezeichnet wird. Im unteren Teil der Tabelle 2.4 (Fall 2) wird davon ausgegangen, dass das Gesamtvermögen zu jedem Zeitpunkt wieder auf die ursprüngliche Allokation von 50 Prozent Anleihen und 50 Prozent Aktien rebalanciert wird. Die Rebalancierung wird hier nicht durch den Verkauf einer Anlageklasse und den Kauf der anderen vorgenommen, sondern indem von der zu gering

28

Die Rendite wurde als Internal-Rate-of-Return (IRR) berechnet. Dabei wird unterstellt, dass sich jede Einzahlung mit dem gleichen Zinssatz verzinst, die genau der IRR entspricht. Es wird davon ausgegangen, dass die Differenz zwischen den Zahlungszeitpunkten einem Kalenderjahr entspricht.

Rebalancing

45

gewichteten Anlageklasse mehr gekauft wird, um die Gesamt-Allokation anzupassen. Im Beispiel in der Tabelle 2.4 werden zum Zeitpunkt 1 nicht mehr 2 Aktien gekauft, sondern 2,5, so dass die Allokation wieder auf 50 Prozent Aktien zu 50 Prozent Anleihen zurück gesetzt wird. Da das Rebalancing einen höheren Aktienerwerb zum günstigen Kurs von 12,5 Euro erfordert, sollte der Cost-Average-Effekt im Vergleich zu Fall 1 noch höher sein. Tatsächlich ergibt sich mit Rebalancing eine Rendite von 9,8 Prozent p.a. und damit ein zusätzlicher Vorteil gegenüber Fall 1. Wie oben gezeigt, resultiert der Vorteil des Einzahlplans gegenüber einer Einmalzahlung aus einer schlechten Wertentwicklung einer Anlageklasse mit anschließender Erholung. Wie aber sieht die Bilanz des Investors aus, wenn der umgekehrte Fall eintritt, d.h. eine vorübergehende Hausse mit anschließender Rückentwicklung auf den Anfangskurs? Dieser Fall wird in der Tabelle 2.5 untersucht. Tabelle 2.5: Cost-Average-Effekt bei umgekehrt V-förmigem Aktienkursverlauf

Quelle: Eigene Darstellung. Zunächst wird wieder der Fall einer gleichen Aufteilung der regelmäßigen Neuanlage (Fall 1) betrachtet. Jetzt werden zum Zeitpunkt 1 0,5 Aktien gekauft, deren Wert sich zum Zeitpunkt 2 wieder halbiert. Die Gesamt-Allokation zeigt ein Übergewicht der Aktien zu den Anleihen (60% : 40%) an, das sich zum Zeitpunkt 2 wieder umkehrt. Durch den zwischenzeitlichen Kauf von teuren Aktien, deren Wert sich per Saldo über den Gesamtzeitraum nicht verändert, ergibt sich ein negativer Cost-Average-Effekt. Das Endvermögen von 137,50 Euro liegt unter der Einzahlungssumme von 150 Euro. Die Gesamtrendite über den Zeitraum liegt bei -4,3 Prozent p.a. Nun wird wieder das Ergebnis für den Fall untersucht, dass die Neuanlagen in die Anlageklassen so adjustiert werden, dass das Vermögen gleichmäßig verteilt ist (Fall 2). Die gleichmäßige Verteilung erfordert zum Zeitpunkt 1 einen Kauf von weniger Aktien zum teuren Kurs von 50 Euro als in Fall 1. Daraus resultiert, wie im Fall des V-förmigen Aktienverlaufs, wieder ein Vorteil der Rebalancing-Strategie. Die Rendite ist mit -2,1 Prozent p.a. zwar im-

46

Grundlagen

mer noch negativ, liegt aber deutlich höher als in Fall 1. Der Vorteil des Rebalancing resultiert daraus, dass die teurer gewordene und damit im Gewicht gestiegene Anlageklasse verringert wird, indem weniger gekauft wird. Voraussetzung für einen positiven Effekt des Rebalancing ist allerdings, dass sich der Asset-Preis wieder zurück bewegt (Mean-Reversion). Dies gilt sowohl für den V-förmigen als auch den umgekehrten Aktienkursverlauf. Es wurde gezeigt, dass der Cost-Average-Effekt sowohl positiv als auch negativ sein kann. Tendenziell ergibt sich bei regelmäßiger Neuanlage zwar eine Glättung des Renditeverlaufs; negative Renditen sind aber, auch bei längeren Laufzeiten, nicht ausgeschlossen. Für den Fall, dass der Anleger negative Renditen ausschließen möchte, ist daher eine Kombination mit Absolute-Return- oder Wertsicherungsstrategien sinnvoll. Auf diese Weise können auch bei ungünstigem Verlauf der Finanzmärkte mit hoher Konfidenz positive Renditen erzielt werden. Geht man von einer langfristigen Mean-Reversion der Märkte aus, so resultiert ein zusätzlicher Renditevorteil aus der regelmäßigen Anpassung der Anlagestruktur auf die Ausgangs-Allokation. Inwieweit ein solches Rebalancing tatsächlich möglich ist, hängt allerdings von den einbezogenen Anlageklassen ab. So können besonders illiquide Investments kaum regelmäßig adjustiert werden. Das wird bei sogenannten Blind-Pool- oder CommitmentStrukturen wie Private Equity besonders deutlich. Investoren solcher Fonds verpflichten sich in diesen Modellen demnach, dem Fonds-Manager Liquidität bis zu einer bestimmten Grenze (Commitment) zur Verfügung zu stellen, aber weder die Höhe noch der Zeitpunkt der Abrufe stehen fest. Vergleichbares gilt für die Ausschüttungen.

2.4

Bedeutung der Asset Allocation für den Portfolio-Erfolg

Professionelle Investoren sind sich einig, dass Anlageerfolge zu einem großen Teil von der Asset Allocation abhängen. In der Regel wird auf die Studie von Brinson, Hood und Beebower29 aus dem Jahre 1986 Bezug genommen. Diese belegt angeblich, dass die Asset Allocation für etwa 90 Prozent des Anlageerfolges verantwortlich ist.30 Allerdings gehört sie zu den am häufigsten falsch zitierten Studien, da sie „lediglich“ eine Aussage über die Streuung der Gesamtrenditen von US-Pensionsfonds und nicht über die Auswirkungen der Asset Allocation auf die Gesamtperformance von Portfolios im Allgemeinen enthält.31 Viele wichtige Fragen sind in diesem Zusammenhang bisher nicht zufriedenstellend beantwortet. Die in der Studie analysierten Anlageklassen sind zahlenmäßig sehr begrenzt. Wie 29 30 31

Vgl. Brinson et al. (1986), S. 39 Vgl. Blake et al. (1999), S. 458. Vgl. Ibbotson/Kaplan (2000), S. 32. Der allergrößte Teil der Bewegungen eines Portfolios – rund 80 Prozent – ist demnach auf die allgemeine Marktentwicklung zurückzuführen. Weitere 10 Prozent resultieren aus der spezifischen Asset-Allocation und die restlichen 10 Prozent aus Faktoren wie Timing, Titelselektion und Kosten. Vgl. Ibbotson (2009), S. 45; Hood (2006).

Bedeutung der Asset Allocation für den Portfolio-Erfolg

47

auch andere vergleichbare Studien differenziert sie zudem nicht explizit zwischen der eigentlichen Asset Allocation, d.h. der Auswahl der Asset-Klassen einerseits und der Selektion, d.h. der Auswahl der Investmentstrategien, Manager oder Fonds beziehungsweise der Titel/Aktien andererseits.32 In den letzten Jahren wurden oft Anlage-Erfolge der US-Universitätsstiftungen, vor allem der von Yale und Harvard, als Beleg für die Bedeutung der Asset Allocation zitiert. Im Verlaufe vieler Jahre und auch über einige schwierige Marktphasen hinweg hat Yale z.B. eine bemerkenswerte jährliche Rendite ohne nennenswerte Verluste erzielt (siehe Abbildung 2.14). Das hat sich mit der Finanzkrise 2008/2009 jedoch geändert: Yale erlitt Verluste von mehr als 25 Prozent für 2008, die durchschnittliche Universitätsstiftung verlor im ersten Halbjahr 2009 knapp 20 Prozent.

800

400

200

100 93

95 Harvard

97

99

70 - Bonds / 30 - Aktien

01

03

05

30 - Bonds / 70 - Aktien

07

09

Yale

Abbildung 2.14: Performance-Analyse der Harvard- und Yale-Universitätsstiftungen (I) Quelle: Absolut Research GmbH (2009).

32

Vgl. Nuttal (2000), S. 11 für eine vertiefende Kritik der von Brinson et al. (1986) verfassten Studie.

48

Grundlagen

Tabelle 2.6: Performance Analyse der Harvard- und Yale-Universitätsstiftungen (II) Portfolio

Rendite p.a.

Volatilität p.a.

Sharpe Ratio

Max. Drawdown

99% VaR (FY08)

FY 2009

FY < VaR

99% VaR (FY09)

Yale - Portf olio

13,90%

14,43%

0,721

-24,60%

-9,74%

-24,60%

Yes

-23,64%

Harvard - Portf olio

12,38%

14,31%

0,621

-27,30%

-9,66%

-27,30%

Yes

-24,85%

70 - Bonds

6,46%

6,05%

0,489

-8,15%

-29,26%

-5,91%

No

-9,27%

Citi World Government Bond Index

6,31%

6,56%

0,429

-3,08%

-16,95%

3,99%

No

-10,75%

30-Bonds / 70-Aktien

6,15%

11,52%

0,23

-20,74%

-6,35%

-19,10%

Yes

-23,82%

MSCI World Index

5,52%

16,48%

0,12

-36,22%

-11,25%

-29,00%

Yes

-38,28%

FY = Fiscal Year, VaR = Value-at-Risk.

Quelle: Absolut Research GmbH (2009), Juli 1993 bis Juni 2009. Im langjährigen Vergleich haben US-Universitätsstiftungen zwar immer noch herausragende Renditen33 erreicht, aber für auf jährliche Ausschüttungen angewiesene Institutionen sind solche Verluste ein Problem. Das gilt besonders, da viele der Anlagen dieser Institutionen aus nicht völlig liquiden oder sogar illiquiden Investments bestehen. Allerdings waren die Verluste bei diesen illiquiden Anlageklassen wesentlich geringer als bei Aktien.34 In dem 2006 erschienenen Buch „Multi Asset Class Investment Strategy“35 wurde der Anlageerfolg der US-Universitätsstiftungen genauer untersucht. Der Autor gelangt zu dem Schluss, dass es anscheinend keine allgemeingültige Erklärung für die erzielten Renditen gibt. Yale selbst führt den Erfolg vor allem auf die Auswahl der Manager zurück.36 Diese Erklärung ist jedoch nicht zufriedenstellend, denn es wird zunehmend anerkannt, dass es wenige Manager gibt, die ihre jeweiligen Benchmarks bzw. Märkte dauerhaft „outperformen“. Der Anlageerfolg von Yale könnte auch auf die Auswahl der richtigen Märkte bzw. Asset-Klassen, die Generierung von sogenannten Illiquiditätsprämien und die frühzeitige Investition in neue Marktsegmente zurückzuführen sein. Dadurch war es möglich, in zahlreichen Märkten „Pionierprämien“ zu generieren, die kleineren Investoren aufgrund benötigter Mindest-Investments, geringerer Marktpräsenz und damit schlechterem Zugang zu neuen Ideen und weniger (Gebühren-/Kosten-)Verhandlungsmacht nicht offen standen. Möglicherweise hat auch die Nähe zu den Universitäten (und ihren Alumni) dabei geholfen, frühzeitig 33

34 35 36

62 der großen Stiftungskunden von Cambridge Associates haben in der Zeit von Ende 1989 bis Mitte 2008 11% p.a. erzielt, während eine typische US-Stiftungsallokation von 70 Prozent Aktien und 30 Prozent Anleihen im selben Zeitraum nur eine Rendite von 9,3 % p.a. erzielt hat. Entsprechend sind die langfristigen Wertentwicklungen von Harvard und Yale mit zwischen 12 und 14 % p.a. nach wie vor herausragend. Vgl. Institutional Money (2009c), S. 117. Vgl. Fraser-Sampson (2006). Vgl. Swensen (2000), S. 12.

Bedeutung der Asset Allocation für den Portfolio-Erfolg

49

attraktive Marktsegmente und Investment-Möglichkeiten zu identifizieren. Deutsche institutionelle Investoren dagegen sind vor allem durch eine mangelnde Risikobereitschaft oder durch regulatorische Einschränkungen hinsichtlich der Investments in neue Marktsegmente bzw. Anlagekategorien beschränkt. Die Analyse der von Yale veröffentlichten Informationen führt nicht sehr weit. Auf den ersten Blick erscheint die Asset Allocation wie eine naive37 (im Sinne einer bis auf „ResidualAllokationen“ in Cash und Anleihen), fast gleichmäßig gewichtete und im Zeitablauf relativ stabile Diversifikation (siehe Abbildung 2.15).

100% 90% 80% 70% Private Equity

60%

Domestic Equity 50%

Foreign Equity Absolute Return

40%

Fixed Income 30%

Real Assets Cash

20% 10% 0% -10% 1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

Abbildung 2.15: Asset Allocation der Yale-Universitätsstiftung im Zeitverlauf Quelle: Feri Institutional Advisors GmbH, Daten: Yale-Universitätsstiftung. Auch sehr vermögende Privatkunden verfügen oft über eine Asset Allocation, die eher der von Yale bzw. einer breiten naiven Allokation ähnelt, als einer (engen) traditionellen institutionellen Allokation. Allerdings ist die Allokation der sogenannten Family Offices in der Regel kaum wissenschaftlich bzw. theoretisch untermauert.38 37

38

Der Begriff „naive Diversifikation“ wurde erstmals von Benartzi/Thaler (2001) genutzt. Windcliff/Boyle (2004) stellen dar, dass die 1/n Regel wahrscheinlich weniger naiv ist, als man zuerst annehmen würde. Empirische Studien zur naiven Asset Allocation stellen DeMiguel et al. (2005), Huberman/Jiang (2006) sowie Banz (2008) dar, vermutlich kann man die Allokation von Graham (1949) mit 50/50 zu Aktien und Anleihen als die erste derartige Allokation betrachten. Vgl. Cardinale (2009), S. 2. Die Portfolios deutscher Family Offices bestanden 2008 zu jeweils 24% aus Aktien und Renten, zu 22% aus Immobilien und zu 12% aus Private Equity, Hedgefonds und Rohstoffen, vgl. KG Allgemeine Leasing (2009). Allerdings sind die Anlagestrategien von deutschen Family Offices sehr heterogen und oftmals wird auch keine SAA definiert, vgl. Anliker et al. (2009), S. 4.

50

Grundlagen

2.5

Liquidität

Bisher wurden als die Haupt-Finanzziele von Investoren Renditeziele und Risikoziele39 genannt.40 Diese sind jedoch nicht die einzigen Ziele, die ein Investor verfolgen kann: Im Grundstudium der Betriebswirtschaftslehre wird als drittes Hauptziel im Rahmen der Kapitalanlage das Liquiditätsziel mit dem sogenannten magischen Dreieck der Kapitalanlage eingeführt (siehe Abbildung 2.16). Während dieses für Investoren praktisch oft eine große Rolle spielt, ist es theoretisch bisher wenig untersucht worden.41

Rendite

Sicherheit

Liquidität

Abbildung 2.16: Magisches Dreieck der Kapitalanlage Quelle: Beike/Schlütz (2005), S. 37-38. Dabei ist Liquidität nicht einfach zu definieren. Während einige Instrumente selbstliquidierend sind (Laufzeitprodukte; „natürliche Liquidität“), ist die generelle (auch die partielle und Interims-) Liquidität von dem Vorhandensein von Märkten bzw. Nachfrage nach diesen Produkten abhängig. Wie Abbildung 2.17 zeigt, sind die Liquiditätsrisiken vielfältiger Art.

39

40 41

Je nach Definition umfassen letztere auch entgangene Renditen als Opportunitätsrisiken. Vgl. Marks (2009), S. 8. Bei Risiken ist nicht nur die Risikoeinstellung sondern auch die Risikotragfähigkeit zu beachten, die jeweils voneinander abweichen können, vgl. Weber (2009), S. 42. Generell existieren verschiedene Methoden und Kennzahlen für die Rendite- und Risikomessung von Investments. Die wesentlichen werden in Kapitel 5.1 dieses Buches erläutert. Vgl. Beike/Schlütz (2005), S. 37-38.

Liquidität

51

Subjektbezogenes Liquiditätsrisiko

Refinanzierungsrisiko

• Stellung des Investors gegenüber Banken oder am Geld- und Kapitalmarkt • Rating des Investors • Krisenbedingte Marktanspannung

Objektbezogenes Liquiditätsrisiko

Natürliche Liquidität der Position

• Lauf zeit der Position • Höhe und zeitliche Verteilung der Rückf lüsse

Zahlungsmittelbedarfsrisiko

Marktinduzierte Liquidität der Position

Marktgängigkeit der Position

Zustand des Marktumfeldes

• Volumen der Position • Positionsspezifische Transaktionskosten • Markt, an dem die Position gehandelt wird (sof ern überhaupt vorhanden)

• Häuf igkeit des Handels am Markt der Position • Krisenbedingte Marktanspannung • Zinszyklus • Baisse oder Hausse

• Kundenverhalten bezüglich Entwicklung des Neu- und Bestandsgeschäf ts • Ablauf struktur des Bestandsgeschäf ts • Liquiditätswirksame Auswirkungen aus der Erf olgsrechnung

Abbildung 2.17: Liquiditätsrisiken im Überblick Quelle: Pohl/Schierenbeck (2009), S. 32. Von Investoren wird das Kriterium der benötigten Liquidität der Investments häufig sehr stark betont. Liquidität ist vor allem zur Bedienung von etwaigen Ausschüttungen nötig und wird generell gewünscht, um besser in der Lage zu sein, sich eventuell ergebende Anlagemöglichkeiten nutzen zu können. Das ist vom Grundgedanken her plausibel. Allerdings funktioniert der Verkauf auch von sogenannten liquiden Investments in Extremsituationen wie 2008 nicht immer.42 Das Argument, dass hohe Liquiditätsanforderungen an Investments notwendig sind, um jederzeit bessere Investitionsalternativen nutzen zu können, ist ebenfalls nicht überzeugend. Erstens, ist es schwierig, „sicher“ bessere Anlagealternativen zu finden, und zweitens wird in diversifizierten Portfolios oft ohnehin ein bestimmter Barmittelanteil bzw. ein Budget für die Faktische Asset Allocation vorgehalten, welches für solche taktischen Investitionen ausreichen sollte. Entsprechend sollte die Liquiditätsanforderung eines langfristigen Investors auch nur für einen kleinen Teil des Portfolios und nicht zwangsläufig für alle Investments innerhalb des Portfolios gelten. Damit sind grundsätzlich signifikante Allokationen zu illiquiden Investments im Rahmen der Strategischen Asset Allocation möglich und sinnvoll. In diesem Kontext können Khandani/Lo (2009) zeigen, dass mit illiquiden Investments hohe potenzielle (marktphasenabhängige) Zusatzerträge möglich sind. Meist wird geringe Liquidität jedoch als Illiquiditätsrisiko be42

Möglichkeiten, die Wertentwicklung auch von illiquiden Investments während Marktverwerfungen abzusichern werden in Kapitel 6 dieses Buches vorgestellt.

52

Grundlagen

zeichnet und nicht als potenzieller Renditegenerator. Allerdings ist auch das Illiquiditätsrisiko zeitabhängig und wirkt insbesondere in Phasen von Liquiditätsverknappungen. Entsprechend ist es wichtig, das sogenannte magische Zieldreieck der Kapitelanlage, welches in der wissenschaftlichen Literatur kaum auftaucht (und bei dem die Liquidität nicht als eine RisikoDimension, sondern als zusätzliches Portfolio-Ziel betrachtet wird), bei der PortfolioOptimierung zu berücksichtigen.43 Für institutionelle Anleger sollte man möglicherweise eine andere Zielgrafik verwenden, die aus dem Renditeziel, dem Ziel der Erfüllung kurzfristiger Anforderungen (z.B. Zahlungsstromziele oder Ziele bilanzieller oder aufsichtsrechtlicher Art) und dem Ziel der Erfüllung der meist langfristigen Verpflichtungen (der sogenannten Liabilities) besteht. Die Messung von Illiquidität und ihrer Rendite-Vorteile bzw. Risiko-Nachteile ist schwierig. Klassische Risikokennzahlen wie die Volatilität berücksichtigen die Liquidität gar nicht, obwohl das von Investoren oft anders interpretiert wird. „Bisher beschränkt sich die Forschung zur Messung von Illiquiditäten leider vornehmlich auf den Bereich der Aktienmärkte und somit die Anlagekategorie, für die seitens der Investoren die geringsten Problemen mit Marktilliquiditäten [...] kommuniziert wurden.“44 Andere Autoren verweisen darauf, dass auch bei grundsätzlich als liquide geltenden börsennotierten Anleihen teilweise signifikante Iliquiditätsprämien festzustellen sind.45 Illiquidität wird in Asset-Allokationsmodellen oft durch mehr oder weniger subjektive Risikozuschläge berücksichtigt. Diese können sehr substantiell sein. So zeichnen sich illiquide Anlageklassen dadurch aus, dass für sie selten kontinuierliche Marktwerte existieren. Immobilien werden oft nur einmal jährlich bewertet und Private Equity meist auch nur halbjährlich. Die Qualität solcher Bewertungen variiert außerdem sehr stark. Hinzu kommt, dass illiquide Anlagen oft relativ lange zu Anschaffungskosten ausgewiesen werden. Da Risiko üblicherweise als Volatilität gemessen wird, weisen illiquide Anlagen sehr geringe Volatilitäten auf. Auch Renditen werden oft anders gemessen als bei klassischen Anlagen, bei Private Equity zum Beispiel mit der Internal Rate of Return (IRR oder interne Zinsfuß-Methode). Diese Zahlen stehen oft erst mit einer erheblichen Zeitverzögerung von mehreren Monaten nach dem Bewertungsstichtag zur Verfügung.46 Dadurch sind die Renditezahlen nicht direkt, z.B. mit denen von Aktien, vergleichbar. Asset-Allokationsmodelle verwenden daher für Private Equity zum Beispiel Zuschläge zu Aktienrenditen (Illiquiditätsprämien) und signifikante Erhöhungen der Volatilitäten im Vergleich zu Aktienmarktvolatilitäten. Oft werden solche Werte so angepasst, dass bei Asset-Allokationsmodellierungen die erwünschten Allokationen von sehr oft 5 bis 10 Prozent der gesamten Kapitalanlagen herauskommen. So werden bei Optimierungen manuelle Obergrenzen für die Allokation besonders zu illiquiden Anlageklas-

43 44 45

46

Vgl. Beike/Schlütz (2005), S. 37-38. Vgl. Pohl/Schierenbeck (2009), S. 32. Zwischen frisch aufgelegten Anleihen (On the run) im Vergleich zu Anleihen, die kurz vor dem Fälligkeitstag stehen (Off the run), ist ein Zinsunterschied von 20 bis 30 Basispunkten auszumachen. Vgl. Ibbotson (2009), S. 45. Ein anderes Problem für die Risikomessung kann auch eine zu hohe Frequenz von Werten z.B. bei HochFrequenz-Handelsmodellen sein.

Alternative Anlagestrategien

53

sen gesetzt. Die Bedeutung der Liquidität ist dabei zu differenzieren. Während kurzfristig orientierte Investoren wie Banken in Krisenzeiten höhere Verluste durch Notverkäufe von Anlagen erleiden, nutzen langfristig orientierte Anleger diese schwachen Marktphasen eher als Zukaufchancen. 47 Neben den direkten Finanzzielen gibt es noch weitere Anlegerziele, wie zum Beispiel sogenannte ESG-Ziele (Environmental, Social, Governance) oder Reputationsziele bzw. Risiken, die ebenfalls Auswirkungen auf die Kapitalanlage haben können. So kann eine signifikante Abweichung der Asset Allocation von der Vergleichsgruppe (Peer Group) bei Nichterreichung von Zielen zu einem hohen Reputationsrisiko führen, während sich die Übererfüllung von Zielen möglicherweise nur wenig positiv auswirkt.48

2.6

Alternative Anlagestrategien

In diesem Abschnitt werden die wesentlichen alternativen Anlageklassen einleitend vorgestellt, da diese nicht, wie traditionelle Investments, als bekannt vorausgesetzt werden können. Auf sogenannte Alternative Betas wird nicht im Einzelnen eingegangen; stattdessen werden diversifizierte Zugangsmöglichkeiten zu alternativen Betas in Form von sogenannten investierbaren (eine bessere Bezeichnung wäre replizierbaren) Hedgefonds-Indizes und von sogenannten Hedgefonds-Replikatoren aufgezeigt.

2.6.1

Überblick

Der Bereich der alternativen Investments kann eingeteilt werden in sogenannte „traditionelle“ bzw. etablierte alternative Investments wie einige Arten von Immobilieninvestitionen, Private Equity, Infrastruktur, Rohstoffe und Hedgefonds bzw. Managed Futures-Fonds sowie neue Formen, die häufig als innovative alternative Investments bezeichnet werden.49 Hedgefonds und Managed Futures-Fonds nehmen eine Sonderstellung ein. Korrekterweise beinhalten diese Anlagevehikel keine eigenen Anlageklassen, sondern sind in mehreren Anlageklassen aktiv und verkörpern daher eher Anlagestrategien als Anlageklassen. Allerdings fassen sehr viele Investoren diese Strategien als eigenständige Anlageklassen auf, weshalb wir hier kurz auf sie eingehen wollen. Zu den innovativen alternativen Investments zählen beispielsweise Katastrophen-Bonds, der Handel mit Strom-Derivaten oder Volatilitätsstrategien.50 Teilweise

47 48ȱȱ 49 50

Vgl. Pohl/Schierenbeck (2009), S. 32-33. ESG- und Reputationsziele schränken das zugelassene Anlageuniversum oft signifikant ein. Weiterführende Detailinformationen zu alternativen Investments können Busack/Kaiser (2006a, 2006b) sowie Anson (2006) entnommen werden. Einen detaillierten Überblick über innovative Investment-Strategien liefert Hilpold/Kaiser (2010).

54

Grundlagen

werden auch Immobilien- bzw. Währungs-Investments dem Bereich der alternativen Investments zugeordnet. Immobilien werden von vielen Investoren als traditionelle Anlageklasse angesehen. Die meisten der institutionellen Immobilien-Investments erfolgten in der Vergangenheit direkt, zunächst oft in selbstgenutzte Immobilien bzw. Immobilien aus der nahen Umgebung des Hauptsitzes des Investors. Mit den Jahren kamen vor allem nationale und internationale Immobilien hinzu, die teilweise in Form von geschlossenen Immobilienfonds erworben wurden. Dabei kann zwischen Ein-Investor- und Multi-Investor-Fonds sowie Ein-Objekt- und MultiObjekt-Fonds unterschieden werden. Besonders Multi-Investor-Multi-Objekt-Fonds haben in den letzten Jahren Investoren an Bedeutung gewonnen. Neben geschlossenen Fonds hat sich in Deutschland ein Markt von sogenannten offenen Fonds gebildet. International vergleichbar sind sogenannte Real Estate Investment Trusts (REITs).51 Daneben kann man, wie bei anderen Anlageklassen auch, Anteile an privaten bzw. börsennotierten Immobiliengesellschaften erwerben sowie einige wenige Derivate. Immobilien haben heute einen relativ hohen Anteil in vielen Portfolios. Einen Überblick über die vielfältigen Möglichkeiten von Immobilieninvestitionen gibt Abbildung 2.18.

Region1)

Europa

Nordamerika

Andere

Risikoprofil2)

Core

Value Added

Opportunistisch (Projekte)

Leverage

Niedrig

Mittel

Hoch

Zielinvestmentgröße

Klein

Mittel

Groß

„Branchen“-Fokus

Kapitalkonzept

Investitionsstruktur 1) Auch

Büro

Einzelhandel

Eigenkapital (Mehrheit / Minderheit) Direkt (Physisch, Aktien,..)

Einteilung in entwickelte Märkte und Emerging Markets möglich.

Wohnen

Fremdkapital

Hybrid Einfach indirekt („Fonds“)3) 2) Bezogen

Logistik

Doppelt indirekt („Dachfonds“)

auf Basis-Investitionen

3)

Abgeleitet (Derivate)

Of f en/geschlossen, Trusts wie REITs etc.

Abbildung 2.18: Immobilien-Segmente im Überblick Quelle: Eigene Darstellung. Als Private Equity bezeichnet man Investments in nicht börsennotierte Unternehmen. Die Unternehmen, die Private Equity als Finanzierungsinstrument verwenden, sind häufig noch relativ jung oder sogar in Gründung, wobei man dann von Venture Capital oder Early-StagePrivate Equity spricht (Gründungsfinanzierungen), bzw. befinden sich in einer entscheiden-

51

Zu den Vorteilen von naiven bzw. passiven REIT Investments vgl. PREA (2009).

Alternative Anlagestrategien

55

den Entwicklungsphase und versprechen ein relativ hohes Wachstumspotenzial (Expansionsfinanzierungen). Soll ein Unternehmen später an die Börse gebracht werden, spricht man in einer weiteren Finanzierungsphase dann von Brückenfinanzierungen. Ein ganz entscheidendes und für die hohen Volumina in diesem Bereich verantwortliches Private Equity-Segment sind die Buyout-Transaktionen, bei dem Private Equity primär zur Übernahme und Restrukturierung existierender Unternehmen unterschiedlicher Größe eingesetzt wird. Da es sich vielfach um mit Fremdkapital gehebelte Investments handelt, wird auch von Leveraged-Buyouts gesprochen.52 Neben der reinen Kapitalbereitstellung leisten Private Equity-Investoren häufig auch eine aktive Management-Unterstützung und übertragen ihre spezifische Erfahrung auf das Unternehmen. Diese Management-Unterstützung steht gerade bei sehr jungen Unternehmen häufig im Vordergrund. Des Weiteren hat das Unternehmen gegenüber der klassischen Form der Fremdfinanzierung über Kredite den Vorteil, dass in der Anfangsphase des Unternehmens keine liquiden Mittel durch Zins- und Tilgungszahlungen abfließen. Die durch die höhere Eigenkapitalbasis verbesserte Kapitalstruktur versetzt die über Private Equity finanzierten Unternehmen in eine günstigere Verhandlungsposition gegenüber den Kreditinstituten. Die genannten Vorteile sind allerdings mit dem Verlust des alleinigen Stimmrechts bzw. der alleinigen Entscheidungsbefugnis der Unternehmensgründer verbunden. Private EquityKapitalgeber stellen ihre finanziellen Mittel häufig für einen Zeithorizont von ca. fünf bis zehn Jahren zur Verfügung.53 Im Gegensatz zur klassischen Fremdfinanzierung tritt an die Stelle der üblichen Sicherheiten die Teilhaberschaft der Private Equity-Investoren. Folglich besteht schon zu Beginn der Investition die Absicht, die Unternehmensbeteiligung gewinnbringend zu veräußern. Private Equity-Investitionen sind in der Regel relativ intransparent und illiquide, wenn es sich nicht um sogenannte Secondary-Transaktionen handelt, die kurzfristiger ge- und verkauft werden können. Außerdem besteht aufgrund der schwierigen Bewertung der Investition eine hohe Unsicherheit bezüglich der zu erwartenden Renditen. Stellen die Private Equity-Investoren sowohl Eigenkapital als auch Managementerfahrung zur Verfügung, können diese allerdings die möglichen Risiken und Erträge durch unternehmerische Entscheidungen aktiv mit beeinflussen.54 Private Equity-Kapital wird den Unternehmen in Finanzierungsrunden nach Erreichung verschiedener Meilensteine gewährt.55 Private Equity-Investitionen erfolgen direkt oder über geschlossene mehr oder weniger diversifizierte Fonds. Neben Venture- und Buyout-Eigenkapital-Investitionen sind auch Fonds am Markt, die sich auf die Bereitstellung von Fremd- bzw. Hybridkapital spezialisiert haben, teilweise mit der Absicht, dieses Fremdkapital zumindest teilweise in Eigenkapital bis hin zu kontrollierenden Anteilen umzuwandeln. Neben dem relativ großen Segment der sogenannten Mezzanine-Fonds gibt es Venture-Debt- und auch sogenannte Distressed-Debt-Fonds. Das mit Abstand größte Segment des Marktes sind die Buyout-Fonds, die man vor allem nach ihrem regionalen Fokus und der Größe der Zielunternehmen (Small-Cap-, Mid-Market- bis 52 53 54 55

Vgl. Busack/Kaiser (2006c), S. 23. Vgl. Lamm/Ghaleb-Harter (2001), S. 73. Vgl. Kaiser/Lauterbach (2007), S. 62. Vgl. Lauterbach/Kaiser (2007), S. 190.

56

Grundlagen

Mega-Buyout) unterteilt bzw. nach Expansions- bzw. Restrukturierungsfokus der Fonds. Zunehmend und gerade auch in großen Märkten wie den USA gibt es Fonds, die sich auf bestimmte Branchen wie z.B. Informationstechnologie, Medien und Telekommunikation, Biotechnologie und Gesundheitsvorsorge, neue und traditionelle Energie aber auch Immobilien spezialisiert haben. Abbildung 2.19 gibt einen Überblick über die vielfältigen PrivateEquity Segmentierungsmöglichkeiten.

Region1)

Europa Venture Capital (Seed bis Pre-IPO)

Geschäftskonzept

Asien Buyout Capital (Expansion / Restruktuierung)

Leverage

Niedrig

Mittel

Hoch

Zielinvestmentgröße

Klein

Mittel

Groß

„Branchen“-Fokus

Kapitalkonzept

Investitionsstruktur

1)

Nordamerika Nordamerika

IT

Biotech / Health Care

Eigenkapital (Mehrheit / Minderheit) Direkt (Physisch, Aktien,..)

Energie / Clean Tech

Immobilien

(Sonstige) Produktion

Hybrid / Mezzanine Einfach indirekt („Fonds“)

Doppelt indirekt („Dachfonds“)

(Sonstige) Dienstleist.

Fremdkapital Abgeleitet (Derivate)

Auch Einteilung in entwickelte Märkte und Emerging Markets möglich.

Abbildung 2.19: Private-Equity-Segmente im Überblick Quelle: Eigene Darstellung. Infrastruktur bezeichnet alle langlebigen Grundeinrichtungen personeller, materieller oder institutioneller Art, welche für die Funktionsfähigkeit von Volkswirtschaften wichtig sind. Neben der natürlichen Infrastruktur (z.B. Flüsse) gibt es vom Staat finanzierte und zunehmend auch zumindest teilweise privat finanzierte Infrastruktur. Einen Überblick über Infrastruktursektoren bietet Abbildung 2.20. Infrastrukturinvestitionen weisen Merkmale auf, die sie von anderen Anlagesegmenten unterscheiden. Ähnlich wie bei Immobilien handelt es sich in der Regel um langfristige Investitionen in Objekte, die eine attraktive laufende Rendite abwerfen sollen. Anders als bei Immobilien erfolgen jedoch die Investitionen meist in stark regulierten und damit oft engen Märkten mit hohen Nutzungsbeschränkungen bzw. Unterhaltsanforderungen und nur wenigen „natürlichen“ Käufern und Verkäufern. Außerdem wird nicht notwendigerweise nur in bestehende und projektierte Objekte – letzteres ähnlich wie bei Private Equity Real Estate bzw. opportunistischen Immobilienprojekten – sondern auch in Betreiber-Konzessionen investiert. Das Management der Konzessionen ist am ehesten dem Management von Private Equity finanzierten Unternehmen vergleichbar.

Alternative Anlagestrategien

Region1)

Europa

Nordamerika

Andere

Risikoprofil2)

Core

Value Added

Opportunistisch (Projekte)

Leverage

Niedrig

Mittel

Hoch

Zielgröße

Klein

Mittel

Groß

„Branchen“-Fokus

Kapitalkonzept

Investitionsstruktur

1) Auch

57

Sozial

Energie

Umwelt

Eigenkapital (Mehrheit / Minderheit) Direkt (Physisch, Aktien,..)

Einteilung in entwickelte Märkte und Emerging Markets möglich.

Transport3)

Fremdkapital

Hybrid Einfach indirekt („Fonds“)3)

2) Bezogen

auf Basis-Investitionen

Doppelt indirekt („Dachfonds“) 3)

Kommunikation

Abgeleitet (Derivate)

Ggf . inkl. mobile Inf rastruktur wie Schif f e und Flugzeuge.

Abbildung 2.20: Infrastruktur-Segmente im Überblick Quelle: Eigene Darstellung. Das Angebot von Infrastruktur wird vor allem durch staatliche oder andere öffentliche Interessen getrieben. In der Vergangenheit waren Infrastrukturprojekte für private Investoren kaum in signifikantem Umfang zugänglich. Demografisches Wachstum, Urbanisierung in den Entwicklungsländern und Alterung der Bevölkerung in den entwickelten Ländern, technologischer Wandel, Globalisierung mit zunehmendem Handel, Klimawandel und Umweltschutzanforderungen treiben die Nachfrage nach Infrastrukturinvestitionen. Durch die Vernachlässigung staatlicher Investitionen in Infrastruktur, die hohe Verschuldung und damit die geringen Investitionsspielräume vieler Staaten sind zunehmende private Investitionen erwünscht. Der geschätzte jährliche Bedarf an Infrastrukturinvestitionen liegt bei über 1 Billion US Dollar. Infrastrukturprojekte sind vom Kapitalvolumen her relativ groß. Investoren bekommen jedoch nicht nur direkt sondern vor allem auch indirekt durch geschlossene Fondskonzepte Zugang zu Infrastrukturprojekten. In vielen Fällen handelt es sich dabei um Private Equity ähnliche Fondskonzeptionen, vereinzelt werden aber auch Projekte/Einzelunternehmen am Aktienmarkt gelistet. Anfang 2010 befanden sich ca. 100 institutionelle geschlossene Infrastrukturfonds im sogenannten Fundraising mit einem Kapitalsammelziel von insgesamt ca. 100 Milliarden US-Dollar. Das meiste Kapital davon soll in Nordamerika und Europa angelegt werden, die meisten Fonds sind aber auf Asien und Emerging Markets insgesamt ausgerichtet. Die Fonds werden meist von Finanzinstitutionen angeboten, wenige der Management-Gesellschaften sind bisher unabhängig. Die überwiegende Laufzeit der Fonds beträgt bis zu 15 Jahre, also etwas länger als bei Private Equity. Daneben gibt es auch einige sogenannte Evergreen-Strukturen ohne festgesetzte Laufzeiten. Darüber hinaus existieren zahlreiche weitere Fonds in diesem Segment, über 100 allein fokussiert auf Investitionen in Indien. Die verschiedenen Infrastruktursegmente (siehe Abbildung 2.20) unterscheiden sich vor allem in ihren Cashflow-Strukturen und der Unsicherheit dieser Cashflows (z.B. Energiever-

58

Grundlagen

sorgungsanlagen mit Abnahmegarantie versus private Altersheime), dem Risikoprofil von Bestands- (sogenannten Brownfield, die wiederum nach ihrem Restrukturierungsbedarf von niedrig bis hoch differenziert werden können) und Projektinvestitionen (Greenfield), dem Grad der Zusammenarbeit mit nicht-privaten Institutionen wie bei Public-Private-Partnerschaften und der Größe der Objekte. Rohstoffe sind natürliche Ressourcen, die bis auf die Loslösung aus ihrer natürlichen Quelle noch keine Bearbeitung erfahren haben. Sie werden aus der Natur gewonnen und entweder direkt konsumiert oder finden als Arbeitsmittel und Ausgangsmaterialien für weitere Verarbeitungsstufen in der Produktion Verwendung. Für die Klassifikation von Rohstoffen gibt es unterschiedliche Systeme. Häufig genutzte Kriterien zur systematischen Einteilung sind ihre natürlichen Eigenschaften, der Grad der Regenerierbarkeit, die Herkunft und der Verwendungszweck.56 Der Handel mit Rohstoffen findet zumeist an spezialisierten Rohstoffbörsen statt, an welchen Rohstofftermingeschäfte abgewickelt werden. Sie bieten einen organisierten Marktplatz mit einheitlichen Regeln und standardisierten Kontrakten. Rohstoffbörsen sind zumeist in Form von Vereinen strukturiert und operieren im Interesse ihrer Mitglieder. Transaktionen erfolgen durch Broker, die ihrerseits Mitglieder sind. Die erste Rohstoffbörse, die Djima Rice Exchange, wurde von japanischen Farmern in Osaka im Jahr 1697 gegründet, um Reis-FuturesKontrakte zu handeln. Gemessen am gehandelten Volumen ist die 1998 gegründete Chicago Mercantile Exchange (CME) die weltweit bedeutendste Rohstoff-Futures-Börse. Da es an den Rohstoffmärkten im Vergleich zu Devisen- oder Aktienmärkten kaum Interventionsmöglichkeiten57 gibt, und die Produktionsseite nur sehr träge auf Marktungleichgewichte reagieren kann, werden kurzfristige Angebots- bzw. Nachfrageschocks allein über den Preis ausgeglichen. Die dadurch inhärenten hohen Volatilitäten dieser Anlagekategorie halten zahlreiche Anleger von einem Investment ab, obwohl Rohstoffe als reale Assets aufgrund ihrer oft geringen Korrelationen zu anderen Asset-Klassen ein hohes Diversifikationspotenzial innerhalb traditioneller Wertpapier-Portfolios bieten.58 56 57

58

Vgl. Fabozzi et al. (2008), S. 4. So stehen z.B. Zentralbanken eine Vielzahl von geldpolitischen Instrumenten zur Verfügung, um den Wert und die Stabilität der inländischen Währung zu stützen. Gleichzeitig können die Nationalbanken über den Zinssatz inflationären bzw. deflationären Entwicklungen einer Volkswirtschaft entgegen wirken. Auch Unternehmen selbst können durch kurzfristige Kapitalmaßnahmen Einfluss auf die Aktienperformance nehmen. Commodity Futures sind insgesamt mit der Entwicklung von Aktien und Renten weitgehend unkorreliert. In bestimmten Phasen steigt die Korrelation allerdings an, so dass sich nicht alle Rohstoffe in jeder Marktphase zu Diversifikationszwecken eignen, vgl. Kat/Oomen (2006). Die Korrelationen sind auch zwischen den einzelnen Rohstoffsektoren mit Werten zwischen -0,05 und 0,15 als sehr gering einzustufen. Schließlich gelten Rohstoffanlagen auch aufgrund ihrer Eigenschaft als Inflations-Hedge unter Investoren als attraktive Anlagealternative, vgl. Füss et al. (2006), S. 1214. So weisen Gorton/Rouwenhorst (2006) für Rohstoff-Futures-Renditen statistisch signifikante Korrelationen zur Inflationsrate nach. Anders als bei Anleihen und Aktien, deren Ertrag negativ durch Inflation beeinflusst wird, ist die Performance von Rohstoff-Indizes in Phasen hoher und steigender Inflation deutlich besser. Allerdings existieren signifikante Unterschiede zwischen den einzelnen Rohstoffsektoren, wobei Energie, Metalle, Lebendvieh und Zucker das beste Hedging-Potenzial aufweisen.

Alternative Anlagestrategien

59

Zu den Möglichkeiten der Partizipation an den internationalen Rohstoffmärkten zählen neben dem Kauf der physischen Ware am Kassa- bzw. Spotmarkt eine Vielzahl weiterer Instrumente wie Direktanlagen in Rohstoff-Futures, Investitionen in Rohstoffaktien und passive Rohstoffindizes sowie in aktive Fondsprodukte.59 Aufgrund ihrer diversen Vorzüge haben sich in den letzten Jahren insbesondere aktive Rohstofffonds am Markt etablieren können. Betrachtet man die Terminkurve eines bestimmten Rohstoffs, welche dessen Futures-Preis zu verschiedenen Fälligkeiten des Kontraktes darstellt, so lassen sich zwei unterschiedliche Verläufe beobachten: Bei Backwardation hat die Terminkurve einen negativen Verlauf, d.h. die weiter in der Zukunft liegenden Futures-Preise sind niedriger als der aktuelle Spotpreis. Im Fall von Contango gilt das Gegenteil. Hier liegt der Futures-Kurs über dem Spot-Kurs, d.h., die Zeitstrukturkurve hat eine positive Steigung. Die Abbildungen 2.21 und 2.22 stellen beispielhaft verschiedene Terminstrukturkurven von ausgesuchten Rohstoffen dar (Erdöl vs. Zinn), um die verschiedenen Verläufe (Contango vs. Backwardation) zu veranschaulichen. Es besteht eine Vielzahl unterschiedlicher Erklärungsansätze für mögliche Treiber von Commodity-Futures-Renditen. Lewis (2005) führt die abweichenden „Term Structures“ zwischen den Sektoren sowohl auf die Lagerhaltungstheorie als auch auf die Existenz einer Convenience Yield zurück. Gemäß der Theorie der Lagerhaltung nach Kaldor (1939) reflektiert die Convenience Yield den Nutzen aus dem Halten des physischen Rohstoffes gegenüber einer rein vertraglichen Vereinbarung über die Lieferung des betreffenden Rohstoffes. Der Nutzen ergibt sich aus der Vermeidung von Kosten, die durch Störungen im Produktionsablauf oder durch mögliche Schwierigkeiten bei der Lagerung entstehen können. Rohstoffe, die verstärkt Veränderungen des Lagerbestandes auf Grund plötzlicher Angebotsoder Nachfrageschocks ausgesetzt sind, weisen in erhöhtem Maße Veränderungen bis hin zu Umkehrungen der Terminstrukturkurve auf. Die Steigung der Terminstrukturkurve kann somit als Indikator des Lagerbestandes eines Rohstoffs betrachtet werden und reflektiert die Markterwartungen über dessen zukünftige Verfügbarkeit. Eng verbunden mit dem Konzept der Verfügbarkeitsprämie ist die auf Keynes (1930) zurückgehende Theorie der „(Normal) Backwardation“. Das Auftreten von Backwardation und Contango hängt stark von der jeweiligen Angebots- und der Nachfragesituation auf den globalen Rohstoffmärkten ab. Der Theorie der Normal Backwardation zufolge übersteigt der Bedarf an Short-Hedging bei weitem jenen an Long-Hedging, so dass die Aufgabe der Spekulanten in der regelmäßigen Übernahme dieses Überschusses besteht. Zur Kompensation der Spekulanten räumen die ShortHedger eine Risikoprämie in Form eines Abschlages vom zu erwartenden Kassapreis ein. Da der Discount im Normalfall zu einer abfallenden Strukturkurve führt, wird dieser auch als „Normal Backwardation“ bezeichnet. Contango-Situationen hingegen können auftreten, wenn die Käufer, wie z.B. in der weiterverarbeitenden Industrie, auf die termingerechte Lieferung angewiesen sind. Dadurch kann es zu einem Überschuss an Long-Hedgern kommen, was zu einer steigenden Terminkurve führt. Der Nachfrager bezahlt eine Convenience Yield, 59

Neben traditionellen Long-Only-Rohstofffonds existieren mit den so genannten Commodity Trading Advisors (CTAs) eine weitere Möglichkeit in aktiv verwaltete Investmentprodukte zu investieren. Heutzutage existieren über 400 Hedgefonds mit energie- und rohstoffbezogenen Handelstrategien. Vgl. Hilpold (2006), S. 400.

60

Grundlagen

um den Rohstoff sicher zur Verfügung zu haben. Die Theorie zur Backwardation bzw. zur Contango steht mit der Beobachtung vieler Autoren im Einklang, dass das Hauptkriterium für das Absinken bzw. Ansteigen der Terminkurve in der eingeschränkten Lagerfähigkeit (Storage-Hypothese) der einzelnen Commodities liegt.60

in USD je Barrel (NYMEX)

$100 $95

Crude Oil, WTI (NYMEX)

$90 $85 $80 $75 $70 $65

M

M

M

M

1M

10

83

65

62

59

M

M 53

56

M

M 47

50

M

M 41

44

M

M 38

M

M

35

32

M

29

M

M

M

26

23

20

17

M

M 11

14

5M

8M

2M

$60

Restlaufzeit des Future-Kontraktes in Monaten

Abbildung 2.21: Forward-Kurve von WTI Crude Oil an der New York Mercantile Exchange am 27.07. 2009 (Contango) Quelle: Hilpold/Kaiser (2010), S. 116.

in USD/metric ton (LME)

$15,000 $14,800 Zinn (LME)

$14,600 $14,400 $14,200 $14,000 $13,800 $13,600 $13,400 $13,200 1M

2M

3M

4M

5M

6M

7M

8M

9M 10M 11M 1Y 13M 14M 15M

Restlaufzeit des Future-Kontraktes in Monaten

Abbildung 2.22: Forward-Kurve von Zinn an der LME am 27.7.2009 (Backwardation) Quelle: Hilpold/Kaiser (2010), S. 118.

60

Vgl. Füss et al. (2006), S. 1214.

Alternative Anlagestrategien

61

Managed Futures ist der Oberbegriff für eine Handelsstrategie, die vor allem auf systematischen Computermodellen beruht, die unter Analyse unterschiedlicher Zeithorizonte in alle weltweiten verfügbaren Asset-Klassen investieren kann. Als Instrumente dienen meist standardisierte und börsennotierte Derivate (Futures, Optionen, Forwards). Die Anlegergelder werden über Fonds oder Pools bzw. über Individualkonten (Managed Accounts) durch professionelle Managed Futures-Trader (Commodity Trading Advisors, CTAs) in Terminkontrakte investiert, um von steigenden und/oder fallenden Kurstrends in allen Anlageklassen zu profitieren.61 Die Managed Futures-Strategie versucht, aus Preisbewegungen auf Aktien-, Devisen-, Zinsoder Rohstoffmärkten Kauf- und Verkaufssignale auszumachen und renditebringend auszunutzen. Die Preisschwankungen werden durch den Einsatz technischer Simulationen und von Mustererkennungsmodellen erforscht. Die Simulationsmodelle werden von den CTAs entwickelt und stellen deren spezielles Know-how dar. Sie sind deswegen nicht immer transparent hinsichtlich der Funktionsweise der angewandten Methoden. Heutzutage werden von CTAs vorwiegend mehrere Märkte gehandelt, z.B. Aktien, Zinsen, Währungen und Rohstoffe. Die Anzahl der CTAs, die ausschließlich Rohstoffe (Systematic Commodity) oder Devisen (Systematic Currency) handeln, ist sehr gering. Managed Futures „handeln“ meist zwischen 60 und 100 verschiedene Märkte.62 Bei Managed Futures gibt es Modelle, die entweder auf fundamentalen oder technischen Informationen oder auf beiden aufbauen. Während bei den fundamentalen Händlern die qualitative Analyse im Vordergrund steht, sind es bei technisch orientierten Fonds vorwiegend quantitative Preisdaten (sowie Ableitungen davon). Mit Hilfe von Fundamentalanalysen wird versucht, den Wert von Wertpapieren durch die Verwendung von Indikatoren zu bestimmen, z.B. volkswirtschaftliche Indikatoren wie Arbeitslosenquoten oder Zinssatzänderungsentscheidungen von Zentralbanken, die Wertpapierkurse beeinflussen können. Die Technische Analyse fokussiert auf den Preis eines Wertpapiers und versucht, durch die quantitative Analyse der historischen Wertentwicklung zukünftige Marktentwicklungen abzuleiten. Die Entscheidungsmethoden von Managed Futures-Fonds sind entweder diskretionär oder systematisch. Bei diskretionärem Handel werden die tatsächlichen Handelsentscheidungen von einem Manager getroffen, d.h. obwohl quantitative Modelle existieren, die konkrete Trading-Vorschläge liefern, ist es dem Manager überlassen, sich an diese Modelle zu halten. Ein diskretionärer Manager würde sich beispielsweise dann nicht an seine quantitativen Modelle halten, wenn die Ergebnisse der qualitativen Analyse ein anderes Bild der aktuellen Marktlage zeichnen und der Manager qualitativen Analysen eine höhere Validität beimisst. Beim systematischen Handel existieren programmierte Handelsalgorithmen, welche die Ergebnisse der quantitativen Analyse automatisiert umsetzen und entsprechende Transaktionen über programmierte Schnittstellen in den Markt geben. Hierbei gibt es feste Regeln für jedes programmierte Marktszenario und Abweichungen hiervon sind nicht gestattet. 61 62

In der Praxis werden Managed Futures und CTAs als Synonyme füreinander verwendet, vgl. Busack/Kaiser (2006c), S. 38 sowie Hilpold/Kaiser (2010), S. 20. Vgl. Kaiser (2009), S. 106.

62

Grundlagen

Abbildung 2.23 zeigt einen vereinfachten Überblick über die Strategien, die Managed Futures nutzen. Dabei ist ersichtlich, dass der Trading-Ansatz meist systematisch, diskretionär oder als Mischung dieser beiden konzeptioniert ist. Der systematische Ansatz mit automatisiertem Trading ist dabei in der Praxis am häufigsten anzutreffen. Die technische Analyse wird meistens dazu verwendet, das Momentum der aktuellen Trends an den Finanzmärkten zu erfassen. Im Gegensatz dazu sind nicht-systematische CTAs als diskretionäre Händler bekannt und persönliche Erfahrung und eigenes Urteilsvermögen sind die Grundlage der Investitionsentscheidungen. Tendenziell haben diese diskretionären CTAs konzentriertere Portfolios und verwenden Fundamentaldaten, um die jeweiligen Märkte zu beurteilen – genauso wie die technische Analyse, um das Timing zu verbessern.

Systematisch

Diskretionär

Mischform

Technisch

Fundamental

Mischform

Trading-Stil

Momentum

Counter-Trend

Spreads/Andere

Zeitrahmen

1-5 Tage

6-20 Tage

Über 20 Tage

Trading-Ansatz

Analyse

Gehandelte Märkte

Diversifiziert

Einzelne Märkte

Volatilität

Niedrig

Mittel

Hoch

Margin-to-Equity

5-10%

10-20%

Über 20%

Abbildung 2.23: Verschiedene Investment-Ansätze von CTAs Quelle: Hilpold/Kaiser (2010), S. 26. Hedgefonds versuchen unter Anwendung verschiedenster Investment-Strategien entweder, Fehlbewertungen einzelner Wertpapiere zu identifizieren und gewinnbringend auszunutzen, oder alternative, d.h. nicht-herkömmliche, Risikoprämien zu vereinnahmen. Für den Begriff Hedgefonds gibt es eine Vielzahl verschiedener Definitionen. Kaiser (2009) definiert Hedgefonds als wenig regulierte, kollektive Investmentprodukte, welche zu einem gewissen Anteil fremdfinanziert in Cash-, Aktien-, Renten-, Rohstoff- und Währungsmärkten investieren, um

Alternative Anlagestrategien

63

für die Investoren einen Mehrwert zu liefern. Die aktiven Investment-Strategien sind hierbei überwiegend an den speziellen Fähigkeiten der Fonds-Manager und nicht an Benchmarks ausgerichtet und verfolgen, unter Verwendung von Leerverkäufen, in der Regel ein absolutes Ertragsziel. Trotzdem ist die Bandbreite der Risiko- und Ertragsziele bei Hedgefonds sehr heterogen. Rechtlich stellen Hedgefonds meist eine einer Kommanditgesellschaft ähnliche Kapitalanlagegesellschaft dar (Private Limited Partnership). Da sich Hedgefonds um private Platzierungen bei Einzelpersonen und Institutionen bemühen, sind sie, im Gegensatz zu den in den USA z.B. durch die SEC regulierten offenen Investmentfonds, bisher größtenteils von Offenlegung und Regulierung befreit. Die Deutsche Bundesbank findet den Begriff Risikofonds im Zusammenhang mit Hedgefonds passender, da Hedging nur insofern Bestandteil der Fondsstrategie ist, als dass das Portfolio gegen andere als die bewusst in Anspruch genommenen Risiken abgesichert ist und die Wertentwicklung lediglich von der Korrektur der vermuteten Fehlbewertung abhängt.63 Nach Edwards und Gaon (2003) sind definierende Merkmale von Hedgefonds:64 „ von der Unternehmensstruktur her eine zum größten Teil unregulierte Institution, die dazu berechtigt ist, jedwede Investment-Strategie zu verwenden; „ Investition in Aktien- und Rentenpapiere und in die dazugehörigen Derivate; „ simultanes Halten von Long- und Short-Positionen, um von falschen Kursfeststellungen zu profitieren; „ extensiver Gebrauch von Leerverkäufen, um von fallenden Wertpapierkursen oder -märkten zu partizipieren; „ Nutzung von Balance Sheet- und Off-Balance Sheet-Leverage, um die Erträge zu erhöhen; „ eingeschränkte Anzahl an einzelnen Portfolio-Positionen; „ extensiver Gebrauch von Derivaten, um Risiken abzusichern, die nicht mit ihren Anlagestrategien im Einklang stehen; „ geringe Liquidität bei der Rückgabe von Anteilen an Hedgefonds; „ häufige Verwendung von Performance-Gebühren, um den Fonds-Manager für seine Leistung zu entlohnen. Nach dem Markt-Exposure als Klassifizierungsmerkmal lassen sich die drei HedgefondsStilrichtungen Relative Value, Event Driven und Opportunistic unterscheiden (siehe Abbildung 2.24).

63 64

Vgl. Deutsche Bundesbank (1999), S. 32. Vgl. Edwards/Gaon (2003), S. 14.

64

Grundlagen

Hedgefonds-Composite-Index

Management-Stile

Strategien

Relative Value

Event Driven

Opportunistisch

Equity Market Neutral

Merger Arbitrage

Global Macro

Fixed Income Arbitrage

Distressed Securities

Long/Short Equity

Convertible Arbitrage

Short Selling Emerging Markets

gering

Systematisches MarktExposure

hoch

Abbildung 2.24: Hedgefonds-Stile und -Strategien Quelle: Füss/Kaiser (2007), S. 436. Die Relative Value-Strategien versuchen, temporäre Fehlbewertungen zwischen ähnlichen Aktien, Anleihen oder derivativen Instrumenten gewinnbringend auszunutzen. Ziel ist es, unabhängig vom Marktumfeld positive Renditen zu erwirtschaften, weshalb sie auch als marktneutrale Strategien bezeichnet werden. Hierbei wird versucht, das Marktrisiko (Beta) oder das Zinsrisiko (Duration) weitgehend auszuschalten. Die wichtigsten Stilrichtungen sind Equity Market Neutral (marktneutrale Aktienstrategie, auch statistische Arbitrage genannt), die Fixed Income Arbitrage (Zins-Arbitrage wie z.B. Mortgage Backed Securities Arbitrage, Yield Curve Arbitrage, Credit Spread Arbitrage und Kapitalstrukturarbitrage) und die Convertible (Bond) Arbitrage. Die Event-Driven-Strategien gründen auf Informationen über angekündigte oder erwartete Ereignisse, die zu einer Neubewertung eines Unternehmens und zu einer Veränderung im Aktien- bzw. Anleihekurs führen können. Dabei soll von der falschen Lagebeurteilung und der Unsicherheit anderer Investoren im Fall von Übernahmen, Reorganisationen oder Management Buyouts profitiert werden. Bei diesen ereignisorientierten Strategien wird i.d.R. zwischen Investitionen in Unternehmen, die sich in finanziellen oder operationellen Schwierigkeiten befinden bzw. in Insolvenz geraten sind (Distressed Securities) und Arbitragegeschäften bei Unternehmensübernahmen oder -fusionen (Merger Arbitrage) unterschieden. Der Erfolg der opportunistischen Strategien hängt entscheidend von der Fähigkeit des Managers ab, Marktentwicklungen richtig einzuschätzen und entsprechende (opportunistische) Positionen einzunehmen. Die wichtigsten Untergruppen sind Global Macro, Long/Short Equity, Short Selling und Emerging Markets.

Alternative Anlagestrategien

65

Dadurch, dass ein Hedgefonds-Manager sich nicht an einer Benchmark orientieren muss, sind dessen Fähigkeiten (Alpha) der dominierende Faktor der Rendite und nicht die Entwicklung an den Finanzmärkten (Beta) wie bei klassischen Investmentfonds.65 Der Ursprung der über den risikolosen Zins hinausgehenden Rendite einer Anlageklasse ist die ökonomische Risikoprämie; bei Aktien ist dies die Aktien-Risikoprämie. Diese Strategien werden auch Marktbasierende Strategien (Market-Based, Beta-Strategien) genannt, weil sich ihre Rendite von der Entwicklung eines Marktes ableitet. Hedgefonds-Strategien zählen zu den Know-howbasierenden Strategien (Skill-Based, Alpha-Strategien), weil hier die Rendite vor allem von den Fähigkeiten des Managers abhängt, eine Investitionsmöglichkeit in einen Profit zu wandeln.66 Die Gebühren für Know-how-basierte Strategien liegen deutlich über denen von Markt-basierten Strategien. Entsprechend ist im Hedgefonds-Bereich eine Managementgebühr zwischen 1,5 Prozent bis 2 Prozent sowie eine Gewinnbeteiligung (nach HighWatermark67) zwischen 15 und 20 Prozent der Standard. In einer empirischen Untersuchung einer kommerziellen Hedgefonds-Datenbank teilen Ibbotson/Chen (2006) die Bruttorenditen von 3.500 Hedgefonds in ihre Alpha, Beta (Marktrisiko) und Kosten-Komponenten für den Zeitraum von Januar 1995 bis April 2006 auf. Die Autoren zeigen, dass in einem gleichgewichteten Hedgefonds-Portfolio die langfristige annualisierte Brutto-Rendite von 12,9 Prozent p.a. sich in ein Alpha von 3,7 Prozent, ein Beta von 5,4 Prozent und Kosten von 3,8 Prozent aufteilen lassen. Damit konnten Ibbotson/Chen (2006) zeigen, dass die Überrendite von Hedgefonds über deren systematischem Beta zu (annähernd) gleichen Teilen zwischen den Hedgefonds und den Investoren „geteilt“ wird (siehe Abbildung 2.25).

65 66 67

Vgl. Beeman (2002), S. 38. Vgl. Ineichen (2003), S. 121. Beim High-Watermark-Prinzip wird nur dann eine Performancegebühr fällig, wenn zum Stichtag ein neuer historischer Höchststand des Nettoinventarwertes des Fonds erreicht worden ist. Die HighWatermark im Jahr t wird mit dem Wert des Nettoinventarwertes am Stichtag im Jahr t-1 verglichen. Wird keine kumulierte positive Wertsteigerung erwirtschaftet, so ist vom Investor auch keine Performancegebühr zu leisten. Vgl. Kaiser (2009), S. 54.

66

Grundlagen

25

5,1

4,5

3,6

6,1

3,7

4,3

3,8 3,1 3,2

1,4 5,2

7,4

3,2

5

Long-Short-Equity

4,7

4,9

Global Macro

3,6

Fixed Income Arbitrage

0

5,7

3,6

Event Driven

5

6,5

6,1

Equity Market Neutral

10

Emerging Markets

15

Convertible Bond Arbitrage

Renditen (%)

20

1,4 4,5 3

-5

3,6 1,5 -5,9

3,7 3,8 3,8

Gebühren (%)

Systematische Beta-Renditen (%)

Gleichgewichtetes Portfolio

Short Selling

Managed Futures

-10

Alpha (%)

CB Arb = Convertible Bond Arbitrage, Equity Mkt Neutral = Equity Market Neutral, Fixed Inc Arb = Fixed Income Arbitrage, L/S Equity = Long/Short Equity.

Abbildung 2.25: Alpha, Beta und Kosten von Hedgefonds Quelle: Ibbotson/Chen (2006), S. 18. Hedgefonds unterliegen im Gegensatz zu den meisten offenen Investmentfonds teilweise Beschränkungen hinsichtlich der Entnahme von Einlagen durch die Investoren. Für gewöhnlich wird eine Kapitalbindungsfrist (Lock-Up-Periode) von zwölf Monaten oder mehr gefordert.68 Dies bedeutet für den Hedgefonds-Manager eine erhöhte Flexibilität, da er so in der Lage ist, für eine längere Zeitdauer auch in weniger liquiden Wertpapieren investiert zu sein. In der Praxis wird zwischen Hard Lock-Ups und Soft Lock-Ups unterschieden. Bei einer weichen Sperrfrist besteht die Möglichkeit, diese unter Zahlung einer Kündigungsgebühr zu umgehen, bei einer harten besteht diese Möglichkeit hingegen nicht. Hinzu kommen Benachrichtigungsfristen (Notice Periods) von 30 bis 180 Tagen, die eingehalten werden müssen, sollten Investoren ihre Fondsanteile zu den gewünschten Stichtagen (Dealing Days) zurückgeben wollen. Die Rückgabe von Fondsanteilen (Redemption) ist häufig monatlich oder manchmal sogar nur jährlich oder noch seltener möglich. Zeichnungen hingegen nehmen die meisten Hedgefonds monatlich entgegen. Eine Besonderheit bei der Liquidität von Hedgefonds stellen die sog. Investor Level Gates dar. Diese besagen beispielsweise, dass ein Investor zu jedem Handelstag nur einen bestimmten Anteil seines gesamten in diesem Fonds investierten Kapitals kündigen kann (z.B. jeweils nur 25 Prozent innerhalb eines Quartals). Die vollständige Auflösung einer Position in solch einem Hedgefonds dauert dann entsprechend, ungeachtet etwaiger Lock-Up-Perioden, mindestens ein Jahr. Eine weitere Besonderheit stellen die sog. Rolling-Anniversary-Kündigungs-Klauseln dar. Diese bedeuten, dass der Investor lediglich alle ein bis zwei Jahre nach dem Zeitpunkt („Geburtstag“) der Investition 68

Vgl. Anson (2006), S. 124.

Alternative Anlagestrategien

67

sein Kapital abziehen darf. Lässt ein Investor diesen z.B. 2-jährigen Turnus verstreichen, beginnt dieser erneut. Außerdem ist es bei Hedgefonds mit einer sog. Side-Pocket-Klausel üblich, dass die Investoren erst bei der Auflösung sogenannter Side Pockets ihr anteiliges Kapital ausbezahlt bekommen, was im Vergleich zur Kündigung der anderen Fondsanteile erst einige Jahre später sein kann. Side Pockets enthalten sehr illiquide Investments mit Private-Equity-Charakter. Sie umfassen in normalen Zeiten und je nach Strategie häufig zwischen 10 bis maximal 25 Prozent des Fondsvolumens. Die langen Kündigungsfristen von Hedgefonds sollen verhindern, dass langfristig angelegte Gelder vom Manager verlustbringend liquidiert werden müssen, um kurzfristigen Forderungen vereinzelter Investoren nachkommen zu können. In diesem Sinne dienen die langen Kündigungsfristen dem Schutz der gesamten Portfolio-Rendite. Um einem Renditeverlust durch hohen Kapitalabzug vorzubeugen, haben die meisten Hedgefonds zusätzlich eine Klausel in ihren Verkaufsprospekten, die besagt, dass die gesamten, per einem bestimmten Datum angemeldeten Rückkäufe, nicht einen bestimmten Anteil des Fondsvolumens (z.B. 25 Prozent) überschreiten dürfen (Maximum Redemption oder Gate). Sollte dies der Fall sein, so werden die Kündigungen auf das nächste Rückkaufsdatum verlegt und dann entweder anteilsmäßig ausgezahlt oder erneut auf einen späteren Dealing Day vertagt. Insgesamt sind Hedgefonds-Investments damit nicht so illiquide wie z.B. Private Equity Investments; man könnte sie daher als semi-liquide bezeichnen.

2.6.2

Investierbare Hedgefonds-Indizes

Für einen diversifizierten Zugang zu alternativen bzw. innovativen Betas bieten sich entweder Dach-Hedgefonds oder Hedgefonds-Indizes an. Auch im Bereich der nicht-traditionellen Anlageklassen erzielen nur wenige (Dach-)Fonds-Manager eine nachhaltige Outperformance gegenüber breiten Hedgefonds-Indizes, weshalb auch für Hedgefonds grundsätzlich eine Investition in Index-Trackingprodukte vorteilhaft erscheint.69 Das gilt auch aufgrund der relativ hohen (auch operationellen) Risiken von Hedgefonds. Da Hedgefonds äußerst heterogen hinsichtlich der Aufnahmebereitschaft neuer Investorengelder, Lieferung von Performancedaten, der Liquiditätsbedingungen und der Mindesthaltefristen sind, ist das verfügbare Hedgefonds-Universum zur Erstellung eines investierbaren Index mit akzeptablen Liquiditätsbedingungen schwierig. Gelingt dies, steht eine transparente Benchmark hinsichtlich der Auswahl von Strategien und Hedgefonds, Performance- und Gebührenentwicklung zur Verfügung.70 In Tabelle 2.7 werden die wesentlichen investierbaren Hedgefonds-Indizes vorgestellt. Hierbei ist allerdings anzumerken, dass die investierbaren Indizes von MSCI sowie von FTSE bereits wieder eingestellt wurden.

69 70

Vgl. Heidorn et al. (2010). Vgl. Goricki/Söhnholz (2004), S. 35.

68

Grundlagen

Tabelle 2.7: Anbieter und Methodikübersicht von investierbaren Hedgefonds-Indizes Indexauflegung

Verfügbare Basis

Fonds in der Datenbank

Feri

Januar 2002

Hedgefonds

11.600

GAI

Januar 2003

Hedgefonds

7.000

HFR

April 2003

MSCI CS/Tremont Allhedge CS/Tremont Blue Chip

Juli 2003

Managed Accounts

6.000 3.000 4.500

August 2003

Hedgefonds

4.500

Januar 2004 Januar 2005

RBC

Accounts

Hedgefonds

FTSE

Edhec

Managed

Oktober 2004

Dow Jones

Mai 2005

Juli 2005

Fondsanzahl Neu! im

Indexanzahl

Managed Accounts Managed Accounts Managed Accounts Hedgefonds

6.000 300

158

4.700

Composite

MindestGewichtung der

Rebalancing

Strategieindizes

pro Jahr

Index 8 und 1 Composite 4 und 1 Composite 8 und 2

größe der

Track

Fonds

Record

(Mio.

der Fonds

Mindestliquidität der Fonds

EUR)

56

Gleichgewichtet

4

100

1 Jahr

Monatlich

45

Gleichgewichtet

2

20

1 Jahre

Monatlich

Variabel (ca.

Volumengewichtet

4

50

2 Jahre

Wöchentlich

145

Gleichgewichtet

4

15

k.A.

Wöchentlich

200

Volumengewichtet

2

50

1 Jahre

Wöchentlich

60

Volumengewichtet

2

50

1 Jahre

Wöchentlich

40

Kapazitätsgewichtet

1

50

2 Jahre

Wöchentlich

34

Gleichgewichtet

4

50

2 Jahre

Monatlich

5 und 2

Variabel (ja

Optimierung der

Composites

nach VaR)

Korrelation

2

k.A.

3 Jahre

Wöchentlich

250

Volumengewichtet

1

10

0,5 Jahre

Jährlich

Composites 8 und 1 Composite 10 und Composite 10 und 1 Composite 12 und 1 Composite 6 und 1 Composite

9 und 1 Composite

80)

Quelle: Eigene, erweiterte Darstellung nach Busack/Sohl (2006), S. 22. Die Mehrzahl der investierbaren Hedgefonds-Indizes baut auf sogenannten Managed Account-Plattformen auf, mit denen relativ hohe Liquidität und Transparenz erzeugt werden können und bei denen ein einheitliches Handelssystem grundsätzlich für niedrige Transaktionskosten und hohe Effizienz sorgen kann. Unabhängig von der Anzahl der für einen Hedgefonds-Index verwendeten Managed Account-Plattformen besteht das Problem, dass auf den Plattformen nur Hedgefonds mit freien Kapazitäten, die die Transparenzbestimmungen erfüllen und mit liquiden Strategien implementiert werden können, vorhanden sind. Haberfelner et al. (2006, 2007) können über verschiedene Zeiträume nachweisen, dass die Renditen sowie die Sharpe Ratios von Managed Accounts, im Vergleich zu den Medianwerten (auf Strategieebene) von Offshore-Hedgefonds, ungefähr halb so hoch ausfallen. So bauen der MSCI Hedge Invest Index, ebenso wie die EDHEC-Indizes, auf der Lyxor-Plattform auf, welche 102 Fonds umfasst (Stand: Mai 2010). Mit der Insolvenz der Plusfunds Group, die für die Datenlieferung der S&P-Indizes verantwortlich war, musste die Indexberechnung eingestellt werden, was auf Counterpart Risiken dieser Anlageform hindeutet. Einige investierbare Indizes basieren nicht auf Managed Account-Plattformen. Diese Indizes besitzen jedoch selten die günstigen Liquiditätsbedingungen der auf den Plattformen enthaltenen Fonds. Daneben sind die Methodik der Fondsauswahl aus dem schwer überschaubaren Hedgefonds-Universum, das Monitoring der Fonds nach Aufnahme in den (passiven) Index und die Indexgebühren näher zu untersuchen. Aufgrund der konzeptionellen Nachteile entwickeln sich investierbare Hedgefonds-Indizes oftmals schlechter als nicht-investierbare Indizes des gleichen Datenanbieters, wie auch Abbildung 2.26 zur Veranschaulichung anhand der Indizes von Credit Suisse zeigt. Hierbei ist der CS/Tremont Broad Benchmark Index nicht investierbar, wohl aber der CS/Tremont Blue Chip und CS/Tremont AllHedge.

Alternative Anlagestrategien

69

160

150

140

130

120

110

100

90

80 Dez 04

Jun 05

Dez 05

Jun 06

Dez 06

CS/Tremont Broad Benchmark

Jun 07

Dez 07

CS/Tremont Blue Chip

Jun 08

Dez 08

Jun 09

Dez 09

CS/Tremont Allhedge

Abbildung 2.26: Vergleich zwischen Benchmark- und investierbaren Indizes desselben Anbieters (Januar 2005 bis Dezember 2009) Quelle: Eigene Darstellung, Daten: Credit Suisse/Tremont. Investierbare Hedgefonds-Indizes, insbesondere diejenigen, die auf Offshore-Hedgefonds aufbauen, sind allerdings deutlich besser als ihr Ruf (siehe Abbildung 2.27). Es ist festzustellen, dass ein investierbarer Hedgefonds-Index über die betrachtete Zeitperiode von Januar 2005 bis Dezember 2008 sogar eine bessere Wertentwicklung als der HFRI DachHedgefonds-Index aufweist. Außerdem fällt auf, dass die Hedgefonds-Indizes, die auf Offshore-Hedgefonds basieren, diejenigen, die auf Managed Accounts aufbauen, outperformen. Die Wertentwicklungen der investierbaren Hedgefonds-Indizes insgesamt zeigen ein homogenes Bild. Capocci/Capocci (2005) und Busack/Sohl (2006) zeigen, dass die investierbaren Hedgefonds-Indizes zueinander sowie auch zu den Benchmark-Indizes von HFRI und CS sowie zum Dach-Hedgefonds-Index von HFRI eine Korrelation jeweils von oberhalb von 0,80 hatten.

70

Grundlagen

1350

1250

1150

1050

950

850 Jan. 05

Jan. 06

Jan. 07

Jan. 08

Jan. 09

ARIX Composite Index

Credit Suisse - Tremont Blue Chip Index Hedge Fund

Greenwich Investable Index

HFRI Fund of Funds Composite Index

HFRI Fund Weighted Composite Index

HFRX Global Hedge Fund Index

ARIX = Absolute Return Investable Index, HFRI = Hedge Fund Research Index, HFRX = Hedge Fund Research Investable Index.

Abbildung 2.27: Performancevergleich investierbarer Hedgefonds-Indizes (Januar 2005 bis Dezember 2009) Quelle: Absolut Research GmbH (2010).

2.6.3

Replikation von Hedgefonds-Renditen

Ausgangspunkt der Erforschung der Renditekomponenten von Hedgefonds waren Bestrebungen, neben den traditionellen Marktindizes weitere Risikofaktoren von Hedgefonds zu identifizieren, da die Erklärungskraft der traditionellen Indizes für Hedgefonds-Zeitreihen unzureichend erschien. Hedgefonds generieren nicht nur marktunabhängige, positive Renditen, die in der Literatur häufig als Alpha bezeichnet werden, sondern auch marktabhängige und z.T. negative Renditen. Die Determination von Alpha wird z.T. mit dem Bestimmen „dunkler Materie“ im Universum verglichen, indem alle identifizierbaren Komponenten vom Gesamtvolumen subtrahiert werden und als Ergebnis Alpha („die dunkle Materie des Hedgefonds-Universums“) approximiert wird. Während bei Long-Only-Investments die Performance-Attribution meist auf den Markt (Asset-Klasse und Region), das Timing und die Titelselektion beschränkt ist, können die von Hedgefonds-Managern generierten Renditen u.a. auch Leverage, Leerverkäufen, der Allokation illiquider Vermögenstitel und Derivaten unterliegen. In einem weiterführenden Schritt können Hedgefonds-Renditen in das traditionelle Beta des jeweiligen Marktes, in das vom Fonds-Manager generierte Alpha und ein alternatives Beta unterteilt werden, wobei letzteres neben dem direkten Marktrisiko auch weitere Risiken, wie Illiquidität, besondere Ereignisse

Alternative Anlagestrategien

71

Hedgefonds-Renditen

(z.B. Übernahmen, Restrukturierung, Konkurs), Währungs- und Rohstoffrisiken, Kreditrisiken, Komplexitätsrisiken, Schwellenländerrisiken oder Konvergenzrisiken, beinhaltet.

Traditionelle Renditeaufteilung

Alpha

Renditeaufteilung bei Beachtung aller aleternativer Betas

Alternatives Beta

(Traditionelles) Beta

Abbildung 2.28: Konzeptionelle Aufteilung von Hedgefonds-Renditen unter Beachtung aller alternativen Betas Quelle: Kaiser/Müller (2009), S. 377. Alle für eine Handelsstrategie identifizierbaren Einflussfaktoren können zu sogenannten „Asset Based Style“-Faktoren (ABS-Faktoren) zusammengefasst werden, um diese verfügbaren (alternativen) Beta-Bestandteile der Rendite zu replizieren. Besonders dominante Einflussfaktoren werden auch „Return Based Style Factors“ genannt. Durch eine lineare Kombination verschiedener investierbarer Beta-Investmentprodukte mit deren jeweiligen ABSFaktoren (Exposure des Betas) können Renditen erklärt werden. Als grundlegende Form der Zusammensetzung von strategiespezifischen Hedgefonds-Renditen rHF gilt: n

rHF

D HF 

¦ E ˜ ABS  H , i

i

i 1

wobei Alpha D HF und n (z.T. nicht-lineare) Beta-Faktoren E i mit der strategiespezifischen Gewichtung ABSi in die Formel eingehen. Ein Fehlerterm wird durch H dargestellt. Das Ziel dieser Aufteilung ist es, die Renditen von Hedgefonds auf Basis von marktüblichen Faktoren in ihre Einzelbestandteile zu zerlegen (siehe für eine schematische Darstellung Abbildung 2.28). Ist es möglich, beispielsweise einen Long/Short Equity-Hedgefonds durch verschiedene marktgängige Faktoren (z.B. Differenz zwischen Large und Small Caps, Volatilitätsveränderungen, verzögerte Renditen (lagged returns) oder die Entwicklung spezifischer

72

Grundlagen

Sektoren) zu erklären, so können diese Faktoren beispielsweise auch dazu verwendet werden, diesen Fonds einem Stress-Test z.B. für den September 2001 zu unterziehen, selbst wenn der Fonds zu diesem Zeitpunkt noch gar nicht existierte. Voraussetzungen hierfür sind natürlich zum einen, dass die Faktorabhängigkeiten über einen längeren Zeitraum signifikant und konstant waren und dass die Faktoren zu diesem Zeitpunkt bereits existierten. Auch ermöglichen die Faktoren einen monatlichen Abgleich mit den tatsächlich realisierten Wertentwicklungen des Fonds, um beispielsweise frühzeitig eine Stilverschiebung zu erkennen. Die Stilanalyse führt somit zu einer indirekten Errichtung einer Investment-Benchmark wie im Bereich traditioneller Anlagen. Heutzutage existieren allerdings auch nicht-lineare Replikationsmodelle sowie Modelle, die nur die Risiko-Renditeeigenschaften von Hedgefonds nachbauen wollen. Bisher konnten allerdings die meisten Hedgefonds-Replikations-Modelle nicht überzeugen – weder von der Konzeption noch von den Risiko- und Renditeeigenschaften her. Bei der Analyse der BetaAbhängigkeiten von Hedgefonds-Replikatoren ist festzustellen, dass diese normalerweise Trendfolge-Charakteristika ausweisen. Dies hat in den vergangenen Jahren zu relativ guten Renditen geführt (Bond-Anteil in 2008 relativ hoch, davor der Aktienanteil relativ hoch), jedoch nicht zu einem guten Zugang zu alternativem Beta.71 Außerdem gilt wohl auch hier, dass kleine Annahme- bzw. Modellunterschiede zu signifikant anderer Performance führen können, so dass die Heterogenität solcher Replikatoren hoch ist.

71

Vgl. Amenc et al. (2009), S. 2. Die Autoren zeigen außerdem, dass die Qualität von Hedgefonds-Replikatoren signifikant erhöht werden kann, wenn volkswirtschaftliche Faktoren in die Modelle integriert werden.

Portfolio-Optimierung nach Markowitz

3.

73

Portfolio-Optimierung

In diesem Abschnitt werden zunächst die Grundlagen der Modernen Portfolio-Theorie sowie einige Erweiterungen in kurzer Form dargestellt. Diese Grundlagen basieren auf dem von Markowitz (1952) entwickelten Ansatz zur Optimierung eines Aktienportfolios hinsichtlich Rendite und Risiko. Inwieweit es angemessen ist, nach fast sechs Jahrzehnten heute noch von „Moderner Portfolio-Theorie“ zu sprechen, lassen wir offen. Der Begriff ist jedoch immer noch eng mit dem Markowitz-Ansatz verbunden, obwohl sich Kapitalmärkte, Finanzinstrumente und Anlageklassen sowie der Stand der Forschung seitdem stark weiterentwickelt haben.

3.1

Portfolio-Optimierung nach Markowitz

Die Portfolio-Theorie von Markowitz (1952) geht von einem rationalen Investor aus, der über eine Periode sein Vermögen mehren möchte. Der Investor hat eine Nutzenfunktion, in die nur die erwartete (durchschnittliche) Portfolio-Rendite sowie die Standardabweichung der Portfolio-Renditen eingehen. Sei Pi die erwartete Rendite und V i die Standardabweichung (Schwankungsbreite) der Renditen rij der Asset-Klasse1 i , also

Vi

1 n 1

J

¦ (r

ij

 Pi ) ,

j 1

wobei rij , j 1,, J die möglichen Realisationen der Zufallsvariable

ri

bezeichnet.

Die erwartete Portfolio-Rendite P P ist dann gegeben durch die mit den Portfolio-Gewichten wi der N Anlageklassen gewichteten erwarteten Renditen der einzelnen Asset-Klassen i 1,, N : N

PP

¦P w

i i

i 1

1

Markowitz (1952) geht anstelle von Asset-Klassen von Einzelaktien aus.

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4_3, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

74

Portfolio-Optimierung

Die Varianz des Portfolios ist: N

N

¦¦ Cov(r ; r )w w

VP

i

k

i k

i 1 k 1

mit Cov( ri ; rk ) als Kovarianz der Renditen der Anlageklassen i und k . Die PortfolioStandardabweichung (Wurzel aus der Portfolio-Varianz, auch Portfolio-Risiko) ist also umso geringer, je kleiner die Kovarianzen der Asset-Klassen sind. Berücksichtigt man, dass die Korrelation zweier Anlageklassen gegeben ist durch Cor (ri ; rk )

Cov (ri ; rk )

V iV k

,

so lässt sich das Portfolio-Risiko auch schreiben als: N

VP

N

¦¦V V Cor (r ; r )w w i k

i

k

i k

i 1 k 1

Die Portfolio-Varianz lässt sich also interpretieren als mit den Standardabweichungen und Portfolio-Gewichten gewichtete Korrelation aller Asset-Klassen. Je geringer die Korrelationen, desto stärker lässt sich daher das Portfolio-Risiko reduzieren. Neben den obigen Annahmen geht Markowitz davon aus, dass alle Anlageklassen normalverteilt sind: ri ~ N ( Pi ,V i2 ) .

Das Portfolio-Risiko ist dann ebenfalls normalverteilt: rP ~ N ( P P , V P2 )

Ausgehend von diesen Annahmen sieht die Markowitz-Optimierung, auch bezeichnet als Mittelwert-Varianz- („Mean-Variance-“) Optimierung, eine Maximierung der erwarteten Portfolio-Rendite bei gegebener Varianz vor. Ein alternatives Optimierungsziel besteht in einer Minimierung der Varianz bei gegebener erwarteter Rendite. Wird ein Risikoaversionsparameter O vorgegeben, so führt die Optimierung einer Zielfunktion max w

w' P 

Ow' 6w 2

zum optimalen Portfolio mit den Gewichten w*

O6 1 P .

Darin ist w der ( N x1)-Vektor der Portfolio-Gewichte, P der ( N x1)-Vektor der erwarteten Überschussrenditen über eine risikolose Anlage und 6 die Kovarianzmatrix der Überschussrenditen.

Portfolio-Optimierung nach Markowitz

75

Fallstudie: Diversifikation und Korrelation Um den Effekt eines Anstiegs der Korrelation auf das Portfolio-Risiko zu untersuchen, gehen wir zur Vereinfachung von zwei Asset-Klassen mit folgenden Parametern aus: „ Asset-Klasse 1: Volatilität 20 Prozent p.a., erwartete Rendite 8 Prozent p.a. „ Asset-Klasse 2: Volatilität 5 Prozent p.a., erwartete Rendite 3 Prozent p.a. „ Die Korrelation variiert zwischen –1 und +1 in 0,5-er-Schritten „ Der Anteil der Asset-Klasse 1 im Portfolio schwankt zwischen 100 Prozent und 0 Prozent in 5 Prozent-Schritten Der risikolose Zinssatz entspricht der Einfachheit halber 0 Prozent. Sei

x1

der Anteil der

Asset-Klasse 1 und x2 1  x1 der Anteil der Anlageklasse 2 im Portfolio. Die erwartete Portfolio-Rendite ist dann

PP

x1P1  x2 P 2 .

Die Portfolio-Volatilität ergibt sich aus der folgenden Formel:

VP

x12V 12  x22V 22  2 x1x2 cov( x1, x2 ) .

Darin sind V1 und V 2 die annualisierten Volatilitäten der Renditen der beiden Asset-Klassen und cov( x1; x2 ) ist die Kovarianz zwischen den Renditen beider Asset-Klassen. Unter Nutzung der Beziehung zwischen Kovarianz und Korrelationskoeffizient U cov( x1; x2 )

UV1V 2

lässt sich für alle Portfolios bei gegebener Korrelation die Portfolio-Volatilität berechnen. Eine grafische Darstellung in einem Risiko-Rendite-Diagramm (sogenanntem ( P , V ) Diagramm) ist in der Abbildung 3.1 enthalten.

76

Portfolio-Optimierung

9% (100%;0%) 8%

Erwartete Rendite p.a.

7%

6% (20%;80%) 5%

4%

3% (0%;100%) 2%

1%

0% 0%

5%

10%

15%

20%

25%

Erwartete Volatilität p.a. Korrelation 1,0

Korrelation 0,5

Korrelation 0,0

Korrelation -0,5

Korrelation -1,0

Abbildung 3.1: Risiko-Rendite-Diagramm im 2-Anlageklassen-Fall Quelle: Feri Finance AG (2009). Die Portfolio-Gewichtung variiert in der Abbildung von 100 Prozent für Asset-Klasse 1 (rechts oben) bis 100 Prozent für Asset-Klasse 2 (links unten). Je geringer die Korrelation, desto stärker ist die Effizienzkurve gekrümmt. Diese besteht aus der Menge der mit Punkten markierten Portfolios. Ein Portfolio ist effizient, wenn es kein Portfolio gibt, das bei gleicher oder höherer erwarteter Rendite eine geringere Volatilität aufweist bzw. bei gleicher oder geringerer Volatilität eine höhere erwartete Rendite. Offensichtlich ist das Portfolio mit 100 Prozent in Asset-Klasse 2 (0%; 100%) ineffizient, wenn die Korrelation negativ (-0,5 oder -1) ist. In diesem Fall gibt es ein Portfolio mit gleicher Volatilität aber höherer (erwarteter) Rendite. Für den Fall perfekt negativer Korrelation ( U 1 ) kann das Portfolio-Risiko vollkommen wegdiversifiziert werden; das Portfolio (20%; 80%) hat eine Volatilität von Null. Im Falle vollkommen positiver Korrelation ( U 1 ) dagegen gibt es überhaupt keinen Diversifikationseffekt. Die Kombinationen von Risiko und erwarteter Rendite liegen auf einer Geraden. Was passiert nun, wenn der Korrelationskoeffizient, z.B. in einem Stress-Szenario, in dem die riskanten Anlageklassen stark fallen, zunimmt? Aus der Abbildung 3.1 ist ersichtlich, dass in diesem Fall das Portfolio-Risiko deutlich unterschätzt werden kann. Die Effizienzkurve ist dann deutlich weniger stark gekrümmt als angenommen.

Portfolio-Optimierung nach Markowitz

77

In der Regel steigt im Falle eines Stress-Szenarios aber nicht nur die Korrelation an, sondern gleichzeitig nimmt die Volatilität der (oder der meisten) Asset-Klassen zu. Dies führt zu einer zusätzlichen Erhöhung des Portfolio-Risikos über den reinen Korrelationseffekt hinaus. Um diesen Effekt zu zeigen, haben wir die Portfolio-Volatilität für alle Korrelationen erneut unter der Annahme berechnet, dass die Volatilität der beiden Anlageklassen sich verdoppelt auf 40 Prozent für Anlageklasse 1 und 10 Prozent für Asset-Klasse 2. In der Abbildung 3.2 haben wir für das ausgewählte Portfolio (35%; 65%) die Volatilität unter beiden Volatilitätsregimen dargestellt. Nimmt hier die Korrelation von -auf  zu, so steigt das Portfolio-Risiko im Regime normaler Volatilität von 6,1 Prozent auf 7,7 Prozent an. Durch den gleichzeitigen Anstieg der Volatilität ergibt sich eine weitere Zunahme der Portfolio-Volatilität auf 9,6 Prozent. Für das ausgewählte Beispiel überwiegt der Effekt des Volatilitätsanstiegs sogar den Effekt der ansteigenden Korrelation.

14%

Portfoliovolatilität p.a.

12%

Zunahme Portfoliorisiko

10%

8%

6% Zunahme Korrelation

4%

2%

0% Korrelation 1,0

Korrelation 0,5

Korrelation 0,0

normale Volatilität

Korrelation -0,5

Korrelation -1,0

hohe Volatilität

Abbildung 3.2: Portfolio-Volatilität bei normaler und erhöhter Volatilität der Asset-Klassen Quelle: Feri Finance AG.

78

Portfolio-Optimierung

3.2

Zwei-Fonds-Theorem und Capital Asset Pricing Model

Welches der effizienten Portfolios soll ein Anleger bei gegebenem Korrelationskoeffizienten wählen? Dies hängt im Allgemeinen von der individuellen Nutzenfunktion des Investors ab. Tobin (1958) hat gezeigt, dass alle Investoren im Gleichgewicht das sogenannte Marktportfolio halten und dieses in Abhängigkeit von ihren individuellen Risikopräferenzen mit einer risikolosen Anlage mischen (sogenanntes Zwei-Fonds-Theorem).2 Dabei entspricht das Marktportfolio dem Tangentialpunkt einer Geraden ab dem risikolosen Zinssatz mit der Effizienzkurve. Das Marktportfolio entspricht dem Portfolio aller risikobehafteten Assets im Umfang ihrer Marktkapitalisierung. Dieser Zusammenhang ist in der Abbildung 3.3 dargestellt. Für die Darstellung haben wir uns auf den Zwei-Anlageklassen-Fall mit U 0,5 beschränkt. Der risikolose Zinssatz sei dabei 2,5 Prozent. In der Abbildung ist MVP das „Minimum-Varianz-Portfolio“ (Portfolio mit minimaler erwarteter Volatilität), MRP ist das „Maximum-Return-Portfolio“ und F ist die risikolose Anlage. Die Gerade KML ist die sogenannte Kapitalmarktlinie. Unter den getroffenen Annahmen ist das einzige noch effiziente Portfolio auf der ehemaligen Effizienzkurve das Marktportfolio M. Die Aufteilung des Vermögens auf das (immer gleich strukturierte) Marktportfolio und die risikolose Anlage F wird als Zwei-Fonds-Separation (Two-Fund-Separation) oder TobinSeparation bezeichnet. Portfolios links von M bestehen aus einem Anteil 0 d xM d 1 von M und dem Restanteil xF

1  xM t 0 an der risikolosen Anlage. Ist Leverage (Kreditaufnahme)

erlaubt, so bestehen die effizienten Portfolios rechts von M aus xM ! 1 , wobei der über 100 Prozent hinausgehende Anteil durch Kreditaufnahme xF  0 finanziert wird. Ist keine Kreditaufnahme erlaubt, so entfällt der Teil der Kapitalmarktlinie rechts von M, und die Menge der effizienten Portfolios besteht weiter aus den Portfolios auf der Effizienzkurve. Dies impliziert, dass der Ausschluss von Kreditaufnahme eine höhere Effizienz (höhere erwartete Portfolio-Rendite bei gegebenem Portfolio-Risiko) verhindert.

2

Vgl. Tobin (1958).

Zwei-Fonds-Theorem und Capital Asset Pricing Model

Erwartete Rendite p.a.

9%

79

KML

MRP

8% 7% 6% M

5% 4% 3% F 2%

MVP

1% 0% 0%

5%

10%

15%

20%

25%

Erwartete Volatilität p.a.

F = risikolose Anlage, KML = Kapitalmarktlinie, MRP = Maximum-Return Portfolio, M = Markt-Portfolio, MVP = Minimum-Varianz-Portfolio.

Abbildung 3.3: Zwei-Fonds-Theorem Quelle: Feri Finance AG (2009), Daten: Bloomberg. Das in den sechziger Jahren unabhängig voneinander von Sharpe, Lintner und Mossin entwickelte Capital Asset Pricing Model (CAPM) basiert auf diesem Konzept des Marktportfolios.3 Betrachtet man ein beliebiges Wertpapier mit erwarteter Rendite Pi und erwartetem Risiko V i , so lässt sich die erwartete („faire“) Rendite allein anhand des (linearen) Zusammenhangs (Korrelation oder Kovarianz) zum Marktportfolio angeben:

Pi

r f  E i ( P M  r f ) mit Ei

cov(ri ; rM ) 2 VM

.

Die Differenz zwischen der erwarteten Rendite des Marktportfolios und dem risikolosen Zinssatz, ( P M  r f ) wird dabei als Marktpreis für das Risiko („market price of risk“) be2 ist das Beta des Marktportfolios Ei zeichnet. Wegen cov(rM ; rM ) V M

1 . Die erwartete

Rendite eines Portfolios entspricht demnach dem Marktpreis des Risikos, multipliziert mit dem Beta zum Marktportfolio. Ersetzt man im Risiko-Rendite-Diagramm das Risikomaß „erwartete Volatilität“ durch das Risikomaß „Beta“, so erhält man einen linearen Zusammenhang, der in Abbildung 3.4 dargestellt ist. Je höher also das Beta eines Wertpapiers, desto höher muss die von den Investoren geforderte (erwartete) Rendite sein, um das Asset zu halten. Der lineare Zusammenhang zwischen erwarteter Rendite und Beta wird auch als Kapitalmarktlinie („capital market line“) bezeichnet. 3

Vgl. Sharpe (1964).

80

Portfolio-Optimierung

Pi Erwartete Rendite p.a.

10%

8%

6%

Wertpapierlinie

PM

M

4%

2%

0% 0,0

0,2

0,4

0,6

0,8

1,0

1,2

1,4

1,6

1,8

EM

2,0

Ei

beta

M = Markt-Portfolio.

Abbildung 3.4: Capital Asset Pricing Model (CAPM) Quelle: Feri Finance AG.

Fallstudie: Verteilungseigenschaften von Asset-Klassen und Portfolio-Optimierung Im Folgenden soll die Hypothese einer Normalverteilung für ausgewählte Asset-Klassen untersucht werden, bevor das Ergebnis einer Markowitz-Optimierung vorgestellt wird. In Abbildung 3.5 sind die geschätzten Verteilungen (als Dichtefunktionen) von (stetigen) 3Monatsrenditen (berechnet als wöchentlich rollierende 13-Wochen-Renditen) verschiedener Asset-Klassen im Zeitraum Mai 2004 bis Dezember 2009 dargestellt. Die Anlageklassen sind: „ Aktien Welt (Abkürzung SW, Index: MSCI World Net Return); „ Aktien Osteuropa (SEE, MSCI Emerging Markets Eastern Europe); „ Staatsanleihen Deutschland (BG, JP Morgan Government Bond Index Germany); „ High Yield (HY, Merrill Lynch Euro High Yield); „ Rohstoffe Energie (EN, Dow Jones UBS Commodity Index Energy); „ Rohstoffe Edelmetalle (PM, Dow Jones UBS Commodity Index Precious Metals).

Zwei-Fonds-Theorem und Capital Asset Pricing Model

81

Aktien Welt

Aktien Osteuropa

High Yield

Renten Deutschland

Rohstoffe - Energie

Rohstoffe - Edelmetalle

Abbildung 3.5:

Geschätzte Dichtefunktionen verschiedener Asset-Klassen (stetige 3Monatsrenditen, Mai 2004 – Dez 2009) Quelle: Feri Finance AG (2010), Daten: Bloomberg. In der Abbildung ist neben der geschätzten Dichtefunktion auch die (symmetrische) Normalverteilung eingezeichnet. Die senkrechten Linien sind, von rechts nach links, der Mittelwert (Schätzer für die erwartete 3-Monatsrendite), der 90 Prozent-Value-at-Risk (VaR), sowie der sogenannte Conditional Value-at-Risk (CVaR). Während die Standardabweichung (annualisiert Volatilität genannt) ein symmetrisches Risikomaß ist und damit sowohl positive als auch negative Abweichungen vom Mittelwert misst, ist der Value-at-Risk ein einseitiges Risikomaß. Der VaR zum Niveau 90 Prozent ist die Rendite, die von 90 Prozent aller Beobachtungen (mit 90 Prozent Wahrscheinlichkeit) überschritten wird. Umgekehrt wird dieser Wert also von 10 Prozent aller Beobachtungen (d.h. mit 10 Prozent Wahrscheinlichkeit) unterschritten. Bezeichnet man mit Pri  x die Wahrscheinlichkeit, dass die Rendite der i-ten Anlageklasse den Wert x unterschreitet, so gilt für den VaR zum Niveau 1  D : Pri  VaR(1  D ) D ,

für D

10% also Pri  VaR(90%) 10% . Der VaR hat gegenüber der Standardabwei-

chung den Vorteil, dass er nur die echte „Risikoseite“ der Renditeverteilung berücksichtigt und nicht beide Seiten, also ebenfalls die „Chance-Seite“. Ein Nachteil besteht allerdings darin, dass er nichts darüber aussagt, wie hoch ein Verlust sein kann, wenn der VaR wirklich eintritt (wie dick also der Rand der Verteilung links vom VaR ist). Der CVaR misst den

82

Portfolio-Optimierung

durchschnittlichen Verlust für den Fall, dass der VaR eintritt; er entspricht daher der Durchschnittsrendite links des VaR. Wie in der Abbildung 3.5 zu erkennen, weichen die Verteilungen der 3-Monatsrenditen für alle Asset-Klassen mehr oder weniger stark von der Normalverteilung ab. Die Anlageklasse „Aktien Welt“ ist dadurch gekennzeichnet, dass der rechte Verteilungsrand (sogenannter Right Tail) dünner ist, als der der Normalverteilung. Sehr positive Renditen treten daher mit geringerer Wahrscheinlichkeit auf als auf Basis einer Normalverteilung. Umgekehrt treten sehr negative Renditen deutlich häufiger auf als bei einer Normalverteilung, was am dicken linken Verteilungsrand (sogenannter Fat Left Tail) zu sehen ist. So fällt die Dichtefunktion bei immer negativeren Renditen nicht monoton ab, sondern besitzt bei einer (stetigen) Rendite von -20 Prozent ein lokales Maximum, was bedeutet, dass Renditen in diesem Bereich besonders häufig auftreten. Verteilungsränder, die dicker sind als bei einer Normalverteilung werden auch „Fat Tails“ genannt. Diese dicken Verteilungsränder sind besonders ausgeprägt bei Tages- und Intraday-Renditen und gehen tendenziell mit geringerer Datenfrequenz zurück. Die Analyse zeigt allerdings, dass die dicken Verteilungsränder, insbesondere im linken (Risiko-)Bereich, auch bei den hier dargestellten 3-Monatsrenditen besonders ausgeprägt sind. Eine Normalverteilung wird dieser empirischen Tatsache nicht gerecht. Dicke Verteilungsränder im linken Bereich (Fat Left Tails) sind in sehr starkem Ausmaß für die Anlageklasse „Aktien Osteuropa“ erkennbar, in etwas geringerem Ausmaß auch für EnergieRohstoffe sowie die High-Yields. Umgekehrt zeichnen sich die Asset-Klassen „Renten Deutschland“ sowie die Edelmetalle durch dicke rechte Verteilungsränder (Fat Right Tails) aus, d.h. die „Chancenseite“ (rechter Verteilungsrand) ist ausgeprägter (und besitzt damit eine höhere Eintrittswahrscheinlichkeit) als die „Risikoseite“ (der linke Verteilungsrand). In Tabelle 3.1 zeigen wir die Quantile der Quartalsrenditen für die einzelnen Asset-Klassen. So wird beispielsweise für Aktien Welt eine (stetige) Rendite von -29,4 Prozent (diskrete Rendite: -25,5 Prozent) mit einer Wahrscheinlichkeit von 1 Prozent unterschritten. Bei gleicher Unterschreitungswahrscheinlichkeit ist die Rendite für Aktien Osteuropa -72 Prozent (diskrete Rendite: -51,3 Prozent). Die Beziehung zwischen linkem und rechtem Tail-Bereich ergibt sich bei einem Quantilsvergleich des D -Quantils mit dem ( 1  D )-Quantil. Ist eine Verteilung symmetrisch, so haben beide Quantile den gleichen Abstand vom Median (50Prozent-Quantil). Betrachtet man den Extrembereich beider Verteilungsränder (das 1-Prozent- und das 99-Prozent-Quantil), so ergibt sich für alle Anlageklassen, mit Ausnahme der Edelmetalle und der Renten, ein größerer Abstand des 1-Prozent-Quantils. Für die Edelmetalle und Renten liegt dagegen das 99-Prozent-Quantil weiter weg vom Median als das 1-Prozent-Quantil. Diese Eigenschaften zeigen, dass über drei Monate in der Regel die „Risikoseite“ deutlich ausgeprägter ist als die „Chanceseite“.

Zwei-Fonds-Theorem und Capital Asset Pricing Model

83

Tabelle 3.1: Quantile der stetigen 3-Monatsrenditen von Asset-Klassen Unterschreitungswahrscheinlichkeit

Aktien Welt

Aktien Osteuropa

Renten Deutschland

High Yield

Rohstoffe Energie

Rohstoffe Edelmetalle

1%

-29,4%

-72,0%

-3,1%

-22,6%

-56,5%

-13,2%

5%

-16,4%

-31,1%

-2,0%

-7,7%

-38,7%

-10,0%

10%

-9,5%

-17,2%

-1,3%

-4,9%

-27,6%

-7,4%

25%

-2,2%

-2,2%

-0,3%

-1,7%

-11,8%

-2,8%

50%

3,0%

7,1%

1,2%

1,5%

0,2%

2,8%

75%

6,0%

14,1%

2,4%

4,1%

8,5%

7,5%

90%

9,9%

22,0%

3,3%

8,6%

18,8%

13,4%

95%

11,5%

25,8%

4,2%

10,4%

25,1%

17,4%

99%

17,2%

40,7%

6,7%

16,6%

31,4%

24,3%

Quelle: Feri Finance AG (2010), Daten: Bloomberg. Der Vollständigkeit halber geben wir in Tabelle 3.2 weitere zusammenfassende Statistiken sowie das Ergebnis eines Tests auf Normalverteilung an. Das Verhältnis CVaR(90 %)/ VaR(90 %) kann als Maß für die Dicke des linken Verteilungsbereichs interpretiert werden. So gemessen, sind die linken Verteilungsränder der Anlageklassen Aktien Osteuropa und High Yield am dicksten, d.h. der Risikobereich linksseitig des VaR(90 %) ist hier besonders riskant. Die Maße für die Schiefe4 bestätigen die Analyse der Quantile. Die Renditen aller Anlageklassen mit Ausnahme von Renten und Edelmetallen sind linksschief, d.h. der linke Tail-Bereich ist dicker als der rechte. Wie die Excess-Kurtosis5 zeigt, sind die Verteilungen aller Asset-Klassen mit Ausnahme der Edelmetalle stärker gewölbt als die Normalverteilung. Damit sind die Edelmetallrenditen noch am ehesten normalverteilt. Wie allerdings der Shapiro-Wilk-Test6 anzeigt, kann auch hier die Normalverteilungsannahme (mit Irrtumswahrscheinlichkeit 5 Prozent) abgelehnt werden. Für alle anderen Anlageklassen wird die Normalverteilungshypothese auch mit weitaus geringerer Irrtumswahrscheinlichkeit noch abgelehnt. Extrem stark ist die Ablehnung für die Asset-Klassen Aktien Welt und Osteuropa sowie High-Yield. Aber auch für die anderen Anlageklassen muss die Normalverteilungshypothese verworfen werden.

4 5 6

Zur Berechnung siehe Kapitel 5.1.1. Zur Berechnung siehe Kapitel 5.1.1. Vgl. Shapiro/Wilk (1965).

84

Portfolio-Optimierung

Tabelle 3.2: Zusammenfassende Statistiken der stetigen Quartalsrenditen von Anlageklassen Aktien Welt

Aktien Osteuropa

Renten Deutsch land

High Yield

Rohstoffe – Energie

Rohstoffe – Edelmetalle

Mittelwert

1,1%

3,5%

1,1%

1,1%

-2,8%

3,0%

Minimum

-37,1%

-88,8%

-4,0%

-33,2%

-70,1%

-15,0%

Maximum

25,7%

49,7%

8,5%

21,8%

34,3%

28,1%

Volatilität

30,1%

68,1%

6,8%

22,2%

62,9%

28,4%

CVaR(90%)

-18,2%

-40,5%

-2,1%

-11,0%

-40,4%

-10,4%

VaR(90%)

-9,5%

-17,2%

-1,3%

-4,9%

-27,9%

-7,4%

CVaR/VaR

190,9%

235,6%

161,6%

223,0%

145,0%

140,9%

Schiefe

-1,3

-1,8

0,5

-1,1

-0,8

0,3

Excess-Kurtosis*

3,0

5,3

1,0

5,9

1,0

0,0

Shapiro-Wilk Test**

6E-14

2E-17

9E-05

4E-14

1E-07

1E-02

* Überschuss über die Kurtosis der Normalverteilung von 3 ** p-value; ein Wert unter 1% bzw. 5% zeigt eine Ablehnung der Normalverteilung mit Irrtumswahrscheinlichkeit 1% bzw. 5% an (unterstrichen bzw. kursiv); Zahlen sind in der wissenschaftlichen Notation angegeben, d.h. 1E-02 ist z.B. 0,01.

Quelle: Feri Finance AG (2010), Daten: Bloomberg. Nach der Beschreibung der wichtigsten Risiko-Rendite-Eigenschaften für die einzelnen Asset-Klassen führen wir in der folgenden Fallstudie eine Markowitz-Optimierung durch.

Fallstudie: Portfolio-Optimierung nach Markowitz Eine Portfolio-Optimierung nach Markowitz setzt neben einer Normalverteilung voraus, dass die Kovarianzmatrix sowie die Erwartungswerte der Renditen bekannt sind. In der Praxis müssen diese Parameter aus vergangenen Daten geschätzt werden. Die Schätzwerte schwanken dabei stark in Abhängigkeit von der gewählten Zeitperiode. Wird ein sehr kurzer Zeitraum gewählt, so ist der Schätzfehler aufgrund der Schätzungenauigkeit hoch. Ist der Zeitraum dagegen sehr lang, so ist die weiter zurückliegende Vergangenheit aufgrund nicht stationärer Parameter gegebenenfalls nicht mehr aussagekräftig für die Zukunft. Selbst wenn die Renditeverteilung exakt einer Normalverteilung entspräche, würde die Optimierung nur bei korrekter Parameterschätzung zu guten Ergebnissen führen. Aufgrund von nicht zu vermeidenden Schätzfehlern führt die Markowitz-Optimierung aber in der Regel zu schlechten

Zwei-Fonds-Theorem und Capital Asset Pricing Model

85

Ergebnissen, auch aufgrund der Tendenz, dass sie oft zu konzentrierten Portfolios führt. Dieses Problem der Markowitz-Optimierung wird auch als Problem der Fehlermaximierung (Error Maximization Problem) bezeichnet. Broadie (1993) hat mittels einer Simulationsstudie nachgewiesen, dass der Effekt von Schätzfehlern überraschend groß sein kann, insbesondere wenn die Zahl der Asset-Klassen relativ hoch ist. Fehler bei der Schätzung der Erwartungswerte wiegen dabei schwerer als Fehler bei der Schätzung der Kovarianzmatrix. Für die folgende Analyse gehen wir zunächst von zwei Szenarien aus, in denen alle AssetKlassen, mit Ausnahme der Renten, positiv performen. Die Renditeannahmen sind in Tabelle 3.3 zusammengefasst. Die Analyse bezieht sich auf eine Periodenlänge von einem Quartal. Die Szenarien unterscheiden sich nur bezüglich der Renditeannahme für Aktien Welt (2,8 Prozent versus 4,8 Prozent). Die Korrelationsmatrix wurde aus den 3-Monatsrenditen aller Anlageklassen für den gesamten Zeitraum (Mai 2004 – Dezember 2009) geschätzt.

Tabelle 3.3: Portfolio-Optimierung nach Markowitz mit alternativen Szenarien Aktien Welt

Aktien Osteuropa

Renten Deutschland

High Yield

Rohstoffe – Energie

Rohstoffe – Edelmetalle

Szenario 1

2,8%

7,0%

-1,0%

2,0%

4,6%

1,0%

Szenario 1 alternativ

4,8%

7,0%

-1,0%

2,0%

4,6%

1,0%

Quelle: Feri Finance AG (2010), Daten: Bloomberg. Die bezüglich beider Szenarien getrennt optimierten Portfolios für eine Portfolio-Volatilität von 20 Prozent p.a. sind in der Abbildung 3.6 dargestellt. Das Szenario 1-Portfolio enthält nur die drei Anlageklassen Aktien Osteuropa, High Yield und Energierohstoffe. Das Portfolio ist damit recht stark konzentriert. Wird die Renditeannahme für Aktien Welt um 2 ProzentPunkte erhöht, so hat dies folgenden Effekt auf das optimierte Portfolio: „ High Yield fällt von rund einem Drittel des Portfolios auf null Prozent; „ Halbierung des Anteils der Energierohstoffe; „ Leichte Verringerung von Aktien Osteuropa; „ Anstieg des Anteils der Aktien Welt von 0 Prozent auf über die Hälfte des Gesamtportfolios (53 Prozent). Die Frage, ob die erwartete Performance über drei Monate 2 Prozent höher oder geringer ist, entscheidet also in extremer Weise über die Gesamtausrichtung des Portfolios, und wieder sind nur drei Asset-Klassen im optimierten Portfolio enthalten.

86

Portfolio-Optimierung

Szenario1 Rohstoffe Edelmetalle 0%

Rohstoffe Energie 35%

Szenario1 alternativ AktienWelt 0%

Aktien Osteuropa 34%

Rohstoffe Energie18%

HighYield 0% Renten Deutschland 0%

HighYield 31%

Renten Deutschland 0%

Rohstoffe Edelmetalle 0%

AktienWelt 53%

Aktien Osteuropa 29%

Abbildung 3.6: Portfolios nach Markowitz, Szenario 1 und alternatives Szenario 1 Quelle: Feri Finance AG (2010), Daten: Bloomberg. Dass die Markowitz-Optimierung in der Regel zu konzentrierten Portfolios führt, widerspricht dem eigentlichen Ziel der Diversifikation. Aufgrund ihrer sensitiven Ergebnisse und der starken Portfolio-Konzentration in Abhängigkeit von den vorgegebenen Parametern ist die Markowitz-Optimierung in der Praxis kaum brauchbar. Es stellen sich folgende Fragen: 1. Wie können Schätzfehler in die Optimierung einbezogen werden? 2. Wie können die Eigenschaften von Renditeverteilungen besser berücksichtigt werden? 3. Wie kann das Risiko besser geschätzt werden? Auf diese Fragen gibt es unterschiedliche Antworten. Die Frage 1 wird im Abschnitt 3.4 diskutiert. Im Folgenden wollen wir uns zunächst den anderen beiden Fragen zuwenden. Die Tatsache, dass die Markowitz-Optimierung eine Normalverteilung voraussetzt und dass bei nicht-symmetrischer Verteilung die Standardabweichung als Risikomaß ungeeignet ist, hat zur Entwicklung von alternativen Portfolio-Optimierungsverfahren geführt, in denen die Annahmen mehr an der Realität, d.h. den empirischen Eigenschaften von Renditeverteilungen, ausgerichtet werden. Um das Portfolio-Risiko bei dicken Verteilungsrändern besser zu schätzen, kann beispielsweise die Standardabweichung durch den Value-at-Risk zur Messung des Portfolio-Risikos ersetzt werden.7 Aufgrund wenig plausibler und für die Verwendbarkeit bei einer Optimierung kritischer Eigenschaften des Value-at-Risk im Portfolio-Kontext ist eine Portfolio-Optimierung mit dem Value-at-Risk oft schwierig.8 Als gute Alternative bietet sich daher der Conditional Value-at-Risk (CVaR) an.9 Beide Maße beziehen nur den linken Verteilungsbereich in die Optimierung ein. Der CVaR hat neben plausiblen theoretischen 7 8

9

Vgl. Huisman et al. (1999). So liegt der Value-at-Risk einer Kombination von Asset-Klassen nicht immer zwischen den Value-at-Risk Werten der einzelnen Asset-Klassen. Zudem kann es bei leichter Variation der Gewichte zu Sprüngen des Value-at-Risks kommen. Vgl. Rockafellar/Uryasev (1999).

Portfolio-Optimierung mit dem Conditional Value-at-Risk

87

Eigenschaften zudem den Vorteil, dass der gesamte Renditebereich links vom VaR berücksichtigt wird. Ein Verfahren, bei dem die gesamte Renditeverteilung in die Optimierung einbezogen wird, wurde von Keating und Shadwick (2002a, 2002b) entwickelt. Anstelle eines maximalen Portfolio-Risikos wird für die Optimierung nur eine Verlustschranke l vorgegeben. Abhängig von dieser Verlustschranke, wird die Verteilungsfunktion der Portfolio-Rendite in zwei Bereiche unterteilt und ein Risk-Return-Maß, Omega wie folgt definiert: f

)

³ 1  F ( x) dx l

l

³ F ( x)dx

f

Der Zähler kann, etwas vereinfacht, interpretiert werden als „Summe aller Überschreitungswahrscheinlichkeiten“, der Nenner als „Summe aller Unterschreitungswahrscheinlichkeiten“ der Verlustschranke. Bei der Portfolio-Optimierung kann dieses Maß direkt maximiert werden. Obwohl intuitiv plausibel, wird das Maß bisher außerhalb der akademischen Welt, insbesondere von Investoren und Portfolio-Managern, nur wenig beachtet. Ein Nachteil ist, dass hier kein intuitives Risikomaß wie der VaR oder CVaR verwendet wird, da nur mit solchen Maßen das Portfolio-Risiko direkt kontrolliert werden kann. Im folgenden Abschnitt ersetzen wir die Standardabweichung durch den CVaR als Maß für das Portfolio-Risiko.

3.3

Portfolio-Optimierung mit dem Conditional Valueat-Risk

Wie bei der Markowitz-Optimierung kann bei der Optimierung mit dem CVaR ein maximales Portfolio-Risiko vorgegeben und dann das Portfolio hinsichtlich der maximalen zu erwarteten Rendite optimiert werden. Umgekehrt lässt sich alternativ bei gegebener Portfolio-Rendite das Portfolio-Risiko minimieren. Mit Ausnahme der Verwendung eines alternativen Risikomaßes entspricht die CVaR-Optimierung daher technisch weitgehend der Mittelwert-VarianzOptimierung nach Markowitz. Da der CVaR allgemein und nicht als Verteilungsparameter definiert ist, lässt sich das Verfahren auf jede beliebige Renditeverteilung anwenden. In Abhängigkeit von den Eigenschaften der Renditeverteilung kann der CVaR dabei auf effiziente Weise geschätzt werden.10

10

Für einen Überblick über verschiedene Schätzverfahren für den Value-at-Risk sowie den Conditional Value at-Risk vgl. Glawischnig (2007) sowie Füss et al. (2010).

88

Portfolio-Optimierung

Fallstudie: Portfolio-Optimierung mit dem Conditional Value-at-Risk Für die Portfolio-Optimierung verwenden wir einen vorgegebenen CVaR(90 %) von -10 Prozent für die Quartalsrenditen und maximieren die erwartete Portfolio-Rendite. Zusätzlich zum Szenario 1 untersuchen wir den Effekt der Vorgabe eines zweiten Szenarios (siehe Tabelle 3.4).

Tabelle 3.4: Renditeannahmen gemäß Szenario 2 Aktien Welt

Aktien Osteuropa

Renten Deutschland

High Yield

Rohstoffe – Energie

Rohstoffe – Edelmetalle

Szenario 2

-7,9%

-15,5%

1,2%

-4,7%

-9,2%

2,0%

Szenario 2 alternativ

-6,1%

-15,5%

1,2%

-4,7%

-9,2%

2,0%

Quelle: Feri Finance AG (2010), Daten: Bloomberg. In diesem Szenario erzielen im Durchschnitt nur Renten und Edelmetalle eine positive Performance, während die anderen Anlageklassen teilweise stark negative Renditen erzielen. Im Szenario 2 alternativ wurde wieder eine Renditeannahme leicht geändert (um 1,8 Prozent bessere Performance für die Aktien Welt), um die Sensitivität der Ergebnisse in Bezug auf eine kleine Parametervariation zu analysieren. Um den Vergleich mit der MarkowitzOptimierung zu ermöglichen, wird diese für das Szenario 2 nochmals durchgeführt. Die Ergebnisse der Portfolio-Optimierung für die unterschiedlichen Szenarien sind in der Tabelle 3.5 zusammengefasst. Wenngleich der CVaR bei nicht normalverteilten Renditen für die Risikomessung besser geeignet ist als die Standardabweichung, ist die Sensitivität bei der CVaR- ähnlich hoch wie bei der Markowitz-Optimierung. Wohl aufgrund der Rechtsschiefe der Renditeverteilung für die Renten, die bei Verwendung des CVaR anstelle der Standardabweichung als Risikomaß tendenziell weniger riskant sind, ist im Szenario 2 auf Basis der CVaR-Optimierung der Rentenanteil besonders hoch. Umgekehrt werden Asset-Klassen mit besonders ausgeprägten Verteilungsrändern im negativen Renditebereich durch die CVaROptimierung tendenziell geringer gewichtet, weil das Risiko besser (deutlich höher) gemessen wird (z.B. für Aktien Osteuropa und Energie-Rohstoffe).

Erweiterungen

89

Tabelle 3.5: Ergebnisse der Portfolio-Optimierung gemäß Szenarien Optimierungsansatz AktienWelt

Aktien Osteuropa

Renten Deutschland

HighYield

Rohstoffe Energie

Rohstoffe Edelmetalle

MeanVariance

0,0%

34,1%

0,0%

30,7%

35,2%

0,0%

CVaR

0,0%

28,5%

0,0%

47,2%

24,3%

0,0%

MeanVariance

0,0%

0,0%

39,8%

0,0%

0,0%

60,2%

CVaR

0,0%

0,0%

79,7%

0,0%

0,0%

20,3%

MeanVariance

53,0%

29,1%

0,0%

0,0%

17,9%

0,0%

CVaR

75,0%

19,0%

0,0%

0,0%

6,0%

0,0%

MeanVariance

1,1%

0,0%

91,8%

0,0%

0,2%

6,9%

CVaR

0,7%

0,0%

90,3%

0,0%

0,6%

8,5%

Optimierungbzgl. Szenario1

Optimierungbzgl. Szenario2

Optimierungbzgl. Szenario1alternativ

Optimierungbzgl. Szenario2alternativ

Quelle: Feri Finance AG (2010), Daten: Bloomberg.

3.4

Erweiterungen

Aufgrund der hohen Sensitivität der Mean-Variance-Optimierung nach Markowitz in Bezug auf die Input-Parameter sowie der durch „Error Maximization“ auftretenden hoch konzentrierten Portfolios sind in der Literatur viele Erweiterungen des Standardmodells entwickelt worden. Black/Litterman (1990) beziehen in ihr Modell Schätzfehler direkt mit ein. Die Normalverteilungsannahme wird allerdings nicht aufgegeben, so dass die Standardabweichung als Risikomaß beibehalten wird. Zudem basiert das Black-Litterman-Modell (BLM) auf Korrelationen, von denen wir wissen, dass sie im Zeitverlauf instabil sind und in MarktStress-Szenarien dazu neigen, über die meisten Anlageklassen anzusteigen. Das Modell kombiniert die Renditeerwartungen, die mittels einer Umkehroptimierung aus einem „Gleichgewichtsportfolio“ (Marktportfolio) impliziert werden, mit den Renditeerwartungen des Analysten oder Portfolio-Managers. Die Grundidee ist einfach: Sei O der Risikoaversionskoeffizient aus der Markowitz-Optimierung, der das Verhältnis der Überschussrenditen aller betrachteten Asset-Klassen (über risikolose Staatsanleihen) und der mit dem Gewichtungsvektor w gewichteten Kovarianzmatrix der Überschussrenditen misst:

O

P 6w

.

90

Portfolio-Optimierung

Im Gleichgewicht halten alle Investoren das „Markt-Portfolio“, d.h. das Portfolio aller Anlageklassen in Höhe ihrer Marktkapitalisierungen. Das BLM stellt also zunächst nicht die Frage, wie hoch die Renditeerwartungen sind und zu welchem Portfolio diese führen. Stattdessen wird die Frage umgekehrt: Wie hoch müssen die Renditeerwartungen sein, damit im Gleichgewicht das Marktportfolio das optimale Portfolio ist (Umkehroptimierung). Seien wMkt die Gewichte des Marktportfolios, so ergibt sich aus obiger Formel der Vektor der Gleichgewichts(überschuss)renditen P * :

P * O6wMkt Diese Gleichgewichtsrenditen werden gemäß einem sogenannten Bayesianischen Verfahren wie folgt mit den Renditeannahmen des Investors (sogenannten Views) über alle oder nur bestimmte Asset-Klassen zu einem Vektor E (R ) insgesamt erwarteter Renditen verknüpft: E ( R)

>W6

1

 P' :P

@ >W6 1

1

@

P *  P ' : 1Q .

Darin ist W ein Skalar, P ist eine K u N -Design-Matrix der K Views für die N Anlage-

klassen (Matrix mit Nullen und Einsen), P * ist der N u 1 -Vektor der Gleichgewichtsrenditen, 6 ist die K u K -Kovarianzmatrix der Überschussrenditen, : ist eine diagonale

K u K -Kovarianzmatrix der Schätzfehler der Views, und Q ist der K u1 -Vektor mit den Views. Sind keine Views vorhanden, so reduziert sich die Formel zu E ( R ) P ,* und eine

Optimierung führt direkt zum Marktportfolio. Obwohl das BLM wichtige Probleme der Markowitz-Optimierung aufgreift, treten beim Einsatz in der Praxis folgende Probleme auf: „ Wie sollen die Parameter des Modells, u.a. der Risikoaversionsparameter O , geschätzt werden? „ Wie soll die Kovarianzmatrix der Schätzfehler bestimmt oder geschätzt werden? Liegen zu Beginn noch keine Schätzfehler vor, ist eine Schätzung aus vergangenen Daten nicht möglich. „ Anwendung der Normalverteilung, obwohl diese in der Praxis regelmäßig verworfen wird. „ Verwendung eines symmetrischen Risikomaßes (Standardabweichung) und von (linearen) Korrelationen. „ Anstieg der Gleichgewichtsrendite einer Asset-Klasse, dessen Marktkapitalisierung aufgrund von besonders hoher Performance relativ zu den anderen Anlageklassen gestiegen ist. Dadurch kommt es zu einem prozyklischen Verhalten bei der Optimierung. Trotz dieser ungelösten Fragen ist das Black-Litterman-Verfahren in der Asset Management Branche sehr verbreitet, und zwar vermutlich, besonderes bei sogenannten Investment-Profis, deutlich stärker als das Markowitz-Modell.

Erweiterungen

91

Einen alternativen Ansatz zur Vermeidung von „Error Maximization“ bei Anwendung des Markowitz-Modells wählt Michaud (1998). Statt die Schätzfehler bei der Mischung von Views und Gleichgewichtsrenditen zu berücksichtigen, simuliert er die MarkowitzOptimierung viele Male und bildet dann das Durchschnittsportfolio aus den Portfolios der einzelnen Simulationen. Das Verfahren lässt sich in folgende Schritte zerlegen: Schritt 1: Zunächst wird bei vorgegebenen Erwartungswerten durch Ziehen von Zufallszahlen aus einer multivariaten Normalverteilung eine Rendite für jede Anlageklasse simuliert. Schritt 2: Die im ersten Schritt simulierten Renditen werden als Inputs für die erwarteten Renditen bei der Markowitz-Optimierung verwendet. Schritt 3: Nach vielmaliger (z.B. 100-maliger) Wiederholung der Schritte 1 und 2 wird das Durchschnittsportfolio als optimales Portfolio verwendet. Der Ansatz des „efficient resampling“ von Michaud ist elegant, da er direkt das Problem der Schätzfehler aufgreift. Durch die Simulation soll die Realität abgebildet werden, in der ja ebenfalls immer wieder neue (zufällige) Renditen auftreten. Wird dies nicht berücksichtigt, so setzt man (bei der Markowitz-Optimierung) auf ein einziges Portfolio, das später leicht an der Realität (d.h. an anderen als den unterstellten Renditen) scheitern kann. Beim Verfahren nach Michaud wird diese Zufälligkeit der späteren Realisation direkt angesprochen. In der Praxis zeigt sich, dass das „efficient resampling“ in der Regel zu sehr breit diversifizierten Portfolios führt. Die Anwendung der Normalverteilung wird dabei allerdings immer noch nicht aufgegeben. Von der Feri Finance AG wurde ein Portfolio-Optimierungsverfahren entwickelt, welches ohne Normalverteilungsannahme und Korrelationen als Maß für den Zusammenhang zwischen den Renditen von Asset-Klassen auskommt. Dicke Verteilungsränder in den Daten werden berücksichtigt, indem die Standardabweichung als Risikomaß durch den CVaR ersetzt wird.

Fallstudie: Szenariobasierte robuste Portfolio-Optimierung Das Portfolio-Optimierungsverfahren geht von vorliegenden Szenarien (Regimen) mit gegebenen Wahrscheinlichkeiten aus. Es wird dabei über alle Szenarien simultan optimiert. Die Tabelle 3.6 vergleicht die Markowitz-Optimierung mit dem szenariobasierten Ansatz.

92

Portfolio-Optimierung

Tabelle 3.6: Vergleich von Markowitz- und szenariobasierter Optimierung Markowitz-Optimierung

Probleme

Szenariobasierter Ansatz

Berücksichtigung nur von Expected Return und Varianz des Portfolios.

Die Varianz ist kein Risikosondern ein Schwankungsmaß (Messung von Risiko und Chance).

Berücksichtigung des Conditional Value-at-Risk (CVaR) als Risikomaß.

Annahme der Normalverteilung von Finanzmarktrenditen.

Renditen meist fat-tailed und skewed; das Risiko wird dadurch tendenziell unterschätzt.

Verwendung der empirischen Verteilung (nichtparametrischer Ansatz); der CVaR ist bei fat-tails als Risikomaß angemessen.

Zusammenhang zwischen Asset-Klassen wird allein durch Korrelationen beschrieben.

Korrelationen instabil (z.B. tendenziell Anstieg bei schnell zunehmender Risikoaversion).

Verwendung der historischen Renditeverteilung der Anlageklassen (nichtparametrischer Ansatz).

Optimierung

Geringe Robustheit bezüglich Änderung der Parameter (insbes. des Expected Return). Konzentrierte Randportfolios Unplausible Änderungen der optimierten Portfolios bei gering veränderten Annahmen.

Optimierung in Bezug auf ein echtes (einseitiges) Risikomaß CVaR. Vermeidung stark konzentrierter Portfolios durch Bootstrapping und Berücksichtigung mehrerer Szenarien (Portfolios werden über alle Szenarien insgesamt optimiert).

Quelle: Feri Finance AG (2010). Der szenariobasierte Ansatz vermeidet die typischen Probleme der Markowitz-Optimierung. Die statistischen Eigenschaften der Asset-Klassen werden nicht durch eine Normalverteilung modelliert. Stattdessen werden durch ein Bootstrap-Verfahren11 aus den historischen Daten zufällig Renditen gezogen. Dies hat zur Folge, dass die Zusammenhänge zwischen den Anlageklassen erhalten bleiben und nicht auf stark vereinfachende und unrealistische Zusammenhangsmaße wie Korrelationen zurückgegriffen werden muss. Die historischen Daten werden dabei durch eine Mittelwertadjustierung auf die vorgegebenen Szenarien (Regime) angepasst. Schätzfehler werden berücksichtigt, indem aus den unterschiedlichen Regimen nicht nur einmal sondern häufig gezogen wird. So kann beispielsweise ein Regime mit positiven Durchschnittsrenditen für Aktien (Regime 1) mit einem zweiten Regime kombiniert werden, in welchem die erwartete Wertentwicklung von Aktien negativ ist (Regime 2). Solche Modelle mit wechselnden Regimen (sogenannte Regime-Switching Modelle) sind bei der Modellierung von Finanzmärkten sehr beliebt, da sie imstande sind, den in der Realität beobachtbaren

11

Beim Bootstrap-Verfahren werden Renditen direkt aus vergangenen Renditezeitreihen gezogen (mit Zurücklegen). Es wird also zunächst zufällig ein Zeitpunkt ausgewählt. Danach werden die Renditen aller Asset-Klassen zu diesem Zeitpunkt ausgewählt.

Erweiterungen

93

Für die 50 Realisationen aus den Szenarien wird ein optimales Portfolio bestimmt, das am besten auf die Realisationen der Szenarien abgestimmt ist in Bezug auf erwartete Rendite und Risiko (ConditionalValue-at-Risk, CVaR)

Robustes Portfolio

Aus den Szenarien werden zufällig, mit den Szenario-Wahrscheinlichkeiten gewichtete, 3MRenditen gezogen (50 Wiederholungen)

Portfoliooptimierung

Diese werden in Bezug auf bestimmte Szenarien für die Zukunft adjustiert (erwartete Rendite, Volatilität). Für jedes Szenario ergibt sich damit eine angepasste Historie.

Bootstrapping

Ausgangspunkt sind historische 3-MonatsRenditen

Anpassung Szenarien

Historische Renditen

Wechsel zwischen unterschiedlichen Phasen (Zuständen) der Märkte, z.B. zwischen volatilen und ruhigeren Phasen, in einem in sich geschlossenen Modellansatz abzubilden.12 Sie basieren allerdings auf der Annahme, dass die Regime nicht nur eindeutig spezifizierbar sondern auch identifizierbar sind, was in der Praxis oft schwierig ist.

Das durchschnittliche Portfolio über die 100 Simulationen ist das robuste Portfolio

100 Simulationen

Abbildung 3.7: Prozess der szenariobasierten Portfolio-Optimierung Quelle: Feri Finance AG Abbildung 3.7 beschreibt den Prozess der szenariobasierten robusten Portfolio-Optimierung. In einem ersten Schritt werden die historischen 3-Monatsrenditen in Bezug auf die vorgegebenen Szenarien angepasst. Für die Fallstudie gehen wir von den oben bereits dargestellten zwei Szenarien aus mit einer Eintrittswahrscheinlichkeit von 70 Prozent für Szenario 1 und von 30 Prozent für Szenario 2. Wechselnde Regime (Regime Switches) können durch eine Anpassung der Szenario-Wahrscheinlichkeiten in der Zeit berücksichtigt werden. So kann beispielsweise ein allmählicher Wechsel von Regime 1 (Szenario 1) zu Regime 2 (Szenario 2) berücksichtigt werden, indem die Wahrscheinlichkeit für das Szenario 2 in der Zeit allmählich erhöht wird. Die 3-Monatsrenditen jeder einzelnen Asset-Klasse werden gemäß dieser Szenarien mittelwertadjustiert, indem zunächst die Durchschnittsrendite abgezogen und dann die vorgegebene Szenariorendite dieser Anlageklasse addiert wird. Es ergeben sich so zwei angepasste Szenario-Stichproben, aus denen per Bootstrap zufällig Renditen gezogen werden

12

Ohne Berücksichtigung wechselnder Regime werden Korrelationseffekte regelmäßig überschätzt; vgl. Helten et al. (2009), S. 28. Für die Modellierung von Übergangswahrscheinlichkeiten zwischen Regimen vgl. Haas et al. (2009).

94

Portfolio-Optimierung

können. Auf eine ebenfalls mögliche Adjustierung der Volatilitäten der Asset-Klassen, je nach Szenario, verzichten wir der Einfachheit halber in dieser Fallstudie. Im nächsten Schritt werden aus den in Bezug auf die Szenarien angepassten historischen Renditeverteilungen zunächst 50 (in der Praxis hat sich diese Zahl als ausreichend erwiesen) 3-Monatsrenditen für jede Anlageklasse gezogen; und zwar bei jeder Ziehung zeitgleich. Wird beispielsweise in einer Ziehung die Rendite für die Aktien Welt von Januar bis März 2006 gezogen, so werden gleichzeitig die Renditen aller anderen Asset-Klassen für diesen Zeitraum einbezogen. Hieraus ergibt sich ein realistisches Bild der Zusammenhänge zwischen den Anlageklassen, ohne auf Korrelationen zurückzugreifen, die in kritischen Zeiten tendenziell den Diversifikationseffekt überschätzen.13 Durch das Bootstrap-Verfahren werden die in der Historie beobachteten Zusammenbrüche von Korrelationseffekten direkt in die Modellierung und Portfolio-Optimierung einbezogen. Die Ziehung aus den zwei Szenarien erfolgt dabei mit den vorgegebenen Szenariowahrscheinlichkeiten, d.h. mit Wahrscheinlichkeit 70 Prozent aus Szenario 1 und 30 Prozent aus Szenario 2. Im Durchschnitt werden daher 35 Renditen aus Szenario 1 und 15 Renditen aus Szenario 2 gezogen. Basierend auf den 50 Quartalsrenditen für jede Asset-Klasse wird dann eine PortfolioOptimierung durchgeführt. Der maximale CVaR(90 %) über die drei Monate wird dabei wieder auf -10 Prozent festgesetzt. Man erhält so ein Mean-CVaR-optimales Portfolio. Das Ziehen von 50 Renditen mit anschließender Portfolio-Optimierung wird insgesamt 100 Mal durchgeführt. In jeder Simulation werden dabei die Portfolio-Gewichte festgehalten. Das robuste in Bezug auf beide Szenarien optimale Portfolio ergibt sich dann als einfaches Durchschnittsportfolio, gemittelt über die 100 Simulationen. In Abbildung 3.8 sind die Portfolio-Gewichte der 100 Simulationen als sogenannter Boxplot14 dargestellt. Es ist erkennbar, dass die Anlageklasse Aktien Welt in den 100 simulierten optimalen Portfolios in den meisten Fällen nicht vorkommt. Das Gewicht dieser Asset-Klasse schwankt allerdings relativ stark und kann bis zu mehr als 70 Prozent betragen. Dies spiegelt die Unsicherheit bei einer Markowitz-Optimierung wider, in der gerade einmal ein einziges Portfolio als optimal bezeichnet wird. Die Unsicherheit wird bei dem hier vorgestellten Bootstrap-Verfahren durch die Resampling-Methode berücksichtigt. Es treten bei den 100 Simulationen also Rendite-Pfade auf, bei denen auch eine relativ hohe Gewichtung der globalen Aktien optimal sein kann. Ein ähnliches Bild ergibt sich für die Aktien Osteuropa, die allerdings in der Regel mit einem positiven, wenn auch eher geringen Gewicht in den optimalen Portfolios vertreten sind. Das maximale Gewicht dieser Anlageklasse ist etwa 40 Prozent. Die anderen Asset-Klassen sind in den optimalen Portfolios meist mit höheren Gewichten vertreten. Das obere Quartil schwankt dabei zwischen etwa 25 Prozent für die deutschen Staatsanleihen und mehr als 70 Prozent für die Edelmetalle. 13 14

Vgl. Helten et al. (2009), S. 30. In dem Boxplot ist die Range zwischen 25%- und 75%-Quantil als graue Flache dargestellt. Die schwarze horizontale Linie innerhalb der Box ist der Median. Die gestrichelte Linie nach unten bzw. oben entspricht dem 1,5-fachen Interquartilsabstand. Ausreißer außerhalb dieser Range sind als Kreise dargestellt.

Erweiterungen

95

SW = Aktien Welt (MSCI World Net Return), SEE = Aktien Osteuropa (MSCI Emerging Markets Eastern Europe), BG = Staatsanleihen Deutschland (JP Morgan Government Bond Index Germany), HY = High Yield (Merrill Lynch Euro High Yield), EN = Rohstoffe Energie (Dow Jones UBS Commodity Index Energy), PM = Rohstoffe Edelmetalle (Dow Jones UBS Commodity Index Precious Metals).

Abbildung 3.8: Boxplot der Portfolio-Gewichte über 100 Simulationen Quelle: Feri Finance AG (2010), Daten: eigene Berechnungen, Bloomberg. Das optimierte Portfolio aus dem szenariobasierten Bootstrap-Verfahren wird in der Tabelle 3.7 mit den Portfolios aus der Markowitz- und der CVaR-Optimierung verglichen. Es besteht aus einem Aktienanteil von 7,5 Prozent, einem Rentenanteil von 33,6 Prozent sowie einem dominanten Rohstoffanteil von fast 60 Prozent, davon 48,6 Prozent Edelmetalle.

Tabelle 3.7: Optimierte Portfolios im Vergleich Optimierungsansatz

Aktien Welt

Aktien Osteuropa

Renten Deutschland

High Yield

Rohstoffe – Energie

Rohstoffe – Edelmetalle

Optimierung bezüglich Szenario 1

MeanVariance

0,0%

34,1%

0,0%

30,7%

35,2%

0,0%

CVaR

0,0%

28,5%

0,0%

47,2%

24,3%

0,0%

Optimierung bezüglich Szenario 2

MeanVariance

0,0%

0,0%

39,8%

0,0%

0,0%

60,2%

CVaR

0,0%

0,0%

79,7%

0,0%

0,0%

20,3%

Optimierung bezüglich beider Szenarien

CVaR, Simuliert über Szenarien

4,4%

3,1%

13,2%

20,4%

10,3%

48,6%

Quelle: Feri Finance AG, Daten: Bloomberg.

96

Portfolio-Optimierung

Abbildung 3.9 stellt die Asset-Klassen sowie das über beide Szenarien optimale Portfolio in einem Risk-Return-Diagramm dar, wobei das Risiko als CVaR gemessen wird. Der relativ hohe Anteil der Anlageklassen High Yield sowie Edelmetalle erklärt sich aus dem recht attraktiven Risiko-Rendite-Profil dieser beiden Asset-Klassen.

SW = Aktien Welt (MSCI World Net Return), SEE = Aktien Osteuropa (MSCI Emerging Markets Eastern Europe), BG = Staatsanleihen Deutschland (JP Morgan Government Bond Index Germany), HY = High Yield (Merrill Lynch Euro High Yield), EN = Rohstoffe Energie (Dow Jones UBS Commodity Index Energy), PM = Rohstoffe Edelmetalle (Dow Jones UBS Commodity Index Precious Metals).

Abbildung 3.9:

Conditional Value-at-Risk (CVaR) und erwartete Renditen der AssetKlassen und des Szenario-optimalen Portfolios Quelle: Feri Finance AG; Daten: eigene Berechnungen, Bloomberg.

3.5

Umsetzbarkeit traditioneller Optimierungsverfahren

Das traditionelle Optimierungskonzept von Markowitz wurde für den Fall einer Einperiodenoptimierung unter restriktiven Annahmen entwickelt. Es stellt sich die Frage, wie Abweichungen von diesen Annahmen behandelt werden können, die in der Praxis häufig auftreten. In den letzten Jahrzehnten haben sich die Finanzmärkte rapide weiterentwickelt. So sind beispielsweise asymmetrische Finanzprodukte wie Optionen entwickelt worden, bei denen die Volatilität als Risikomaß ungeeignet ist, selbst wenn der Basiswert normalverteilt ist. Zudem stellt sich die Frage, wie Portfolio-Strategien behandelt werden können, die selbst ein asymmetrisches Risikoprofil erzeugen, beispielsweise durch zeitlich variierende Betas in den Marktrisikofaktoren (z.B. Long-Short-Ansätze). Generell eignet sich das Markowitz-Konzept noch am besten bei liquiden Anlageklassen im Long-Only Fall. Bei liquiden Asset-Klassen, in denen aufgrund der asymmetrischen Struktur der Renditeverteilung das Konzept der Vola-

Illiquide Asset-Klassen und Drei-Fonds-Theorem

97

tilität als Risikomaß versagt, kann der CVaR als geeignetes Risikomaß verwendet werden. Wie aber können illiquide Anlageklassen (wie z.B. Hedgefonds, Private Equity oder Immobilien) in eine Optimierung einbezogen werden, bei denen weder die Volatilität noch der CVaR als Risikomaße geeignet sind? Generell sind illiquide Anlageklassen aufgrund der eingeschränkten Messbarkeit des Risikos sowie der Nichtvergleichbarkeit mit den Risiken liquider Asset-Klassen für eine Portfolio-Optimierung mit Standard-Verfahren ungeeignet. Die eingeschränkte Messbarkeit des Risikos illiquider Asset-Klassen mit Standardverfahren macht auch das Zwei-Fonds-Theorem sowie das Capital Asset Pricing Model nicht mehr anwendbar. Das Grundkonzept der Einperiodenoptimierung wurde von Vermögensberatern und Produktanbietern erweitert, um eine sich im Zeitablauf ändernde Risiko-Rendite-Präferenz des Anlegers zu adressieren. Auf diesem Prinzip basieren sogenannte Lebenszyklus- und LaufzeitKonzepte. Beim Lebenszyklus-Konzept werden vor allem Privatkunden mit zunehmendem Lebensalter immer risikoärmere Portfolios angeboten. Das Laufzeit-Konzept unterschiedet sich vom Lebenszyklus-Ansatz vor allem dadurch, dass hier die Laufzeit nicht unbedingt vom Alter des Investors abhängig ist, sondern von diesem individuell festgelegt werden kann („Zielsparen“).

3.6

Illiquide Asset-Klassen und Drei-Fonds-Theorem

Die meisten Konzepte zur individuellen Risikosteuerung durch Mischung zweier Portfolios gehen von einem globalen Aktienportfolio als Portfolio mit maximalem Risiko aus. Allerdings müsste das Portfolio mit maximalem Risiko gleichzeitig das mit der höchsten Renditeerwartung sein. Bei gewünschter täglicher Liquidität auch in Krisenzeiten kommen dafür am ehesten Aktien mit einer hohen Marktkapitalisierung von Unternehmen in Industrieländern (als „effizienteste“ Märkte angenommen) in Frage, die von einem Manager mit großen Anlagefreiheiten (z.B. Hedgefonds) und Allokationsfähigkeiten (z.B. zu Regionen, Branchen oder Stilen) verwaltet werden. Wenn die Restriktion der täglichen vollständigen Liquidität aufgehoben wird, kommt als Maximalrendite-Portfolio dagegen eher ein „Private-Equity/ Emerging-Market/Small-Cap“-Portfolio (als „ineffizienteste“ Märkte angenommen) heraus. Daher stellt sich die Frage, ob das optimale Portfolio nicht aus drei Grundportfolios bestehen muss: Einem liquiden risikofreien, einem liquiden renditepotenzialstarken und einem illiquiden sehr renditepotenzialstarken Portfolio. Möglicherweise ist es daher an der Zeit, das ZweiFonds-Theorem durch ein Drei-Fonds-Theorem zu ersetzen. Das Zwei-Fonds-Theorem bezieht sich dabei auf den Fall nur liquider Asset-Klassen. Bei Einbeziehung illiquider AssetKlassen, wie z.B. Hedgefonds und Private Equity, ist die Betrachtung von Rendite und Risiko allein nicht zielführend, da das Risiko für illiquide Anlageklassen nicht auf gleiche Art wie für liquide Asset-Klassen gemessen werden kann. Als dritte Dimension führen wir daher Illiquidität ein, die auch als alternative Risikodimension angesehen, allerdings bei illiquiden Anlageklassen mit der Volatilität nicht gemessen werden kann. In Abbildung 3.10 haben wir das Zwei-Fonds-Theorem aus Abbildung 3.3 zu einem Drei-Fonds-Theorem erweitert. Das

98

Portfolio-Optimierung

Marktportfolio für illiquide Asset-Klassen (Portfolio I in der Abbildung) kann anhand der gesamten Marktkapitalisierung aller betrachteten Anlagekategorien bestimmt werden, ähnlich wie für die liquiden Anlageklassen (Portfolio M).15 Wegen der Risikoprämie für Illiquidität sollte die Rendite des illiquiden Marktportfolios höher sein als die des liquiden Marktportfolios, wie in der Abbildung dargestellt.

IKML I

F

0%

Erwartete Rendite p.a.

In einem ersten Schritt wird, abhängig von der Risikoaversion des Investors (in Bezug auf die erwartete Volatilität oder ein alternatives Risikomaß), die geeignete Kombination von Marktportfolio M und risikoloser Anlage F gewählt. Die Frage nach der optimalen Beimischung illiquider Anlageklassen wird dann in einem nächsten Schritt beantwortet. Angenommen, die optimale Kombination risikoloser Assets mit dem Marktportfolio sei das Portfolio L. In einem zweiten Schritt kann der Investor nun, abhängig von seiner Liquiditätspräferenz, eine Kombination zwischen den Portfolios I und L wählen. Die Kombinationen zwischen den Portfolios I und L nennen wir in Analogie zur Kapitalmarktlinie für den liquiden Fall die Illiquide Kapitalmarktlinie (IKML in der Abbildung). Die Optimierung in zwei Schritten setzt voraus, dass das Optimierungsproblem separierbar ist. Dies ist der Fall, wenn die Nutzenfunktion des Anlegers keine Interdependenzen zwischen Risiko (erwartete Volatilität) und Illiquidität enthält. Dies kann besonders bei illiquiden Asset-Klassen wie Private Equity angenommen werden.

KML MRP

L

M

MVP Erwartete Volatilität p.a. 5%

10%

15%

20%

25%

F = risikofreie Anlage, I = Marktportfolio für illiquide Asset-Klassen, L = optimale Kombination risikoloser Assets mit dem Marktportfolio liquider Asset-Klassen, MVP = Minimum-Varianz-Portfolio, M = Marktportfolio für liquide Asset-Klassen, KML = Kapitalmarktlinie, MRP = Maximum-Return Portfolio , IKML = Illiquide Kapitalmarktlinie.

Abbildung 3.10: Drei-Fonds-Theorem Quelle: Eigene Darstellung. Im folgenden Kapitel stellen wir einige Alternativen beziehungsweise Ergänzungen zu den traditionellen Portfolio-Optimierungsverfahren dar. 15

Die gilt zumindest theoretisch. In der Praxis kann das Volumen illiquider Asset-Klassen aufgrund der geringeren Markttransparenz nur geschätzt werden.

Illiquide Asset-Klassen und Drei-Fonds-Theorem

4.

99

Moderne Asset Allocation-Ansätze

Bisher existieren keine Forschungsarbeiten zu Asset Allocation-Modellen, die sich explizit mit dem Thema der Vorteile einer breiten Diversifikation von Anlageklassen beschäftigen und darauf basierend hilfreiche Aussagen für Investment-Praktiker treffen. In vielen Studien wird zuerst eine Optimierung der Allokation von Barmitteln, Anleihen und Aktien vorgenommen. Danach folgt die Analyse der Auswirkungen der Allokation zu einer weiteren Anlageklasse. Meistens werden hierfür Immobilien als „nächste“ mögliche Anlageklasse herangezogen. Die Ergebnisse zeigen meist eine starke Ähnlichkeit: Die Hinzunahme einer weiteren Anlageklasse – egal, welche letztendlich gewählt wird – verbessert die Risiko-RenditeEigenschaften des Portfolios, d.h. sie erhöht die Rendite und/oder reduziert die Volatilität, was eine höhere risikoadjustierte Rendite (Sharpe Ratio) impliziert. Jedoch ist die „richtige“ Anzahl der Anlageklassen für ein Portfolio bisher noch nicht geklärt, genauso wenig wie die ideale Reihenfolge bei der Hinzunahme weiterer Anlageklassen (z.B. erst Rohstoffe oder erst Immobilien?). Letzteres ist für die Praxis vor allem deshalb relevant, weil selten mehrere neue Anlageklassen gleichzeitig in ein Portfolio aufgenommen werden. Das Thema der möglichen Pfadabhängigkeit der Analyse bzw. Investition (d.h. die Abhängigkeit von der Reihenfolge der einzelnen Schritte oder Verfahren bei der Asset Allocation) sollte daher auf jeden Fall berücksichtigt werden.1 Meist ist die Ausgangsbasis der Diskussion sehr unterschiedlich: Kontinentaleuropäische Investoren starten bei der Bestückung ihres Ausgangsportfolios tendenziell mit heimischen bzw. Euro-Staatsanleihen und anderen Anleihen.2 Weitere Anlagenklassen werden sehr zögerlich bzw. in geringem Umfang beigemischt. Angelsächsische Investoren dagegen starten oft mit einer signifikanten Allokation zu dem (angeblichen) Renditeträger heimische Aktien3, und mischen darauffolgend weitere Anlagen hinzu.4 Grundsätzlich kann man feststellen, dass Investoren dort am meisten allokieren, wo ihre „Peers“ bzw. Vergleichsunternehmen investieren. Zur Hervorhebung der Risiken solcher Allokationen ist auf den Vergleich von kapitalgewichteten zu gleichgewichteten Marktindizes hinzuweisen. Eine reine Kapitalgewichtung ist konzeptionell fragwürdig, da sie zum Beispiel bei Anleihen dazu führt, dass dadurch den größten Schuldnern das meiste Geld zugeführt wird.5

1 2 3 4 5

Vgl. Ibbotson/Kaplan (2000) und Van de Burgt/Vermeulen (2009); diese nutzen einen Entscheidungshierarchie-Ansatz. Dafür gibt es auch Gründe, die in den jeweiligen Staatsinteressen begründet liegen können. Vgl. Sittampalam (2009). Zur kritischen Analyse des sogenannten Aktienparadigmas (dass man mit Aktien langfristig besonders attraktive Renditen generieren könne), vgl. Sittampalam (2009). Diese Reihenfolge scheint sich aber nach der 2008er Krise zu ändern. Vgl. Chee (2009). Vgl. Mclaughlin (2009), S. 5.

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4_4, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

100

Moderne Asset Allocation-Ansätze

Grundsätzlich gibt es drei unterschiedliche Ausgangspunkte für die Diversifikation: 1. Start mit einem „risikolosen“ Kasse-Portfolio und dann sukzessive Hinzunahme weiterer Anlageklassen, und zwar der jeweils „attraktivsten“ Anlageklasse;6 2. Start mit der (oft bereits „pseudo-optimierten“) Allokation des Bestandsportfolios der Institution; 3. Start mit einer naiven Allokation zu mehreren Anlageklassen. In Abbildung 4.1 werden die drei hier diskutierten Ausgangspunkte der Asset Allocation dargestellt. Mit „Cash + X“ wird der erstgenannte Ansatz bezeichnet, d.h. es wird nur dann in eine Asset-Klasse investiert, wenn die erwartete Rendite über der Cash-Verzinsung liegt. Sollten mehrere Anlageklassen diese Voraussetzung erfüllen, so wird in die Anlageklasse mit der höchsten erwarteten Rendite investiert. Mit „(Pseudo-) Optimiert“ werden alle Ansätze bezeichnet, die sich auf eine Rendite-Risikobasierte Portfoliooptimierung stützen, während „naiv“ eine Gleichgewichtung der Anlageklassen bedeutet.7

„Konzept“

„Start“

Hauptannahmen/ Anforderungen

Risiko-Overlay

Cash + X

Kasse + X, wenn X „besser“ als Kasse (zero based SAA)

Vorhersage/Prognose für X verglichen mit Kasse

(Pseudo)Optimiert

Renten

Aktien

„Naiv“

Andere

Prognose (Risiko/Ertrag/Korrelation) für alle Assetklassen

Gleichmäßig aufgeteilt

Keine perfekte Korrelation; alle Assets sind „valide/attraktive“ Investitionen

Wenn Risiko (temporär) gehedged wird, werden Investments in „ illiquide“ Assetklassen steuerbarer

Abbildung 4.1: Strategische Asset Allocation – Ausgangsbasis und die Rolle von Overlays Quelle: Eigene Darstellung nach Söhnholz/Burkert (2008), S. 18. Die Strategie „Cash + X“ unterscheidet sich von den anderen beiden Strategien, da sie nicht auf einer langfristig ausgerichteten Strategischen Asset Allocation aufbaut. Im Grunde genommen handelt es sich bei diesem Ansatz um einen Opportunitäts-basierten (d.h. Investment-Gelegenheiten wahrnehmenden) taktischen Ansatz, der daher auch als Zero-based Tactical Asset Allocation (ZebTAA) Ansatz bezeichnet werden kann. Zero-based bedeutet hier, dass man von einem Cash-Portfolio (Zero Yield Investment) ausgeht. Dieser Ansatz ist vor allem dann angemessen, wenn Diversifikation tatsächlich keine Vorteile bringt. 6

7

Kasse ist allerdings im Hinblick auf Opportunitätskosten nicht risikolos und auch einige angeblich risikolose Kasse-Ersatzprodukte haben sich in der Finanzkrise als sehr riskant erwiesen. Viceira (2009) ist der Meinung, dass inflationsindexierte Anleihen Cash als sicherste Anlage ablösen werden. Vgl. Söhnholz/Burkart (2008).

Naive Asset Allocation (NaSAA)

101

Die Bezeichnung „Pseudo-Optimiert“ verdeutlicht, dass diese Strategie nicht zu einem optimalen, sondern nur zu einem pseudo-optimierten Portfolio führt, da die Annahmen bei der Optimierung (i.d.R. Normalverteilung, keine Schätzfehler für die Parameter Erwartungswert, Volatilität und Korrelation, konstante Parameter, Volatilität als angemessenes Risikomaß) nicht erfüllt sind.8 Ein so optimiertes Portfolio weist daher unter Umständen nicht die gewünschten Diversifikations-Eigenschaften auf, wodurch der „naive“ Ansatz der Gleichgewichtung der Anlageklassen an Relevanz gewinnt. Alle drei Ansätze zur Diversifikation lassen sich kombinieren. So könnte beispielsweise ein liquider Teil des Portfolios opportunistisch investiert werden, der normalverteilte und gut prognostizierbare Teil optimiert werden und der illiquide bzw. semiliquide Teil des Portfolios naiv allokiert werden. Entscheidend für den Erfolg der Asset Allocation ist außerdem, ob – und wenn ja welche – Overlay-Strategien zusätzlich eingesetzt werden (siehe Kapitel 6).

4.1

Naive Asset Allocation (NaSAA)

Das Asset Liability-Modelling bzw. die Strategische Asset Allocation der meisten professionellen Investoren basiert auf Rendite-, Risiko- und Korrelationsprognosen. Diese sind besonders wichtig, weil sie im Zeitverlauf nicht stabil sind, wie Abbildung 4.2 am Beispiel der Renditen unterschiedlicher Asset-Klassen zeigt.

8

Vgl. Busack/Schweizer (2009) und Lu (2009).

102

Moderne Asset Allocation-Ansätze

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

Private Equity

Private Equity

Rohstoffe

Aktien EM

Private Equity

Aktien EM

Aktien EM

Aktien EM

Bonds Global

Aktien EM

70,0%

41,5%

Bonds Europa 6,8%

28,6%

54,0%

25,9%

34,8%

32,2%

39,1%

13,1%

77,4%

Aktien Asien

Rohstoffe

Immo-Fonds

Bonds Global

Aktien Asien

Aktien EM

Private Equity

Aktien Europa

Rohstoffe

Bonds Europa

Wandelanl.

64,8%

29,5%

5,3%

18,5%

36,7%

24,6%

26,9%

23,1%

16,1%

5,9%

Global 41,3%

Aktien EM

Bonds EM

Hedge Funds

Bonds EM

Private Equity

Aktien Asien

Aktien Europa

Aktien Global

Hedge Funds

Immo-Fonds

Private Equity

64,1%

14,4%

3,2%

12,9%

35,7%

17,1%

26,8%

20,9

12,0%

3,9%

34,7%

Aktien Europa

Bonds Europa

Bonds EM

Bonds Europa

Aktien Global

Aktien Global

Aktien Asien

Wandelanl.

Wandelanl.

Bonds EM

36,3%

6,4%

1,0%

6,9%

32,7%

14,9%

24,5%

Global 17,9%

Global 11,2%

-11,0%

33,9%

Wandelanl.

Immo-Fonds

Bonds Global

Immo-Fonds

Aktien USA

Aktien Europa

Rohstoffe

Private Equity

Bonds Global

Hedge Funds

Aktien Global

Aktien Asien

Global 33,2%

4,9%

-0,8%

4,5%

28,8%

12,3%

20,4%

16,3%

10,6%

-19,0%

31,1%

Rohstoffe

Hedge Funds

Aktien EM

Hedge Funds

Bonds EM

Bonds EM

Aktien Global

Aktien USA

Aktien Global

Wandelanl.

Bonds EM

25,5%

2,1%

-4,1%

2,0%

25,5%

3,5%

10,8%

16,3%

10,0%

Global -31,6%

28,1%

Aktien Global

Bonds Global

Wandelanl.

Wandelanl.

Wandelanl.

Aktien USA

Bonds EM

Aktien Asien

Aktien Asien

Rohstoffe

Aktien USA

24,6%

2,0%

Global -6,3%

Global - 1,1%

Global 24,0%

11,0%

10,7%

14,1%

9,7%

-37,7%

27,8%

Bonds EM

Aktien Europa

Aktien USA

Aktien EM

Rohstoffe

Rohstoffe

Bonds Europa

Hedge Funds

Private Equity

Aktien USA

Aktien Europa

23,4%

-5,0%

-11,2%

-4,4%

23,8%

9,6%

6,0%

11,8%

7,7%

-37,9%

27,6%

Aktien USA

Aktien USA

Aktien Global

Aktien Asien

Aktien Europa

Bonds Global

Hedge Funds

Bonds EM

Aktien Europa

Aktien Asien

20,6%

-8,1%

-16,5%

-8,9%

20,1%

9,3%

5,9%

9,9%

7,3%

-39,8%

19,2%

Hedge Funds

Wandelanl.

Private Equity

Private Equity

Bonds Global

Wandelanl.

Aktien USA

Bonds Global

Aktien USA

Aktien Global

Hedge Funds

13,7%

Global -10,4%

-18,2%

-12,9%

14,1%

Global 9,0%

5,4%

5,8%

6,2%

-40,6%

17,5% *

Immo-Fonds

Aktien Global

Rohstoffe

Aktien Global

Hedge Funds

Hedge Funds

Immo-Fonds

Immo-Fonds

Bonds EM

Aktien Europa

Bonds Europa

4,6%

-12,9%

-18,4%

-20,4%

13,2%

7,9%

2,6%

3,4%

6,2%

-44,6%

4,6%

Bonds Europa

Aktien Asien

Aktien Europa

Aktien USA

Immo-Fonds

Bonds Europa

Wandelanl.

Rohstoffe

Immo-Fonds

Private Equity

Immo-Fonds

0,2%

-27,3%

-19,2%

-22,5

3,1%

7,4%

Global -0,1%

1,9%

4,7%

-48,6%

2,5%

Bonds Global

Aktien EM

Aktien Asien

Aktien Europa

Bonds Europa

Immo-Fonds

Bonds Global

Bonds Europa

Bonds Europa

Aktien EM

Bonds Global

-4,7%

-30,7%

-23,9%

-33,8%

1,5%

2,5%

-6,3%

0,1%

0,8%

-53,3%

1,9%

Rohstoffe

+

P e r f o r m a n c e

-

* = Schätzung

Abbildung 4.2:

Komplexe Anlagewelt – Anlageklassen haben zu unterschiedlichen Zeiten sehr unterschiedliche Renditen Quelle: Credit Suisse; Analyse auf Basis von Daten von Lipper/Hindsight, Januar 2010. Verlässliche Prognosen sind bei alternativen und oft illiquiden Investments besonders schwierig. Immer häufiger auftretende „gestresste“ Märkte erschweren dies zusätzlich. Zunächst ist die Frage zu stellen, wann eine Naive Strategische Asset Allocation einer optimierten vorzuziehen ist. Selbst wenn die Antwort „immer“ wäre, würde allerdings kaum ein Investor – vor allem aus mangelnder interner und externer Akzeptanz solcher Ergebnisse – eine solche naive Allokation umsetzen. So wird im Folgenden zuerst untersucht, ob und wie eine zusätzliche naive Allokation von Anlageklassen (Zusatz NaSAA) zu einer optimierten Basisallokation (wegen der vielen nötigen Annahmen auch „pseudo-optimiert“ genannt), die Risiko-Rendite-Merkmale von Portfolios verbessern kann. Folglich wird in der nachstehenden Untersuchung ein Modell gewählt, das mit einigen wenigen ausgewählten traditionellen Anlageklassen („pseudo-optimiert“) anfängt, und im Laufe der Zeit weitere auf naive Weise hinzunimmt. Dabei werden die „zusätzlichen“ Anlageklassen variiert. Als erstes stellt sich die Frage nach der richtigen Zahl der zu berücksichtigenden Anlageklassen. Allerdings existiert bisher keine einheitliche Definition, was eine Anlageklasse ist oder ausmacht. Man kann davon ausgehen, dass Anlageklassen sich untereinander unterscheiden aber intern relativ homogen sind. Innerhalb der hier durchgeführten Analyse wird auf die marktübliche Terminologie zurück gegriffen. Entsprechend werden bspw. Hedgefonds als eine Anlageklasse gewertet. In Asset Liability-Management-Modellen wählen Consultants bis

Naive Asset Allocation (NaSAA)

103

zu 50 solcher Standard-Klassen.9 Exotischere Asset-Klassen werden auf speziellen Kundenwunsch aufgenommen. Für Performance-Analysen von Fondsmanagern verwenden einige Consultants bis zu 250 (traditionelle und sogenannte alternative) potenzielle Beta- oder Marktrisikofaktoren, welche durchaus als separate Anlageklassen betrachtet werden könnten (siehe Abbildung 4.3).

> 100.00 Marktindizes

> 3.000 „Barra“ Faktoren

> 250 „Hedgefonds Betas“

> 50 ALM-Assetklassen

4 Standard ALM Assetklassen (Geldmarkt, Anleihen, Aktien, Immobilien)

ALM = Asset-Liability-Management.

Abbildung 4.3: Wie viele Asset-Klassen gibt es? Quelle: Feri Institutional Advisors GmbH (2009). Die Optimierung von Modellen mit vielen, gerade auch mit illiquiden Anlageklassen, ist besonders für nichtlineare-mehrperiodige Modelle mathematisch sehr komplex.10 Die Grundannahmen der Naiven Asset Allocation sind einerseits die grundsätzliche positive „Stand-Alone“ bzw. unabhängige Entwicklung der ins Portfolio aufgenommen Anlageklassen sowie die positive Wirkung von Diversifikation von zusätzlich allokierten Anlageklassen. D.h., durch die Hinzunahme einer weiteren Anlageklasse sollte eine Reduktion des Portfoliorisikos möglich sein. Konkrete Annahmen in Bezug auf Renditepotenziale, Risiken bzw. Diversifikationseffekte sind – anders als bei traditionellen Optimierungen – grundsätzlich nicht nötig, um das Konzept umzusetzen. Das bedeutet jedoch nicht, dass eine naive Diversifikation ohne fundamentales bzw. Makro-Research auskommt. Mit Hilfe dieses Researchs sollte vor allem identifiziert werden, welche Anlageklassen bzw. welche Segmente grundsätzlich für die Asset Allocation in Frage kommen, also welche groß genug sind und die oben 9

10

Anson (2009) unterscheidet 7 Arten von Betas; Lo (2009a) unterscheidet u.a. Strategie-Betas, CreditBetas, Volatilitäts-Betas und Carry-Trade Betas: „Es gibt kein Alpha, das so geheim ist, dass es nicht irgendwann zu Beta wird“. Vgl. Helten et al. (2009), S. 33 und Haas et al. (2009), S. 52-53.

104

Moderne Asset Allocation-Ansätze

erwähnten positiven Stand-Alone Entwicklungen aufweisen können. Ein Segment, welches zu klein ist bzw. eine negative Rendite erwarten lässt, sollte – zumindest nicht mit einem sogenannten Long-Bias –, ins Portfolio aufgenommen werden. Allerdings ist auch beim Konzept der naiven Diversifikation ein abnehmender Grenznutzen von Diversifikation zu erwarten: Die zusätzliche Risikoreduktion sollte umso geringer ausfallen, je mehr Anlageklassen bereits ausgewählt wurden. Da hier die Strategische Asset Allocation im Vordergrund steht, werden bei der folgenden Analyse die Transaktionskosten vernachlässigt, die vor allem bei taktischen Allokationsänderungen auftreten, aber durchaus auch bei Erst-Investment in „neue“ Asset-Klassen.11 Ausgangspunkt der nachfolgenden Analyse ist eine Allokation mit den bei institutionellen Investoren am stärksten vertretenen Anlageklassen Kasse, Anleihen und Aktien. Zur Modellierung werden Euro-Geldmarktsätze, europäische Staatsanleihen und europäische Aktien verwendet. Zunächst wird die Veränderung der risikobereinigten Rendite der Portfolios untersucht. Als Zielfunktion wird die weit verbreitete Sharpe Ratio, trotz der bekannten Unzulänglichkeiten dieses Performance-Maßes (z.B. die Annahme einer Normalverteilung der Renditen), gewählt. Dies geschieht, weil die Risiko-Rendite-relationsoptimierende Betrachtungsweise für die meisten Investoren geeigneter ist als eine Optimierung allein der Rendite oder des Risikos.

Ausgangsportfolio

Optimiert +1

Optimiert +2

Optimiertes Portfolio Optimiertes Portfolio

Optimiertes Portfolio z.B. mit Anleihen, Aktien und Geldmarkt

(80%) (90%)

+ eine weitere Anlageklasse (10%) + eine andere Anlageklasse (10%)

+ eine andere Anlageklasse (10%)

Sharpe Ratio steigt

Sharpe Ratio steigt

Abbildung 4.4: Konzept der naiven (Zusatz-)Diversifikation im Überblick Quelle: Eigene Darstellung. 11

Vgl. Solnik (1995) und Siegmund (2007). Zu den besonders hohen Transaktions- bzw. Opportunitätskosten für (Nicht-)Umschichtungen illiquider Assets vgl. Chako et al. (2009).

Naive Asset Allocation (NaSAA)

105

Als nächstes wird die diskretionäre Auswahl der weiteren Anlageklassen für die Analyse durchgeführt, wobei insgesamt zehn Anlageklassen berücksichtigt werden. Neben Cash, Aktien und Staatsanleihen werden Wandelanleihen, Unternehmensanleihen, Asset Backed Securities (ABS), Immobilien, Rohstoffe, Hedgefonds und Private Equity in die Analyse mit einbezogen. Der Hauptgrund für diese Auswahl liegt darin begründet, dass sich diese Klassen am häufigsten in den Portfolios von deutschen institutionellen Anlegern wiederfinden. Insgesamt ist es bei dem hier verwendeten Ansatz nicht von entscheidender Bedeutung, welche Risiko-, Rendite- und Korrelationsannahmen im Einzelnen getroffen werden, sofern sie sich zwischen den Anlageklassen signifikant voneinander unterscheiden. Im Vordergrund steht nämlich nicht die Frage, welche zusätzlichen Anlageklassen zu einem Portfolio hinzugefügt werden sollten, sondern vornehmlich die Frage, ob schon eine naive Diversifikation grundsätzlich Vorteile für Investoren bringen kann. Die konkrete Ausgestaltung der optimalen Zielportfolios ist unter anderem von den Anforderungen und Beschränkungen (z.B. regulatorischer Art) des Investors, dem Zeitpunkt, den Transaktionskosten aber auch den verwendeten Optimierungsalgorithmen und Tools abhängig. Für die ausgewählten Anlageklassen werden die vom Feri-Kapitalmarktmodell abgeleiteten langfristigen zehn Jahres-Prognosen hinsichtlich der Volatilität, Rendite und Korrelation der verschiedenen Anlageklassen verwendet. Die Variablen, also auch die Kovarianzen in dem Modell, ändern sich im Zeitablauf und können daher hier nicht einfach offengelegt werden. Es wurden keine historischen Renditen, Risiken und Korrelationen verwendet, da diese – wie die Krise 2008/2009 und die zunehmende Zahl und Häufigkeit von Markt-Stress-Szenarien zeigt – für Prognosen oft wenig geeignet sind. Gerade bei den alternativen Anlageklassen (aber z.B. auch bei Immobilien) mangelt es zudem an ausreichend zuverlässigen und repräsentativen Referenzindizes bzw. historischen Daten.12 Zudem ist darauf hinzuweisen, dass die Ergebnisse nicht in jedem Marktumfeld gelten – und vor allem nicht in der kurzfristigen Betrachtung. Es ist bekannt, dass gerade in turbulenten Börsenphasen, in denen eine gute Diversifikation besonders benötigt wird, die Korrelationen zwischen den verschiedenen Anlageklassen typischerweise deutlich zunehmen. Damit sind die positiven Effekte der Diversifikation über viele Anlageklassen zumindest vorübergehend außer Kraft gesetzt.13 In der Praxis ist es vorteilhaft, komplexe nicht-normalverteilte Mehrperioden-Kapitalmarktmodelle zu verwenden. Bei der folgenden Analyse stand allerdings die Nachvollziehbarkeit der empirischen Ergebnisse im Vordergrund, weshalb das Optimierungsmodell nach Markowitz über eine einzelne Periode angewandt wird. Ein Backtest des Modells ist aufgrund fehlender aussagekräftiger Datenreihen für viele Anlageklassen nicht möglich.

12

13

Entsprechend sind die hier präsentierten Ergebnisse stark von dem verwendeten Modellansatz und den Eingabedaten abhängig. Beispielsweise werden relativ niedrige Private Equity-Renditen, hohe Private Equity-Volatilitäten sowie eine hohe Korrelation zwischen notierten Aktien und Private Equity unterstellt. Dadurch soll die Illiquidität von Private Equity „kompensiert“ werden. Daher tritt diese Anlageklasse in der Reihenfolge attraktiver Allokationen nach hinten. Vgl. Abschnitt 2.1 sowie European Central Bank (2008).

106

Moderne Asset Allocation-Ansätze

Nach der Bestimmung der Anlageklassen stellt sich als nächstes die Frage nach der Reihenfolge, in welcher sie hinzugenommen werden sollen. Hier wird zuerst die Modellierung des „Naive Basic 3“-Portfolios (Kasse, Anleihen und Aktien, gleichgewichtet), zuzüglich zunächst nur einer zusätzlichen Anlageklasse, vorgenommen. Es überrascht nicht besonders, dass in fast allen Fällen vier gleich gewichtete Anlageklassen zu einer besseren Sharpe Ratio führen als drei. Gleichermaßen verbessert sich die Sharpe Ratio bei einer Umstellung von einem naiven (gleich gewichteten) Portfolio mit vier Anlageklassen auf eines mit fünf Anlageklassen und von einem Portfolio mit fünf auf eines mit sechs Anlageklassen. Diese Resultate können zum Teil mit der zunehmenden Reduktion der Kasse, die eine Sharpe Ratio von 0 (bei einem angenommenen risikolosen Zins von 0 Prozent) aufweist, erklärt werden. Der Grenznutzen der Diversifikation verringert sich mit zunehmender Zahl von Anlageklassen, was ebenfalls nicht überrascht.14 Eine negative „Überdiversifikation“ wird nur in Einzelfällen beobachtet, z.B. wenn Wandelanleihen zu einem Portfolio mit Aktien und Unternehmens-Anleihen hinzugenommen werden, also vor allem dann, wenn wenige Anlageklassen verwendet werden und die hinzugefügte AssetKlasse hoch mit einer oder mehreren der bereits enthaltenen Anlageklassen korreliert. Bei der Diskussion dieser Ergebnisse beziehen sich die Einwände hauptsächlich auf die gleichmäßige Allokation der Basis-Anlageklassen. Daher wird diese in einem zweiten Schritt zunächst mit Hilfe des einfachen Modells von Markowitz optimiert, 15 also ein Sharpe Ratio „Optimized Basic 3“-Portfolio mit den Bestandteilen Kasse, Anleihen und Aktien kreiert. Anschließend wird sequentiell jeweils eine weitere Anlageklasse hinzugefügt. Das bedeutet, dass zuerst die Allokation der drei Basis-Anlageklassen festgelegt wird. Anschließend werden die Anteile dieser Anlageklassen im Gesamtportfolio proportional reduziert und eine neue Anlageklasse hinzugefügt. Bei dieser Vorgehensweise führen alle zusätzlichen Anlageklassen zunächst zu einer Verbesserung der Sharpe Ratio im Portfolio und zwar bei den meisten Asset-Klassen sogar bis zu einer Beimischung von 25 Prozent des Portfolios. Lediglich eine Allokation von signifikant mehr als 10 Prozent in Private Equity führt zu einer Verschlechterung der Sharpe Ratio, verglichen mit den optimierten drei Basis-Anlageklassen. Das ist vermutlich vor allem auf unsere sehr aktiennahen Private Equity-Erwartungen zurückzuführen.

14 15

Nur eine geringe zusätzliche Volatilitätsreduktion ist durch eine Diversifikation über acht Anlageklassen hinaus möglich. Vgl. Clare (2009), S. 16. Vgl. Mittnik/Rachev (2006) zu den erheblichen Problemen dieses Optimierungsansatzes. Allerdings dienen die hier erzielten Ergebnisse zur Veranschaulichung, und es wird unterstellt, dass auch deutlich komplexere Optimierungsverfahren keine signifikant anderen Ergebnisse erzielen würden.

Naive Asset Allocation (NaSAA)

107

0,45

0,4

0,35

0,3

0,25

0,2

0,15

0,1

0,05

0 Wandelanleihen

Corporates

Sharpe Ratio Ausgangswert

ABS Sharpe Ratio 1%

Immobilien Sharpe Ratio 5%

Rohstof f e

Hedgef onds

Shape Ratio 10%

Private Equity

Sharpe Ratio Gleichgewicht

Abbildung 4.5:

Effekt der Hinzunahme einer weiteren Assetklasse zu einem optimierten Portfolio aus Kasse, Anleihen und Aktien Quelle: Feri Institutional Advisors GmbH (2008). Wie in Abbildung 4.5 gezeigt wird, verbessert eine naive Diversifikation eines Portfolios mit einer zusätzlichen Anlageklasse in den meisten Fällen die Sharpe Ratio. Die Sharpe Ratio der Ausgangsallokation wird durch den jeweils ersten Balken dargestellt. Eine 1 Prozent, 5 Prozent bzw. 10 Prozent-Beimischung der neuen Anlageklasse (also zunächst Wandelanleihen) erhöht die Sharpe Ratio entsprechend in allen Fällen. Nur im Fall der Gleichgewichtung für Private Equity ergibt sich eine Art negative „Überdiversifikation“. Ausgehend von einer einfach optimierten Allokation erweist sich eine weiterführende naive Diversifikation als positiv in all jenen Fällen, in denen die Allokation zu einer neuen Anlageklasse nicht überwiegt. Nach der hier durchgeführten Analyse wäre eine Allokation von 25 Prozent Private Equity „zu hoch“, nicht jedoch eine von 10 Prozent zu Private Equity bzw. sogar 25 Prozent für die anderen untersuchten Anlageklassen.16

16

Vgl. Söhnholz/Burkert (2008), S. 16.

108

Moderne Asset Allocation-Ansätze

Anteil am Portfolio in %

Anlagesegmente

Beimischung zu einem optimierten Portf olio mit Aktien Europa, Staatsanleihen Euro, Geldmarkt Euro

1%

5%

10%

25%

Wandelanleihen

+

+

+

+

Unternehmensanleihen

+

+

+

+

Asset Backed Securities

+

+

+

+

Immobilien

+

+

+

+

Rohstoffe

+

+

+

+

Hedgefonds

+

+

+

+

Private Equity

+

+

+

-

+/-: positive/negative Auswirkung auf Portf olio-Sharpe-Ratio bei “einf acher” Markowitz-Optimierung des Ausgangsportf olios

Abbildung 4.6:

Verbesserung der Sharpe Ratio bei Hinzunahme einer der genannten Anlageklassen ausgehend von einem einfach optimierten Portfolio Quelle: Feri Institutional Advisors GmbH (2008). Grafisch etwas vereinfacht ergibt sich eine in sehr vielen Fällen grundsätzlich positive Wirkung einer naiven Zusatzdiversifikation auf die Sharpe Ratio von Portfolios (siehe Abbildung 4.6). Dieser Ansatz führt zu relativ geringen potenziellen Portfolio-Anteilen von sogenannten passiven Investments, da repräsentative passive Investment-Möglichkeiten für viele Anlageklassen nicht zur Verfügung stehen.17 Der Ansatz führt auch zu anderen Ergebnissen als zum Beispiel sogenannte Core-Satellite Ansätze, die alternative Anlageklassen in der Regel nur als kleine Beimischung in den sogenannten Satellitenportfolios berücksichtigen. Im Sinne von nicht benötigten expliziten Prognosen ist eine Naive Asset Allocation grundsätzlich prognosefrei. Sie ist aber nicht annahmefrei, denn sie basiert u.a. auf der Annahme, dass alle Anlageklassen, zu denen allokiert wird, die Eigenschaften des Portfolios verbessern können. Dabei kann man durchaus diskutieren, ob bestimmte Anlagesegmente eventuell komplett unattraktiv sind. So werden im Rahmen dieses Buches bspw. geschlossene Mobilienfonds (z.B. Schiffe, Flugzeuge, Container) oder Mikrofinanzfonds nicht explizit als attraktive Anlagesegmente aufgeführt. Andererseits spielte die erste Kategorie gerade für deutsche Privatkunden in der Vergangenheit vor allem aus steuerlichen Gründen eine wichtige Rolle. Aus der „Vor-Steuer“-Betrachtung, die wir hier verfolgen, ist dieses Anlagesegment aber auch für Privatkunden in der Regel relativ unattraktiv und wird daher hier nicht weiter thematisiert.

17

Siehe dazu auch Kapitel 7.

Naive Asset Allocation (NaSAA)

Optimiert

109

Diversifikationseffekt

Europäische Aktien

Europäische Renten

Optimiert + Naiv

Europäische Aktien

Sharpe Ratio steigt¹

75%-99% Europäische Renten

Kasse 1%-25% Kasse

„Jede“ andere Assetklasse

¹Mit wenigen Ausnahmen

Abbildung 4.7:

Optimierte Allokation ohne und mit naiver Zusatzdiversifikation im Grobvergleich Quelle: Feri Institutional Advisors GmbH. Als Alternative zu einer nominal gleichgewichteten Naiven Asset Allocation wird in der Literatur und von Consultants eine Risiko-Gleichgewichtung vorgeschlagen. Wichtig ist hierbei besonders das Risikomaß, das für eine Risiko-Gleichverteilung angesetzt wird. Meist wird eine Normalverteilung der Renditen unterstellt und die Volatilität der Portfolio-Rendite als Risikomaß verwendet.18 Neuere Ansätze verallgemeinern den Ansatz auf den Fall, dass Renditen nicht normalverteilt sind, z.B. durch eine Zerlegung und Gleichgewichtung der Beiträge der einzelnen Anlageklassen zum Value-at-Risk des Gesamtportfolios.19 Beide Ansätze machen allerdings nur dann Sinn, wenn das Risikomaß gut schätzbar ist, was eine hinreichend hohe Liquidität erfordert. Bei liquiden Anlagen kann die Risikogewichtung daher unseres Erachtens durchaus interessant sein.

18 19

Vgl. Maillard et al. (2008). Vgl. Petersen/Boudt (2008).

110

Moderne Asset Allocation-Ansätze

Asset Allokation (Anteil am Portfolio)

Immobilien Absolut Return

Aktien

Risikoallokation (Anteil am Portfoliorisiko)

> >

Immobilien Absolut Return

< Aktien

Anleihen

> Anleihen

Abbildung 4.8: Asset Allocation und Risikogewichtung im Vergleich (konzeptionell) Quelle: Eigene Darstellung. Insbesondere viele alternative Anlageklassen weisen aber keine hinreichend hohe Liquidität auf, besonders nicht in Krisenzeiten. Unter Einbeziehung von alternativen Investments ist daher eine nominale Asset-Gleichverteilung weiterhin interessant und nicht notwendigerweise schlechter als eine Risiko-Gleichgewichtung. Unabhängig von der Art der Allokation entwickelt sich die Ursprungsallokation aber mit der Zeit durch Wertveränderungen der Anlageklassen. Eine naive Diversifikation ist anders als eine marktwertgewichtete Allokation tendenziell eher weniger prozyklisch ausgerichtet, weil sich ihre Allokation zu den Anlageklassen nicht nach dem Marktvolumen bzw. dem Marktwachstum richtet. Allerdings hängt die Zyklusabhängigkeit auch davon ab, wie oft (und wie stark) rebalanciert wird. Ähnliche Ergebnisse wie die naive Allokation ergeben sich bei einigen anderen Untersuchungen bzw. Studien zu dem Konzept der Gleichgewichtung, das auch als 1/N Allokation bezeichnet wird.20

20

Vgl. Söhnholz/Burkert (2008) und Behr et al. (2008); letztere auch im Vergleich zu marktwertgewichteten Portfolios.

Zero-based Tactical Asset Allocation (ZebTAA)

4.2

111

Zero-based Tactical Asset Allocation (ZebTAA)

Als Alternative zu einem naiv allokierten Portfolio bietet sich an, auf eine langfristig ausgerichtete Strategische Asset Allocation gänzlich zu verzichten und nur eine rein opportunistische Taktische Asset Allocation (TAA) umzusetzen. Ausgehend von einem (nahezu) risikolos investierten Portfolio (Cash, kurzfristige Staatsanleihen) wird opportunistisch in eine (oder mehrere) Asset-Klasse(n) investiert, wenn die prognostizierte Rendite mit hoher Konfidenz höher liegt als der risikolose Zinssatz. In einem Long-Short-Ansatz lassen sich entsprechend auch negative Renditeprognosen gewinnbringend umsetzen, wenn die Renditeprognose unter den negativen risikolosen Zinssatz (Kosten für eine kurzfristige Kreditaufnahme) fällt. Der Ansatz ist motiviert durch die vielfache Überzeugung professioneller Investoren, dass nur dann in eine Anlageklasse investiert werden sollte, wenn sie mit hoher Wahrscheinlichkeit gegenüber Cash eine Überrendite erbringen wird.21 Aufgrund des Prognoserisikos sollte die Konfidenz der Prognose hoch genug sein. Operationalisieren lässt sich der Ansatz, indem um die Renditeprognose ein Prognoseintervall gelegt wird. Das Prognoseintervall ist dabei nicht statistisch, sondern subjektiv unterlegt. D.h. die Breite des Intervalls (von dem hier angenommen wird, dass es symmetrisch um die Renditeprognose gelegt wird), sowie die Wahrscheinlichkeit, dass die realisierte Rendite in das Intervall fällt, werden z.B. von der prognostizierenden Person selbst festgelegt. Es wird beispielsweise dann in die entsprechende Asset-Klasse investiert, wenn die Untergrenze des Prognoseintervalls den risikolosen Zinssatz übersteigt. Im Vergleich zu einer statistischen Festlegung, z.B. aufgrund der Volatilität (Schwankungsbreite der Rendite), sowie einer Verteilungsannahme für die Renditen (z.B. Annahme der Normalverteilung, welche die Wahrscheinlichkeit extremer Renditen unterschätzt, oder auf Basis einer realistischeren Verteilungsannahme), sollte das Prognoseintervall tendenziell eher schmaler sein. Alternativ zu einem schmalen Prognoseintervall kann auch die Renditeprognose sehr hoch sein, um in die Anlageklasse zu investieren. Dieser Zusammenhang kann an einem einfachen Beispiel verdeutlicht werden: Angenommen, die Volatilität einer Anlageklasse beträgt annualisiert 20 Prozent und der risikolose Zinssatz für eine Anlage über einen Monat liege bei 3 Prozent p.a. oder 0,25 Prozent pro Monat. Für ein Konfidenzintervall auf Basis der Normalverteilung (die hier verwendet wird, ohne dass ein Verlust der Allgemeinheit der Aussagen unterstellt wird) mit einer Breite von zwei Standardabweichungen (dies entspricht einer Wahrscheinlichkeit von rund 2/3 für eine beobachtete Rendite, die innerhalb des Intervalls um den Mittelwert liegt) würde man in diesem Fall eine Renditeprognose von mindestens 6,02 Prozent benötigen, um in die Asset-Klasse zu investieren. Die auf einen Monat bezogene Standardabweichung beträgt V M V ann / 12

21

Vgl. Cochrane (1999) oder Cardinale (2009) zur Prognosemöglichkeit von Renditen basierend auf dem „Initial Yield“. Vgl. Weber (2009), S. 42: „Die wissenschaftliche Literatur zum Market Timing ist eindeutig: Es hat keinen Sinn“.

112

mit von

Moderne Asset Allocation-Ansätze

V ann als annualisierte Volatilität, also 2 uV M

VM

20 % / 12

5,77 % .

Bei einer Intervallbreite

sich bei dieser Renditeprognose das Prognoseintervall >6,02%  5,77%; 6,02%  5,77%@ = >0,25%;11,8%@ . Die Untergrenze übersteigt damit gerade den risikolosen Zinssatz, so dass in die Anlageklasse investiert wird. Soll die Konfidenz höher sein, so wird tendenziell ein breiteres Prognoseintervall und damit eine noch höhere Renditeprognose benötigt. Dasselbe gilt bei zunehmender Volatilität. Sei b die Breite des Prognoseintervalls ª rˆ  b ; rˆ  b º um die Renditeprognose rˆt 1 . Damit die Untergrenze des Inter« ¬

t 1

ergibt

2

t 1

2 »¼

valls den risikolosen Zinssatz r f übersteigt, muss gelten: rtˆ 1  b ! r f bzw. rtˆ 1 ! r f  b . Je 2

2

breiter also das Intervall (je größer die Prognosesicherheit, dass die Rendite in dem Intervall liegen wird), desto höher muss die Renditeprognose ausfallen. Offen bei diesem Ansatz ist vor allem die Frage nach der Höhe der Allokation der jeweiligen Anlageklasse. Ist die Konfidenz sehr hoch, so sollte theoretisch das gesamte Kapital in die attraktive Asset-Klasse investiert werden. Allerdings stellt sich dabei die Frage, wie die Konfidenz subjektiv bestimmt werden kann. Um die Zusammenhänge zwischen einer Naiven Asset Allocation und dem ZebTAA-Ansatz aufzuzeigen, werden im Folgenden beide Ansätze mittels einer Simulation verglichen. Die Analyse basiert auf Monatsdaten für die drei Anlageklassen Kasse (3-Monats-Libor), Aktien (DAX) und Renten (Citigroup Government Bond Index Germany) für den Zeitraum von Januar 1981 bis einschließlich Dezember 2009 (29 Jahre). Der ZebTAA-Ansatz (auch: „Cash+X“, wobei „X“ die zu allokierende Asset-Klasse ist) wird wie folgt implementiert: Die TAA-Entscheidung, in welche Asset-Klasse, ausgehend von Kasse, investiert werden soll, wird monatlich getroffen. Die Entscheidung besteht aus zwei Stufen. Auf der ersten Stufe wird über Renten versus Kasse entschieden. Die Konfidenz wird dabei durch eine vorher festgelegte Trefferquote (Anteil bzw. Wahrscheinlichkeit richtiger Entscheidungen) modelliert. Um die Abhängigkeit von Einzelmonaten zu eliminieren, wird in jedem Monat die Entscheidung 1.000 Mal simuliert.

Entscheidung Renten versus Kasse In jeder Simulation wird (mittels Zufallszahlen aus einer Gleichverteilung im Intervall [0;1]) zunächst über Treffer oder Nichttreffer entschieden. Für den Fall, dass ein Treffer gezogen wird (richtige TAA-Entscheidung), wird in Renten investiert, falls die Rentenrendite ( rB ) für den Folgemonat über der Geldmarktverzinsung ( rM ) liegt ( rB ! rM ). Falls kein Treffer gezogen wird (falsche TAA-Entscheidung), wird nur dann in Renten investiert, wenn rM ! rB (d.h. Geldmarktrendite höher als Rentenrendite).

Zero-based Tactical Asset Allocation (ZebTAA)

113

Entscheidung Aktien versus Renten In der zweiten Stufe wird in analoger Weise über die relative Attraktivität von Aktien gegenüber Renten entschieden. Die Simulation der Entscheidung basiert wieder auf 1.000 gleichverteilten Zufallszahlen, welche von denen in der ersten Stufe unabhängig sind. Die Entscheidung auf der zweiten Stufe ist damit unabhängig davon, ob in der ersten Stufe richtig entschieden wurde. In der ersten Stufe kann so z.B. die Entscheidung zugunsten von Renten ausgefallen sein, obwohl Renten gegenüber Kasse underperformen ( rM ! rB ). Dieser „Misserfolg“ in der ersten Stufe kommt aber ggf. nicht zum Tragen, weil in der zweiten Stufe „Erfolg“ gezogen wird und dann in die Aktien investiert wird, die am besten performen. Die simulierten jährlichen Durchschnittsrenditen über die 29 Jahre für unterschiedliche Trefferquoten (Hit Ratios) zwischen 40 Prozent und 80 Prozent sind in Abbildung 4.9 dargestellt. Angegeben sind die durchschnittliche (über die 1.000 Simulationsläufe) jährliche Wertentwicklung über den gesamten Beobachtungszeitraum, die durchschnittliche Volatilität sowie die durchschnittliche Sharpe Ratio.

2,00

30,0% 1,71 25,0%

1,50

20,0%

1,09 1,00 0,58

15,0%

0,48 0,50 0,15

10,0% 0,14

0,23 0,00 0,00

5,0%

-0,27

-0,50

0,0%

Cash+X, Hit Cash+X, Hit Cash+X, Hit Cash+X, Hit Cash+X, Hit Ratio 40% Ratio 50% Ratio 60% Ratio 70% Ratio 80%

Performance: durchschn. Rendite p.a. (li. Skala)

Cash

Risiko: Volatilität p.a. (li. Skala)

Renten

Aktien

Balanced (je 1/3 )

Risikoprämie: Sharpe Ratio (re. Skala)

Abbildung 4.9:

Durchschnittliche simulierte Performance, Risiko und Sharpe-Ratio der Cash+X Strategie für den Zeitraum 1981-2009 Quelle: Eigene Darstellung. Wie aus Abbildung 4.9 ersichtlich, hängen die Ergebnisse stark von der unterstellten Trefferquote für die „Cash+X“-Strategie ab. Zum Vergleich sind die Werte für die drei zugrunde liegenden Anlageklassen sowie für ein gleichgewichtetes Portfolio „Balanced (je 1/3)“ eben-

114

Moderne Asset Allocation-Ansätze

falls angegeben. Wird eine Trefferquote von 50 Prozent unterstellt, was einer Zufallsprognose entspricht, so erzielt die Cash+X-Strategie eine Performance von 7,5 Prozent p.a. bei einer Volatilität von 15,4 Prozent, was zu einer Sharpe Ratio von 0,14 führt. Diese Sharpe Ratio ist vergleichbar mit der eines reinen Aktien-Investments und liegt unter der Sharpe Ratio der naiven Gleichgewichtung von 0,23. Dies liegt auch daran, dass das Risiko der Cash+XStrategie mit 15,4 Prozent das der naiven Mischung deutlich überschreitet, da a) zeitweise zu 100 Prozent in Aktien (oder in Renten) investiert wird und b) das Portfolio zu keinem Zeitpunkt aus mehreren Anlageklassen besteht und Diversifikationseffekte daher nicht genutzt werden (was bei hoher Konfidenz bzw. Trefferquote auch weniger nötig ist). Mit einer Trefferquote von 80 Prozent lassen sich extrem hohe Renditen von rund 28 Prozent p.a. erzielen, die die Ergebnisse der naiven Strategie weit in den Schatten stellen. So resultiert aus der ZebTAA-Strategie mit einer Trefferquote von 80 Prozent eine Sharpe Ratio von 1,71 gegenüber 0,23 für die naive Strategie. Mit einer Trefferquote von 40 Prozent (Prognosen schlechter als Zufallsprognosen) dagegen ergibt sich mit 1,2 Prozent p.a. eine durchschnittliche Performance, die weit unter Geldmarkt (5,4 Prozent p.a.) liegt und damit eine negative Sharpe Ratio (-0,27). In Tabelle 4.1 ist die Verteilung der jeweils 1.000 simulierten Renditen über den Gesamtzeitraum in Form von Quantilen dargestellt. Das 5-Prozent-Quantil für eine Trefferquote von 40 Prozent von -2,1 Prozent p.a. besagt bspw., dass unter den 1.000 simulierten Renditen 5 Prozent (d.h. 50) kleiner oder gleich -2,1 Prozent sind. Der Median entspricht dem 50Prozent-Quantil, d.h. 50 Prozent der simulierten Renditen über den 29-Jahreszeitraum unterschreiten 1,2 Prozent (und 50 Prozent liegen darüber). Auf der anderen Seite beschreibt das 95-Prozent-Quantil die „Chance“-Seite, d.h. die positiven Verläufe. Liegen die Treffer bei einer Trefferquote von 40 Prozent, so sind Renditen von 4,7 Prozent oder mehr in 5 Prozent der Fälle möglich, d.h. selbst in sehr guten Fällen (mit extrem viel Glück) ist bei dieser Trefferquote mit einer Underperformance eines reinen Cash-Portfolios sowie eines naiv gemischten Portfolios zu rechnen. Bei einer Trefferquote von 50 Prozent (Zufallsprognose) liegt der normale Bereich der Renditen zwischen 4 Prozent (5-Prozent-Quantil) und 11,2 Prozent (95Prozent-Quantil). Wird das 75-Prozent-Quantil oder höhere Quantile betrachtet, so liegt die jährliche Performance mit 8,8 Prozent oder mehr über der Wertentwicklung der drei Anlageklassen sowie über der des naiv diversifizierten Portfolios. Mit viel Glück lässt sich fehlendes Können (fehlende Prognosefähigkeit) also ausgleichen. Mit Trefferquoten von 60 Prozent und mehr ergibt sich auch in ungünstigen Fällen eine attraktive Rendite von 10,2 Prozent, 17,1 Prozent bzw. 24,7 Prozent, die deutlich über den Ergebnissen aller drei Asset-Klassen sowie des naiv gemischten Portfolios liegen. Mit überdurchschnittlichem Können ist die ZebTAA-Strategie einer naiven Allokation damit deutlich überlegen.

Zero-based Tactical Asset Allocation (ZebTAA)

115

Tabelle 4.1: Verteilung der Renditen (p.a.) für die ZebTAA-Strategie Cash+X Renditeverteilung (p.a.) aus stochastischer Simulation Hit Ratio 40%

Hit Ratio 50%

Hit Ratio 60%

Hit Ratio 70%

Hit Ratio 80%

5% Quantil

-2,1%

4,0%

10,2%

17,1%

24,7%

10% Quantil

-1,4%

4,7%

11,1%

18,0%

25,5%

25% Quantil

-0,1%

6,0%

12,3%

19,3%

26,9%

Median

1,2%

7,4%

13,8%

20,9%

28,3%

75% Quantil

2,6%

8,8%

15,6%

22,6%

29,7%

90% Quantil

3,9%

10,3%

16,9%

23,8%

30,9%

95% Quantil

4,7%

11,2%

17,7%

24,4%

31,7%

Durchschnitt

1,2%

7,5%

13,9%

20,9%

28,4%

Quelle: Eigene Darstellung. Um die gesamte Verteilung der Renditen der ZebTAA-Strategie zu veranschaulichen, werden die Verteilungen (Dichten) in Abhängigkeit von der Trefferquote geschätzt. Die geschätzten Dichten der Jahresrenditen sind in Abbildung 4.10 dargestellt. Die Verteilungen weisen i.d.R. keine deutliche Schiefe auf. Die Dichten für Trefferquoten von 60 Prozent und 70 Prozent weisen eine Ausbuchtung (etwa bei 14 Prozent bzw. 22 Prozent) auf, die darauf deutet, dass hier die Eintrittswahrscheinlichkeit auffällig hoch ist. Ein Anstieg der Trefferquote führt zu einer deutlichen Rechtsverschiebung der gesamten Verteilung. Die Renditen für die drei Anlageklassen und die naive Strategie, die zum Vergleich ebenfalls eingezeichnet sind, liegen im zentralen Dichtebereich der ZebTAA-Strategie mit 50 Prozent Trefferquote. Im Verhältnis zur Verteilung für 40 Prozent Trefferquote liegen sie im rechten Tail, d.h. nur in sehr günstigen Fällen sind diese Renditen für den Fall einer weit unterdurchschnittlichen Trefferquote erreichbar. Umgekehrt führt eine Trefferquote von 60 Prozent nur in extrem schlechten Fällen zu einer Underperformance gegenüber der naiven Strategie. Für höhere Trefferquoten treten solche Underperformances überhaupt nicht mehr auf. Die ZebTAA-Strategie ist eine interessante Alternative zu einer naiven Mischung von Anlageklassen. Der Erfolg hängt allerdings in hohem Ausmaß von der Prognosequalität (Trefferquote) ab. Die Diversifikation wird hier aufgegeben und durch ein zielgerichtetes „Picking“ der aussichtsreichsten Asset-Klasse ersetzt, was bei deutlich überdurchschnittlicher Prognosefähigkeit (60 Prozent Trefferquote und mehr) sinnvoll sein kann. Allerdings besteht selbst bei hoher Prognosefähigkeit, bei der Investition in eine einzige Anlageklasse zu einem Zeitpunkt ein erhöhtes Risiko, aufgrund von nicht prognostizierten oder unvorhersehbaren Entwicklun-

116

Moderne Asset Allocation-Ansätze

gen (sogenannte Black-Swan Events22), deren Eintritt selbst bei hoher Trefferquote zu einer dramatischen Verschlechterung der Wertentwicklung führen kann. Im Prinzip kann der Modellansatz „Cash+X“ auch auf den Fall angewendet werden, dass als Grundposition eine andere Asset-Klasse anstelle von Kasse, z.B. länger laufende Staatsanleihen, verwendet werden. Sinnvoll ist diese Vorgehensweise bei längerem Anlagehorizont, so dass die Renten die Rolle von Kasse als risikoloses Asset übernehmen. Für den Fall, dass die Duration der Renten genau dem Anlagehorizont entspricht,23 sind die Ergebnisse der Simulation direkt übertragbar.

Geldmarkt

Balanced (naiv) Renten Aktien

20 18 16 14 12 10 8 6 4 2 0 6%

1% HitRatio40%

4%

9% HitRatio50%

14% HitRatio60%

19%

24% HitRatio70%

29%

34%

HitRatio80%

Abbildung 4.10: ZebTAA-Renditeverteilung (p.a.) versus Trefferquote Quelle: Eigene Darstellung.

22 23

Der Begriff „Black Swan“ wurde von Taleb (2007) geprägt, da die Existenz von schwarzen Schwänen bis zu deren Entdeckung als eine nicht bekannte Beobachtung galt. Aufgrund des Wiederanlagerisikos für die Kupons sollten Nullkuponanleihen für die risikolose Grundposition verwendet werden.

Vergleich systematischer und diskretionärer Ansätze

4.3

117

Vergleich systematischer und diskretionärer Ansätze

Der ZebTAA-Ansatz ist als kurzfristig orientierter und diskretionärer Ansatz anzusehen, während eine traditionelle Portfolio-Optimierung eher langfristig orientiert und systematisch ist. Es stellt sich die Frage, ob einer der beiden Ansätze grundsätzlich besser ist. Um diesen Zusammenhang näher zu erläutern werden zwei Hedgefonds-Strategien, die sich durch große Anlagefreiheiten auszeichnen, von denen die eine jedoch überwiegend (langfristig und) systematisch trendfolgend (Managed Futures) und die andere überwiegend diskretionär bzw. fundamental (und eher kurzfristig; Global Macro) ausgerichtet ist. In der Abbildung 4.11 werden die Trendfolgestrategien als Untergruppe der quantitativen Investmentstrategien klassifiziert.

Quantitative Investmentstrategien

Prognosebasierte Strategien

Technische Strategien

Zyklische Strategien Trendfolgestrategien z.B. Momentum-Strategien

Prognosefreie Strategien z.B. passive Strategien, Wertsicherungsstrategien

Fundamentale Strategien z.B. Value-Strategien, Makroökonomische Strategien

Antizyklische Strategien Contrarian Strategien

Abbildung 4.11: Einordnung von Trendfolgestrategien Quelle: Grosse-Knetter (2003), S. 289. Hier wird auf zwei Strategie-Indizes der Credit-Suisse-Tremont-Hedgefonds-Index-Familie zurückgegriffen. Die zugrunde liegenden Strategien sind jeweils sehr unterschiedlich, so dass der Vergleich mit entsprechender Vorsicht zu genießen ist. Die Frage ist, wie die beiden Strategien in guten sowie in schwierigen Marktphasen abschneiden, nicht, welche Strategie generell die bessere ist. In Abbildung 4.12 ist die monatliche Performance beider Indizes seit 1994 dargestellt. Offensichtlich hat die Global Macro-Strategie über längere Zeiträume eine deutlich bessere Performance gezeigt, aber auch das höhere Risiko (bspw. in 1998 oder im dritten Quartal 2008).

118

Moderne Asset Allocation-Ansätze

800

Credit Suisse - Tremont HFI Global Macro Credit Suisse - Tremont HFI Managed Futures

700 600 500 400

Sharpe Ratio 0,88 300 200

Sharpe Ratio 0,34 100 0 Jan 94

Jan 96

Jan 98

Jan 00

Jan 02

Credit Suisse Tremont HFI Global Macro

Jan 04

Jan 06

Credit Suisse Tremont HFI Managed Futures

Volatilität

10,42%

11,81%

Max. Verlust

26,79%

17,74%

14

21

Längste Verlustperiode

Jan 08

Abbildung 4.12: Performance von Global Macro- und Managed Futures-Strategien (Zeitraum 01/94 – 06/09) Quelle: Eigene Darstellung, Daten: Pertrac. Um die Verlustrisiken in bestimmten Marktphasen besser zu zeigen, werden die Verluste bzw. Drawdowns berechnet und in Abbildung 4.13 grafisch dargestellt. Der Maximum Drawdown bezeichnet zu jedem Zeitpunkt den maximalen Verlust, den man, ausgehend vom Höchstkurs zu diesem Zeitpunkt, bis zum Ende des betrachteten Zeitraumes erleiden kann (quasi: Einstieg zum höchsten Kurs bzw. Wert, Ausstieg zum niedrigsten Wert). Gemessen an diesen Indizes hat die Global Macro-Strategie die höheren Drawdowns. Bei einem Einstieg bis Mitte 1999 zum High und einem Ausstieg danach zum Low ergibt sich ein Verlust von mehr als 25 Prozent. Im schwierigen Jahr 2008 beträgt der Drawdown immerhin noch -15 Prozent. Die Managed Futures-Strategie zeigt in einer Marktphase fallender Aktienkurse (2000 bis 2003), aber auch in den darauf folgenden Jahren sich erholender Aktienmärkte, deutlich höhere Drawdowns als die Global Macro-Strategie. Deren Drawdowns sind gerade in dieser teilweise extrem volatilen Aktienmarktphase relativ gering. Den Herbst 2008 dagegen überstehen die Managed Futures-Fonds relativ gut mit deutlich geringeren Drawdowns als die Makro-Strategien.

Vergleich systematischer und diskretionärer Ansätze

119

Die Ergebnisse sind also gemischt. Zumindest aber im Herbst 2008, als sowohl die Risiken für die Weltkonjunktur immer größer wurden und gleichzeitig die Märkte extreme StressSzenarien zeigten, konnten sich die systematischen Managed Futures-Strategien recht gut gegen die eher Manager-gesteuerten Global Macro-Strategien behaupten. Global Macro bzw. GTAA-Fonds mit Long/Short-Ansätzen zeigten jedoch bessere Renditen und weniger Verluste als Long-Only-Mischfonds und Fonds, die Long-Only Taktische Asset Allocation betreiben.24 Diese Analyse liefert entsprechend wichtige Hinweise für das Risiko-Management. So erscheinen systematische („Hedgefonds“) Ansätze in extremen Marktstress-Phasen diskretionären („Long-Only“) Ansätzen überlegen.

Jan 94

Jan 96

Jan 98

Jan 00

Jan 02

Jan 04

Jan 06

Jan 08

0%

-5%

-10%

-15%

-20% Credit Suisse - Tremont HFI Global Macro

-25% Credit Suisse - Tremont HFI Managed Futures

-30%

Abbildung 4.13: Verlustphasen von Global Macro- versus Managed Futures-Strategien (Zeitraum 01/94 – 06/09) Quelle: Eigene Darstellung, Daten: Pertrac.

24

Vgl. Radin (2009), S. 11; zu den großen Differenzen innerhalb der GTAA-Kategorie und zu Kritik an GTAA-Konzepten vgl. Nyree (2009).

Quantitative Manager-Selektion

5.

121

Manager-Selektion

Manager-Selektion bezieht sich auf die Auswahl von Portfolio-Managern, denen das Management der Investorengelder anvertraut wird. Es kann sich dabei grundsätzlich um Angestellte des Investors (sogenanntes internes Management) oder externe Manager, Einzelpersonen, Teams oder ganze Unternehmen handeln. Für Privatanleger – aber auch viele institutionelle Investoren – steht nicht so sehr die Auswahl von Personen/Teams/Unternehmen, sondern die konkrete Auswahl von Investmentfonds im Vordergrund, also für mehrere Investoren aufgelegte Anlage-Pools. Hier wird der weite Begriff von Fonds verwendet, der teilweise zum Beispiel auch Kapitalgesellschaften, Personengesellschaften und strukturierte Produkte umfasst. Der Frage der Manager-Selektion üblicherweise vorgeschaltet ist die Frage, ob das Investorengeld passiv über sogenannte Indexanlagen oder aktiv verwaltet werden soll. Hier wird ein weiter Begriff der Manager-Selektion im Sinne der Auswahl von PortfolioManagern, Fonds oder Investment-Vehikeln verwendet. In diesem Kapitel werden die Grundlagen der Manager-Auswahl beschrieben. Hierzu erfolgt zuerst eine Einführung in die wesentlichen quantitativen Kennzahlen und Methoden, die innerhalb der Manager-Selektion angewandt werden. Das zweite Unterkapitel widmet sich der qualitativen Manager-Auswahl, das dritte diskutiert empirische Erkenntnisse der Manager-Auswahl im Rahmen der Asset Allocation.

5.1

Quantitative Manager-Selektion

Mit den in diesem Abschnitt vorgestellten Kennzahlen werden in der Regel ausgewiesene Renditen (Gewinne/Verluste) gemessen und nicht potenzielle Risiken. Entsprechend ist bei Risikomessung zwischen realen Verlusten und Buchverlusten (was vor allem bei illiquiden Investments stark auseinanderfallen kann) zu trennen.

5.1.1

Performancemaße

Den Ausgangspunkt einer quantitativen Investment-Beurteilung bildet grundsätzlich die in der Vergangenheit erzielte Rendite. Eines der gängigsten Instrumente der Performancemessung ist das arithmetische Mittel Rarit der publizierten Monatsrenditen Rt, wobei von konstanten Kapitaleinsätzen ausgegangen wird. Es wird wie folgt berechnet:

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4_5, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

122

Manager-Selektion

T Rarit = 1 Rt ¦ T t1

mit

Rt :

Rendite im Monat t (t = 1, ..., T).

Zur Beurteilung der Chancen und Risiken ist zusätzlich zur Durchschnittsrendite die Renditeverteilung von Interesse. Da insbesondere alternative Investments im Vergleich zu traditionellen Investment-Produkten kaum Restriktionen in Bezug auf die von ihnen eingesetzten Finanzinstrumente unterliegen, beeinflusst die nicht-lineare Auszahlungsstruktur der verwendeten derivativen Hebelprodukte die Renditeverteilung der Investments und sorgt dafür, dass die Verteilung der Monatsrenditen von einer Normalverteilung abweicht. Wegen der nicht normalverteilten Renditeverteilung ist es notwendig, genauere Untersuchungen der Schiefe und Wölbung durchzuführen.1 Das normierte dritte zentrale Verteilungsmoment Schiefe (Skewness) zeichnet sich durch eine asymmetrische Häufigkeitsverteilung aus, wobei die drei Lageparameter arithmetisches Mittel xarit, Modus xM und der Median xMed unterschiedlich sein können. Entsprechend der Fechnerschen Lageregel kann zwischen rechtsschiefen (xM<xMed<xarit) bzw. linkssteilen und linksschiefen (xM>xMed>xarit) bzw. rechtssteilen Verteilungen unterschieden werden. Bei einer Normalverteilung gleichen sich die Lageparameter (xM=xMed=xarit). Entsprechend deutet eine positive (negative) Schiefe eine asymmetrische Verteilung der Renditen um den Mittelwert an mit besonders starken Ausschlägen im positiven (negativen) Bereich. Das dritte zentrale Moment wird als absoluter Schiefeparameter Sa und das dritte Standardmoment als relativer Schiefeparameter Sr bezeichnet und wie folgt berechnet:2 Sa

1 T

T

¦ t 1

( Rt  R )3 bzw. S r

1 T

T

¦ t 1

( Rt  R )3

V3

mit

Sa : Sr : Rt : R: :

Absoluter Schiefeparameter, Relativer Schiefeparameter, Rendite im Monat t (t = 1, ..., T), Durchschnittliche Monatsrendite, Standardabweichung der Monatsrenditen.

Die Wölbung, also das Ausmaß der Konzentration einer Distribution um ihren Mittelwert, wird auch als Kurtosis bezeichnet. Das vierte zentrale Moment berechnet sich als absoluter

1 2

Vgl. Geman/Kharoubi (2003), S. 58. Vgl. Heidorn et al. (2006b), S. 562-563.

Quantitative Manager-Selektion

123

Wölbungsparameter Ka und mittels des vierten Standardmoments als relativer Wölbungsparameter Kr wie folgt:3

Ka

1 T ( Rt  R) 4 ¦ T t1

bzw.

Kr

1 T ( Rt  R) 4 ¦ V4 T t1

mit

Ka : Kr : Rt : R: :

Absoluter Wölbungsparameter, Relativer Wölbungsparameter, Rendite im Monat t (t = 1, ..., T), Durchschnittliche Monatsrendite, Standardabweichung der Monatsrenditen.

Ist die betrachtete Zeitreihe von Renditen normalverteilt, so hat sie eine relative Wölbung von drei oder eine Überschusswölbung, welche sich aus Kr - 3 ermittelt, von Null. Ein Überschreiten von Kr = 3 wird als sogenannte „dicke Enden“ oder auch „Fat Tails“ (Leptokurtosis) bezeichnet, womit größere Abweichungen vom Mittelwert R mit einer höheren Wahrscheinlichkeit als im Fall einer mesokurtischen Normalverteilung auftreten.4 Zur Überprüfung der Existenz einer Normalverteilung kann der Jarque-Bera-Test, eine mathematische Kombination von Schiefe und Wölbung, ausgeführt werden. Dieser wird wie folgt berechnet:5 JB

T 1 [ S r 2  ( K r  3) 2 ] 6 4

mit

T:

Stichprobenumfang,

Sr :

Schiefe der Renditeverteilung des untersuchten Fonds,

Kr :

Kurtosis des untersuchten Fonds.

Hierbei ergibt sich der kritische Wert des Tests aus einer Chi-Quadrat-Verteilung mit zwei Freiheitsgraden; er liegt bei 5,991 bei einer 5-Prozent-Signifikanz. Die Nullhypothese, d.h. die Existenz einer Normalverteilung, muss zu Gunsten der Alternativhypothese „keine Normalverteilung“ abgelehnt werden, wenn dieser kritische Wert überschritten wird. Die Sharpe Ratio wird auch als „Return-to-Variability-Ratio“ bezeichnet. Sie bildet das Verhältnis zwischen der Risikoprämie des untersuchten Portfolios und dessen Gesamtrisiko, dargestellt als Standardabweichung, ab:6

3 4 5 6

Vgl. Hoppe (2005), S. 42. Vgl. Lo (2001), S. 24. Vgl. Jarque/Bera (1987), S. 168. Vgl. Sharpe (1966), S. 123.

124

Manager-Selektion

Sha p

Rp  R f

Vp

mit Sha p : Sharpe Ratio des untersuchten Portfolios p, Rp :

Durchschnittsrendite des Portfolios p,

Rf :

Rendite einer risikolosen Anlage,

Vp :

Standardabweichung der Renditen des Portfolios p.

Da die Sharpe Ratio ein relatives Risikomaß ist, kann mit ihr ein Ranking unterschiedlicher Anlageoptionen vorgenommen werden. Grafisch entspricht sie der Steigung der Kapitalmarktlinie. Das Problem mit der Sharpe Ratio ist allerdings, dass sie bei asymmetrischer Renditeverteilung bzw Nichtnormalverteilung konzeptionell nicht als Effizienzkriterium geeignet ist, da nur auf den Erwartungswert und die Standardabweichung geachtet wird, nicht aber auf Schiefe und Kurtosis, geachtet wird. Andererseits zeigen empirische Untersuchungen am Beispiel von Hedgefonds-Indizes, dass alternative Performance-Maße auch bei nicht normalverteilten Renditen nicht notwendigerweise zu signifikant anderen Ergebnissen als die Sharpe Ratio führen müssen.7 Die Sortino Ratio stellt eine Abwandlung der Sharpe Ratio dar. Dabei wird als Risikomaß die Downside Deviation (DD) anstelle der Standardabweichung verwendet. Bei dieser werden nur die Abweichungen unterhalb einer bestimmten Schwelle Rmin berücksichtigt. Für das Performancemaß gilt:8 Sorp

R p  Rmin DDRmin

mit Sorp : Sortino Ratio des untersuchten Portfolios p, Rp :

Mittelwert der Rendite des Portfolios p,

Rmin : Mindestrendite,9 DDRmin

Rtp : 7 8 9

1 * T

¦ max(0, R T

min

 Rtp )



2

,

t 1

Fondsrendite in Periode t.

Vgl. Eling/Schumacher (2006), S. 36. Vgl. Sortino/Price (1994), S. 61. Auch Minimum Acceptable Return (MAR) oder Threshold genannt.

Quantitative Manager-Selektion

125

Rmin ist die subjektive Gewinnschwelle eines Investors. Erträge unterhalb dieser Schwelle (z.B. risikoloser Zinssatz) empfindet der Investor als Verlust, Werte darüber als Gewinn. Bei der Calmar Ratio findet der Maximum Drawdown (MaxDD) als Risikomaß Verwendung. Unter Maximum Drawdown wird der maximale Wertverlust eines Portfolios von seinem Hochpunkt bis zum Tiefpunkt im Beobachtungszeitraum verstanden. Für die Berechnung der Calmar Ratio gilt folgende Formel:

Cal p

Rp  R f  MaxDD

mit Cal p : Calmar Ratio des untersuchten Portfolios p, Rp :

Durchschnittsrendite des Portfolios p,

Rf :

Rendite einer risikolosen Anlage,

MaxDD = Maximalverlust, NAVt : Nettoinventarwert des untersuchten Fonds in Periode t.

Generell bieten aktive Manager den Investoren einen Mehrwert, wenn ihre Wertentwicklung positiv von dem Index abweicht, der dem zugrunde liegenden Portfolio als Benchmark dient. Die Portfolios und der Index können voneinander abweichen, indem sie eine unterschiedliche Anzahl an Wertpapieren halten oder die Wertpapiere unterschiedlich gewichtet werden. Auf diese Art versuchen Fonds-Manager, Überschussrenditen durch Wertpapierauswahl (Security Selection) und Zeitpunktentscheidungen (Timing Decisions) zu erzielen. Die Höhe des Risikos, das Manager eingehen, wird durch den sogenannten Tracking Error gemessen. Diese Kennzahl bezieht sich auf die Volatilität der Renditedifferenzen zwischen einem Portfolio und seiner Benchmark. Typischerweise repräsentiert ein Portfolio mit einem höheren Tracking Error TE ein höheres aktives Risiko, welches sich durch höhere absolute Abweichungen zwischen Portfolio- und Benchmark-Rendite ausdrücken kann. TE p





V R p  RBM ,

mit

Rp :

Rendite des Portfolios,

RBM :

Rendite der Benchmark,

:

Standardabweichung.

Die Information Ratio IR ist eine Hilfsgröße, anhand derer die Fähigkeit eines aktiven Managers beurteilt werden kann. Sie berechnet sich als die Überschussrendite eines Managers gegenüber seiner Benchmark, geteilt durch die Standardabweichung der Überschussrenditen (Tracking Error).

126

Manager-Selektion

R p  RBM

IR p

TE p

,

mit

Rp :

Rendite des Portfolios,

RBM :

Rendite der Benchmark,

TEp :

Tracking Error des Portfolios.

Das Jensen Alpha JA ist ein absolutes Beurteilungsmaß der Performance. Die auch als Differential Return bezeichnete Kennzahl misst die absolute Differenz zwischen der erzielten Risikoprämie und der erwarteten Risikoprämie.10 Das Risiko wird als systematisches Risiko (Beta) berücksichtigt, dient aber nicht als Standardisierungsgröße. Deshalb ist das Jensen Alpha auch kein Ranking-Instrument. Interpretiert werden kann das Jensen Alpha als durchschnittliche Rendite eines Portfolios über und unter dem Ertrag, der durch das CAPM berechnet wird. Ein positives Jensen Alpha bedeutet einen risikoadjustierten Mehrwert der Investition gegenüber einer Benchmark. Ein negatives Alpha zeigt eine Underperformance. Ein Vorteil dieser Kennzahl ist, dass unmittelbar der Beta-adjustierte Mehrertrag angegeben wird.

R p  R f  RBM  R f E p  H p ,

JAp

mit

Rp :

Rendite des Portfolios,

RBM :

Rendite der Benchmark,

Rf :

Risikofreier Zinssatz,

Ep :

Systematisches Risiko des Portfolios,

p :

Stochastischer Störterm der Regressionsgleichung.

Im Unterschied zur Sharpe Ratio nutzt die Treynor Ratio TR als Risikomaß den Beta-Faktor, der das systematische Risiko des Portfolios darstellt. Portfolios mit unterschiedlichen RisikoErtrags-Profilen werden hierdurch auf einen Nenner gebracht und anschließend die Risikoprämie je Einheit übernommenen Risikos berechnet. Das Treynor-Maß ist ein relatives Maß und wird auch als Reward-to-Volatility-Ratio bezeichnet.11 Grundlegende Überlegung bei der Beurteilung eines Portfolios ist eine effiziente Diversifikation. Somit ist nur die Betrachtung des systematischen Risikos von Bedeutung, welches im Capital Asset Pricing Model (CAPM) als Beta bezeichnet wird. Dabei gibt Beta an, wie sich die Rendite eines Portfolios im Verhältnis zu einer Vergleichsgröße entwickelt hat. Analytisch ergibt sich dieses relativierte

10 11

Vgl. Jensen (1968), S. 393. Vgl. Treynor (1965), S. 63.

Quantitative Manager-Selektion

127

Risikomaß aus der Kovarianz zwischen erwarteter Rendite eines Wertpapiers i und des Marktportfolios M, dividiert durch die Varianz der erwarteten Rendite des Marktportfolios.12 Rp  R f

TR p

Ep

,

mit

Rp :

Rendite des Portfolios,

Rf :

Risikofreier Zinssatz,

Ep :

Systematisches Risiko des Portfolios.

5.1.2

Risikomaße

Die Standardabweichung () ist die am häufigsten verwendete Quantifizierung des Risikobegriffs. Diese beschreibt das Ausmaß der durchschnittlichen Streuung der Monatsrenditen um die entsprechende durchschnittliche Monatsrendite. Die Standardabweichung ergibt sich aus der Wurzel der Varianz der Monatsrenditen:

V

T

¦ ( R  R)

1 T 1 t

2

t

1

mit

:

Standardabweichung der Monatsrenditen,

Rt :

Rendite im Monat t (t = 1, ..., T),

R:

Durchschnittliche Monatsrendite.

In der Praxis findet eine zusätzliche Differenzierung zwischen Volatilität und Standardabweichung statt. Dabei wird die Standardabweichung als Wurzel der Varianz der Renditen seit Beginn der Beobachtungsperiode kalkuliert, wohingegen die Volatilität der annualisierten Standardabweichung der Renditen entspricht. In die Kalkulation von Varianz bzw. Standardabweichung fließen sowohl negative als auch positive Abweichung der Monatsrenditen vom Mittelwert ein. Dementsprechend werden in dem Risikomaß Standardabweichung auch positive Abweichungen als Risiko interpretiert. Die Semivarianz berücksichtigt im Gegensatz dazu ausschließlich die negativen Abweichungen von R . Die Semi-Standardabweichung berechnet sich wie folgt:

12

Vgl. Perridon/Steiner (1999), S. 264.

128

Manager-Selektion

¦ min>0; (R  R)@

1 * T i

V Semi

T

2

i

1

mit Semi :

Semi-Standardabweichung der Monatsrenditen,

Ri :

Rendite im Monat t (t = 1,..., T),

R:

Durchschnittliche Monatsrendite.

Die Semivarianz bietet den Investoren Zusatzinformationen über diejenige der Varianz hinaus, wenn die Renditeverteilungen nicht symmetrisch sind. Bei einer symmetrischen Renditeverteilung ergeben sich keine Vorteile durch die Semivarianzberechnung. Korrelationsanalysen werden verwendet, um lineare Beziehungen zwischen zwei oder mehreren quantitativen, statistischen Variablen bzw. deren diskreten Zeitreihen zu beschreiben. Der Pearsonsche Korrelationskoeffizient, als dimensionsloses Maß für den Grad des linearen Zusammenhangs der Beobachtungsmerkmale, nimmt Werte zwischen -1 und +1 an. Ein Wert von -1 definiert dabei einen perfekt negativen linearen Zusammenhang, d.h. die Rendite einer Anlage A würde sich im Fall einer Korrelation von -1 exakt gegensätzlich zu der einer Anlage B entwickeln. Der Korrelationskoeffizient nach Pearson  zweier Variablen X und Y berechnet sich wie folgt:

U X ,Y

cov X ,Y

V XVY

mit

U X ,Y :

Korrelationskoeffizient nach Pearson,

V X , VY :

Standardabweichung der Monatsrenditen,

cov X ,Y :

Kovarianz zweier Investments X und Y.

Die Korrelation ist ein Indikator für den Diversifikationsnutzen von Investments, aber als Indikator nur schwer verwendbar. Dies liegt daran, dass zum einen die Diversifikationswirkung nicht nur von den Korrelationen zwischen den Renditen, sondern auch von den Standardabweichungen der Renditen abhängt. Zum anderen ist die Korrelation kein intuitives Maß für den Diversifikationsnutzen. Deswegen schlagen Statman/Scheid die Verwendung des Return Gaps („Renditelücke“) als Diversifikationsmaß vor, welches die Renditedifferenz oder -dispersion zwischen zwei Investitionsalternativen misst.13 Denn es kann durchaus vorkommen, dass Investitionsalternativen eine besonders hohe Korrelation zueinander ausweisen, die Renditeunterschiede allerdings signifikant unterschiedlich sind. Return Gaps berechnen sich wie folgt: 13

Vgl. Statman/Scheid (2005), S. 4.

Quantitative Manager-Selektion

2V

RG

129

(1  U ) 2

mit RG :

Return Gaps,

V:

Durchschnittliche Standardabweichung der beiden Investitionsalternativen,

U :

Korrelation zwischen den beiden Investitionsalternativen.

Nach Statman/Scheid sind die Return Gaps sowie die damit verbundenen Diversifikationsvorteile niedriger, wenn die Korrelation der Investitionsalternativen höher sind. Gleichzeitig sind allerdings die Return Gaps höher, wenn auch die Standardabweichung höher ist. Value-at-Risk ist eine Kennzahl, die das Downside-Risiko einer Investition angibt, also den maximalen Verlust, der nur mit einer niedrigen vorspezifizierten Wahrscheinlichkeit überschritten wird.14 Die Quantifizierung des Value-at-Risk (VaR) kann sowohl über die empirische Renditeverteilung, als auch ausgehend von der theoretischen Verteilungsannahme erfolgen. Der VaR ist ein nominelles Maß für das potenzielle Verlustrisiko, das ein Investor trägt. Es stellt jenen Verlust dar, den der untersuchte Fonds mit einer Wahrscheinlichkeit von (1-) nicht überschreitet. Analytisch berechnet man den VaR auf Basis der Normalverteilung wie folgt: VaR(1D )

E ( R p )  zDV p W p

mit E ( R p ) : Erwartungswert der Portfolio-Rendite,

Vp :

Standardabweichung der Rendite des Portfolios p,

zD :

Quantil der Normalverteilung zum Niveau D ,

Wp :

aktueller Wert des Portfolios p.

Ist der Erwartungswert gleich null oder sehr gering, entspricht der VaR de facto einem Vielfachen der Standardabweichung. Für Investments mit nicht-normalverteilten Renditen ist die Standard-Berechnungsmethode des VaR ungenügend.15 Einen pragmatischen Ansatz, die Berechnung an die spezifischen

14 15

Vgl. Jorion (2003), S. 246. Eine empirische Studie der Edhec hat gezeigt, dass die Verwendung des dem Value-at-Risk konzeptionell überlegenen Vector Autoregressive Model (VECM) zu höheren Allokationen von Alternative Assets führen würde. Entsprechend schlagen die Autoren vor, als reine Risikomaße den sogenannten Conditional Value-at-Risk bzw. auch die Omega Ratio dem VaR vorzuziehen, vgl. Amenc et al. (2009d), S. 36-37.

130

Manager-Selektion

Charakteristika der Renditeverteilung anzupassen, bildet die Zuhilfenahme der CornishFisher-Erweiterung.16 Diese adjustiert zD gemäß den höheren Momenten der Verteilung:

1 3 1 1 zD  ( zD2  1) S r  ( zD  3 zD ) K r  (2 zD3  5 zD ) S r2 6 24 36

zcf mit:

z cf

:

Mittels Cornish-Fisher-Erweiterung angepasstes Quantil,

zD

:

Quantil der Normalverteilung zum Niveau D,

Sr :

Schiefe der Renditeverteilung des untersuchten Fonds,

Kr :

Überschusswölbung des untersuchten Fonds.

Als Risikomaß ergibt sich folglich: VaR1cfD

E ( R p )  zcf V p W p .

Die Autokorrelation ist als Gradmesser für die Abhängigkeit zwischen Beobachtungen einer Zeitreihe zu verstehen. Wird eine positive Autokorrelation ermittelt, lässt dies die Schlussfolgerung zu, dass mit hoher Wahrscheinlichkeit auf eine positive Rendite17 wieder eine positive folgt. Eine negative Autokorrelation deutet demgegenüber auf die Wahrscheinlichkeit eines Performancewechsels von positiv zu negativ hin.18 Das Vorliegen von Autokorrelation verkörpert, aus statistischer Sicht, eine Verzerrung der Risikoparameter wie zum Beispiel der Standardabweichung. Entsprechend ist sie kein originäres Risikomaß, sondern nur ein ergänzendes Analysewerkzeug. Die Verringerung der Autokorrelation bzw. eine Berücksichtigung dieser Verzerrung kann unter anderem durch die Verwendung der Quartalsrenditen als Basis der Standardabweichungskalkulation erzielt werden.19 Als eine normierte Form der Autokovarianzfunktion lässt sich die Autokorrelation erster Ordnung AC wie folgt berechnen:

16 17

18 19

Vgl. Cornish/Fisher (1937), S. 318. Allgemein: positive Abweichung vom Mittelwert. Wenn man von einem Mittelwert von Null ausgeht, was z.B. bei Tagesrenditen realistisch ist, bezieht sich die Aussage auch auf das Vorzeichen der Rendite selbst. Die statistische Signifikanz der Autokorrelation lässt sich mit Hilfe der Ljung-Box Teststatistik, die einer Chi-Quadrat-Verteilung folgt, überprüfen. Vgl. Ljung/Box (1978). Vgl. Asness et al. (2001), S. 11.

Quantitative Manager-Selektion

131

T

¦ (R  R)(R

t 1

t

AC

 R)

t 2

T

¦ ( R  R)

2

t

t 1

mit Rt :

Rendite im Monat t (t = 1,..., T),

R :

Durchschnittliche Monatsrendite.

Auf dem Konzept der Semi-Standardabweichung baut mit der Ausfallwahrscheinlichkeit ein weiteres wichtiges Downside-Risikomaß auf. Ziel dieser Untersuchungen ist es, herauszufinden, mit welcher Wahrscheinlichkeit eine bestimmte Mindestrendite nicht erreicht oder unterschritten wird. Die Ausfallwahrscheinlichkeit wird oft auch als Ausfallrisiko bezeichnet und ist deswegen als Kennzahl trivial zu interpretieren. Zur Kalkulation der Wahrscheinlichkeit ist es allerdings notwendig, dass die Verteilung der Renditen bekannt ist. Bei einer Normalverteilung der Renditen ist die Wahrscheinlichkeit PAF, eine Rendite unterhalb der Mindestrendite zu erzielen, einfach zu berechnen.

PAF

§ Rmin  P · ¸ © V ¹

I¨

mit Rmin :

I z :

Mindestrendite, Kumulativer Normalverteilungswert einer standardnormalverteilten Zufallsvariablen an der Stelle z,

P ,V : Erwartungswert und Standardabweichung der Renditeverteilung einer Anlage. Da der tatsächliche Erwartungswert sowie die tatsächliche Volatilität der Anlage ex ante nicht bekannt sind, bedient man sich historischer Daten. Dadurch werden allerdings keine möglichen strukturellen Änderungen der Zukunft berücksichtigt. Daher errechnet sich die empirische Ausfallwahrscheinlichkeit wie folgt: PAF

§ Rmin  R · ¸ ¨ ¸ sr © ¹

I¨

mit Rmin :

Mindestrendite,

R:

Mittlere Rendite über den betrachteten Zeitraum,

sr :

Geschätzte Volatilität, empirische Standardabweichung.

132

Manager-Selektion

Allerdings hat auch die Ausfallwahrscheinlichkeit den nicht zu vernachlässigenden Nachteil, dass sie eine Normalverteilung der Renditen der Investition voraussetzt.

5.1.3

Quantitative Analysemethoden

Die Ursprünge der Nutzung der Stil- bzw. Faktoranalyse als Performance-Beurteilungsinstrumentarium bezüglich traditioneller Investmentfonds gehen zurück auf eine Untersuchung von Jensen im Jahre 1968.20 Die Studie war fokussiert auf Buy-and-Hold-Strategien und hatte das Ziel, die Einflussfaktoren der Performance in zwei Kategorien zu unterteilen sowie ihre Gewichtung zu quantifizieren. Laut Jensen stehen sich die Faktoren „Style“ und „Skill“ gegenüber: Das heißt, dass die Rendite eines Aktienfonds von der Güte seiner Asset Allocation – also der Mischung der diversen Sektoren (z.B. Versorger, Industrie oder Energie) – sowie der Fähigkeit (Skills oder Alpha) des Fonds-Managers bzw. Fonds-Managements abhängt. Einen ersten Versuch der Übertragung der Stilanalyse nach Sharpe21 auf Hedgefonds lieferten Fung und Hsieh.22 Ein wesentliches Instrument zur Beurteilung der Performance von Investments ist die so genannte Peer Group-Analyse. Hierzu werden in einem ersten Schritt Fonds mit einer vergleichbaren Investment-Strategie zu einer Gruppe zusammengefasst. In einem zweiten Schritt erfolgt der quantitative Vergleich des zu analysierenden Fonds mit „seiner“ Peer Group. Für die Peer Group-Analyse können verschiedene Risiko- und Performancemaße verwendet werden. In dem in Abbildung 5.1 dargestellten Beispiel einer Peer Group-Analyse wird der zu analysierende Rohstoff-Hedgefonds mit bis zu 89 (für die einzelnen Kalenderjahre) vergleichbaren Hedgefonds hinsichtlich der Rendite und der Sharpe Ratio verglichen.

20 21 22

Vgl. Fung/Hsieh (1997), S. 275. Vgl. Sharpe (1992). Vgl. Fung/Hsieh (1997).

Quantitative Manager-Selektion

133

PEER GROUP ANALYSIS Product Name: Analysis Period: Start: Jan 07 End: Dez 09 Peer Group Universe: COM_FUNDS Benchmark 1: Dow Jones - UBS Commodity Index TR Benchmark 2: S&P GSCI TR Universe Statistics YTD 1 Year 2Year Quarter 6 Month Number in Universe 89 89 89 89 89 Mean Return (1,17)% 8,00% 8,78% (5,65)% 1,71% Median Return (1,36)% 4,79% 4,77% (2,05)% 3,41% Standard Deviation 5,94% 16,58% 21,30% 21,48% 17,34% Maximum Return 16,59% 58,72% 100,31% 39,41% 44,11% Minimum Return (21,07)% (27,92)% (26,85)% (59,51)% (59,99)% Performance vs. Universe

3 Year 87 3,23% 4,70% 12,93% 27,53% (51,56)%

5 Year

7 Year

10 Year

50% 40%

5th to 25th Percentile

30% 50th to 25th Percentile

Percent Return

20% 10%

75th to 50th Percentile

0%

95th to 75th Percentile

-10% ----------

-20% Benchmark 2

-30% -40%

Benchmark 1

-50% Product

-60% Q

6M

5th Percentile 25th Percentile 50th Percentile 75th Percentile 95th Percentile

Quarter 8,48% 1,62% (1,36)% (3,89)% (10,59)%

Product Percentile Ranking Benchmark 1 Percentile Ranking Benchmark 2 Percentile Ranking

Quarter 0,56% 39 0,68% 34 (1,37)% 52

YTD

1Y

2Y

Universe Quartile Levels YTD 1 Year 2Year 3 Year 6 Month 43,30% 44,30% 29,64% 26,27% 18,80% 13,22% 15,65% 8,48% 14,39% 12,34% 4,79% 4,77% (2,05)% 3,41% 4,70% (2,02)% (1,56)% (19,41)% (8,70)% (2,86)% (14,17)% (12,54)% (40,44)% (30,94)% (20,26)% Comparison Returns and Rankings YTD 1 Year 2Year 3 Year 6 Month 3,96% 9,76% 17,83% 15,33% 15,90% 56 34 12 22 17 18,73% 7,37% (33,55)% (11,60)% (7,34)% 22 39 88 83 82 22,21% 4,50% (51,51)% (17,05)% (14,15)% 21 51 98 89 92

3Y

5 Year

7 Year

10 Year

5 Year

7 Year

10 Year

Abbildung 5.1: Beispiel einer Peer Group Analyse Quelle: Feri Institutional Advisors GmbH (2010). Stress-Tests simulieren Extrem-Szenarien (Schocks), die entweder noch nie da waren oder deren Eintritt aus der Analyse historischer Daten sehr unwahrscheinlich ist, sowie vorübergehende Veränderungen und permanente Brüche statistischer Muster. Ziel ist es, die Auswirkungen von starken Preisveränderungen an den Finanzmärkten unter extremen, aber immer

134

Manager-Selektion

noch möglichen, Bedingungen auf das Portfolio zu beschreiben.23 Es wird generell zwischen historischen Szenarien (z.B. EWS-Krise 1992, 11. September 2001) und allgemeinen MarktSzenarien (z.B. Abwertung des Euro gegenüber dem US-Dollar) unterschieden. Stress-Tests können für jede Anlageklasse unter Berücksichtigung der Korrelationsstruktur berechnet werden. Dahinter steht der Gedanke, die Randverteilungen (Fat Tails) von Renditen zu untersuchen, die durch den Value-at-Risk-Ansatz nicht berücksichtigt werden, da deren Eintrittswahrscheinlichkeit zu gering ist. Stress-Tests werden von vielen Hedgefonds fortlaufend sowie vor dem Aufbau neuer Positionen im Portfolio berechnet und untersuchen mögliche Ereignisse (z.B. Zinserhöhung), die sich z.B. in den nächsten zwölf Monaten abspielen können. Tabelle 5.1 stellt einen Stress-Report eines Hedgefonds beispielhaft dar.24 Tabelle 5.1: Beispiel eines Stress-Reports SimuliertesSzenario S&P500 EuroStoxx50 Nikkei225  USStaatsanleihenkurve  SpreadzwischenStaatsanleihen undUnternehmensanleihen(ARating)

10% 1,94% 0,98% 0,31% 1% 2,16% 0,30%

5% 0,80% 0,39% 0,02% 0,50% 0,65% 0,15%

5% 1,98% 1,01% 0,91% 0,50% 1,34% 0,15%

10% 5,91% 3,04% 2,87% 1% 3,14% 0,30%

2,01%

1,01%

2,02%

1,04%

 EURUSD USDJGY  S&PGSCICommodityIndex  HistorischesSzenario Aktienmarktcrash1987 Rentenmarktcrash1994 LTCMKrise1998 BrasilienKrise1999 11.September2001

8% 2,38% 1,62% 10% 3,13%

4% 1,19% 0,34% 5% 1,11%

4% 1,04% 0,56% 5% 0,71%

8% 2,01% 1,98% 10% 3,01%

 4,91% 4,22% 5,48% 1,01% 2,79%

Quelle: Eigene Darstellung nach Jaeger (2002), S. 31.

23 24

Vgl. Jaeger (2002), S. 28. Zur praktischen Bedeutung von Faktoranalysen und Stress-Test vgl. Institutional Money (2009b).

Quantitative Manager-Selektion

135

Bei der Drawdown-Analyse werden die bisherigen maximalen Verluste eines Investments untersucht. Dabei wird darauf geachtet, wie lange diese Verluste vorgehalten haben und wie lange es gedauert hat, bis sie ausgeglichen wurden. Denkbar ist auch die Durchführung dieser Analyse anhand eines Durchschnitts der drei, fünf oder zehn größten Verluste einer Investition, um mögliche Ausreißer zu relativieren. Die einfache Berechnung und Durchführung dieser Analyse hilft Investoren, zusätzliche Informationen zu anderen Risiko- oder Performance-Kennzahlen zu erhalten. Allerdings sind diese Daten stark vergangenheitsbezogen. Weiterhin ist bei dieser Methode ein besonderes Augenmerk auf den zu untersuchenden Zeitraum zu legen. Deswegen ist es wichtig, zu prüfen, ob innerhalb der zu untersuchenden Periode extreme Marktsituationen vorherrschten, die ein solches Ergebnis beeinflusst haben. Der Drawdown ist nach Heidorn et al.25 definiert durch die nach unten gerichtete Differenz zwischen der High-Watermark der kumulierten Renditen und der kumulierten Rendite der Periode i in Prozent zur High-Watermark. Der Drawdown (DD) berechnet sich wie folgt:

DDi

cri  HWM i HWM i

mit

cri :

kumulierte Rendite bis zum Zeitpunkt i

HWM i : High-Watermark bis zum Zeitpunkt i.

Der Average Drawdown berechnet sich aus der Summe der ermittelten Drawdowns dividiert durch die Anzahl. Der Average Drawdown (AverageDD) berechnet sich wie folgt: I

¦ DD

i

AverageDD

i 1

I

mit

I:

Anzahl der Drawdowns.

Der Maximum Drawdown (MaxDD) ist das Maximum aller berechneten Drawdowns:

MaxDD

max ^DDi ` .

i 1,, I

Als Time to Recovery wird die Zeitdauer bezeichnet, die ein Investment benötigt, einen vorherigen Kursverlust wieder aufzuholen. Die Time to Recovery wird häufig gemessen in Monaten. Die grafische Visualisierung von Drawdowns und den jeweiligen Wertaufholungszeiten erfolgt in sogenannten Unterwasser-Charts (siehe Abbildung 5.2). Diese zeigen jeweils an, 25

Vgl. Heidorn et al. (2009).

136

Manager-Selektion

wenn sich ein Investment unter der High-Watermark befindet und auch den Entwicklungspfad zur Wertaufholung. Ein Renditeverlauf mit nur positiven Renditen würde in dem Unterwasser-Chart als eine horizontale Linie mit 0 Prozent Wertverlust dargestellt.

0%

10%

20%

30%

40%

50%

60%

70%

80% Dez04

Jun05

Dez05

Jun06

S&PGSCITR

Dez06

Jun07

DJUBSCommodityTR

Dez07

Jun08

Dez08

Jun09

Dez09

ARIXCommodities

Abbildung 5.2:

Unterwasser-Chart verschiedener Rohstoff-Indizes im Vergleich zum MSCI World Quelle: Eigene Darstellung. Der Nutzen der qualitativen Manager-Selektion liegt in der Möglichkeit, den Mehrwert verschiedener Investitionsalternativen effizient und nachvollziehbar zu vergleichen. Hilfreich in diesem Kontext sind auch die Erstellung von Rankings verschiedener Investitionsalternativen nach denjenigen Kennzahlen, die am ehesten den Rendite- und Risiko-Vorstellungen der Investoren entsprechen. Die quantitative Analyse ist allerdings nicht unproblematisch, denn viele Rendite- und Risikomaße liefern lediglich dann verlässliche Ergebnisse, wenn die Anlagesegmente, auf die sie angewendet werden, einer Normalverteilung folgen – was in der Praxis kaum der Fall ist.

Qualitative Manager-Selektion

5.2

137

Qualitative Manager-Selektion

Die qualitative Manager-Selektion ist im Unterschied zur quantitativen deutlich schwerer zu objektivieren, da hier verschiedene „weiche“ Faktoren analysiert werden, wie z.B. die Erfahrung des Managers sowie der Nutzen seines Erfahrungsschatzes für die aktuell verfolgte Strategie. Während im Rahmen der quantitativen Analyse vorwiegend mit Rankings gearbeitet wird, finden im Rahmen der qualitativen Analyse häufig Ratings Anwendung. Diese Ratings basieren häufig auf Scoring-Modellen und versuchen hierdurch, qualitative Aspekte so gut es geht zu quantifizieren bzw. zu objektivieren. Insbesondere bei wenig regulierten Anlagesegmenten ist die Rolle der qualitativen Due Diligence, welche die Prüfung der Verkaufsprospekte sowie der Jahresberichte einschließt, von wesentlicher Bedeutung. Während quantitative Analysen sehr effizient und automatisiert im Rahmen eines Risiko-Monitorings auf Tagesbasis aufgesetzt werden können, ist ein qualitatives Monitoring deutlich zeitaufwendiger, nicht automatisierbar und wird deswegen häufig vierteljährlich im Rahmen von Manager-Gesprächen durchgeführt. Due Diligence bedeutet übersetzt „angemessene Sorgfalt“ oder in der Finanz-Terminologie „detaillierte Analyse im Zusammenhang mit den potenziellen Risiken eines Investments“. Insbesondere im Bereich der alternativen Investments kommt der qualitativen Due Diligence eine besondere Rolle zu, da es sich hierbei vorwiegend um Investments mit sehr großen Anlagefreiheiten handelt, die teilweise ihre „quantitativen Positionierungen“ (z.B. Aktien Long versus Short-Positionierung) kurzfristig verändern können. Die qualitative Manager-Auswahl ist zwar kein Garant für die Vermeidung von Verlusten, doch die Wahrscheinlichkeit des Eintretens bzw. die mögliche Höhe von Verlusten (z.B. durch Fokus auf Manager mit besonders guten Risikosystemen) kann dadurch deutlich reduziert werden. Einen sicheren Schutz vor gefälschten Zahlen, der Vortäuschung falscher Tatsachen oder anderen Formen des Betrugs gibt es jedoch nicht. Neben der Integrität des Managers soll eine Due Diligence vor allem zeigen, ob der Investment-Prozess von den Managern diszipliniert umgesetzt wird. Die Durchführung einer qualitativen Manager-Auswahl erfordert Erfahrung und Fachkenntnisse. Eine qualitative Due Diligence durchzuführen ist im Allgemeinen sehr anspruchsvoll, da verschiedene Investment-Strategien in verschiedenen Anlageregionen und Anlageklassenschwerpunkten verstanden und analysiert werden müssen. Darüber hinaus müssen insbesondere im Bereich der alternativen Investments neben den jeweiligen Personen (vor allem den Fonds-Managern) und konkreten Anlagevehikeln (Fonds), auch die Fonds-ManagementGesellschaften bewertet werden. Diese Bewertung beinhaltet operationelle Prozesse, die technische Infrastruktur, das Personalwesen sowie die Unternehmensziele. Darüber hinaus erfordert die qualitative Manager-Auswahl ein gewisses Gespür für Personen. Dieses ist nötig, um zu bestimmen, welche Mitarbeiter stark engagiert arbeiten, und um einen Eindruck von der Unternehmenskultur zu erhalten. Oft wird eine Due Diligence anhand eines detaillierten Fragebogens durchgeführt. Dieses fragebogengestützte Vorgehen kann das persönliche Gespräch mit dem Fonds-Manager und weiteren Mitarbeitern aus verschiedenen Bereichen

138

Manager-Selektion

allerdings nicht ersetzen. Deswegen ist für viele Berater ein Vor-Ort-Gespräch mit dem Manager vor der Aussprache einer Kaufempfehlung sehr wichtig. Weber spricht von den vier P der qualitativen Due Diligence:26 1. People (Fonds-Manager und Team): Einer der Hauptgründe für die Investition in einen Fonds sollte stets das Können, die Erfahrung und „Genialität“ der Manager sein. Bei der Due Diligence ist ein erster wichtiger Schritt, die Lebensläufe des Führungspersonals zu studieren. Diese geben Auskunft über die akademischen und beruflichen Laufbahnen und lassen Rückschlüsse auf den Erfahrungsschatz zu. Dabei ist es nicht unüblich, dass einige Schlüsselpositionen mit Personen besetzt sind, die ihr spezifisches Know-how erst während ihrer Berufspraxis gesammelt haben und einen von der Betriebs- oder Finanzwirtschaft abweichenden akademischen Hintergrund haben. Gerade in sehr volatilen Marktphasen ist die Erfahrung der Manager sehr wichtig, um eine richtige Einschätzung der einzelnen Portfolio-Positionen zu ermöglichen. Anlageerfolge sollten Managern Vorteile – zum Beispiel durch Partizipation an der gewinnabhängigen Vergütung – bringen. Aber es sollte auch überprüft werden, inwieweit Verluste des Fonds den Managern Nachteile bringen können. Dabei sind neben Reputationsschäden direkte finanzielle Nachteile ebenfalls relevant. Das ist dann der Fall, wenn das Fonds-Management einen nennenswerten Anteil des eigenen Privatvermögens in den verwalteten Produkten investiert hat. Ein weiterer wesentlicher Aspekt ist die Hinterfragung der Vergütungsstruktur des InvestmentTeams um festzustellen, ob diese möglicherweise einer langfristigen Teamstabilität entgegensteht. Ferner sind die Entstehungsgeschichte des Fonds sowie die Entwicklung des verwalteten Vermögens wichtige Aspekte. So muss sichergestellt werden, dass eine starke Entwicklung der Anlagevolumina keine negativen Auswirkungen auf die Strategie und dadurch auf das Renditepotenzial sowie das Anlagerisiko hat. Letztendlich ist die Überprüfung der Integrität der Fonds-Manager insbesondere bei alternativen Investments der bedeutendste Teil der qualitativen Analyse. Deswegen hat sich bisher vorwiegend im alternativen Investment-Bereich das Durchführen von sog. Background-Checks über entsprechende Agenturen etabliert. Diese sind darauf spezialisiert, in der Due Diligence verschwiegene Rechtsstreitigkeiten, in die Manager verwickelt waren, oder auch verschwiegene qualitative Mängel aufzudecken. Hierzu werden verschiedene überregionale und regionale Gerichtsunterlagen der Orte durchsucht, an denen die jeweiligen Manager in zumindest den letzten zehn Jahren gearbeitet oder gelebt haben. Diese Gerichtsunterlagen werden anschließend angefordert und durch die Agentur studiert, analysiert und im Kontext der Relevanz für die Ausübung des heutigen Arbeitsumfelds des Managers interpretiert. Zum Leistungsspektrum von Operational-Due-Diligence-Agenturen gehört auch das Überprüfen des Werdegangs des Fonds-Managers. Hierzu werden die jeweiligen Institutionen, die der Manager in seinem Lebenslauf angibt meist telefonisch kontaktiert und so überprüft, ob die jeweiligen Personen wirklich einen Universitätsabschluss von der angegebenen Institution haben oder aber auch, ob die Angabe der vorherigen Arbeitgeber, der

26

Vgl. Weber (1999), S. 122.

Qualitative Manager-Selektion

139

Aufgabenbereiche sowie die Ein- und Austrittszeitpunkte der Wahrheit entsprechen.27 Daneben bieten sich sogenannte Peergroup- bzw. Wettbewerber-Referenzen an. Seriöse Marktteilnehmer sind daran interessiert, dass ihr Marktsegment nicht durch unseriöse Wettbewerber belastet wird und daher meist zu Auskünften bereit. Dabei ist allerdings zu beachten, dass eine von den Fonds vermittelte Referenzliste meistens nicht diejenigen Institutionen enthält, die sich kritisch über diesen Fonds oder die Fähigkeiten des Managers äußern würden. Jedoch kann man die genannten Referenzen um weitere mögliche Auskunftspersonen bitten. Noch wirksamer ist es, mit früheren Vorgesetzten des FondsManagers zu sprechen, um so die Integrität sowie die Fähigkeiten der Manager besser einschätzen zu können. 2. Process and Philosophy (Investment-Prozess und Philosophie): Bei der Überprüfung der Investment-Prozesse im Gespräch mit dem Fonds-Manager ist darauf zu achten, dass dies nicht eine bloße Wiedergabe der Strategiebeschreibung des Standard-Fragebogens darstellt, sondern tatsächlich auf den Werten und Erfahrungen des Managers basiert. Die konkrete Anlagestrategie sollte überzeugen und anhand der einzelnen Positionen des Portfolios nachvollziehbar sein. Wichtiger Aspekt ist es herauszufinden, wo die besonderen Fähigkeiten des jeweiligen Fonds-Managers liegen. Das können spezielle InvestmentProzesse, quantitative Modelle, Kontakte oder Kenntnisse und Erfahrungen sein. Eine detaillierte Fondsanalyse sollte auch die wichtigsten Geschäftspartner (Counterparties) einschließen. Hierfür ist es hilfreich, Referenzen einzuholen und zu überprüfen, inwieweit die gesammelten Informationen verifiziert werden können. 3. Performance (Analyse der Wertentwicklung): Bei der qualitativen Überprüfung der Wertentwicklung eines Fonds handelt es sich im Wesentlichen um die Kontrolle hinsichtlich der Validität der Kurshistorie im Kontext des aktuellen Fonds-Managements, der aktuell vorhandenen Ressourcen sowie des angewandten Investment-Prozesses. Denn häufig führen verschiedene Struktur- oder Prozessänderungen dazu, dass die Qualität der vergangenen Wertentwicklung in Frage gestellt werden muss (z.B. wenn in der Vergangenheit häufig Wechsel im Fonds-Management stattgefunden haben). Teilweise werden von den Fonds-Managern auch Kurshistorien zur Verfügung gestellt, bei dem Teile des Track Records bei einem anderen Arbeitgeber unter Verwendung eines anderen InvestmentProzesses erzielt wurden. In manchen Fällen werden sogenannte pro-Forma Wertentwicklungen gezeigt, deren Annahmen bzw. Verlässlichkeit in der Regel nur qualitativ überprüft werden können. 4. Partnership Details (Analyse der juristischen Dokumente und Emissionsunterlagen): Das Studium der Verkaufsprospekte28 der Fonds ist insbesondere im Bereich der alternativen Investments wichtig, denn neben umfangreichen Darstellungen der Risiken, die mit solch einer Investition verbunden sind, verbergen sich darin weitere wichtige Aussagen zur

27 28

Weiterführende Informationen zur Durchführung von Background-Checks können dem Buch von Shain (2008) entnommen werden. Im Bereich der alternativen Investments spricht man hingegen häufig von einem Private Placement Memorandum (PPM) oder einem Offering Memorandum (OM).

140

Manager-Selektion

Strategie, zu den Bedingungen, über die involvierten Parteien und über mögliche Interessenkonflikte. Besonderes Augenmerk sollte hier auf Angaben zu einem maximalen Fremdkapitaleinsatz oder Mindestanforderungen an die Portfolio-Diversifikation gerichtet werden. Auch werden in diesen Dokumenten Bewertungsverfahren von weniger liquiden Finanztiteln dargestellt. Weiterer Überprüfungsbedarf besteht bei den in den Verkaufsprospekten geforderten Lock-Up-Perioden und sonstigen Kündigungsklauseln (Notice Periods, Side Pockets oder Maximum Redemption Gates).

5.3

Empirische Erkenntnisse und konzeptionelle Ansätze

Die Frage, ob aktive Fonds-Manager ihre Benchmarks dauerhaft übertreffen können, ist seit langem strittig. In der Praxis findet eine Vielzahl an Tricks Anwendung, mit denen Produktanbieter es trotz einer objektiven Underperformance schaffen, eine Outperformance zu zeigen. Hierzu zählen die falsche Berücksichtigung von Währungseffekten, die Nichtberücksichtigung von Kosten und Steuern, die Verwendung ungewichteter statt volumengewichteter Durchschnitte, die Verwechselung von Time-Weighted und Money-Weighted Renditen bis hin zu willkürlichen Messzeiträumen oder die Verwendung ungeeigneter Benchmarks.29 Bei Analysen in Bezug auf mögliche Alpha-Potenziale ist die alleinige Betrachtung des Tracking Errors in Bezug auf eine Benchmark nicht notwendigerweise der richtige Weg. Einige Autoren arbeiten daher mit der sogenannten Active Share (der Abweichung des Portfolios vom Benchmark-Portfolio) und finden eine teilweise auch dauerhafte Outperformance von Portfolios mit hoher Active Share, nicht aber mit hoher Volatilität in Bezug auf die Benchmark. Aufgrund einer höheren Active Share von Small-Cap Managern wurde in der Untersuchungsperiode daher eine höhere Outperformance für solche Manager festgestellt.30 Andere Untersuchungen zeigen, dass die Erzielung einer Outperformance in besonders liquiden und effizienten Märkten kaum noch möglich ist.31 Signifikante Benchmark-Abweichungen erklären sich daraus, dass die Wahl einer Benchmark nicht immer einfach ist. So ergeben sich zum Beispiel für Japanische Aktienfonds ganz unterschiedliche quantitative Aussagen, je nachdem welcher Index als Referenz herangezogen wird. Denn auch Indizes mit ähnlichem Anlageuniversum können sich z.B. durch ihre Gewichtung von Small- und Large-Caps signifikant unterscheiden (z.B. TOPIX versus MSCI Japan).

29 30

31

Vgl. Lennert (2010), S. 24. Vgl. Cremers/Petajisto (2009), S. 27-28. Die aktivsten Fonds übertreffen die am wenig aktivsten Fonds um 4,5 bis 6,1% p.a. in der Rendite in Bärenmärkten. Dies ist vorwiegend auf „stock picking“ und nicht auf „market timing“-Fähigkeiten der Manager zurück zu führen. Vgl. Sun et al. (2009), S. 36. Vgl. Hackethal et al. (2009), S. 2-13.

Empirische Erkenntnisse und konzeptionelle Ansätze

141

Bei aktiven Aktienfonds-Managern existieren darüber hinaus signifikante Unterschiede hinsichtlich des Schwerpunkts bezüglich der Marktkapitalisierung der im Fonds gehaltenen Aktien, der berücksichtigen Regionen und der Value- oder Growth-Orientierung, der Dividendenorientierung oder auch Unterschiede zwischen Fonds, die den Schwerpunkt auf Aktienselektion einerseits oder Sektor-Allokation bzw. Faktor-Timing andererseits setzen. In diesem Kontext soll eine empirische Studie belegen, dass die auf Aktienselektion fokussierten Fonds im Gegensatz zu denen, die vorwiegend auf Sektor-Allokation setzen, eher eine Outperformance erzielen.32 Eine Untersuchung der DB Advisors ergab jedoch andere Ergebnisse.33 Hierbei kann sich allerdings die Outperformance gegenüber einer Benchmark auch durch ein höheres Risiko als das der Benchmark ergeben. Eine Risikoadjustierung dieser empirischen Ergebnisse ist allerdings nicht erfolgt. Nach Philips/Floyd (2009) sollten aktive Manager in schlechten Marktphasen eher outperformen, da sie die Möglichkeit haben, die Barmittelquote des Fonds zu erhöhen sowie in defensive Titel zu investieren. In guten Marktphasen sind aktive Aktienfonds-Manager eher Underperformer, da selbst kleine CashAllokationen, die aktive Manager fast immer halten, zu einer Untergewichtung der Aktien im Vergleich zur Benchmark resultieren. Aufgrund der Bedeutung von negativen Marktphasen werden im Folgenden einfache Performance-Vergleiche von aktiven Managern (gemessen anhand der Fonds-Durchschnitts-Indizes FUX von Lipper InvestBase für die jeweiligen Regionen und Peer Groups) zu ihrer Benchmark (gemessen anhand der Indizes von MSCI für die jeweiligen Regionen und Peer Groups) inklusive des Krisenjahres 2008 durchgeführt. Hierbei werden sowohl die Gesamtergebnisse für den Zeitraum von Januar 2003 bis Dezember 2009 als auch die Ergebnisse der Einzeljahre (nach Kosten) angegeben. Die Ergebnisse für das Anlageuniversum Aktien Welt sowie die Regionen Europa und USA werden durch andere Studien untermauert, die ebenfalls zeigen, dass jedes Jahr nur wenige aktive Manager ihre Benchmarks schlagen.34 Die Untersuchung ergab ebenfalls, dass die wenigen Manager, die ihre Benchmarks in einem Jahr schlagen, in den Folgejahren selten wieder zu den Gewinnern gehören, so dass insgesamt nur sehr wenige dauerhafte Outperformer über längere Perioden existieren. Allerdings sind die Indexabweichungen für einzelne Fondskategorien sehr unterschiedlich.

32 33 34

Vgl. Fidelity (2009), S. 4 und Cremers/Petajisto (2009), S. 27. Länder- und Sektorallokation ist wichtiger ist als Stock-Picking. Vgl. DB Advisors (2009), S. 2. Vgl. Thompson (2009), S. 1.

142

Manager-Selektion

30%

20%

10%

0%

-10%

-20%

-30%

-40% MSCI USA

2009 22,8%

2008 -33,5%

2007 -5,1%

2006 3,3%

2005 22,1%

FUX USA

26,6%

-37,4%

Dif f erenz

3,7%

-3,9%

-5,8%

0,0%

20,6%

-0,6%

-3,3%

-1,5%

MSCI USA

FUX USA

2004 2,7%

2003 7,2%

5J (p.a.) -0,5%

0,8%

6,7%

-2,1%

-1,9%

-0,5%

-1,6%

Differenz

60% 60%

52%

50%

42% 37%

40% 29% 30%

24%

29% 25%

20% 20% 10% 0%

Der obere Teil der Grafik zeigt das Verhältnis der Fonds zum Index, der untere Teil zeigt den Anteil der Outperformer. Die Stichprobe des FUX beträgt zum Ende 2009 302 Investmentfonds. FUX = Lipper InvestBase Fonds-Durchschnitts-Index.

Abbildung 5.3: Underperformance für Fonds/Manager mit Schwerpunkt Aktien USA Quelle: Feri Institutional Advisors GmbH (2010).

Empirische Erkenntnisse und konzeptionelle Ansätze

143

Abbildung 5.3 zeigt, dass Fonds-Manager, die in den USA investieren, im Durchschnitt in keinem Jahr ihre Benchmark schlagen konnten und über die betrachtete 5-Jahresperiode eine jährliche Underperformance von -1,6 Prozent erzielten.

40% 30% 20% 10% 0% -10% -20% -30% -40% -50% MSCI Europe

2009 32,2%

2008 -43,0%

2007 2,3%

2006 20,3%

2005 26,9%

FUX Europe

30,4%

Dif f erenz

-1,7%

-44,6%

0,3%

18,9%

-1,7%

-2,0%

-1,5%

MSCI Europe

FUX Europe

2004 12,6%

2003 15,5%

5J (p.a.) 3,3%

25,3%

8,8%

13,9%

1,5%

-1,6%

-3,7%

-1,7%

-1,8%

Differenz

49% 50% 45% 40% 35% 30% 25%

37%

37%

38%

35% 31%

30% 26%

23%

20% 15% 10% 5% 0%

Der obere Teil der Grafik zeigt das Verhältnis der Fonds zum Index, der untere Teil zeigt den Anteil der Outperformer. Die Stichprobe des FUX beträgt zum Ende 2009 428 Investmentfonds. FUX = Lipper InvestBase Fonds-Durchschnitts-Index.

Abbildung 5.4: Underperformance für Fonds/Manager mit Schwerpunkt Aktien Europa Quelle: Feri Institutional Advisors GmbH (2010).

144

Manager-Selektion

Abbildung 5.4 zeigt, dass die durchschnittliche Underperformance für Manager, die in Europa investieren, im 5-Jahreszeitraum von Januar 2005 bis Dezember 2009 etwas höher ist, als in den USA (-1,8 Prozent p.a. vs. -1,6 Prozent p.a.), und sogar in jedem Jahr signifikant negativ ist.

30% 20% 10% 0% -10% -20% -30% -40% -50% MSCI World

2009 26,4%

2008 -36,9%

2007 -2,0%

2006 8,1%

2005 27,0%

2004 6,9%

2003 11,1%

FUX Global

27,7%

-40,4%

0,5%

8,9%

24,5%

4,1%

11,2%

0,7%

Dif f erenz

1,3%

-3,5%

2,4%

0,8%

-2,5%

-2,8%

0,1%

-0,7%

MSCI World

57% 52%

50%

46%

43%

40% 30%

Differenz

65%

70% 60%

FUX Global

5J (p.a.) 1,4%

46% 42%

32% 27%

20% 10% 0%

Der obere Teil der Grafik zeigt das Verhältnis der Fonds zum Index, der untere Teil zeigt den Anteil der Outperformer. Die Stichprobe des FUX beträgt zum Ende 2009 600 Investmentfonds. FUX = Lipper InvestBase Fonds-Durchschnitts-Index.

Abbildung 5.5: Leichte Underperformance von Fonds/Managern Aktien Welt Quelle: Feri Institutional Advisors GmbH (2010).

Empirische Erkenntnisse und konzeptionelle Ansätze

145

Bei globalen Managern (siehe Abbildung 5.5) ist in mehreren Jahren eine positive Abweichung von der Benchmark feststellbar und die Underperformance ist insgesamt geringer, als bei auf die USA oder Europa fokussierten Managern. Eine mögliche Erklärung hierfür können Asset Allocation-Entscheidungen sein (z.B. Übergewichtung einer Region in Relation zur Benchmark). In Abbildung 5.6 wird die kumulierte relative Wertentwicklung von aktiven Fonds zu ihrer Benchmark dargestellt. Hierfür wird die Performance des aktiven Fonds von der Benchmark auf Monatsbasis abgezogen und die jeweiligen Werte anschließend als kumulierte Zeitreihe mit Startwert von 100 wiedergegeben. Es ist ersichtlich, dass die relative Underperformance innerhalb der verschiedenen Regionen insbesondere im Krisenjahr 2008 zugenommen hat.

110

100

90

80

70

60

50

40 Dez 02

Jun 03

Dez 03

Jun 04

Dez 04

FUX Aktien Welt vs. MSCI World

Jun 05

Dez 05

Jun 06

Dez 06

Jun 07

FUX Aktien Europa vs. MSCI Europe

Dez 07

Jun 08

Dez 08

Jun 09

Dez 09

FUX Aktien USA vs. MSCI USA

FUX = Lipper InvestBase Fonds-Durchschnitts-Index.

Abbildung 5.6:

Relative Wertentwicklung von regional fokussierten Fonds in Relation zu ihrer Benchmark Quelle: Feri Institutional Advisors GmbH (2010), Daten: Lipper InvestBase. Über längere Zeitäume wird die Fondsperformance vor allem durch die Marktsegmente bzw. die Stile bestimmt, in denen die Manager aktiv sind (siehe Abbildung 5.7). So waren ValueManager von 2004 bis Mitte 2006 erfolgreicher als Growth-Manager, bevor sich dieses Bild im Anschluss drehte. Small-Cap-Manager waren bis Anfang 2007 erfolgreicher, danach Large-Cap-Manager. Emerging Markets-Manager schlugen Welt-Manager bis Anfang 2008, danach war es umgekehrt und High-Yield-Manager erzielten bis Mitte 2008 eine bessere Wertentwicklung, als andere Anleihen-Manager, bis sich der Trend umkehrte. Entsprechend lässt sich zusammenfassen, dass sich Manager in effizienten Märkten (z.B. Large-Caps,

146

Manager-Selektion

Weltaktien, Staatsanleihen) in schwierigen Marktphasen besser (in Relation zur Benchmark) verhalten als Manager, die in eher ineffizienteren Märkten aktiv sind. Entsprechend ist es denkbar, dass breiter diversifizierte Manager dann gut abschneiden, wenn die Bewertungsniveaus bzw. Entwicklungen der einzelnen Segmente, in die sie investiert sind, stark unterschiedlich sind. Wenn alle Segmente schlecht rentieren, wie in 2008, nehmen die Outperformance-Möglichkeiten durch Segmentallokation dagegen ab.35 Ferner scheint es, als ob aktive Manager insbesondere dann Probleme damit haben ihre Benchmarks zu schlagen, wenn die Benchmarks von wenigen engen Themen dominiert werden. In solchen Phasen gelingt in der Regel keine Outperformance, auch wenn die zugrunde liegenden Märkte sich gut entwickeln.36

2 1,8 1,6 1,4 1,2 1 0,8 0,6 0,4 Dez. 03 Jun. 04 Dez. 04 Jun. 05 Dez. 05 Jun. 06 Dez. 06 Jun. 07 Dez. 07 Jun. 08 Dez. 08 Jun. 09 Europa Value vs Growth

Europa Large vs Small

MSCI EM vs MSCI Welt

EUR Govies vs High Yield

Abbildung 5.7:

Relative Attraktivität der Wertentwicklung von aktiven Managern in normalen und Distress-Phasen in Relation zu ihrer Benchmark Quelle: Feri Institutional Advisors GmbH (2010), Daten: Lipper InvestBase. Bei den branchenfokussierten Fonds zeigen sich dagegen keine klaren Tendenzen. Energieund Rohstofffonds haben ihre Benchmarks als Gruppe sogar über mehrere Jahre geschlagen, während das Bild für Pharma gemischt sowie für finanzmarktorientierte Fonds negativ ist (siehe Abbildung 5.8).

35 36

Vgl. Inker/Härtel (2009), S. 32 und Thompson (2009), S. 2. Vgl. Thompson (2009), S. 3.

Empirische Erkenntnisse und konzeptionelle Ansätze

147

2 1,8 1,6 1,4 1,2 1 0,8 0,6 0,4 Dez. 03 Jun. 04 Dez. 04 Jun. 05 Dez. 05 Jun. 06 Dez. 06 Jun. 07 Dez. 07 Jun. 08 Dez. 08 Jun. 09 Energie vs Benchmark

Finanzwerte vs Benchmark

Pharma vs Benchmark

Rohstoffe vs Benchmark

Abbildung 5.8:

Relative Wertentwicklung von aktiven Sektor-Managern in Relation zu ihrer Benchmark Quelle: Feri Institutional Advisors GmbH (2010), Daten: Lipper InvestBase. Häufig stellt die Manager-Auswahl faktisch eine Art (Beta-)Diversifikation in SubAnlageklassen (z.B. nach Ländern, Unternehmenskapitalisierungen, Risiken, Stilen wie Value und Growth) dar. Allerdings nehmen die Tracking Error von Managern mit steigender Marktvolatilität deutlich zu. Gerade in volatilen Marktphasen, wenn Investoren ihre Risiken besonders kontrollieren wollen, wird das durch die Manager offenbar erschwert. Diese Entwicklungen müssen daher zeitnah kontrolliert und gegebenenfalls auf der Portfolio-Ebene, z.B. durch ein Risiko-Overlay, adressiert werden. Auf die eng zusammenhängende Rolle von Manager-Selektion und Asset Allocation weisen auch Äußerungen großer internationaler Investoren hin: Paul Spijkers, der Chief Investment Officer Alternative Investments von APG aus den Niederlanden, sagt, dass APG im eigenen Hedgefonds-Portfolio zu 50 Prozent in Manager investiert ist, die über keinen Track Record verfügten, aber in interessanten neuen Marktsegmenten bzw. Strategien aktiv sind.37 Die Asset Allocation großer Investoren wie Yale ist damit wohl noch differenzierter als allgemein angenommen und die Manager-Selektion möglicherweise vor allem eine Art Fortführung der Asset Allocation mit anderen Mitteln (siehe Abbildung 5.9).

37

Äußerungen auf der BAI Alternative Investors Konferenz vom 18.3.2009 in Frankfurt.

148

Manager-Selektion

Bekannte Yale „Groballokation“

Vermutete Yale Detail-Allokation (Konzeptionell)

Real Assets

Private Equity

Absolute Return

Anleihen

Aktien

Abbildung 5.9: Yale Grob- und mögliche Detail Asset Allocation im Vergleich Quelle: Yale, Feri Institutional Advisors GmbH (2009). Grundsätzlich haben große und langfristig orientierte Investoren wie Yale und APG den Vorteil, dass sie nicht auf Co-Investoren angewiesen sind, um ausreichend Mittel für Investitionen in neue Themen bereitzustellen, und damit mögliche Pionierprämien generieren können.38 Außerdem erhalten Erst- und Großinvestoren oftmals Vorzugskonditionen, die von kleineren und späteren Investoren nicht mehr erreicht werden können. Kleinere Investoren können diese Nachteile allerdings durch Pooling ihrer Investments, z.B. über Berater bzw. Spezial- oder Dachfonds, reduzieren. Andererseits können große Investoren ebenfalls von Dachfonds profitieren und setzen diese auch teilweise ein. Das ist vor allem dann der Fall, wenn der Dachfonds-Manager spezielle Expertise besitzt, über die auch der große Investor nicht verfügt. Das kann interessant sein, wenn Losgrößentransformation in dem Sinn erfolgen soll, dass der große Investor über Dachfonds große Investment-Summen auf kleine Investmentfonds (z.B. kleine Buyout Fonds im Private Equity Bereich oder neue Hedgefonds) verteilen möchte, zum Beispiel, weil nicht zu hohe Anteile an solchen kleinen Fonds gehalten werden sollen oder weil Zugangsbeschränkungen bestehen. 38

Vgl. Cometto (2009), S. 13.

Empirische Erkenntnisse und konzeptionelle Ansätze

149

Problematisch ist, dass Investoren bisher vorwiegend in solchen Märkten nach Alpha gesucht haben, in denen sie bereits ihr Beta-Risiko eingegangen sind. Im Rahmen der Strategischen Asset Allocation wurden zum Beispiel Aktien-Manager ausgewählt, die in der Lage sein sollten, Aktien-Alpha zu generieren. Nach Litterman ist die Beseitigung dieser unnötigen Einschränkung und die Suche nach den besten Alpha Quellen – wo immer diese sein mögen – der Schlüssel zur Erzielung höherer Renditen.39 In Abbildung 5.10 ist dargestellt, wie man direkt und indirekt, an der Entwicklung von Rohstoffpreisen partizipieren kann. Das erfolgt zum Beispiel sehr indirekt über den Kauf von Währungen oder Anleihen von Rohstoffexportländern, über Aktien von Rohstoffproduzenten oder anderen Unternehmen aus dem Rohstoffsektor, über Derivate oder physisch. Technisch können bspw. strukturierte Produkte bzw. Zertifikate, aktiv verwaltete Fonds oder ETFs sowie Managed Accounts verwendet werden. Dieser Ansatz wird auch als Instrumentenselektion bezeichnet.40

Anlagekategorien Physisch • Verkörpert die Anlagekategorie „Rohstoffe im engeren Sinne“

Rohstoff-Futures • Direkte Partizipation an der Rohstoffpreisentwicklung (Terminpreise)

• Vereinnahmung/ Erzielung • Direkte Partizipation des „Roll Yield“ an der (Knappheitsprämie) bei vielen RohstoffpreisentRohstoffen wicklung. • Einziger Zugang zu z.B. (Spotpreise) Zucker, Getreide

Rohstoffaktien • Rohstoffpreise bewirken Hebeleffekte auf die Unternehmensgewinne

Anleihen

Währungen

Nur sehr indirekte Partizipation an der Rohstoffpreisentwicklung.

• Partizipation an Dividenden/Erträgen • Aktienbewertungen basieren meist auf der Annahme langfristig niedrigerer Rohstoffpreise

Vorteile Nachteile

• Lagerkosten • Kein „Roll Yield“ • Kein „Cash Yield“

• Nur Finanzterminkontrakt, keine physische Anlage • Teilweise sehr hohe Volatilität der einzelnen Rohstoffe

Unterliegt den Risiken der Nur sehr indirekte Partizipation an der Anlagekategorie Aktien: Rohstoffpreisentwicklung. • Politische Einflüsse • Managementrisiken • Bilanzierungs- und Buchhaltungspraktiken

Abbildung 5.10: Vorteilhaftigkeit unterschiedlicher Anlageformen im Rohstoff-Bereich Quelle: Feri Institutional Advisors (2010). Direkte Investments bieten sich vor allem dann an, wenn hausintern genügend qualifizierte Ressourcen bereitgestellt werden können und/oder wenig Detailkenntnisse (z.B. lokale oder Branchen-Kenntnisse) nötig sind, also die Zielanlagesegmente relativ homogen bzw. effizient sind. Eine direkte Steuerung auf Ebene des Gesamtportfolios ist vor allem bei RisikoOverlays und der Taktischen Asset Allocation nötig, weil hierzu nicht die Verantwortung auf die Manager einzelner Anlageklassen verteilt werden sollte. Direkte Investments können

39 40

Vgl. Littermann (2006), S. 668. Zu offenen versus geschlossenen Fonds vgl. Field (2009).

150

Manager-Selektion

zudem eventuell bei Währungen sinnvoll sein. Für die meisten anderen Anlageklassen bieten sich indirekte Investments an oder, wie bei Anleihen, teilweise indirekte Investments, da z.B. G9-Staatsanleihen direkt, andere Anleihearten aber vom durchschnittlichen institutionellen Investor kaum noch direkt gemanagt werden können. Je komplexer und illiquider die Anlageklasse, desto mehr Manager werden benötigt, um alle potenziell interessanten Segmente weltweit abdecken zu können. Wenn man in einer groben Schätzung die Zahl der somit insgesamt benötigten internen und externen (Fonds, Manager) Spezialisten zusammenrechnet, kommt man auf weit über 100 (siehe Tabelle 7.1). Die Zahl der Manager pro Kategorie, die angestrebt werden sollte, um alle relevanten Subsegmente abzudecken, ist nur grob abschätzbar und abhängig von der Anzahl der relevanten Untersegmente einer Asset-Klasse für die spezielle Expertise nötig bzw. sinnvoll ist. Brian et al. kommen für die Anlageklassen Aktien, Anleihen und Währungen auf insgesamt elf Risikoprämien, die z.B. aber regionale Differenzen nicht berücksichtigen.41 Die Anzahl der Manager bzw. Investment-Instrumente, inklusive regionaler Differenzen, die für diese drei Anlageklassen eingesetzt werden müssten, um alle Segmente von Spezialisten abzudecken, wäre also 66, wenn man einen Manager pro Kontinent hätte.42 In einigen Anlagesegmenten (z.B. Aktien Welt, Aktien Europa, Hedgefonds) ist die Anzahl der möglichen Investitionsalternativen sehr umfangreich und es ist schwer, zu einer qualitativen Einschätzung für alle Investments zu gelangen. In der Praxis findet deswegen insbesondere in Anlagesegmenten mit einer Vielzahl an Investitionsalternativen ein Zusammenspiel aus quantitativer Vorauswahl und anschließender qualitativer Due Diligence statt. Dieser Vorgang wird anhand eines typischen Hedgefonds-Selektionsprozesses in Abbildung 5.11 verdeutlicht.

Hedgefonds Universum

mehrals10.000 Hedgefonds

Quantitative Vorauswahl

Qualitative Vorauswahl

DueDiligencevorOrt

100Fonds

Portfolio

25Fonds

Abbildung 5.11: Vom Hedgefonds-Universum zum Portfolio Quelle: Kaiser (2009), S. 271. 41 42

Vgl. Brian et al. (2009). Zu Homebias und Gorporate Governance-Themen, die gegen internationale Diversifikation sprechen vgl. Shleifer (2009).

Empirische Erkenntnisse und konzeptionelle Ansätze

151

Besonders in sogenannten effizienten Märkten wird von vielen Beratern vorgeschlagen, passiv in Indextracking-Produkte zu investieren. Das Hauptargument ist, dass nur wenige aktive Manager diese Indizes dauerhaft (nach Kosten) outperformen können.43 Das ist jedoch nicht immer einfach bzw. kostengünstig möglich. So werden nur wenige Märkte als effizient (und liquide) im Sinne guter passiver Replikationsmöglichkeiten angesehen wie bspw. die USAktienmärkte und die Aktienmärkte einiger anderer entwickelter Märkte.44 Außer der beschränkten Zahl effizienter Märkte gibt es umfassende weitere Kritik an passiven Ansätzen. So bleiben passive Investoren in bekannten Problem-Investments investiert, solange diese Problem-Investments im Index enthalten sind. Ähnliches gilt für bewusste Inkaufnahme von Sektor- bzw. Länderübergewichtungen aufgrund von hoher Indexgewichtung (meist aufgrund hoher Marktkapitalisierung der jeweiligen Ziel-Investments) gegenüber „vernünftigeren“ Allokationen.45 Oft erwähnt werden in diesem Zusammenhang die Konzentrationsrisiken selbst beim breit gestreuten MSCI World Index, bei dem im Juli 1989 japanische Aktien von vorher 10 Prozent auf 35 Prozent oder auch im Februar 2000 der Anteil der Technologie, Medien und Telekommunikationsaktien von vorher 10 Prozent auf 25 Prozent anstieg.46 Vereinfacht kann gesagt werden, dass je enger ein Index ist, man sich desto stärker de facto wieder dem aktiven investieren nähert.47 Passive Investments beinhalten zudem Tracking Error-Risiken gegenüber den Märkten, die sie abbilden sollen. Zu den Opportunitätskosten passiver Investments zählen Basisrisiken durch partielle statt voller Replikation von Indizes durch Indextracker, Nachteile durch fehlende Wertpapierverleihmöglichkeiten, Tracking Error durch fehlende Real Time-Alloktionsveränderungen der Indextracker-Investments und teilweise sogar recht hohe direkte Kosten.48 Unterschiedliche Indextracking-Instrumente (z.B. ETFs, Futures und Swaps) haben dabei unterschiedliche Charakteristika (siehe Tabelle 5.2). Dazu gehören auch unterschiedliche Gegenparteirisiken, direkte laufende Kosten und Transaktionskosten sowie teilweise sogar unterschiedliche steuerliche Auswirkungen und damit Kosten für den Investor.

43

44 45 46 47 48

Vgl. Cornell (2009), S. 3 und Fama/French (2009); Philips/Floyd (2009). verweisen auch auf die geringe „Cash-Quote“ von Indexinvestments im Vergleich zu aktiven Fonds; was allerdings in fallenden Märkten negativ für die absolute Performance des Investors sein kann. Vgl. Thompson (2009), S. 8 und Kramer et al. (2009), S. 23. Vgl. Thompson 2009, S. 6. Vgl. DB Advisors (2009), S. 3. Vgl. Lennert (2010), S. 25. Vgl. Thompson (2009), S. 7-9. Simler (2009) nennt Rebalancierungs-Kosten von 73 Basispunkten in 2000 für den Standard & Poors 500 und von 347 Basispunkten für den Russell 2000.

152

Manager-Selektion

Tabelle 5.2: Charakteristika von ETFs, Futures und Swaps ETFs

Futures

Swaps

Rechtsstruktur

Investmentfonds

Derivate

Derivate

Kauf- und Rückkauf-Kosten

Provision

Provision

Provision, Kosten bei vorzeitiger Kündigung möglich

Haltekosten

Total Expense Ratio (TER)

Contract roll costs

Jährliche Finanzierungsgebühr

Nominelles Investment

100%

Margin

Sicherheiten

Tracking Error

Niedrig

Niedrig, wenn ein passendes Einzelfuture existiert. Höher bei mehreren Futures.

0% oder sehr gering

Minimum Investitionsgröße

Single share

Einzelvertrag

Maßgeschneidert (typischerweise basierend auf der Minimum Investitionsgröße.)

Laufzeit

Laufzeit prinzipiell unendlich

Meist quartalsweiser Verfall

Festes Auslaufdatum (vereinbart bei Aufsetzung)

Liquiditätsquellen

Börsenhandel und OTC (mit mehreren Market-Makern) und Bestellung/Rücknahme

Börsenhandel/ Blockhandel (mit mehreren Market-Makern)

OTC (Mit Einzelmarkt-Makern)

Quelle: Barclays Global Investors (2009). Hinzu kommt, dass unterschiedliche Index-Instrumente unterschiedliche operationelle Anforderungen an die Investoren stellen (siehe Tabelle 5.3). So sind auch hier wieder aktive Entscheidungen nach der Wahl des Instrumentes, des Anbieters etc. gefragt. Das Thema CoreSatellite-Portfolio-Allokation wird hier nicht näher analysiert, da die obige Diskussion zeigt, dass passive (Core) Investments aufgrund der geringen Anzahl effizient mit wirklich passiven Ansätzen abdeckbarer Segmente sehr begrenzt ist.

Empirische Erkenntnisse und konzeptionelle Ansätze

153

Tabelle 5.3: Operationale Anforderungen an ETFs, Futures und Swaps Anforderungen

ETFs

Futures

Swaps

Verhandlungen mit Verrechnungshändlern oder Börsenmitgliedern vor dem Erst-Investment

9

9

9

Re-Investition der Ausschüttungen

9

Investition von Cash für vollständig finanzierte Positionen

9

Management des laufenden Vertragsprozesses (inklusive Abwicklung und Dokumentation)

9

Buchen von Margen und Management der Margin Calls

9

Anpassungen der Indizes (z.B. Kursverfolgung der Futures Baskets)

9

Management der Währungsaufnahme

9

Buchung von Sicherheiten

9

Überwachung der Geschäftspartner Risiken und der Sicherheiten

9

Hedging der Geschäftspartner Risiken

9

Cashflow Management (Netting, Investition erhaltener Cashflows und Liquidation von Anteilen um Fondsanforderungen zu erfüllen)

9

Administration und Dokumentation im Falle vorzeitiger Aufhebung

9

Quelle: Barclays Gobal Investors (2009). Shorting ist bei illiquiden Investments schwierig bis unmöglich, und daher sind nur liquide Anlagen für Long-/Short-Ansätze geeignet. In liquiden Märkten sind allerdings Long/ShortAnsätze Long-Only-Ansätzen tendenziell vorzuziehen. Ob Hedgefonds-Manager bessere Renditen erzielen als vergleichbare Long-Only-Manager, hängt stark von den betrachteten Zeitabschnitten ab. Aber auch bei Herausrechnung aller Datenbankprobleme, von Autokorrelationen und Betrugsfällen bzw. Fondsliquidationen von Hedgefonds, sind breit diversifizierte Hedgefonds-Portfolios in den meisten Marktphasen risikoärmer, und zwar in Bezug auf praktisch alle Kennzahlen, als entsprechende Long-Only-Portfolios. So verzeichneten z.B. Hedgefonds in 2008, ihrem schlechtesten Jahr überhaupt, im Schnitt 20 Prozent Verluste, während Aktienfonds etwa das Doppelte verloren. Zusammenfassend kann man die Hypothese aufstellen, dass in „effizienten“ liquiden Märkten vor allem passiv – aber nur, wenn sie stabile positive Renditen erwarten lassen – Long-Only

154

Manager-Selektion

investiert werden sollte. In komplexe „ineffiziente“ Märkte, aber auch in liquide Märkte dagegen sollte eher über aktive Manager und Long-Short-Ansätze investiert werden, wenn diese Märkte keine stabile positiven Renditen erwarten lassen bzw. erhebliche Ineffizienzen in den Märkten bestehen (so dass unterschiedliche Anlegergruppe zu jeweils Long- oder Short Positionen tendieren). Zusätzlich führen wir das Kriterium semi-aktiv für das Management von Anlagen in nicht komplett liquiden Märkten ein (in denen man aufgrund der Illiquidität nicht komplett aktiv agieren kann), in denen aber trotzdem besondere und wiederholbare Fähigkeiten zur Mehrwertgenerierung erwartet werden, wie zum Beispiel im Private Equity-Markt.

Empirische Erkenntnisse und konzeptionelle Ansätze

6.

155

Overlay-Strategien

Der Begriff Overlay bezeichnet Investment-Ansätze, die sich auf das Gesamt-Portfolio beziehen, technisch jedoch nicht mit Manager- oder Direkt-Investments sondern mit Derivaten umgesetzt werden. Bei Overlays werden hier – anders als teilweise üblich – vor allem solche unterschieden, die sich auf die Risikoreduktion des Gesamt-Portfolios beziehen (RisikoOverlays) und solche, die versuchen, die Rendite des Gesamt-Portfolios zu erhöhen (Alphabzw. Absolute-Return-Overlays). In manchen Publikationen wird die TAA bzw. die sogenannte Global Tactical Asset Allocation (GTAA) zu den Overlays gezählt, doch das ist nicht zwingend notwendig. GTAA kann auch als „direktes“ Portfolio-Investment – z.B. in Form von GTAA-Fonds oder sogenannten Global Macro-Fonds – umgesetzt werden. Diese können zwar, ebenso wie andere ausgewählte Manager, Derivate einsetzen, der Verlust für den Investor ist jedoch auf das den Fonds zugeteilte Kapital beschränkt, während bei Derivate-Einsatz auf Gesamt-Portfolio-Ebene grundsätzlich mehr als das eingesetzte Kapital verloren gehen kann. Dafür sind allerdings auch Gewinne nicht durch das „direkte“ Investment (bzw. dessen Anteil am Gesamt-Portfolio) limitiert, sondern können bei Overlays wesentlich höher ausfallen. Keine Asset Allocation-Methode kann Investoren in allen Marktphasen vor Verlusten schützen und gleichzeitig hohe Renditeziele erfüllen. Entsprechend ist nach der Bestimmung und Umsetzung der Asset Allocation das Thema Risiko-Management zu thematisieren. Abbildung 6.1 gibt einen konzeptionellen Überblick über die Risiken, denen ein (institutioneller) Investor ausgesetzt ist. Ein gutes Risiko-Management sollte Investments zunächst vor der Investition überprüfen, aber auch permanent überwachen, ob diese auch weiterhin eine Daseinsberechtigung im Gesamt-Portfolio haben. Als Alternative zum direkten Verkauf (kurzfristig) unerwünschter Investments, der bei nicht voll-liquiden Anlagen und besonders in Markt-Stress-Phasen nur sehr langsam oder nur unter sehr hohen (Opportunitäts-)Kosten möglich ist, bieten sich sogenannte indirekte Risiko-Overlays über die betroffen Investment-Bereiche an. Dabei können Overlays nur einen kleinen Teil der Risiken absichern, sollten also keinesfalls das einzige Risiko-Management-Instrument für Investoren sein. Im Rahmen der praktischen Implementierung von Overlays werden jedoch nicht nur Derivate eingesetzt, sondern in manchen Fällen kann der Overlay-Manager auch den Verkauf von Investments direkt empfehlen (siehe Abbildung 6.2), um die Risikobegrenzungsziele umsetzen zu können.

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4_6, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

156

Overlay-Strategien

Risiken Externe Risiken Globale Risiken

FinanzRisiken KapitalanlageRisiken MarktRisiken

Adressenausfall-/ BonitätsRisiken

Fungibilitäts-/ LiquiditätsRisiken

Interne Risiken Operationale Risiken

KapitalstrukturRisiken LiquiditätsRisiken

Wirtschaftliche Risiken

OrganisationsRisiken

ZinsänderungsRisiken

SolvabilitätsRisiken

Rechtliche Risiken

KontrollRisiken

AktienkursRisiken

PortfolioStrukturRisiken (VAG)

Politische Risiken

Technisches/ EDV-Risiken

Asset-LiabilityRisiken

Demographische Risiken

Personalrisiken

FinanzierungsRisiken

Biometrische Risiken

WährungsRisiken DerivateRisiken

Fokus/Vorteile von Overlays

ImmobilienRisiken

WiederanlageRisiken

GarantiezinsRisiken Deckungsgrad/ Surplus

Einzelwert-Risiken

Strategische u. taktische Risiken

Operationale Risiken

Abbildung 6.1: Overlays können nur einen kleinen Teil aller Risiken abdecken Quelle: Feri Institutional Advisors GmbH (2010).

Liquide Derivate

Liquide ETFs (short)

Verkauf liquider Instrumente (z.B. Publikumsfonds)

Eingriff in einzelne Mandate

Abnehmende Umsetzungspräferenz

Abbildung 6.2: Implementierungsmöglichkeiten von Overlay-Strategien Quelle: Eigene Darstellung.

Risiko-Overlay für traditionelle Anlageklassen

6.1

157

Risiko-Overlay für traditionelle Anlageklassen

Der Schwerpunkt liegt beim Risiko-Overlay im engeren Sinn auf der Absicherung von systematischen Marktrisiken, nicht von unsystematischen – z.B. Manager-spezifischen – Risiken. Viele der als sogenannte Risiko-Overlays angebotenen Lösungen sind nicht rein risikoorientiert, sondern enthalten auch Elemente einer Taktischen Asset Allocation. Investoren waren mit ihren Overlay-Managern, von denen sehr unterschiedliche Resultate generiert wurden, besonders im Krisenjahr 2008 oft unzufrieden.1 Zahlreiche der angebotenen Lösungen sind statisch oder enthalten signifikante diskretionäre Elemente. Im Folgenden liegt der Fokus auf Risiko-Overlays, die dynamisch und regelbasiert (systematisch) sind und keine Taktischen Asset Allocation-Elemente enthalten (zum Vergleich von Overlay-Konzepten siehe Abbildung 6.3). Damit können idiosynkratische Risiken (z.B. Fonds- bzw. Managerspezifische Risiken) nicht abgesichert werden. Für die Einschätzung und das Management dieser Risiken sind andere Instrumente und Prozesse erforderlich, zum Beispiel klassische Due Diligence-Ansätze.

Diskretionär

Regelbasiert

Definition der nächsten Schritte (reaktiv, event driven)

Prozedere auf Basis von vorab definierten Regeln

Diskretionärer Prozess

Verkauf von “risikoreichen” Wertpapieren

Statische Prozesse

Dynamische Prozesse

Protective Put

CPPI ¹

Stop Loss

DPPI ²

Wertpapier-Produkte

VaR-Control

VaR-Control (nicht of f iziell garantiert): z.B. max. 3% Verlust mit 95% Wahrscheinlichkeit, d.h., dass in 5% der Fälle die Verluste >3% sein können (max. Verluste sind nicht def iniert) ¹ Constant Proportion Portfolio Insurance ² Dynamic Proportion Portfolio Insurance

Abbildung 6.3: Direkte Portfolio-Eingriffe und Overlay-Konzepte im Überblick Quelle: Feri Institutional Advisors GmbH (2010).

1

Vgl. Radin (2009), S. 11.

158

Overlay-Strategien

Traditionelle Portfolio-Risiko-Management-Ansätze postulieren den Verkauf von risikobehafteten Assets bei Eintritt von bestimmten Risikosignalen. Üblicherweise werden die Verkaufsentscheidungen von sogenannten Anlageausschüssen getroffen. Im Rahmen eines Risiko-Overlay-Managements ist kein sofortiger Verkauf von Investments nötig, um die Risiken im Portfolio zu reduzieren (zum Grobvergleich der Ansätze siehe Abbildung 6.4).

Risiko-Management

durch Anlageausschuss

durch Overlay-Manager

Veränderung der investierten Vermögenswerte

Veränderung der Risikopositionen durch Einsatz liquider Finanzinstrumente

• Direkter Eingriff in die Mandate • Verkauf von Direktanlagen • Realisierung von schwebenden Erfolgen/ Verlusten

• Kein direkter Eingriff in Mandate • Automatisierte Anpassung des Exposures • Keine Realisierung von schwebenden Erfolgen/Verlusten

Abbildung 6.4: Overlay-Steuerung Quelle: Feri Institutional Advisors GmbH (2010). Damit können auch Assets in ein Portfolio aufgenommen werden, die sonst aus Liquiditätsgründen nicht in Frage kämen.2 Daher sind – was in Diskussionen von Risiko-ManagementAnsätzen oft vernachlässigt wird – Risiko-Overlays sehr wichtig, um Fungibilitäts-Risiken bzw. Wiederanlage-Risiken zu reduzieren. Auch hier wiederum gilt, dass von temporären Wertverlusten bzw. Risiken und nicht von dauerhaften signifikanten Wertverlusten ausgegangen wird. Bei dauerhaft erwarteten Wertverlusten von Investments sind Risiko-Overlays nicht zielführend, sondern die entsprechenden Anlagen sollten verkauft werden. Um die Funktionsweise eines systematischen und dynamischen Risiko-Overlays zu zeigen, wird zunächst anhand eines realen Investorenbeispiels auf Ergebnisse aus dem Krisenjahr 2008 eingegangen. Ziel des Investors war eine Vermeidung von hohen Verlusten (Drawdowns), allerdings ohne 100%ige Sicherheit oder eine formale Kapitalgarantie. Anders ausgedrückt: Ziel des Risiko-Overlays war es, das Portfolio im Rahmen einer vorgegebenen SAA taktisch so zu steuern, dass eine definierte Wertuntergrenze – möglichst unter Erhalt der strategischen Renditeerwartung – nicht unterschritten wird.

2

Vgl. Healy/Lo (2009).

Risiko-Overlay für traditionelle Anlageklassen

159

Es handelt sich also um ein Value-at-Risk orientiertes Ziel, welches in der Regel mit einem Konfidenzniveau von 95 Prozent gerechnet wird. Ergänzt wird dieser Ansatz durch gängige technische Marktindikatoren, einen modifizierten Moving Average Convergence Divergence (MACD) und einen volatilitätsgewichteten gleitenden Durchschnitt.3 Je nach Höhe des gemessenen Risikos wird dabei mit wenigen vorher klar definierten Absicherungsstufen gearbeitet. Die Kapitalgarantiemodelle, die in Deutschland in den letzten Jahren angeboten wurden, haben eine Reihe von Nachteilen: Zu diesen gehören vor allem relativ hohe, direkte Kosten, die in Zeiten niedriger Zinsen aber auch von Markt-Liquiditätsengpässen besonders ins Gewicht fallen. Die meist auf dem Prinzip der Constant-Proportion-Portfolio-Insurance (CPPI) basierten Modelle sind sehr pfadabhängig, was sich bei wenig trendausgeprägten Märkten oder schnellen Trendwechseln, z.B. in volatilen Seitwärtsmärkten, negativ für den Investor auswirken kann. Hinzu kommt, dass man bei den meisten Garantieprodukten ein zusätzliches Gegenpartei- bzw. Bonitätsrisiko (Adressausfallrisiko) hat. Dieses wurde lange Zeit nur wenig berücksichtigt, rückte vor dem Hintergrund der Finanzkrise 2008/2009 aber schnell und dramatisch in den Vordergrund (insbesondere aufgrund der Ereignisse um Lehman Brothers sowie AIG). Solche Emittentenrisiken können mit Credit Default Swaps nicht komplett eliminiert werden. Eine Reduktion ist nur durch gute Sicherheitsleistungs-Modelle (Collateral Management) möglich, die aber zusätzliche Kosten verursachen.4 Ziel des hier angeführten Investors war es, ein Modell zu implementieren, welches dynamisch, indirekt (Overlay statt Verkauf unerwünschter Investments), regelgebunden (nicht diskretionär), nicht bzw. wenig pfadabhängig und vor allem kostengünstig sein sollte. Insbesondere sollte das sogenannte Tail-Risk reduziert werden bzw. hohe Verluste auch bei extremem Markt-Stress vermieden werden. Andererseits sollte das Modell auch sicherstellen, dass der Investor an Marktaufschwüngen partizipieren kann. Daher wurden sogenannte antizyklische Elemente in das Modell aufgenommen. Die Erfahrung zeigt, dass man grundsätzlich zwei Phasen von Marktregimes unterscheiden kann: Normale Phasen und Stress-Phasen mit teilweise autoregressiver hoher Volatilität und sogenannten Fat Tails, also Verteilungen mit dicken Verteilungsrändern bzw. sogenannte leptokurtische Verteilungen. Solche Phasen können sich dadurch auszeichnen, dass sie häufiger auftreten, die Anlegerverluste höher ausfallen und die Korrelationen stärker zunehmen, als allgemein erwartet. Es ist aber schwierig zu bestimmen, in welcher Phase man sich gerade befindet und wann sich die Phase ändert. Ein Indikator, der verwendet werden kann, um Regimeänderungen festzustellen, ist die Renditeverteilung. Am Beispiel des DAX kann zum Beispiel für den März 2003 gezeigt werden, das diese Verteilung vor einem Turnaround eine deutliche Linksschiefe hat, die sich nach einem Turnaround in eine Rechtsschiefe verwandelt (siehe Abbildung 6.5). Diese Erkenntnis wird genutzt, um antizyklische Elemente in das Risikomodell einzubauen: Wenn in einer Abwärtsbewegung eines Marktes die Renditeverteilung „rechtsschiefer“ wird, können antizyklische Aktivitäten einsetzen.

3 4

Vgl. Sun/Hartmann (2009), S. 23. Vgl. Bossert (2009).

160

Overlay-Strategien

Insgesamt basiert dieses Overlay-Konzept im Gegensatz zu vielen anderen – vor allem denjenigen, die eine TAA verwenden, aber ebenfalls an Verbindlichkeiten orientierten (LiabilityDriven) Investments (LDI-Ansätzen) – in Bezug auf die erwartete Marktentwicklung auf Trendfolgemodellen. Dabei werden verhaltenswissenschaftlich (Behavioural Finance) basierte Annahmen getroffen, wie das Vorhandensein von längerfristigen und saisonalen Zyklen, das Überreagieren von Preisen durch Herdenmentalität sowie die mittelfristige Rückkehr zum Mittelwert (Mean-Reversion), und damit letztendlich irrationales Verhalten. Die Modelle basieren auch nicht auf einer Normalverteilung der Renditen. Stattdessen werden realistische Verteilungen mit dicken Verteilungsrändern unterstellt.

10

8

8

6

6

4

4

2

2

0

0

Häuf igkeit

Häuf igkeit

Renditeverteilung 10

Klasse 40 Tage vor Turnaround

40 Tage nach Turnaround

Abbildung 6.5:

Regimewechsel der Renditeverteilung am Beispiel des DAX-Turnaround Mitte März 2003 Quelle: Feri Institutional Advisors GmbH (2010). Zu den Kosten von Trendfolge-Ansätzen bei Overlays gehört, dass erst einmal MarktVerluste auftreten müssen, bevor das Overlay eingreift. Außerdem wird an Aufschwüngen nicht immer sofort und in vollem Umfang partizipiert. Hinzu kommen die Implementierungskosten für das Overlay. Das hier vorgestellte Modell erfüllt die hier skizzierten Investoren-Anforderungen. Es weist folgende Besonderheiten auf, um die gewünschten Resultate erzielen zu können: Risikosignale aus dem aktuellen Portfolio des Investors und dem jeweiligen Anlagemarkt werden kombiniert (so wie in Abbildung 6.6 dargestellt), und eine Absicherung mit kostengünstigen, sehr liquiden Futures wird zeitnah implementiert. Dies bedeutet, dass das Risiko-Overlay erst greift, wenn sich das Risikobudget des Investors signifikant reduziert und die relevante Anlageklasse signifikante Verluste erwarten lässt.

Risiko-Overlay für traditionelle Anlageklassen

161

Stufe 1 - Vermögensrisiko: Es f indet ein ständiger Abgleich zwischen Risikobudget und aktuellem Risiko (Value at Risk) statt. Dabei wird verglichen, ob das aktuelle Budget (Abstand Vermögen zur Wertuntergrenze) größer oder kleiner als das Risiko (VaR) ist.

Risikobudget > Risiko (Value at Risk) => Keine Maßnahmen

Vermögen

Risikobudget = Vermögenswert Wertuntergrenze

Risikobudget < Risiko (Value at Risk) 1

=> Risikosignal

2

Vermögensrisiko = Value at Risk

Floor

1 2

Stufe 2 - Marktrisiko: Es f indet eine ständige Marktzustandsbestimmung f ür die jeweilig abzusichernden Asset Klassen statt. Dabei signalisieren technische Indikatoren/Marktindikatoren eine riskante Situation.

Gesamt-Marktindikator zeigt keine riskante Situation an 3

Gesamt-Marktindikator zeigt riskante Situation an => Absicherung

Gesamt-Marktindikator

riskante Marktsituation unriskante Marktsituation 4 3

4

* Aus Vereinfachungsgründen und zur besseren Darstellbarkeit wurde der 1-Asset -Klassen-Fall dargestellt. Bei mehreren abzusichernden Asset-Klassen erhält jede Asset-Klasse ihr eigenes Budget, welches mit dem eigenen Risiko (VaR) verglichen wird. Im Falle eines Erreichens der Wertuntergrenze werden unabhängig vom 2-Stufen Prozess alle absicherbaren Vermögensrisiken abgesichert (möglichst zu vermeidender Zustand).

Abbildung 6.6: Risiko-Overlay mit Markt-/Portfolio-2-Stufen-Ansatz Quelle: Feri Institutional Advisors GmbH (2010).

Budgettrennungs-Ansatz Budget Aktien

Budgetverlust Aktien

Aktien abgesichert Budget Aktien

Budget Renten

Budgetgewinn Renten

Budgetverlust Aktien

Gesamtbudget

Budgetgewinn Renten

Budget Renten

Budgetgewinn Renten

Budgetaufbau und Transfer durch Renten

Budget Renten

Budget Renten

Traditioneller Ansatz

Aktien nicht oder zum Teil abgesichert

Budgetverlust Aktien

Gesamtbudget

Budgetgewinn Renten

Gesamtbudget

Abbildung 6.7: Handlungsfähigkeit durch Budgettrennung Quelle: Feri Institutional Advisors GmbH (2010).

Vollständiger Budgetverbrauch ist möglichst zu vermeiden

162

Overlay-Strategien

So wird gleichzeitig ein dynamisches Floor-Konzept implementiert. Die Indikatoren adaptieren sich in Abhängigkeit von Marktvolatilität und -nervosität selbst und reagieren dementsprechend langsam oder schnell. Insgesamt sichert das System relativ selten ab, und somit entstehen nur geringe Implementierungskosten. Dabei wird mit getrennten Risiko-Budgets pro Asset-Klasse (sogenannte Budgettrennung, siehe Abbildung 6.7) sowie mit AntizyklikStufen gearbeitet, um einen kompletten Verbrauch des verfügbaren Risikobudgets und eine zu starke Prozyklik zu vermeiden. Wenn ein bestimmter Mehrwert durch die Absicherung generiert wurde, reduziert das System die Absicherung in Stufen, um dem Portfolio eine Partizipation an Aufwärtsbewegungen zu erleichtern. Grundsätzlich leitet sich das insgesamt benötigte Risikobudget aus den Zielen ab, die auch der Strategischen Asset Allocation zugrunde liegen. Dabei kann eine einmalige oder fortlaufende Risikobudgetierung implementiert werden, die sich normalerweise unabhängig von Bilanzstichtagen entwickelt. Das System ergab in 2008/2009 für ein gemischtes Portfolio mit einem 4%-igen Risikobudget die in der Abbildung 6.8 gezeigten Resultate sowie die in Abbildung 6.9 dargestellte Asset Allocation.

120 118 116 114 112 110 108 106 104 102 100 98 96 94 92 90 88 86 84 82 80

20% 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% -2% -4% -6% -8% -10% -12% -14% -16% -18% -20%

Vermögensentwicklung bis 30.09.09 (Indexiert: 31.12.07=100) Mehrwert in %

Generierter Overlay-Mehrwert durch verringerte Vermögensverluste (rechte Skala)

Durch Overlay gesichertes Vermögen (linke Skala) Ungesichertes Vermögen (linke Skala)

Dez 07

Feb 08

Apr 08

Jun 08

Aug 08

Okt 08

Dez 08

Feb 09

Apr 09

Abbildung 6.8: Mehrwert durch Risiko-Overlay-Management Quelle: Feri Institutional Advisors GmbH (2009).

Jun 09

Aug 09

Okt 09

Risiko-Overlay für traditionelle Anlageklassen

163

Beginn des Overlays 100%

75%

50%

25%

0% 31.01.2007 31.1.07

31.5.07

30.9.07

31.1.08

31.5.08

Renten-/ Wandelanleihen

30.9.08

Stoxx 50

31.1.09

Sonstige

31.5.09

30.9.09

Kasse

Abbildung 6.9: Asset Allocation des Beispiel-Portfolios im Zeitverlauf Quelle: Feri Institutional Advisors GmbH (2009). Interessant ist besonders der Zusammenhang von Risiko-Overlay und SAA. So weicht das in Abbildung 6.9 dargestellte Portfolio zeitweise sehr signifikant von der SAA des Investors ab. Investoren sind daher manchmal nicht bereit, einem einzigen Overlay-Manager das komplette Portfolio zur Steuerung anzuvertrauen. Mit ähnlichen Argumenten wird oft die Vergabe von sogenannten Fiduciary-Mandaten motiviert, während TAA-Mandate sich in der Regel nur in vorgegeben Bandbreiten der SAA bewegen dürfen. Auch aus Kostengründen werden teilweise nur Single-Asset-Overlay-Mandate, z.B. zur Absicherung von Aktienrisiken oder Währungsrisiken, vergeben. Auch in diesen Fällen sind viele Details zu beachten. Bei Anleihen sind das zum Beispiel das Kreditrisiko, das nicht nur abhängig von der Zinskomponente, sondern auch von Laufzeiten, Bonitäten, Granularitäten sowie der Volatilität ist. Dieses wird üblicherweise über Limite gesteuert, aber auch (Kredit-) Risiko-Overlays sind möglich.5 Selbst solche auf den ersten Blick scheinbar relativ einfachen Overlays enthalten ein doppeltes sogenanntes Basisrisiko und zwar zwischen konkretem Kredit-Portfolio und Kreditmärkten einerseits sowie Kreditmärkten und Absicherungs-(CDS-) Märkten andererseits. Manche Investoren behalten sich vor, dass Overlay-Signale nicht „automatisch“ durch entsprechende Aktionen für das Portfolio umgesetzt werden dürfen, sondern einer separaten Genehmigung bedürfen. Die möglichen Auswirkungen von Vorgaben, nach denen nur bis zu einem bestimmten Grad (meist gemessen mit dem maximalen Tracking Error) von der SAA abgewichen werden darf (hier: 4 Prozent), zeigen Abbildung 6.10 und Abbildung 6.11.

5

Vgl. Sun/Hartmann (2009), S. 22-23.

164

Overlay-Strategien

200

Unbeschränktes Hedging:

180

Max. Verlust: 11,4 %

160 140 120 100 80

Portf olio

Portf oliomit with overlay Portfolio Overlay

Floor

12,00% 10,00%

4% Tracking Error Ziel

8,00%

Tracking Error wird überschritten

6,00% 4,00% 2,00% 0,00%

Rolling 12 Month Tracking Error Tracking Error (12 Monate rollierend)

Abbildung 6.10: Risiko Overlay ohne Tracking Error Vorgaben Quelle: Feri Institutional Advisors GmbH (2009).

Multi-Asset-Risiko-Overlay-Concept (MAROC)

165

160

Hedging mit Tracking Error Restriktion: Max. Verlust: 28,0%

145 130 115 100 85 70

Portf olio

Portf olio with overlay Portfolio mit Overlay

Floor

4,00%

Tracking Error wird immer eingehalten

3,50% 3,00% 2,50%

4% Tracking Error Ziel

2,00% 1,50% 1,00% 0,50% 0,00%

Tracking12 Error (12 Monate rollierend) Rolling Month Tracking Error

Abbildung 6.11: Overlay mit Tracking Error Vorgaben Quelle: Feri Institutional Advisors GmbH (2009). Die Simulation für ein Investoren-Portfolio resultiert ohne Beachtung von Tracking-ErrorVorgaben in einer wesentlich höheren Rendite bei gleichzeitig einem wesentlich geringeren Maximalverlust als mit Einhaltung der Tracking-Error-Vorgabe.

6.2

Multi-Asset-Risiko-Overlay-Concept (MAROC)

Ursprünglich war vorgesehen, das Overlay auf die Segmente Anleihen, Aktien und Rohstoffe zu beschränken. Von den wesentlichen Anlageklassen institutioneller Investoren fehlt die Anlageklasse Immobilien. Diese hat in der Vergangenheit zumindest in den Portfolios deutscher institutioneller Investoren nur geringe Kursverluste ausgewiesen, so dass kein expliziter Absicherungsbedarf vorhanden war. Mit zunehmender Diversifikation – international und nach Segmenten, sowie zunehmender Auswahl von Strukturen wie börsennotierten Immobiliengesellschaften (Listed Real Estate bzw. REITs), und in Anbetracht der weltweiten Immobilienkrise in 2008/2009 – besteht auf Seiten vieler institutioneller Anleger inzwischen auch für diese Anlageklasse eine starke Nachfrage nach einem dynamischen Risiko-Management.

166

Overlay-Strategien

Für Hedgefonds und Private Equity bestand in der Vergangenheit ebenfalls wenig Absicherungsbedarf, da diese Anlageklassen einen nur sehr geringen Anteil am Portfolio institutioneller Investoren ausmachten. Bei breit gestreuten Private Equity-Portfolios waren zudem Abschreibungen in der Vergangenheit selten. Auch bei Hedgefonds waren die maximalen Verluste so gering, dass Absicherungen nicht nachgefragt wurden. Jedoch hat sich auch für diese beiden Anlagesegmente mit dem Jahr 2008 ein Bedarf an Absicherungskonzepten mittels Overlays gebildet. Seit Ende 2008 wird daher an Verfahren zur Absicherung alternativer Anlagesegmente besonders in Markt-Stressphasen (sogenannter Stress-Hedge) gearbeitet und die Resultate sind sehr erfolgversprechend. So sind die für Aktien, Anleihen und Rohstoffe entwickelten Absicherungs-Ansätze, mit geringfügigen Modifikationen, auch auf andere Anlageklassen übertragbar. Die Resultate sollen im Folgenden anhand des Hedgefonds-Segmentes dargestellt werden. Hedgefonds gelten als komplex, weil sie in allen Anlageklassen aktiv sein können und dabei alle möglichen Freiheitsgrade haben, also kreditfinanzierte (Leverage-) und Leerverkaufs(Short-Selling-)Techniken verwenden können. Resultat ist, dass die Faktorabhängigkeiten von Hedgefonds sehr breit (siehe Abbildung 6.12) und zudem im Zeitablauf variabel sind (siehe Abbildung 6.13). Hier wird die Absicherung systematischer Risiken eines HedgefondsPortfolios (d.h. der partielle Hedge der Marktrisiken eines Hedgefonds) als „Hedge Hedge“ bezeichnet. Mit dieser Bezeichnung wird deutlich, dass Hedgefonds nicht immer alle Abhängigkeiten absichern – sonst bräuchte man keinen Hedge für sie. Allerdings ist eine komplette permanente Absicherung auch nicht sinnvoll, denn um Rendite erzielen zu können, müssen Risiken eingegangen werden. Ein Overlay für Hedgefonds (Hedge Hedge) sollte nur dann einsetzen, wenn signifikante Verluste im Hedgefonds-Portfolio zu erwarten sind. Wichtig für Investoren ist zudem, dass sie an den oft gerade nach Hedgefonds-Krisen festzustellenden starken Erholungen partizipieren können, was CPPI-Modellen oft nicht gelingt.

Multi-Asset-Risiko-Overlay-Concept (MAROC)

167

Factor exposure Type A Model MSCI World Lehman Aggregate Bond Index Goldman Sachs Commodity US $ DRI Index

CSFB/Tremont CSFB/Tremont CSFB/Tremont CSFB/Tremont CSFB/Tremont CSFB/Tremont CSFB/Tremont CSFB/Tremont CSFB/Tremont

0.258 0.167 0.052

Type B Model Convertible Arbitrage Index Distressed Index Equity Market Neutral Index Event Driven Index Fixed Income Arbitrage Index Global Macro Index Long/Short Equity Index Managed Futures Index Risk Arbitrage Index

Wichtigste traditionelle Betas

-0.229 0.129 0.149 0.302 -0.002 0.044 0.091 0.027 0.256

Unrestricted Model 10 year Bund yield* 10 year Japan yield* 10 year Treasury yield* 10-Year Treasury Benchmark 3 months T-Bill yield* Amex Oil Index DAX 30 DJ Stoxx 600 eur_tr Fama/French SMB Federal Reserve Trade weighted value of US Dol FTSE All Shares FTSE Small Caps High Yield factor Investment grade spread* Lehman High Yield Credit Bond Index MSCI Europe Small Caps MSCI World MSCI World Metals & Mining USD Realized S&P 500 volatility change S&P 500 S&P/TSX OIL & GAS INDEX

“Stil/Strategie” Abhängigkeit

-0.821 0.598 0.179 0.098 -0.012 0.034 0.013 0.010 0.005 0.017 0.075 -0.012 0.037 0.023 0.100 0.023 0.012 0.020 0.018 -0.057 0.074 0.002

Andere Betas

Abbildung 6.12: Beispiel der Faktorabhängigkeit eines Dach-Hedgefonds Quelle: Feri Institutional Advisors GmbH (2009).

250,00

200,00

150,00

100,00

50,00

0,00

-50,00

-100,00

S&P E&P Index

Amex Natural Gas Index

WTI Crude Oil

MSCI World Metals & Mining USD

PHLX Oil Service Sector

Okt 09

Apr 09

Jun 09

Aug 09

Okt 08

Unrestricted Model

Feb 09

Dez 08

Apr 08

Jun 08

Aug 08

Okt 07

Feb 08

Dez 07

Apr 07

Jun 07

Aug 07

Feb 07

Okt 06

Dez 06

Apr 06

Jun 06

Aug 06

Okt 05

Feb 06

Dez 05

Aug 05

Apr 05

Jun 05

Okt 04

Feb 05

Dez 04

Apr 04

Jun 04

Aug 04

Feb 04

Okt 03

Dez 03

Apr 03

Jun 03

Aug 03

Okt 02

Feb 03

Dez 02

Aug 02

Apr 02

Jun 02

Okt 01

Feb 02

Dez 01

-150,00

Abbildung 6.13: Faktorabhängigkeiten von Hedgefonds variieren signifikant im Zeitverlauf Quelle: Feri Institutional Advisors GmbH (2009).

168

Overlay-Strategien

Dabei sind vor allem die folgenden Fragen zu beantworten: Wann wird gehedged? Wie lange wird gehedged? Wie viel Hedging ist sinnvoll/nötig? Mit welchen Instrumenten soll gehedged werden? Zunächst muss festgelegt werden, was für eine Art von Basis-Portfolio abgesichert werden soll. Im Idealfall handelt es sich dabei um ein reales Multi-Strategie-Hedgefonds-Portfolio, vielleicht sogar auf Managed Account-Basis mit täglichem Nettoinventarwert und täglicher Risikotransparenz. Da solche transparenten Portfolios die Ausnahme darstellen, werden für die Simulation aus Gründen der Repräsentativität folgende Portfolios analysiert: Den ersten drei Beispielen (Abbildung 6.14, Abbildung 6.15, Abbildung 6.16, Abbildung 6.17) liegt ein breites Hedgefonds-Portfolio bestehend aus dem ARIX Composite zugrunde.6 ARIX (Absolut Return Investable Index) ist ein sogenannter investierbarer Hegefonds-Index mit ca. 60 Fonds unterschiedlichster Strategien, der von Feri seit Ende 2001 berechnet wird und für den seit Mai 2004 wöchentliche Daten zur Verfügung stehen.7 Im vierten Beispiel wird ein konzentriertes Hedgefonds-Portfolio mit Fokus auf Aktienstrategien (Abbildung 6.18) als abzusicherndes Basis-Portfolio verwendet. Einen Überblick über die fünf hier betrachteten HedgeSimulationen gibt die Tabelle 6.1. Die wöchentliche bzw. teilweise sogar geringere Frequenz der verfügbaren Risikodaten der abzusichernden Hedgefonds-Portfolios (hier: ARIX Indizes) weicht von der täglichen Datenverfügbarkeit traditioneller Portfolios ab. Für die tägliche Weiterrechnung der Wertentwicklung der Hedgefonds-Indizes wird der US-Aktienmarkt verwendet. Hauptgrund ist, dass Hedgefonds insgesamt typischerweise – und vor allem Aktien-basierte Hedgefonds-Strategien – relativ hohe Korrelationen bzw. Beta-Abhängigkeiten zu Aktienmärkten – vor allem dem US Markt – aufweisen. Die Aktienmarktabhängigkeit ist besonders ausgeprägt in Marktkrisen, vor denen Overlays die Portfolios ja schützen sollen. Neben den Portfolio-Signalen werden zur Implementierung des Risiko-Overlay-Konzeptes auch Marktindikatoren benötigt. In der hier vorliegenden Simulation wurde ebenfalls der USAktienmarkt als „Signalgeber“ gewählt. Das hat den Vorteil, dass Markt (Aktien) und Portfolio (Hedgefonds-Daten, die mit Hilfe des Aktienmarktes auf tägliche Daten umskaliert wurden) mit unterschiedlichen Signalgebern arbeiten. Außerdem stehen für den US-Aktienmarkt besonders effiziente und liquide Absicherungsinstrumente zur Verfügung.

6 7

Weitere Informationen unter: http://fia.feri.de/de/arix-indizes.aspx. Für einen Überblick zu investierbaren Hedgefonds-Indizes vgl. Kaiser (2009), S. 225-229.

Multi-Asset-Risiko-Overlay-Concept (MAROC)

169

Tabelle 6.1: Hedge Hedge Simulationsbeispiele Fall

Abzusicherndes Basis-Portfolio

PortfolioIndikator/ Häufigkeit

Marktindikator/ Häufigkeit

Hedging Instrument

Basis des Hedging Levels

„Idealer“ Fall

KundenHedgefondsportfolio

Tägliche Portfoliodaten

Hedgefonds Markt/täglich

Diverse Derivate

Diverse tägliche FaktorExposures

Beispiel 1

ARIX1)

Wöchentliche ARIX Schätzungen

Aktien/täglich

Aktien USA Futures

ARIX monatliches AktienExposure

Beispiel 2 a/b

ARIX

Wöchentliche ARIX Schätzungen

Aktien/täglich

Aktien USA Futures

Stabiles AktienmarktBeta 0,1/0,5

Beispiel 3

ARIX

Aktienmarkt/ täglich3)

Aktien/täglich

Aktien USA Futures

ARIX monatliches Aktien Exposure

Beispiel 4

ARIX Equity Hedge

Wöchentliche ARIX Equity Hedge Schätzungen2)

Aktien/täglich

Aktien USA Futures

ARIX Equity Hedge monatliches AktienExposure

1) „ARIX“ bezieht sich auf den ARIX Composite USD gross Index, sofern nicht anderweitig ausgewiesen 2) Mit Hilfe von Aktienmarktdaten auf tägliche Zeitreihe umgerechnet 3) Um tägliche Signale zu erhalten (anstelle von wöchentlichen Signalen aus dem Hedgefonds-Portfolio)

Quelle: Feri Institutional Advisors GmbH (2009). Bevor über die Verwendung der Aktienmärkte als Signalgeber und der Einsatz von Aktienindex-Futures als Hedging-Instrumente entschieden wurde,8 erfolgte auch eine Analyse der sogenannten Hedgefonds-Replikatoren.9 Diese versuchen, Hedgefonds-Renditen mit liquiden Finanzinstrumenten nachzubilden und haben entsprechend den Vorteil, tägliche Daten zur Verfügung zu stellen. Allerdings gibt es bisher keine kostengünstigen und liquiden Derivate, die den Leerverkauf dieser Replikator-Indizes ermöglichen. Problematischer ist jedoch, dass die am Markt angebotenen Hedgefonds-Replikatoren mit echtem Track-Record die Wertentwicklung der Hegefondsmärkte nicht besonders gut nachbilden. In guten HedgefondsMarktphasen wiesen Hedgefonds-Replikatoren in der Vergangenheit eine unterdurchschnittliche Performance (tendenziell durch relativ wenig Aktien-Beta) auf, während in schlechten

8 9

Idealanforderungen an Risikofaktoren und demgemäß an Hedging-Tools sind Messbarkeit, Relevanz und Handelbarkeit. Vgl. Healy/Lo (2009), S. 3. Vgl. Kaiser/Müller (2009), S. 379.

170

Overlay-Strategien

Hedgefonds-Märkten eine Outperformance gezeigt wurde (tendenziell durch relativ hohes Anleihen-Beta). Die schon seit längerem bestehenden Replikatoren zeigen in unterschiedlichen Marktphasen auch signifikant von Hedgefonds unterschiedliche Volatilitäten und BetaAbhängigkeiten. Die Ergebnisse der verschiedenen Replikatoren sind außerdem ziemlich heterogen und Amenc et al. zeigen, dass die Renditen von Hedgefonds-Replikatoren denjenigen von Hedgefonds systematisch unterlegen sind.10 Da sich Investoren vor allem in Stress-Szenarien vor Tail-Risiken schützen wollen, erscheint der Ansatz, zunächst mit sehr liquiden Aktienindex-Futures zu arbeiten, angemessen. Das gilt auch, da angenommen werden kann, dass in künftigen Markt-Stressphasen Aktien wieder besonders stark verlieren werden und sich daher liquide Aktienderivate gut zur Absicherung auch anderer Anlagesegmente eignen. Neben der Frage, wann eine Absicherungsposition aufgebaut wird und welche Instrumente zum Hedging eingesetzt werden, ist die Frage nach der Höhe der jeweiligen Absicherungsquote (Hedge Ratio) relevant. Im Idealfall sind die Faktorabhängigkeiten täglich zu bestimmen und abzusichern. In den meisten Fällen stehen den Investoren jedoch nur monatliche Daten zu ihren Hedgefonds-Investments zur Verfügung. Im ersten Schritt wurden die Faktorabhängigkeiten basierend auf den letzten zwölf Monatsrenditen des ARIX Composite berechnet. Daher sollte klar sein, dass ein solches Hedging nur einen Teil der Risiken reduzieren kann, selbst wenn man mehrere Beta-Abhängigkeiten absichern würde. Aufgrund von Illiquidität, Autokorrelation und Reporting-Verzögerungen sind Betas nur schwer messbar.11 Resultat dieses Overlay-Konzeptes sind in allen Fällen relativ seltene Eingriffe durch das Overlay – nämlich wie gewünscht nur in Markt-Stressphasen – und trotzdem ein guter Risikoschutz. Dabei zeigt sich ein deutlicher Unterschied in Abhängigkeit von dem verwendeten Risikomaß. Während die Portfolio-Volatilität mit Risiko-Overlay höher ist als ohne, gehen die für die meisten Investoren wesentlich wichtigeren maximalen Verluste jedoch durch Implementierung eines Overlays erheblich zurück. Abbildung 6.14 zeigt exemplarisch ein Risiko-Overlay für ein breit diversifiziertes Hedgefonds-Portfolio anhand des ARIX Composite. Die Absicherung erfolgt mit einem sehr liquiden Aktienmarkt-Future. Marktindikator ist der Aktienmarkt und das Absicherungslevel entspricht der variierenden ARIX-Aktienmarkt-Faktorabhängigkeit, die seit Auflage des Index im Dezember 2001 bis einschließlich Dezember 2009 im Durchschnitt bei ca. 0,4 lag. Resultat sind relativ seltene Overlay-Eingriffe – nämlich wie gewünscht nur in den MarktStressphasen, die zu höheren Renditen sowie zu geringeren maximalen Verlusten führen.

10 11

Vgl. Amenc et al. (2010), S.12. Vgl. Healy/Lo (2009), S. 1.

Multi-Asset-Risiko-Overlay-Concept (MAROC)

171

Verbesserung

140

Rolling 1 month returns Rollierende Monatsrenditen

130 35

120 30

110 25

100

20

90

ohne Overlay PF without overlay

13.09.08

13.05.08

13.01.08

13.09.07

13.05.07

13.01.07

13.09.06

13.05.06

13.01.06

13.09.05

13.05.05

15 10 5

mit with Overlay PF overlay 0 -10%

100%

-5%

0%

ohne Overlay PF without overlay

5%

10%

mit with Overlay PF overlay

75% 50% 25%

Portfolio ohne Overlay

Portfolio mit Overlay

Geldmarkt Money Market

ARIX Composite gross

18.09.08

18.05.08

18.01.08

18.09.07

18.05.07

18.01.07

18.09.06

18.05.06

18.01.06

18.09.05

18.05.05

0% Rendite p.a. Vola p.a. Max. 12-Monats-Verlust

3,09% 4,72%

5,01% 5,65%

-14,76%

-10,28%

Hedgefonds = ARIX Composite gross Periode: 13.05.05 – 02.12.08

Abbildung 6.14: Hedge Hedge mit rollierenden monatlichen ARIX-Faktorabhängigkeiten (Beispiel 1) Quelle: Feri Institutional Advisors GmbH (2009). Abbildung 6.15 zeigt ein anderes Overlay für den ARIX. Im Gegensatz zum vorherigen Beispiel wird anstatt von einem variablen von einem konstanten sehr niedrigen AktienmarktBeta von 0,1 ausgegangen, welches abgesichert wird. Damit verbessert sich das RenditeRisikoprofil des Portfolios (ARIX) während des hier möglichen Untersuchungszeitraums kaum.

172

Overlay-Strategien

Wenig Verbesserung 140

Rolling 1 month returns Rollierende Monatsrenditen 35

130

30

120 25

110

20

ohne Overlay PF without overlay

13.09.08

13.05.08

13.01.08

13.09.07

13.05.07

13.01.07

13.09.06

13.05.06

13.01.06

10

13.09.05

15

90

13.05.05

100

mit PF Overlay with overlay

5 0 -10%

-5%

0%

ohne Overlay PF without overlay

100%

5%

10%

mit Overlay PF with overlay

75% 50% Portfolio ohne Overlay

25%

Geldmarkt Money Market

ARIX Composite gross

13.09.08

13.05.08

13.01.08

13.09.07

13.05.07

13.01.07

13.09.06

13.05.06

13.01.06

13.09.05

13.05.05

0%

Rendite p.a. Vola p.a. Max. 12-Monats-Verlust

3,09% 4,72% -14,76%

Portfolio mit Overlay 3,92% 4,67% -12,78%

Hedgefonds = ARIX Composite gross Periode: 13.05.05 – 02.12.08

Abbildung 6.15: Hedge Hedge mit einem angenommenen, konstanten Aktienmarkt-Beta von 0,1 (Beispiel 2a) Quelle: Feri Institutional Advisors GmbH (2009). Abbildung 6.16 zeigt eine relative hohe konstante Aktien-Beta-Absicherung von 0,5. Damit steigt die Rendite des abgesicherten Portfolios signifikant, aber auch die Volatilität steigt stark. Das kann zum Beispiel daraus resultieren, dass in einigen Phasen mehr negative Aktienmarktabhängigkeit abgesichert wird als tatsächlich im Portfolio vorhanden ist, was zu zusätzlichen Risiken im Portfolio führen kann. Abbildung 6.17 zeigt die Absicherung des ARIX nur auf Basis von Aktienmarktsignalen. Es wird also abgesichert, wenn der Aktienmarkt sich negativ entwickelt. Das Resultat ist eine erwartungsgemäß frühere Absicherung des Hedgefonds-Portfolios. Allerdings erhöht sich auch hier die Volatilität des abgesicherten Hedgefonds-Portfolios im Vergleich zu dem nicht abgesicherten ARIX.

Multi-Asset-Risiko-Overlay-Concept (MAROC)

173

Starke Verbesserung 140

Rollierende Monatsrenditen Rolling 1 month returns 35

130

30

120

25

110 20

100 15

ohne Overlayoverlay PF without

13.09.08

13.05.08

13.01.08

13.09.07

13.05.07

13.01.07

13.09.06

13.05.06

13.01.06

13.09.05

13.05.05

90

10 5 0 -10%

mit PF Overlay with overlay

-5%

0%

5%

ohne Overlay PF without overlay

100%

10%

15%

mit Overlay PF with overlay

75% 50% Portfolio ohne Overlay

25%

Geldmarkt Money Market

18.09.08

18.05.08

18.01.08

18.09.07

18.05.07

18.01.07

18.09.06

18.05.06

18.01.06

18.09.05

18.05.05

0%

Rendite p.a. p.a. Return Vola p.a.

3,09% 4,72%

Max. 12-Monats-Verlust -14,76%

ARIX Composite gross

Portfolio mit Overlay

7,45% 6,97% -5,91%

Hedgefonds = ARIX Composite gross Periode: 13.05.05 – 02.12.08

Abbildung 6.16: Hedge Hedge mit einem angenommenen, konstanten Aktienmarkt-Beta von 0,5 (Beispiel 2b) Quelle: Feri Institutional Advisors GmbH (2009).

Frühe Absicherung 140

Rolling 1 Monatsrenditen month returns Rollierende

ohne Overlay PF without overlay

13.09.08

13.05.08

13.01.08

13.09.07

13.05.07

15

13.01.07

20

90

13.09.06

25

100

13.05.06

30

110

13.01.06

120

13.09.05

35

13.05.05

130

10 5

mit PF Overlay with overlay

0 -10%

100%

-5%

0%

ohne Overlay PF without overlay

5%

10%

mit Overlay PF with overlay

75% 50% 25%

Portfolio ohne Overlay

Geldmarkt Money Market

18.09.08

18.05.08

18.01.08

18.09.07

18.05.07

18.01.07

18.09.06

18.05.06

18.01.06

18.09.05

18.05.05

0%

Rendite Return p.a. p.a. Vola p.a.

3,09% 4,72%

Max. 12-Monats-Verlust -14,76%

Portfolio mit Overlay

5,59% 5,77% -8,31%

ARIX Composite gross Hedgefonds = ARIX Composite gross Periode: 13.05.05 – 02.12.08

Abbildung 6.17: Hedge Hedge anhand der Markt- und Risiko-Signale des Aktienmarktes (Beispiel 3) Quelle: Feri Institutional Advisors GmbH (2009).

174

Overlay-Strategien

Abbildung 6.18 zeigt das Vorgehen aus Beispiel 1, nur nicht für ein Strategie-diversifiziertes, sondern beispielhaft für ein Stil-spezifisches Hedgefonds-Portfolio (anhand des ARIX Equity Hedge Index). Da die Aktienmarktabhängigkeit eines Hedgefonds-Index, der sich nur aus aktienbasierten Investment-Strategien zusammensetzt, höher sein sollte, als die eines MultiStrategie-Hedgefonds-Portfolios, funktioniert die Absicherung hier entsprechend besser.

Frühe und starke Verbesserung 180 Rollierende Rolling 1Monatsrenditen month returns

165 25

150 135

20

120 15

105 90

10

mit PFOverlay with overlay

ohne Overlay overlay PF without

100%

5

75%

0 -15%

50%

-10%

-5%

0%

ohne Overlayoverlay PF without

5%

10%

15%

mit PFOverlay with overlay

25%

Money Market Geldmarkt

ARIX Equity Hedge gross

15.10.08

18.07.08

20.04.08

22.01.08

25.10.07

28.07.07

30.04.07

31.01.07

03.11.06

06.08.06

09.05.06

09.02.06

12.11.05

15.08.05

18.05.05

0%

Portfolio ohne Overlay Rendite p.a. Vola p.a. Max. 12-Monats-Verlust

8,98% 8,24% -20,08%

Portfolio mit Overlay 15,06% 9,66% -4,84%

Hedgefonds = ARIX Equity Hedge gross Periode: 13.05.05 – 07.01.09

Abbildung 6.18: Hedge Hedge unter Verwendung eines rollierenden monatlichen ARIX Equity Hedge Factor Exposures (Beispiel 4) Quelle: Feri Institutional Advisors GmbH (2009). In der zusammenfassenden Übersicht in Abbildung 6.19 zu den Absicherungsbeispielen wird deutlich, dass die unterschiedlichen Overlay-Ansätze sehr unterschiedliche Resultate bringen. Positiv hervorzuheben ist, dass in allen Fällen der maximale Verlust stark begrenzt und das Hauptziel also erreicht wird. In praktisch allen Fällen liegt auch in dem extremen StressUmfeld 2008 der maximale Verlust bei etwa 5 Prozent. Dadurch verbessert sich auch die Rendite der abgesicherten Hedgefonds-Portfolios in allen Beispielfällen. Andererseits steigt in fast allen Fällen die Volatilität an.12 Beispiel 4 führt zu der größten Sharpe Ratio-Verbesserung, während – zumindest in dieser untersuchten Markt-Phase – das Beispiel 1 (variables Aktienmarkt-Beta) zu einer geringeren Verbesserung als Beispiel 2b (Annahme eines fixen Aktienmarkt-Betas von 0,5) führt. Für

12

Bei einem Risiko-Overlay ist das Risikobudget in der Regel nicht direkt von der Volatilität, sondern vom Drawdown abhängig. Es ist daher wichtiger, den Drawdown zu reduzieren als die Volatilität.

Multi-Asset-Risiko-Overlay-Concept (MAROC)

175

andere Hedgefonds-Stile könnten z.B. auch Volatilitäten, Rohstoff-Faktoren oder das Zinsrisiko abgesichert werden.13 Insgesamt zeigen die Beispiele, dass schon mit relativ einfachen Overlay-Ansätzen die Risiken komplexer Hedgefonds-Portfolios in Stress-Szenarien, wie im zweiten Halbjahr 2008, signifikant reduziert werden können.14

Ertrag p.a.

Vola p.a.

Max. Drawdown

Korrelation mit S&P 500**

Sharpe Ratio***

Beispiel* Non-Hedged

Hedged

Non-Hedged

Hedged

Non-Hedged

Hedged

Non-Hedged

Hedged

Non-Hedged

1

3,1%

5,0%

4,7%

5,7%

-17,3%

-11,8%

19,4%

-34,2%

-0,1

Hedged

0,2

2a

3,1%

3,9%

4,7%

4,7%

-17,3%

-15,1%

19,4%

-1,7%

-0,1

0,1

2b

3,1%

7,5%

4,7%

7,0%

-17,3%

-7,7%

19,4%

-51,9%

-0,1

0,5

3

3,1%

5,6%

4,7%

5,8%

-17,3%

-11,6%

19,4%

-38,8%

-0,1

0,3

4

9,0%

15,1%

8,2%

9,7%

-21,3%

-10,3%

12,1%

-37,7%

0,6

1,2

schlechter besser * Beispiel 1-4: Zeitraum 13.05.05 - 02.12.08; ** basierend auf wöchentlichen Daten *** Risikofreier Zinssatz = durchschnittlicher risikofreier Zinssatz für den betrachteten Zeitraum

Abbildung 6.19: Diversifikation und Overlays können das Risiko signifikant reduzieren Quelle: Feri Institutional Advisors GmbH (2010). Problematisch – besonders bei illiquiden Anlagen – ist, dass Preisfeststellungen, z.B. bei Private Equity oder Immobilien, nur sehr selten bzw. stark zeitverzögert erfolgen. Während zum Beispiel bei Private Equity von einer hohen Korrelation vor allem zu Small-Cap-Aktien ausgegangen werden kann und für Small-Cap-Aktien tägliche Kursdaten und relativ effiziente Hedging-Instrumente zur Verfügung stehen, gilt das für Märkte wie Immobilien zum Beispiel nicht. Einige dieser Märkte, zum Beispiel auch Rohstoffmärkte, sind zudem sehr heterogen. Je höher der potenzielle Tracking-Error solcher Wert-Indikatoren zu den abzusichernden Märkten bzw. Portfolios ist und je weniger effiziente Hedging-Instrumente zur Verfügung stehen, desto höher das Risiko von falschen Absicherungen bzw. Übersicherungen. Diese können zu einer Erhöhung statt einer Reduktion des Portfolio-Risikos führen. Die Risiken bzw. auch Opportunitätskosten einer solchen Absicherung ergeben sich vor allem aus Situationen, in denen eine Übersicherung erfolgt: Dies ist z.B. der Fall, wenn zu viel Aktienmarktabhängigkeit im Hedgefonds-Portfolio angenommen und dann unter Inkaufnahme von direkten Kosten abgesichert wird, der Aktienmarkt aber kurz vor einer starken Erholung steht.15 Das Risiko steigt zusätzlich, wenn auch der Hedgefonds-Markt kurz vor einer starken Erho-

13 14 15

Vgl. Healy/Lo (2009), S. 5. Vgl. Hartmann/Kaiser (2010). Healy/Lo (2009) weisen zusätzlich auf einen Rückgang der Autokorrelation von abgesicherten Portfolios zu nicht-abgesicherten hin. Vgl. Healy/Lo (2009), S. 5.

176

Overlay-Strategien

lung steht. Allerdings wird der Eintritt eines solchen Szenarios durch die antizyklischen Elemente im hier verwendeten Absicherungskonzept erheblich reduziert. In Abbildung 6.20 wird ein Überblick über abzudeckende Marktsegmente (z.B. Hedgefonds), die wesentlichen abzusichernden Risiken (z.B. Aktienmarktrisiko), und die empfohlenen (durch graue Schattierung markierten) Absicherungs-Basismärkte (z.B. Standard&Poors Aktienindex S&P 500) gegeben. Die Absicherungen selbst können z.B. durch Futures oder Short-ETFs erfolgen.

Kreditrisiko

Durationsrisiko

Bund

Bobl

Schatz

USTreas.

CDSFutures

Aktienmarktrisiko

DJ ES 50

SMI

FTSE

S&P

Rohstoffmarktrisiko

Währungsrisiko

Nikkei

USD

GBP

JPY

DJ UBS

Bonds EUR Unternehmensanleihen EUR Aktien USA Aktien Europa Aktien Japan Globale High Yields Rohstof fe Private Equity Hedgef onds

Abbildung 6.20: Überblick über Overlay-Marktsegmente und zur Absicherung geeignete Derivate Quelle: Feri Institutional Advisors GmbH (2010). Illiquide Anlagen werden zunehmend wichtig, weil zahlreiche neue oder attraktive Investment-Themen wie Infrastruktur-, Forst- und Agrar-Investments sowie Distressed Debt nicht komplett liquide und transparent umgesetzt werden können. Wenn es gelingt, RisikoOverlays für diese Segmente zu entwickeln, werden sie als Investment-Themen noch attraktiver, als sie es ohne solche Möglichkeiten zur Risikosteuerung bereits sind – denn vor allem institutionelle Investoren können sie dann wesentlich stärker in ihre Portfolios aufnehmen als ohne diese Möglichkeit. Derzeit steht der Allokation vor allem die mangelnde Verkaufbarkeit solcher Anlagen in Krisenzeiten entgegen. Wenn aber nur temporär Marktabhängigkeiten reduziert werden sollen, können diese grundsätzlich auch mit liquiden Overlays aus dem Portfolio genommen werden, konzeptionell z.B. mit einer Short-Position eines Small-CapIndex-Futures oder direkt durch den Verkauf von liquiden Small-Cap-Aktienanlagen anstelle von Private Equity. Das Hauptrisiko illiquider Investments, dass fundamental schlechte Investments getätigt werden, wird aber weder durch Verkauf (denn dafür gibt es vermutlich kaum Käufer zu attraktiven Preisen) noch durch Overlay reduziert.

Absolute-Return-Overlays

177

Abbildung 6.21 stellt die Unterschiede des Multi-Asset Risiko Overlay (MAROC)-Ansatzes gegenüber herkömmlichen Risiko-Overlay-Ansätzen zusammenfassend dar.

MAROC Ansatz

Andere Overlay-Ansätze

• Regelgebunden

• Diskretionär

• Dynamisch

• Statisch

• Wertuntergrenze kann im Zeitverlauf

• Stabile Wertuntergrenze

angepasst werden

• CPPI

• VaR basiert

• Prozyklische Tendenz

• Antizyklische Elemente

• Direkter Eingriff in Portfolios

• Indirekte Steuerung (Overlay)

• Niedrigere Kontrollfrequenzen

• Tägliche Kontrolle

• Eingeschränkte Assetklassen

• Multi-Asset inkl. Alternatives

• Hohe Aktivität/hohe Tradingkosten

• Niedrige Aktivität/niedrige Kosten

• Taktische Asset Allokation gemischt mit

• Fokus auf Risikosteuerung • Separates Risikobudget für jede Assetklasse

Risiko-Overlay • Gemeinsames Risikobudget für alle Assetklassen

VaR = Value-at-Risk, CPPI = Constant Proportion Portfolio Insurance.

Abbildung 6.21: MAROC-Ansatz im Vergleich zu anderen Risiko-Overlay-Ansätzen Quelle: Feri Institutional Advisors GmbH (2010).

6.3

Absolute-Return-Overlays

6.3.1

Ertragskomponenten

Im Rahmen des Capital Asset Pricing Model (CAPM) ist Alpha die unsystematische und nicht mit der generellen Marktrichtung und dem Marktrisiko korrelierte Renditekomponente, wohingegen Beta die systematische und marktabhängige Renditekomponente ist. In praktischen Investment-Situationen ist die Frage nach dem generellen Markt sehr wichtig. Denn neben Aktien- oder Rentenmärkten existieren auch alternative Betas im Sinne systematischer Renditequellen, wie zum Beispiel Illiquiditätsprämien. Eine definitorische Abgrenzung von Alpha und Beta kann Abbildung 6.22 entnommen werden.

178

Overlay-Strategien

rP – r M

= DP + EP * rM) – rM

= DP + (EP – 1) * rM

Alpha-Komponente • „unsystematische Quelle“ • unabhängig von Marktentwicklung und -risiko

Beta-Komponente • „systematische Quelle“ • abhängig von Marktentwicklung und -risiko

P = Portfolio M = Markt

Abbildung 6.22: Definition von Alpha und Beta Quelle: Feri Institutional Advisors GmbH (2010). Um neben Beta auch Alpha innerhalb eines Portfolios zu berücksichtigen, gibt es generell drei Wege: „ Beta-Substitution: In diesem Ansatz wird ein Teil des bereits existierenden Portfolios durch ein Alpha-Investment ersetzt. Der Nachteil dieses Ansatzes ist die notwendige Veränderung der Asset Allocation des Portfolios, da das Alpha-Investment einen Teil der Beta-Investments ersetzt. Folglich wird Alpha nicht zusätzlich, sondern anstelle einer systematischen Risikoprämie verdient. Darüber hinaus wollen oder dürfen viele Investoren oder Portfolios in zahlreiche Alpha-Strategien nicht direkt investieren, weil solche Investments im Regelfall als Hedgefonds klassifiziert werden. „ Beta-Transfer: In diesem Fall werden Manager nach ihrer Fähigkeit, Alpha zu generieren ausgewählt, ohne die Natur oder das Ausmaß ihrer systematischen Risikobelastung zu berücksichtigen. Um das Risiko eines möglicherweise ungewollten Betas (z.B. RohstoffBetas) zu vermeiden, wird eine solches Abhängigkeit aus dem Portfolio herausgehedgt und gegen ein erwünschtes Beta oder alternativ gegen risikofreie Erträge ausgetauscht. Der wesentliche Nachteil des erstgenannten Ansatzes gilt hier noch verstärkt, da das Gesamt-Portfolio so insgesamt zu einer Art Dach-Hedgefonds werden würde. Zudem erfordert die Umsetzung dieses Ansatzes einen umfassenden und oft wechselnden kostenträchtigen Einsatz von Derivaten, um das ungewünschte Beta zu reduzieren und das gewünschte Beta zu erwerben (sogenannter Beta-Import). „ Absolute-Return-Overlay: Bei diesem Ansatz bleibt das vorhandene Portfolio mit all seinen Beta-Abhängigkeiten unverändert (bzw. kann durch ein kostengünstiges passives Direkt- oder Derivate-Portfolio dargestellt werden) und die Performance (eines Portfolios) reiner Alpha-Manager wird mit Hilfe eines einzigen und permanenten Total Return Swaps gegen die Zahlung des kurzfristigen Zinssatzes (plus Kosten) importiert. Dieser Ansatz ist auch regulatorisch oft am einfachsten zu implementieren, spätestens seit HedgefondsIndizes als Finanzindizes anerkannt werden.

Abbildung 6.23 stellt die drei beschriebenen wesentlichen Möglichkeiten zur Generierung von zusätzlichem Alpha exemplarisch gegenüber.

Absolute-Return-Overlays

Original Portfolio

179

BetaSubstitution

BetaTransfer

Absolute ReturnOverlay D -Swap 10%

Aktien 10%

Hedgefonds 10%

Aktienhedgefonds 10%

Renten 90%

Aktien 10%

Rentenhedgefonds 90%

Renten 80%

Aktien 10% Renten 90%

E Eliminierung

Abbildung 6.23: Überblick der drei grundlegenden Ansätze für zusätzliches Alpha Quelle: Feri Institutional Advisors GmbH (2010). Viele Investoren versuchen, Alpha durch die Nutzung aktiver Long-Only-Portfolio-Techniken (intern oder extern über Manager) zu generieren. Allerdings haben solche Investitionsansätze üblicherweise Restriktionen in Bezug auf Anlageklassen, geographische Allokation, die Nutzung von Derivaten (besonders auch Leerverkäufe) und mögliche Hebel (Leverage). Die meisten traditionellen Fonds-Manager konzentrieren sich nur auf ein oder wenige Anlagesegmente, z.B. europäische Hochzins-Anleihen (High Yield) oder europäische Small-CapAktien. Folglich ist ihre Fähigkeit, Alpha zu generieren, auf diese Märkte beschränkt. Im Gegensatz dazu operieren Hedgefonds normalerweise mit nur sehr wenigen (regulatorischen) Einschränkungen. Somit bieten sie grundsätzlich die beste Struktur für die Generierung von Alpha. Eine weitere wichtige Eigenschaft von Hedgefonds ist die Tatsache, dass sie generell Absolute-Return-Ziele verfolgen. Hedgefonds-Manager bekommen in der Regel nur dann eine signifikante Vergütung (durch die Performance-Gebühr), wenn sie positive absolute Renditen generieren; aber nicht, wenn sie Benchmarks schlagen, aber dennoch Geld verlieren. Des Weiteren investieren Hedgefonds-Manager typischerweise einen signifikanten Anteil ihres Privatvermögens in ihre eigenen Fonds, was ebenfalls grundsätzlich ein Anreiz zur Generierung positiver absoluter Renditen ist. Solche Absolute-Return-Fonds sind als Alphaquelle attraktiver als Benchmark orientierte Relative-Return-Fonds, die ebenfalls Alpha generieren können, weil die gesamte Rendite des Fonds über dem risikofreien Zins für ein Portable-Alpha-Konzept genutzt werden kann und nicht nur Zusatzrenditen zur Benchmark. Bei Relative-Return-Fonds bedarf es zuerst einer

180

Overlay-Strategien

kostenbehafteten Eliminierung des Fonds-Betas, bevor das verbleibende Alpha in das ZielPortfolio importiert werden kann. Generell macht ein Absolute-Return-Overlay-Konzept dann Sinn, wenn dauerhaft Renditen oberhalb des risikolosen Zinses realisiert werden. Diese Überrenditen können dann in grundsätzlich jedes Portfolio „transportiert“ werden. Portable Alpha-Konzepte auf Basis von Hedgefonds sind aber dann problematisch, wenn Hedgefonds, wie in 2008, signifikant negative Renditen generieren. Man könnte aber ein HedgefondsPortfolio mit Risiko-Overlay als Basis für Absolute-Return-Overlays verwenden. Allerdings ist zu beachten, dass die Renditen von Hedgefonds sich nicht nur aus Alpha, sondern auch aus traditionellem Beta sowie alternativem Beta zusammensetzen.16 Es gibt Hedgefonds, die den Investoren außer „überteuertem“ Beta kein Alpha liefern. Wenn die Hedgefonds-Renditen nach systematischen traditionellen Beta-Abhängigkeiten (Aktien, Renten und Cash), den durch Hedgefonds generierten Mehrwert (Alpha) und die Hedgefonds-Gebühren (Kosten) getrennt werden, ergibt sich insgesamt dennoch, dass Hedgefonds aller Strategien trotz hoher Kosten ein signifikantes Alpha generieren.17 Wenn zusätzlich alternative Betas (z.B. Credit Spreads, Volatilität und trendbedingte Faktoren) berücksichtigt werden, können allerdings bis zu 80 Prozent der monatlichen Renditeschwankungen von Hedgefonds-Indizes plausibel erklärt werden.18 Für die meisten Investoren ist eine direkte Investition in alternative Betas bisher nur schwer umsetzbar. Daher können diese alternativen Betas als Teil des Mehrwerts gesehen werden, den Hedgefonds im Vergleich zu traditionellen Long-Only-Managern generieren. Es gibt weit über 200 Faktoren von denen angenommen wird, dass sie Hedgefonds-Renditen signifikant beeinflussen können. Tabelle 6.2 stellt exemplarisch einige dieser ausgewählten alternativen Beta-Faktoren dar. Tabelle 6.2: Auszug aus einer Liste von potenziellen (alternativen) Beta Faktoren Asset-Klasse

Faktor

Commodities

Brent Crude Oil Index

Commodities

Goldman Sachs Commoditiy Index

Convertibles

Goldman Sachs Global Convertible Index (Gross Price)

Credit

High Yield factor

Currencies

USD/EUR

Emerging Markets

EE MSCIEMF Spread

Emerging Markets

JP Morgan EMBI

Equity

S&P 500 – Health Care Sector

Equity

SPX Nikkei Spread

16 17 18

Siehe dazu auch die Abbildung 2.28 in Abschnitt 2.6.2. Vgl. Ibbotson/Chen (2006). Vgl. Fung/Hsieh (2002) sowie für Dach-Hedgefonds Fung et al. (2008).

Absolute-Return-Overlays

181

Asset-Klasse

Faktor

Equity

TPX Mid Caps

Fixed income

10 year Bund yield

Fixed income

EURIBOR 3m

Fixed income

US 10/30 Year Treasury spread

Mortgage

Citigroup 30 year mortgage average coupon

Mortgage

MBA Refi Index

Mortgage

Mortgage spread

Nonlinear payoffs

USD Call

Nonlinear payoffs

USD Straddle

Nonlinear payoffs

GSCITR Straddle

Nonlinear payoffs

SPX Put

Nonlinear payoffs

UST 10YR Straddle

Volatility

Implied Vol (US 3Mx10Y Straddle)

Volatility

Barclays Intermediate Swaption Yield Volatility change

Volatility

Realized S&P 500 volatility change

Volatility

VIX change

Others

Lagged Returns

Quelle: Feri Institutional Advisors GmbH (2010). Bei der Kombination verschiedener kommerzieller Hedgefonds-Datenbanken ist es möglich, ein Universum von über 20.000 Hedgefonds zu generieren. Nach einer Bereinigung dieser Master-Datenbank um Doppelnennungen, verschiedene Währungsklassen, Dach-Hedgefonds und liquidierte Fonds reduziert sich die Anzahl der Single-Hedgefonds auf ca. 7.000. Die meisten dieser Fonds haben relativ klare, teilweise hohe und oft auch relativ stabile Marktabhängigkeiten. Wenn es keine anderen günstigeren Zugänge zu alternativen Betas gibt, kann der Einsatz von Hedgefonds trotz hoher Gebühren effizient sein. Auch ein aktiv verwaltetes Hedgefonds-Portfolio, das seine Beta-Abhängigkeiten im Zeitverlauf anpasst, kann sehr attraktiv sein (viele Global Macro-Fonds sind hauptsächliche Beta-Investoren). Eine aktuelle Untersuchung von Dach-Hedgefonds – das präferierte Hedgefonds-Anlagevehikel vieler institutioneller Investoren insbesondere für Erstallokationen in diesem Sektor19 – zeigt, dass Alpha generierende Dach-Hedgefonds in der Regel zusätzliches Kapital anziehen, daraufhin allerdings in den Folgeperioden weniger Alpha generieren.20

19 20

Vgl. Füss et al. (2009), S. 41 sowie Heidorn et al. (2009), S. 89. Vgl. Fung et al. (2008) sowie konzeptionell Berk/Green (2004).

182

Overlay-Strategien

Nach der Feststellung, dass Hedgefonds-Portfolios eine effiziente Alpha-Quelle sind, allerdings normalerweise nicht nur reines Alpha enthalten, bleibt die Frage nach der Handhabung des unerwünschten Betas solcher Portfolios. Einerseits kann es durch den Einsatz von Indexderivaten teilweise eliminiert werden.21 Andererseits kann ein Hedgefonds-Portfolio von Anfang an so konstruiert werden, dass zunächst bewusst nur Beta in Form anderweitig nicht so effizient erwerbbarer alternativer Betas erworben wird. Zusätzlich wird (traditionelles und alternatives) Beta in dem Maße toleriert, wie es als Basis für Alpha durch Markt-Timing oder Asset Allocation durch Hedgefonds sinnvoll ist. Generell erscheint der zweite Ansatz sinnvoller, denn zusätzlich zu den technischen Problemen der Beta-Eliminierung, z.B. aufgrund instabiler Beta-Abhängigkeiten im Zeitverlauf, zahlt der Investor doppelt: Zuerst für das grundsätzliche (Dach-)Hedgefonds-Investment als Ganzes und danach für die Entfernung des ungewollten Betas. Um potenzielles Alpha aus einer ausreichenden Anzahl von Quellen heranzuziehen, sollten verschiedene Hedgefonds-Strategien einbezogen werden. Desweiteren sollte das spezifische Risiko auf mehrere Manager verteilt werden. Dies führt zu einem Portfolio mit zahlreichen verschiedenen Hedgefonds als ideale Alphaquelle. Dach-Hedgefonds-Investments können sowohl als aktive Alphaquellen auf der Ebene des Dach-Hedgefonds-Managements als auch auf der Ebene der einzelnen Fonds angesehen werden. Im Gegensatz dazu sind Investitionen in Hedgefonds-Indizes „semi-passiv“, denn der Index ist zwar passiv, enthält aber aktiv gemanagte Fonds enthalten. Jedoch sind Dach-Hedgefonds-Investments häufig nicht für Investoren-Portfolios oder Investment-Produkte geeignet oder können zumindest nur schwer in diese integriert werden. Gründe hierfür können z.B. das Verbot der sogenannten Kaskadenstruktur sein. Derivate oder regulierte Fonds, welche die Performance von HedgefondsIndizes reflektieren, können häufig einfacher gekauft werden als Dach-Hedgefonds direkt. Außerdem bieten investierbare Hedgefonds-Indizes normalerweise ein hohes Maß an Diversifikation und Transparenz, speziell in Bezug auf die strategische Allokation und den Hedgefonds-Selektionsprozess, was von vielen internen Entscheidern, externen Gremien und Aufsichtsbehörden als vorteilhaft angesehen wird. Hinzu kommt, dass Single-Hedgefonds- und Dach-Hedgefonds-Investoren mit den International Financial Reporting-Standards (IFRS-Standards) in Konflikt kommen können, wenn sie einen signifikanten Anteil, der häufig bei 20 Prozent angesetzt wird, an der InvestmentStruktur erwerben wollen. Derivate fallen nicht zwingend unter diese Vorschrift, woraus sich ein weiterer Vorteil von Indexderivaten ergibt. Andererseits haben die meisten HedgefondsIndizes eines der beiden folgenden Probleme: sie sind entweder nicht investierbar – was die Ausgabe von Derivaten auf einen solchen Index verhindert – oder nur bedingt attraktiv im Bezug auf (risikoadjustierte) Renditen. Seit einigen Jahren herrscht – hauptsächlich in Europa – eine rege Debatte um HedgefondsIndizes. Diese Diskussion wurde angeregt durch den Bedarf von Beratern an verlässlichen Zeitreihen für die Wertentwicklung einzelner Hedgefonds-Strategien sowie durch die Suche nach validen und weithin akzeptierten Maßstäben für die allgemeine Hedgefonds-Markt21

Vgl. Fung/Hsieh (2004).

Absolute-Return-Overlays

183

Performance. Während viele nicht-investierbare Hedgefonds-Indizes eine Vielzahl von gut analysierten und veröffentlichten systematischen Fehlern aufweisen (wie beispielsweise Fondsauswahl, Backfilling), gibt es inzwischen investierbare Hedgefonds-Indizes, die den CESR (Committee of European Securities Regulators) Richtlinien für Finanzindizes entsprechen.22 Breit diversifizierte repräsentative und investierbare Hedgefonds-Indizes, die möglicherweise die CESR Kriterien erfüllen, werden Ende 2009 nur von der Deutschen Bank, Credit Suisse, Hedge Fund Research (HFR), Greenwich, Lyxor, der Royal Bank of Canada und Feri (ARIXIndex Produktlinie) angeboten. Die Indizes unterscheiden sich unter anderem in Bezug auf die Grundgesamtheit (z.B. nur bestimmte Managed Accounts oder grundsätzlich alle Hedgefonds) sowie die Anzahl und die Gewichtung der Strategien und Fonds.23

6.3.2

Implementierungsbeispiel

In diesem Beispiel wird der ARIX Composite EUR net als Basiswert für einen AbsoluteReturn-Swap gewählt, da er langfristig eine sehr hohe Korrelation zum in der Praxis häufig verwendeten HFRI Funds of Funds Composite aufweist, wobei letzterer allerdings nicht investierbar ist. Dieses Implementierungsbeispiel soll zeigen, dass eine einfache Swap-Struktur zusätzliche Renditen ermöglichen kann, ohne das Risiko des Gesamt-Portfolios wesentlich zu erhöhen. Als Basisallokation eines typischen Portfolios wird dabei ein Portfolio bestehend aus 90 Prozent Anleihen (gemessen anhand des Barclays Aggregate Bond Index) und 10 Prozent Aktien (gemessen anhand des MSCI World Index) verwendet. Abbildung 6.24 stellt einleitend die Rendite und die Volatilität dieses Mischportfolios im Zeitverlauf dar. Die Absolute-Return-Overlay Lösung wird modelliert, indem der ARIX Composite Index im Austausch gegen die kurzfristige risikofreie Zinsrate in das Portfolio „geswapt“ wird. Im vorliegenden Beispiel wird der Nominalwert des Swaps auf einem konservativen Niveau von nur 10 Prozent des Gesamt-Portfolio-Wertes festgelegt. Aufgrund des Overlay-Charakters eines Absolute-Return-Swaps kann die Allokation bzw. der Nominalwert entsprechend dem Risikoprofil des zugrundeliegenden Portfolios angepasst werden. Die ursprüngliche Asset Allocation zu Renten und Aktien bleibt bei 90 Prozent zu 10 Prozent. Wie aus Abbildung 6.25 ersichtlich ist, hat eine geringfügige Allokation von nur 10 Prozent zusätzlichem Absolute-Return-Investment (Beta-Substitution) über die Untersuchungsperiode eine geringfügig schlechtere Rendite als das Basis-Portfolio erzielt. Das Portfolio mit dem Absolute-Return-Swap hingegen erzielte eine leichte Outperformance gegenüber dem BasisPortfolio. Diese Unterschiede fallen insbesondere deswegen so gering aus, da der hier verwendete Barclays Aggregate Bond Index sowohl den MSCI World als auch den ARIX Composite signifikant outperformt hat und der Untersuchungszeitraum die Ergebnisse der Finanzkrise 2008 berücksichtigt. 22 23

Weitere Informationen zu den Verzerrungen von Hedgefonds-Indizes finden sich bei Heidorn et al. (2006a). Siehe Tabelle 2.7 in Abschnitt 2.6.2.

184

Overlay-Strategien

12% 10% 8% 6% 4% 2% 0% 2% 2002

2003

2004

2005

2006

Returns Rendite

2007

2008

2009

Average Durchschnitt (20022009)

Volatility Volatilität

Abbildung 6.24: Rendite und Volatilität eines Portfolios mit 90 Prozent Renten (Barclays Aggregate Bond Index) und 10 Prozent Aktien (MSCI World Index) Quelle: Feri Institutional Advisors GmbH (2010).

1,50% 1,08%

0,85%

1,00%

0,69% 0,54%

0,50%

0,48%

0,45%

0,55%

0,18%

0,40% 0,11% 0,12%

0,02%

0,00% 0,13%

0,22%

0,50%

0,23%

1,00% 0,99%

1,50% 2,00% 2,50% 2,58% 2,71%

3,00% 2002

2003

2004

2005

2006

2007

2008

2009

Durchschnitt Average (20022009)

80%Renten,10%Aktien,10%ARIX© 80%Bonds,10%Equities,10%ARIX©

90%Renten,10%Aktien,10%ARIX©Swap 90%Bonds,10%Equities,10%ARIX©Swap

Abbildung 6.25: Änderung der Rendite durch Hinzufügen von Alpha zu einem konventionellen Portfolio: Ansatz 1 (Beta-Substitution) vs. Ansatz 3 (Absolute-ReturnOverlay) Quelle: Feri Institutional Advisors GmbH (2010).

Absolute-Return-Overlays

185

0,50 0,39

0,40 0,30 0,18

0,18

0,20

0,15

0,10

0,20

0,21

0,20

0,15 0,14

0,02 0,04

0,04 0,02

0,01

0,00 0,10 0,20

0,16

0,30 0,31

0,32

0,40

0,41

0,50

80%Renten,10%Aktien,10%ARIX©

90%Renten,10%Aktien,10%ARIX©Swap

Abbildung 6.26: Vergleich der Sharpe Ratios verschiedener Portfolios (Annahme: EURIBOR als risikofreier Zins) Quelle: Feri Institutional Advisors GmbH (2010). Die Verbesserung der Sharpe Ratio des Gesamt-Portfolios ist ein weiterer Vorteil für den aus seinen korrelationsfreien Eigenschaften resultierenden glättenden Effekt des AbsoluteReturn-Overlays. Die Erhöhung der Sharpe Ratio des Gesamt-Portfolios durch die Hedgefonds-Allokation tritt allerdings nur zeitweise und auch nicht über die gesamte Untersuchungsperiode hinweg auf (siehe Abbildung 6.26). Kumuliert hat der Total Return Swap (Absolute-Return-Overlay) eine zusätzliche Rendite von ca. 2 Basispunkten p.a. über den Untersuchungszeitraum von Januar 2002 bis Dezember 2009 erwirtschaftet, während er die Volatilität des Portfolios im Untersuchungszeitrum leicht von 3,96 Prozent auf 4,17 Prozent erhöht hat (siehe Tabelle 6.3). Dagegen hat das direkte ARIX Investment (Beta-Substitution) die Volatilität des Portfolios auf 3,83 Prozent gesenkt. Absolute-Return-Overlays können nicht nur direkt für institutionelle Portfolios umgesetzt, sondern auch für (Publikums-)Fonds oder andere Arten von Produkten verwendet werden. Alle Portfolios bzw. Fonds sind grundsätzlich als Basis geeignet, von Geldmarktfonds mit niedrigem Risiko, die auf diese Weise angereichert werden können, bis hin zu DachHedgefonds, die zusätzliches Alpha generieren wollen. Im Extremfall könnte ein Geldmarktfonds einen Absolute-Return-Swap mit einem Nominalwert von 100 Prozent des Nettoinventarwertes des Fonds anwenden und sich so ökonomisch zu einem Dach-Hedgefonds entwickeln.

186

Tabelle 6.3:

Overlay-Strategien

ARIX Swap und direkte Allokation im Vergleich zu einem StandardPortfolio 80% Anleihen, 10% Aktien, 10% ARIX©

90% Anleihen, 10% Aktien, 10% ARIX© Swap

90% Anleihen, 10% Aktien

100% ARIX©

2002

5,92%

6,69%

6,91%

0,45%

2003

7,15%

7,46%

6,61%

9,49%

2004

5,07%

5,37%

5,19%

3,05%

2005

3,45%

3,42%

2,97%

7,21%

2006

6,34%

6,20%

5,65%

11,28%

2007

7,13%

7,14%

7,02%

7,96%

2008

-3,23%

-3,10%

-0,52%

-20,62%

2009

10,03%

10,71%

9,64%

11,41%

p.a.

5,17%

5,42%

5,40%

3,24%

2002

2,24%

2,54%

2,43%

2,38%

2003

4,56%

5,07%

4,93%

2,05%

2004

3,49%

3,87%

3,81%

1,84%

2005

2,61%

2,91%

2,79%

3,68%

2006

2,37%

2,61%

2,58%

3,73%

2007

2,04%

2,26%

2,20%

4,22%

2008

6,72%

7,27%

6,84%

10,21%

2009

4,23%

4,47%

4,37%

4,95%

p.a.

3,83%

4,17%

3,96%

5,53%

Sharpe Ratio (3%)

0,57

0,58

0,61

0,04

Maximum Drawdown

-8,47%

-8,97%

-7,34%

-22,37%

Korrelation MSCI World

0,57

0,54

0,48

0,60

Korrelation Barclays Aggregate. Bond

0,85

0,87

0,91

0,07

Rendite

Volatilität

Quelle: Feri Institutional Advisors GmbH (2010).

Ideal-Portfolio und Implementierungsrestriktionen

7.

187

Ideal-Portfolio und Implementierungsrestriktionen

In den vorherigen Kapiteln dieses Buches wurde gezeigt, dass Diversifikation weiterhin positiv zu beurteilen ist und Marktrisiken mit Risiko-Overlays reduziert werden können. Diese Ausführungen sind aber noch bei weitem nicht ausreichend, um ein ideales Portfolio zusammen zu stellen. Dabei sind bei der Frage nach dem idealen Portfolio immer auch die Anforderungen und spezifischen Bedürfnisse des jeweiligen Investors zu berücksichtigen. Hierbei spielen besonders die Verpflichtungen, der Anlagehorizont, die Risikotoleranz, aufsichts- und steuerrechtliche Beschränkungen sowie Renditeanforderungen eine entscheidende Rolle.1 Im Folgenden wird der Versuch unternommen, ein Ideal-Portfolio für einen hypothetischen Idealinvestor zu skizzieren (siehe Tabelle 7.1 zur Anlagesegmentallokation und Klassifikation sowie Abbildung 7.1 zur Auswertung des Ideal-Portfolios anhand der Klassifikationskriterien), welches keine expliziten Liability Matching-Bestandteile enthält, sondern insgesamt mit einem Risiko-Overlay arbeitet. Sinn der Übung ist eine anschauliche Hervorhebung der großen Unterschiede eines solchen Ideal-Portfolios zu einem traditionellen institutionellen Anleger-Portfolio. Der angenommene Investor dieses Ideal-Portfolios (Idealinvestor) ist langfristig orientiert, hat eine hohe Risikotoleranz und moderate Renditeziele und unterliegt keinen nennenswerten aufsichts- oder steuerrechtlichen Restriktionen.2 Bei der Entwicklung eines Ideal-Portfolios stellen sich folgende wesentliche Fragen:3 „ Welche Anlageklassen sollen in das Portfolio aufgenommen werden? „ Soll ein Risiko-Overlay für die jeweilige Anlageklasse zur Anwendung kommen? „ Sollen Investitionen in die jeweilige Anlageklasse Long-Only sowie ohne Leverage oder Long-Short unter der Einbeziehung von Fremdkapital erfolgen? „ Soll die Investition diskretionär oder systematisch bzw. regelgebunden erfolgen? „ Sollen Investitionen nur in liquide Instrumente erfolgen oder auch in illiquide? „ Soll direkt in Wertpapiere oder indirekt, z.B. über Fonds, strukturierte Produkte oder Dachfonds, investiert werden?

1 2

3

Vgl. Campbell/Viceira (2005). Anzumerken ist, dass nicht alle Elemente des hier dargestellten Ideal-Portfolios direkt aus den Überlegungen in diesem Buch abzuleiten sind, sondern sich auch aus den Praxiserfahrungen der Autoren ergeben. Das gilt zum Beispiel für die Schätzung der Anzahl der benötigten Manager/Fonds, um die jeweiligen Anlagesegmente abzudecken. Diese Frageliste versteht sich in Anlehnung an die in der Einleitung zu diesem Buch aufgeworfenen Fragen und berücksichtigt auch diejenigen, welche in diesem Buch bisher noch nicht thematisiert wurden.

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4_7, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

188

Ideal-Portfolio und Implementierungsrestriktionen

„ Wie viele Manager/Fonds/Produkte sind nötig, um alle wesentlichen Facetten/ Untersegmente der Asset-Klasse in allen wesentlichen Regionen abzudecken? „ Welche der Segmente sollen direkt intern verwaltet werden und welche extern?

Wir beschränken uns auf diejenigen Anlageklassen, für die grundsätzlich genug attraktive Investitionsmöglichkeiten weltweit vorhanden sind. Es werden im Folgenden separat berücksichtigt: börsennotierte Aktien, Private Equity, Wandelanleihen, Anleihen (inklusive Schwellenländer-Anleihen), Rohstoffe, Immobilien, Infrastruktur, Währungen, Sonstige (sogenannte Alternative Betas) und Kasse. Relativ kleine Segmente in Bezug auf weltweit investierte Anlagevolumina wie Forst- und landwirtschaftliche Flächen bzw. Betriebe, Sammleranlagen4 etc. werden daher in die jeweiligen anderen Segmente integriert bzw. vernachlässigt. Zur besseren Veranschaulichung wurde für dieses Ideal-Portfolio eine Gleichverteilung aller Anlageklassen unterstellt und keine Optimierung der liquiden Kern-SAA durchgeführt. Grundsätzlich können Private und Public Equity zusammengefasst werden oder Wandelanleihen und Schwellenländer-Anleihen den Aktien bzw. Anleihen anteilig zugerechnet werden.5 Diese Klassen wurden jedoch alle separat aufgenommen, weil sie in realen Investorenportfolios signifikant vertreten sind, und weil weltweit viele Investitionsmöglichkeiten in diese Anlageklassen existieren. Es bleibt zu diskutieren, ob die relativ „neue“ Anlageklasse Infrastruktur eine Gewichtung wie andere, etablierte Anlageklassen, erhalten sollte. Ob Währungen eine attraktive Anlageklasse sind, ist in Anbetracht der bisher wenigen dauerhaft erfolgreichen Währungs-Manager fraglich. Allerdings tragen Währungen zur Diversifikation bei und ihr Markt ist so groß und liquide, dass sie sich grundsätzlich als eigene Anlageklasse anbieten. Hedgefonds werden in dem aufgezeigten Ideal-Portfolio nicht als separate Anlageklasse aufgenommen, sondern den jeweiligen Anlageklassen zugeordnet, in denen sie aktiv sind – z.B. als Long-Short-Ansätze dem Aktienbereich. Global Macro- und Managed Futures-Hedgefonds, werden im Rahmen der TAA-Allokationen erfasst. Ebenso wenig wird ein explizites Alpha-Budget eingeplant, da keine Indikationen dafür gefunden wurden, dass auf Anlageklassenebene dauerhaft Alpha generiert werden kann. Allerdings wird eine explizite Allokation zu sonstigen bzw. alternativen Betas vorgenommen, die im Wesentlichen durch Hedgefonds-Manager abgedeckt werden. Des Weiteren kann hinterfragt werden, ob Kasse als separate Anlageklasse aufgenommen werden sollte. Hier wird Kasse in das Ideal-Portfolio aufgenommen, um mit diesem Segment taktische Allokationsentscheidungen im Sinne des in Kapitel 4 skizzierten ZebTAA-Ansatzes (oder auch mit Best-of-N-Konzepten) zu realisieren. Das kann – neben dem Direktkauf von attraktiven Anlagen mit Kassemitteln – durch Verwendung von Derivaten mit der Kasse als

4 5

Zu den Sammlerobjekten zählen neben Kunst auch Schmuck, Wein oder Oldtimer während Gold eher den physischen Edelmetallen bzw. Rohstoffen zugerechnet wird. Vgl. Peters (2008), S. 1.

Ideal-Portfolio und Implementierungsrestriktionen

189

Sicherheit bzw. Collateral erfolgen6. Dabei ist zu hinterfragen, ob bei hoher Sicherheit in Bezug auf künftige Attraktivität von Investitionen nicht mehr als lediglich die zehnprozentige Kasse in diese taktischen Opportunitäten investiert werden sollte.7 Hier wird angenommen, dass sich die maximale Allokation des Anlagesegmentes Kasse auf 10 Prozent des Portfolios beschränken sollte. Leverage von Marktfaktoren (Betas) sollte grundsätzlich nur dann erfolgen, wenn die Erfolgswahrscheinlichkeit, mit der Markteinschätzung richtig zu liegen, hinreichend hoch ist. Leverage kann innerhalb der vorgesehenen Anlageklassen erfolgen und wird daher nicht explizit ausgewiesen . Leerverkäufe bzw. Shorting der in der SAA allokierten Anlageklasse sollten tendenziell nicht auf der Einzel-Manager-Ebene (z.B. durch Global Macro-Fonds), sondern aus GesamtPortfolio-Sicht durch den Overlay-Manager erfolgen. Effiziente Märkte bieten dabei definitionsgemäß keine Shorting-Vorteile, d.h. dass in effizienten Anlageklassen tendenziell LongOnly investiert werden sollte. Besonders für sogenannte alternative Betas sollte Shorting dagegen durchaus durch ausgewählte externe Manager erfolgen können. Auch die Frage nach der Präferenz für systematische (regelbasierte) oder diskretionäre Ansätze ist nicht einfach zu beantworten. Tendenziell sollten systematische Ansätze in liquiden, effizienten Märkten eher attraktiv sein. Diskretionäre Ansätze hingegen sind eher interessant in ineffizienten, illiquiden Märkten, für die oft wenig aussagekräftige bzw. verlässliche Zeitreihen und auch keine Investmenttools für systematische Ansätze vorhanden sind. Es wird hier außerdem angenommen, dass kein separates TAA-Overlay verwendet wird, denn die TAA erfolgt anhand der Kasse. Da viele Segmente bereits mit Long-Short-Strategien abgedeckt werden, ist in diesem einfachen Ideal-Konzept weder eine direkte Allokation zu Alpha- bzw. Absolute-Return-Strategien noch ein Alpha- bzw. Absolute-Return-Overlay geplant. Ein Risiko-Overlay ist jedoch vorgesehen und sollte sich über möglichst viele Anlageklassen erstrecken. Dabei wird zwischen Risiko-Overlay-Ansätzen für liquide und passiv investierte Märkte (Dauer-Overlays) sowie partielle temporäre Overlays (vor allem für Stress-Szenarien8 als sogenannte Stress-Overlays) unterschieden. Grundsätzlich kann gefragt werden, ob langfristig-orientierte Investoren mit hoher Risikotragfähigkeit nicht gänzlich auf Risiko-Overlays verzichten sollten, da diese in der Regel mit zusätzlichen direkten und/oder Opportunitätskosten verbunden sind. Allerdings wird hier angenommen, dass auch solche Investoren zumindest Stress-Overlays nutzen, um hohe Verluste (wie 2008 aufgetreten) zu reduzieren und schneller wieder ihre angestrebten Zielrenditen zu erreichen.

6

7 8

Hier wird konzeptionell davon ausgegangen, dass andere Anlagesegmente, auch Staatsanleihen, nicht als Collateral zur Verfügung stehen, was in der Realität, zumindest in normalen Zeiten, eine zu restriktive Annahme ist. Siehe die Diskussion des ZebTAA-Ansatzes in Kapitel 4. Wie bspw. in Kapitel 6.2 für Hedgefonds mit dem Hedge Hedge-Konzept skizziert wurde.

190

Ideal-Portfolio und Implementierungsrestriktionen

In der Tabelle 7.1 sowie Abbildung 7.1 ist das „Ideal-Portfolio“ des hypothetischen Investors nach den aufgezählten Kriterien unter der Annahme einer naiven Allokation zu den Anlageklassen skizziert und nach den wesentlichen Kriterien ausgewertet. So ergibt sich eine LongShort-Quote von 50 Prozent versus einer Long-Only-Quote von 50 Prozent, ein Anteil passiv gemanagter Asset-Klassen von 20 Prozent und ein zu 80 Prozent aktiv verwaltetes Portfolio, 40 Prozent aller Assets sind liquide und 60 Prozent können illiquide sein, 80 Prozent werden indirekt gemanagt und nur 20 Prozent direkt. Für die meisten Investoren weicht die Struktur dieses Ideal-Portfolios vermutlich deutlich von der eigenen Portfolio-Struktur ab. Tabelle 7.1: Wie könnte ein Portfolio ohne Restriktionen aussehen?

Anlagesegment

Long-Only (LO) oder Long/Short (LS)

Passiv (P), semiaktiv (SA) oder aktiv (A)

Liquide (L), semiliquide (SL) oder illiquide (IL)

Dauer- (DO) bzw. StressOverlayfähig (SO)

Diskretionär (D) oder Systematisch (S)

Direkte (D) versus indirekte (I) Investition

Anteil am Portfolio

Ca. Anzahl der externen "Manager"

10

Aktien

LO

P

L

DO

S

I

10%

Private Equity

LO

SA

IL

SO

D

I

10%

25

Wandelanleihen

LS

A

SL

SO

S

I

10%

10

Anleihen

LO

P

L

DO

S

I

10%

10

Rohstoffe

LS

A

SL

SO

S

I

10%

10

Immobilien

LO

SA

IL

-

D

I

10%

25

Währungen

LS

A

L

-

S

D

10%

5

Infrastruktur

LO

SA

IL

-

D

I

10%

10 25

Sonstige (Alternative Betas)

LS

A

SL

SO

D

I

10%

Kasse für TAA

LS

A

L

-

S

D

10%

1

100%

131

Summe

Quelle: Eigene Darstellung. Diese Allokation soll vor allem aufzeigen, wie verschiedene im vorliegenden Buch erarbeitete Konzepte zusammenhängen. An dem Portfolio wird deutlich, dass die Umsetzung einer passiven Investmentstrategie in vielen Anlagesegmenten nicht möglich ist, da überhaupt keine oder nur wenige repräsentative passive Investmentmöglichkeiten bestehen (z.B. Infrastruktur, Private Equity). Weiterhin führt das hier entwickelte Ideal-Portfolio deutlich vor Augen, dass die Diversifikation institutioneller Investorenportfolios häufig noch signifikant ausgebaut werden könnte. Gleichzeitig sollten die Investoren offen und bereit dazu sein, oft wiederholte, inhaltlich aber nicht korrekte Aussagen wie „illiquide Anlagen sind risikoreich“ oder „HedgefondsInvestments sind heutzutage nicht mehr attraktiv“ zu hinterfragen.

Ideal-Portfolio und Implementierungsrestriktionen

191

10

Overlayfähig

Direkt Indirekt

Aktiv

T.w. Overlayfähig

Systematisch

Nicht Overlayfähig

20

Illiquide

30

Semi-Aktiv

40

Passiv

50

Semi-Liquide

60

Long-Only

70

Long-Short

80

Liquide

90

Diskretionär

100

0

Abbildung 7.1: Grobstruktur des Ideal-Portfolios eines hypothetischen Investors Quelle: Eigene Darstellung Zusätzlich zu den in Tabelle 7.1 und Abbildung 7.1 gezeigten Dimensionen ist durch den Investor noch die Make-or-Buy-Entscheidung zu treffen, d.h. für jedes Anlagesegment ist darüber zu entscheiden, ob dieses durch den Investor selbst gemanagt oder an externe Vermögensverwalter ausgelagert werden soll. Um die vielfältigen Anforderungen an Ideal-Portfolios bewältigen zu können, sind eine Reihe von Spezialisten mit umfassendem Know-how, vor allem für die folgenden Themen, nötig (siehe Abbildung 7.2): „ Strategische Asset Allocation, jedoch keine pro-Forma ALM-Modellierung mit zu vielen einschränkenden Annahmen; „ Implementierung von effizienten Risiko-Overlays für alle Anlageklassen; „ Mikro-Allokation (Investment-Strategie) und Manager-Selektion in allen Asset-Klassen, besonders auch qualitativer Art; „ Steuerlich und aufsichtsrechtlich effiziente Implementierung des komplexen Portfolios; „ Permanentes Monitoring bzw. Controlling der Investments, Rebalancierung und permanenter Austausch von Managern.

192

Ideal-Portfolio und Implementierungsrestriktionen

Aufsichtsinstanz •Bundesanstalt für Finanzdienstleistungsaufischt •Wirtschaftsprüfer

Anteilseigner (Stakeholder)

•Versicherte •Pensionäre •Sonstige Leistungsberechtigte

Asset Manager 1

Institutioneller Anleger Führungsgremium

Operative Einheit Kapitalanlage

Asset Manager 2

Funktion: Operative Umsetzung

Asset Manager 3

•Vorstand •Geschäf tsf ührung Funktion: Strategie/Planung •ALM/SAA •Rahmenplanung •Risikomanagement

•Direktanlage •Managerauswahl •Risikomanagement

. . .

Asset Management Consultant

Abbildung 7.2: Rahmenstruktur institutioneller Anleger Quelle: Dichtl et al. (2003b), S. 183. Faustregel ist: Je größer bzw. besser der Investor mit internen Ressourcen ausgestattet ist, desto mehr sollte auch von ihm intern verwaltet werden. Selbst sehr große Investoren fokussieren sich dabei aber meist nur auf Anleihen, regionale Aktien und Immobilien, während andere Anlagen eher extern verwaltet werden. Die wenigsten der klassischen Investment-Consultants verfügen über ausreichende Erfahrung in all den genannten Punkten. In den Niederlanden, die über sehr viele große und sehr erfahrene institutionelle Investoren verfügen, ist es daher mittlerweile üblich, viele dieser Aufgaben auf – überwiegend sehr große – Asset-Manager im Rahmen sogenannter FiduciaryManagement-Mandate zu übertragen. Solche Asset-Manager verfügen zwar über viele und zum Teil auch sehr gute Ressourcen, haben aber als Produktanbieter oft andere Interessen als die Investoren. Daher ist das Erfolgsmodell der Zukunft vermutlich vielmehr ein vom Produktanbieter unabhängiges Implemented Consulting mit Multi-Asset-Schwerpunkt. Diese Implemented Consultants müssen für ihre zusätzlichen Dienstleistungen durch die Übernahme sehr umfangreicher Aufgaben und Verantwortungen besser kompensiert werden als klassische Investment Consultants. Implemented Consultants werden in der Regel nach Anlagevolumen und Investitionserfolg vom Anleger selbst bezahlt. Sie wählen daher häufig die günstigsten passiven Produkte für ihre Kunden aus, während das für Investment Consultants, die nur wenige Manager-Selektions-Ressourcen haben und/oder auch von Asset-Managern bezahlt werden, und insbesondere Asset-Manager selbst, nicht unbedingt gilt. Bei genauer Rechnung zeigt sich daher aus Investorensicht oft, dass eine Kombination aus solchen Implemented Consultants, welche die besten Asset-Manager weltweit aussuchen, mit Einzelfonds-Investments wesentlich günstiger ist als zum Beispiel die Kombination aus klassischen

Ideal-Portfolio und Implementierungsrestriktionen

193

Investment-Consultants und Dachfonds (gerade im alternativen Bereich) oder einzelnen Fiduciary-Asset-Managern mit vielfältigen Einnahmequellen bzw. potenziellen Interessenskonflikten. Einer der häufigsten Einwände gegen eine starke Diversifikation ist, gerade bei semi- und illiquiden Asset-Klassen aber auch Long-Short-Strategien, dass diese (aufsichts-)rechtlich nicht zulässig seien. In den USA ist das allgemeine Prinzip der Prudent Person gewissermaßen Basis der Gesetzgebung. Die naive Diversifikation ist durchaus mit diesem Prinzip kompatibel und erinnert an die Empfehlung des gesunden Menschenverstandes, „nicht alles auf eine Karte zu setzen“. Bemerkenswert ist, dass der in den USA geltende Uniform Prudent Investor Act aus dem Jahre 1994 – der für öffentliche Stiftungen wie Yale gilt – Investoren sogar zur Diversifikation zwingt. In Europa, und vor allem in Deutschland, versucht der Gesetzgeber dagegen, Anleger von einer Investition in riskante Anlagen entweder gänzlich abzuhalten oder aber das Ausmaß stark einzuschränken.9 So hat die deutsche Finanzaufsicht im Jahr 2008 ihre Pläne zurückgezogen, Versicherungsunternehmen die Anlage von bis zu 10 Prozent ihres Vermögens in Hedgefonds zu genehmigen. Der Grenzwert liegt jetzt bei lediglich 5 Prozent. Bemerkenswert ist, dass Rohstoff-Investments in diese Quote hinein gerechnet werden, obwohl Hedgefonds und Rohstoffe, nicht nur vor dem Hintergrund der Liquidität, vollkommen unterschiedlich sind. Noch restriktiver wird das Vorgehen dadurch, dass Mindestkapitalanforderungen ein erhöhtes Risikokapital für die meisten zusätzlichen Anlageklassen verlangen und Investoren dadurch von einer Diversifikation abgehalten werden. Individuelle selbst-auferlegte Restriktionen von Investoren sind zudem oft noch einengender als die gesetzlichen bzw. aufsichtsrechtlichen Vorgaben. Konsequenz ist, dass auch deutsche Finanzdienstleister10 in der Regel wenig Erfahrung mit illiquiden alternativen Assets haben, was wiederum Investoren davon abhält, in diese Assets zu investieren.11 Aus Risiko-Management-Gesichtspunkten ist es jedoch außerordentlich wichtig, dass die wesentlichen Geschäftspartner eines Investors – wie InvestmentConsultants, Rechts- und Steuerberater, Depotbanken, Administratoren und Investment Manager – über umfassende Erfahrungen mit den jeweiligen Anlageklassen verfügen. Die in diesem Buch präsentierten empirischen Ergebnisse und Konzepte zeigen, dass der Ansatz des deutschen Gesetzgebers eine erhebliche Senkung der Rendite-Chancen und sogar eine Erhöhung der Verlustrisiken für Investoren mit sich bringt.12 Ist die Verringerung des Verlustrisikos das Ziel, oder auch die Erwirtschaftung einer langfristig angemessen Rendite, um die Verpflichtungen erfüllen zu können, so muss eine Steigerung und keine Reduktion der 9 10 11 12

Siehe z.B. Myners (2001); Amenc/Martellini/Sender (2009); Martellini/Milhau (2009); Sender (2009b). Gerade die relativ stark regulierten Dienstleister wie Kapitalanlagegesellschaften und Depotbanken haben wenig Erfahrung mit bisher wenig regulierten Investments wie Private Equity aber auch Hedgefonds. Oder solche Investments erfolgen über andere Jurisdiktionen bzw. mit strukturierten Produkten zu teilweise hohen Kosten. „Ferner hat sich im Zuge der Finanzmarktkrise gezeigt, dass sowohl die regulatorischen Regelungen wie auch die auch die Instrumente und Maßnahmen des Risikomanagements prozyklisch wirkten.“ Vgl. Krämer (2009), S. 11. Diese Kurzfrist-Orientierung ist kontraproduktiv für Pensionsfonds, da hierdurch systemische Risiken durch „erzwungene“ Asset-Verkäufe in Krisenzeiten entstehen. Vgl. Sender (2009a), S. 21.

194

Ideal-Portfolio und Implementierungsrestriktionen

Diversifikation angestrebt werden. Vor allem Lebensversicherungen und Vorsorgewerke, die per Definition die Verpflichtung zu einer langfristigen Orientierung ihrer Investitionen haben, sollten die bisher ungenutzten langfristigen Diversifikationspotenziale alternativer Anlageklassen besser ausschöpfen, um zusätzliche Renditen für ihre Zahlungsempfänger zu erzielen.13

13

Zu den volkswirtschaftlichen Kosten von Short-Term Funding Ratio Constraints vgl. Martellini/Milhau (2008), S. 32-33.

Zusammenfassung

8.

195

Zusammenfassung

Die wesentlichen Fragen, mit denen wir nach der Finanzkrise von Kundenseite konfrontiert wurden, waren: „Sollte man auf Diversifikation nach den Erfahrungen vom Herbst 2008 gänzlich verzichten, da insbesondere in Krisenzeiten die Korrelationen zwischen den meisten Anlageklassen stark ansteigen?“ und „Ist das sogenannte Yale-Asset Allocation-Modell gescheitert?“. Unsere Antwort auf beide Fragen ist ein klares Nein – es sei denn, der Investor verfügt über außerordentlich gute Prognosefähigkeiten und kann daher effizient nur in die Anlageklassen investieren, deren Wertentwicklung künftig am besten sein wird. Bei einem gleichzeitigen Anstieg der Korrelationen vieler Anlageklassen, gerade in einem StressSzenario wie dem Herbst 2008, sind die Möglichkeiten der Risikoreduktion durch Diversifikation über Anlageklassen beschränkt. Unserer Ansicht nach existiert allerdings keine attraktive Alternative zu einer breiten Diversifikation der Anlageklassen über längere Anlagezeiträume. Alternative Anlageklassen wie Private Equity, Infrastruktur und Hedgefonds spielen bei dieser Streuung eine wichtige Rolle. Die in diesem Buch präsentierten Ergebnisse und Konzepte lassen erwarten, dass Diversifikation innerhalb eines Portfolios zu – zumindest mittel- bis langfristig – überdurchschnittlicher risikobereinigter Performance führen sollte. Allerdings ist die Frage, wie genau diversifiziert werden soll, nicht einfach zu beantworten. Der Standard-Ansatz nach Markowitz scheitert besonders bei alternativen Investments bereits bei den Annahmen, wie z.B. der einer Normalverteilung der Renditen oder einer korrekten Prognose der Eingabeparameter (z.B. Erwartungswerte, Korrelationen, Varianzen). Der Ansatz ist aber auch deshalb sehr kritisch zu sehen, weil die Risiken für solche wenig liquiden Anlageklassen komplex sind und nicht einfach durch Korrelationen und Varianzen abgebildet werden können. Diese Risikomaße sind weder sinnvoll, noch können sie für diese Anlageklassen gut geschätzt werden. Des Weiteren zeichnet sich der Markowitz-Ansatz durch eine hohe Sensitivität in Bezug auf Änderungen der Parameter aus. Auch die Erweiterungen des klassischen Ansatzes wie die Portfolio-Optimierung mit dem Conditional Value-at-Risk können die Probleme bei der Allokation illiquider Asset-Klassen nicht lösen. Um die Bedeutung der Illiquidität zu betonen, wird das Magische Dreieck der Kapitalanlage „reaktiviert“ und das Drei-Fonds-Theorem eingeführt. Der Ansatz der Naiven Strategischen Asset Allocation (NaSAA) ist, zumindest für alternative Anlageklassen, besser geeignet als klassische Optimierungsverfahren, da er ohne die Prognose fragwürdiger Rendite- Risiko- und Korrelationsparameter auskommt und somit in dieser Hinsicht robuster ist. Der NaSAA-Ansatz führt zu einer breiten Streuung über verschiedene Anlagesegmente. Neben der Rebalancierung der Strategischen Asset Allocation wird auch auf die Taktische Allokation eingegangen. So basiert der Zero-based Tactical Asset Allocation-Ansatz (ZebTAA-Ansatz) auf der Grundidee, von einem reinen Cash-Portfolio auszugehen und gänzlich auf Risikostreuung zu verzichten, in dem nur in die jeweils künftig besten Anlagesegmente

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4_8, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

196

Zusammenfassung

investiert wird. Die Anwendung dieses Ansatzes wird allerdings beschränkt durch die hohe Konfidenz, die nötig ist, um mit diesem Ansatz erfolgreich zu sein. Aufgrund der Unzulänglichkeiten von quantitativen Manager-Analysen, besonders für neue Manager bzw. Fonds mit wenig Datenbasis, wie sie bei illiquiden Investments häufig der Fall sind, hat die qualitative Manager-Selektion eine hohe Bedeutung. In diesem Zusammenhang wird auch auf die Frage nach Möglichkeiten und Grenzen von passiven Investments eingegangen. Die Analyse ergibt, dass die Manager-Selektion sehr oft eine Anlagestrategie- und daher auch eine Asset-Allokationsentscheidung ist, sozusagen eine Fortführung der Asset Allocation mit anderen Mitteln. Die Ansätze NaSAA und ZebTAA, ebenso wie die Manager- bzw. Instrumentenauswahl, sind vornehmlich auf die Erzielung attraktiver risikoadjustierter Renditen ausgerichtet (sogenannte Rendite- oder Partizipationskomponente). Sie sind aber nicht notwendigerweise ausreichend, um spezifische Anlagerisiken abzusichern (sogenannte Immunisierungskomponente). Diese Risiken können mit individuell zugeschnittenen, prognosefreien, systematischen und Regime-spezifischen Risiko-Overlay-Konzepten auf die jeweilige Risikotoleranz des Investors reduziert werden. Solche Konzepte zur Risikosteuerung bzw. -reduktion können nicht nur für klassische Anlageklassen sondern zumindest teilweise auch für alternative Anlagen mit Multi-Asset-Risiko-Overlays (MAROCs) umgesetzt werden. Da solche Risiko-Overlays die systematischen Nachteile illiquider Anlagen signifikant reduzieren können, ermöglicht deren Verwendung vielen Anlegern, ihre Allokationen zu weniger liquiden Investments erheblich auszubauen. Zusätzlich zu einem Risiko-Overlay, welches die Resultate der Asset Allocation signifikant beeinflussen kann, bedarf es der Einführung eines ganzheitlichen Risiko-Managements. Dieses spielt für die Manager-Selektion – aber auch für die Auswahl und Überwachung von Geschäftspartnern für die Portfolio-Implementierung – eine wichtige Rolle. Für Investoren, die aus regulatorischen oder sonstigen Gründen nicht direkt in alternative Investments bzw. Hedgefonds investieren können oder wollen, bietet sich die Nutzung eines Absolute-ReturnOverlays an. Als Basis eignen sich zum Beispiel investierbare UCITS-konforme HedgefondsIndizes. Die in diesem Buch vorgestellten systematischen bzw. regelorientierten Ansätze Naive Strategische Asset Allocation (NaSAA), die Zero-based Tactical Asset Allocation (ZebTAA), das Multi-Asset Risiko-Overlay Concept (MAROC), das Absolute Return-Overlay-Konzept aber auch die Ansätze zur Investmentstrategie- und Managerselektion zeichnen sich durch Unabhängigkeit von konkreten Prognosen für Renditen, Risiken und Korrelationen sowie die Unabhängigkeit von Peer-Group-Verhalten bzw. anderen Benchmarks aus. Die Ansätze könnten zusammenfassend als prognose- und benchmarkfreie Maxi-Asset-Absolute-ReturnKonzepte bezeichnet werden. Die Diversifikationsmöglichkeiten auf der Grundlage der in diesem Buch entwickelten Konzepte werden in einem Musterportfolio für einen restriktionsfreien Idealinvestor dargestellt. Dabei werden auch die Erkenntnisse zum möglichen Umfang von passiven versus aktiven Investments (Passiv-Quote geringer als von vielen Marktteilnehmern erwartet), Long-Short-

Zusammenfassung

197

und systematischen Ansätzen (Quoten höher als erwartet) aber auch indirekten versus direkten Anlagen diskutiert. Das in diesem Buch vorgestellte Asset-Allocation-Gesamtkonzept ist in Abbildung 8.1 schematisch zusammengefasst.

liquide/effiziente Märkte

illiquide/ineffiziente Märkte

Portfolio Optimierte (Basis) SAA

Naive (Zusatz) SAA (NaSAA)

Passive Indexinvestments + TAA (z.B. mit ZebTAA)

Aktive Managerselektion (+ Direktinvestments)

Risikomanagement

Risiko Overlay Rendite (Absolute Return) Overlay

Abbildung 8.1: Das Konzept im Überblick Quelle: Eigene Darstellung. Künftig sollte sich Investment-Research nicht so sehr auf die Frage nach der Outperformance von aktivem Management fokussieren, sondern vielmehr analysieren, welche Anlagesegmente welches Potenzial für den jeweiligen Investor beinhalten. Damit sollte festgestellt werden, zu welchem Anteil sie in einem Portfolio gehalten werden können. So wird ein weltweit relativ kleines Marktsegment wie Mikrofinanz durch signifikante Geldzuflüsse möglicherweise schnell unattraktiv in Bezug auf die realistisch zu erwartende Rendite im Vergleich zu den Risiken.

Abbildungsverzeichnis

199

Abbildungsverzeichnis

Abbildung 1.1: Abbildung 2.1: Abbildung 2.2: Abbildung 2.3: Abbildung 2.4: Abbildung 2.5: Abbildung 2.6: Abbildung 2.7:

Abbildung 2.8: Abbildung 2.9:

Abbildung 2.10: Abbildung 2.11: Abbildung 2.12: Abbildung 2.13: Abbildung 2.14: Abbildung 2.15: Abbildung 2.16: Abbildung 2.17: Abbildung 2.18: Abbildung 2.19: Abbildung 2.20: Abbildung 2.21: Abbildung 2.22: Abbildung 2.23: Abbildung 2.24:

Das Konzept im Überblick ...................................................................20 Gleichzeitiger Stress in vielen alternativen Anlageklassen..................24 Niedrige Korrelation, aber nicht immer gute Diversifikationseigenschaften im Stress...............................................25 Geringe Diversifikationsvorteile in Stress-Szenarien (Wochenrenditen, Mai 2004 – Dezember 2009) ..................................27 Korrelation verschiedener Anlageklassen mit dem Euro Stoxx 50, Wochenrenditen 2007-2009 .................................................................28 Volatilitätsverlauf verschiedener Anlageklassen anhand von Quantilen (Januar 2007 bis Dezember 2009) ...................29 Korrelationszunahme in turbulenten Marktphasen, Wochenrenditen Mai 2004 – Dezember 2009......................................30 Anzahl der Märkte mit Wochenrendite unter dem 95-Prozent-Value-at-Risk (Distress), Wochenrenditen der acht Anlageklassen in Abbildung 2.6, 1995 – 2008.....................................31 Liquiditätsdruck in 2008, Januar 1992 – März 2009............................32 Performancevergleich von Absolute Return- und klassischen Mischfonds (Januar 2003 bis Dezember 2008, Peergroup-Durchschnitte).....................................................................33 Performanceverlauf von Absolute Return- und klassischen Mischfonds in 2008 (Peergroup-Durchschnitte) ..................................34 Das Beta Kontinuum ............................................................................36 Dynamische Strategische Asset Allocation im Überblick ...................42 Asset Allocation und Cost-Average-Effekt (CAE) ..............................43 Performance-Analyse der Harvard- und Yale-Universitätsstiftungen (I).............................................................47 Asset Allocation der Yale-Universitätsstiftung im Zeitverlauf............49 Magisches Dreieck der Kapitalanlage ..................................................50 Liquiditätsrisiken im Überblick............................................................51 Immobilien-Segmente im Überblick ....................................................54 Private-Equity-Segmente im Überblick ...............................................56 Infrastruktur-Segmente im Überblick...................................................57 Forward-Kurve von WTI Crude Oil an der New York Mercantile Exchange am 27.07. 2009 (Contango) .................................................60 Forward-Kurve von Zinn an der LME am 27.7.2009 (Backwardation) ...................................................................................60 Verschiedene Investment-Ansätze von CTAs......................................62 Hedgefonds-Stile und -Strategien.........................................................64

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

200

Abbildung 2.25: Abbildung 2.26: Abbildung 2.27: Abbildung 2.28: Abbildung 3.1: Abbildung 3.2: Abbildung 3.3: Abbildung 3.4: Abbildung 3.5: Abbildung 3.6: Abbildung 3.7: Abbildung 3.8: Abbildung 3.9: Abbildung 3.10: Abbildung 4.1: Abbildung 4.2: Abbildung 4.3: Abbildung 4.4: Abbildung 4.5: Abbildung 4.6:

Abbildung 4.7: Abbildung 4.8: Abbildung 4.9: Abbildung 4.10: Abbildung 4.11: Abbildung 4.12: Abbildung 4.13: Abbildung 5.1: Abbildung 5.2: Abbildung 5.3:

Abbildungsverzeichnis

Alpha, Beta und Kosten von Hedgefonds............................................ 66 Vergleich zwischen Benchmark- und investierbaren Indizes desselben Anbieters (Januar 2005 bis Dezember 2009) ...................... 69 Performancevergleich investierbarer Hedgefonds-Indizes (Januar 2005 bis Dezember 2009) ....................................................... 70 Konzeptionelle Aufteilung von Hedgefonds-Renditen unter Beachtung aller alternativen Betas ............................................. 71 Risiko-Rendite-Diagramm im 2-Anlageklassen-Fall .......................... 76 Portfolio-Volatilität bei normaler und erhöhter Volatilität der Asset-Klassen................................................................................. 77 Zwei-Fonds-Theorem .......................................................................... 79 Capital Asset Pricing Modell (CAPM) ................................................ 80 Geschätzte Dichtefunktionen verschiedener Asset-Klassen (stetige 3-Monatsrenditen, Mai 2004 – Dez 2009) .............................. 81 Portfolios nach Markowitz, Szenario 1 und alternatives Szenario 1 ... 86 Prozess der szenariobasierten Portfolio-Optimierung ......................... 93 Boxplot der Portfolio-Gewichte über 100 Simulationen ..................... 95 Conditional Value-at-Risk (CVaR) und erwartete Renditen der Asset-Klassen und des Szenario-optimalen Portfolios .................. 96 Drei-Fonds-Theorem............................................................................ 98 Strategische Asset Allocation – Ausgangsbasis und die Rolle von Overlays....................................... 100 Komplexe Anlagewelt – Anlageklassen haben zu unterschiedlichen Zeiten sehr unterschiedliche Renditen............. 102 Wie viele Asset-Klassen gibt es?....................................................... 103 Konzept der naiven (Zusatz-)Diversifikation im Überblick .............. 104 Effekt der Hinzunahme einer weiteren Assetklasse zu einem optimierten Portfolio aus Kasse, Anleihen und Aktien ..................... 107 Verbesserung der Sharpe Ratio bei Hinzunahme einer der genannten Anlageklassen ausgehend von einem einfach optimierten Portfolio ............................................................. 108 Optimierte Allokation ohne und mit naiver Zusatzdiversifikation im Grobvergleich ............................................................................... 109 Asset Allocation und Risikogewichtung im Vergleich (konzeptionell) ................................................................................... 110 Durchschnittliche simulierte Performance, Risiko und Sharpe-Ratio der Cash+X Strategie für den Zeitraum 1981-2009 .... 113 ZebTAA-Renditeverteilung (p.a.) versus Trefferquote ..................... 116 Einordnung von Trendfolgestrategien ............................................... 117 Performance von Global Macro- und Managed Futures-Strategien (Zeitraum 01/94 – 06/09) ................................................................... 118 Verlustphasen von Global Macro versus Managed Futures-Strategien (Zeitraum 01/94 – 06/09) .................... 119 Beispiel einer Peer Group Analyse .................................................... 133 Unterwasser-Chart verschiedener Rohstoff-Indizes im Vergleich zum MSCI World............................................................................... 136 Underperformance für Fonds/Manager mit Schwerpunkt Aktien USA........................................................................................ 142

Abbildungsverzeichnis

Abbildung 5.4: Abbildung 5.5: Abbildung 5.6: Abbildung 5.7: Abbildung 5.8: Abbildung 5.9: Abbildung 5.10: Abbildung 5.11: Abbildung 6.1: Abbildung 6.2: Abbildung 6.3: Abbildung 6.4: Abbildung 6.5: Abbildung 6.6: Abbildung 6.7: Abbildung 6.8: Abbildung 6.9: Abbildung 6.10: Abbildung 6.11: Abbildung 6.12: Abbildung 6.13: Abbildung 6.14: Abbildung 6.15: Abbildung 6.16: Abbildung 6.17: Abbildung 6.18: Abbildung 6.19: Abbildung 6.20: Abbildung 6.21: Abbildung 6.22: Abbildung 6.23:

201

Underperformance für Fonds/Manager mit Schwerpunkt Aktien Europa.....................................................................................143 Leichte Underperformance von Fonds/Managern Aktien Welt .........144 Relative Wertentwicklung von regional fokussierten Fonds in Relation zu ihrer Benchmark..........................................................145 Relative Attraktivität der Wertentwicklung von aktiven Managern in normalen und Distress-Phasen in Relation zu ihrer Benchmark....146 Relative Wertentwicklung von aktiven Sektor-Managern in Relation zu ihrer Benchmark..........................................................147 Yale Grob- und mögliche Detail Asset Allocation im Vergleich ......148 Vorteilhaftigkeit unterschiedlicher Anlageformen im Rohstoff-Bereich ...........................................................................149 Vom Hedgefonds-Universum zum Portfolio......................................150 Overlays können nur einen kleinen Teil aller Risiken abdecken .......156 Implementierungsmöglichkeiten von Overlay-Strategien..................156 Direkte Portfolio-Eingriffe und Overlay-Konzepte im Überblick .....157 Overlay-Steuerung..............................................................................158 Regimewechsel der Renditeverteilung am Beispiel des DAX-Turnaround Mitte März 2003.............................................160 Risiko-Overlay mit Markt-/Portfolio-2-Stufen-Ansatz ......................161 Handlungsfähigkeit durch Budgettrennung........................................161 Mehrwert durch Risiko-Overlay-Management ..................................162 Asset Allocation des Beispiel-Portfolios im Zeitverlauf....................163 Risiko Overlay ohne Tracking Error Vorgaben .................................164 Overlay mit Tracking Error Vorgaben ...............................................165 Beispiel der Faktorabhängigkeit eines Dach-Hedgefonds .................167 Faktorabhängigkeiten von Hedgefonds variieren signifikant im Zeitverlauf .....................................................................................167 Hedge Hedge mit rollierenden monatlichen ARIX-Faktorabhängigkeiten (Beispiel 1) ..........................................171 Hedge Hedge mit einem angenommenen, konstanten Aktienmarkt-Beta von 0,1 (Beispiel 2a).............................................172 Hedge Hedge mit einem angenommenen, konstanten Aktienmarkt-Beta von 0,5 (Beispiel 2b) ............................................173 Hedge Hedge anhand der Markt- und Risiko-Signale des Aktienmarktes (Beispiel 3) ..........................................................173 Hedge Hedge unter Verwendung eines rollierenden monatlichen ARIX Equity Hedge Factor Exposures (Beispiel 4) ..........................174 Diversifikation und Overlays können das Risiko signifikant reduzieren .........................................................................175 Überblick über Overlay-Marktsegmente und zur Absicherung geeignete Derivate ..............................................................................176 MAROC-Ansatz im Vergleich zu anderen Risiko-Overlay-Ansätzen ...................................................................177 Definition von Alpha und Beta...........................................................178 Überblick der drei grundlegenden Ansätze für zusätzliches Alpha ...179

202

Abbildung 6.24:

Abbildung 6.25:

Abbildung 6.26: Abbildung 7.1: Abbildung 7.2: Abbildung 8.1:

Abbildungsverzeichnis

Rendite und Volatilität eines Portfolios mit 90 Prozent Renten (Barclays Aggregate Bond Index) und 10 Prozent Aktien (MSCI World Index).......................................................................... 184 Änderung der Rendite durch Hinzufügen von Alpha zu einem konventionellen Portfolio: Ansatz 1 (Beta-Substitution) vs. Ansatz 3 (Absolute-Return-Overlay) .................................................................. 184 Vergleich der Sharpe Ratios verschiedener Portfolios (Annahme: EURIBOR als risikofreier Zins) ..................................... 185 Grobstruktur des Ideal-Portfolios eines hypothetischen Investors .... 191 Rahmenstruktur institutioneller Anleger............................................ 192 Das Konzept im Überblick................................................................. 197

Tabellenverzeichnis

203

Tabellenverzeichnis

Tabelle 2.1: Tabelle 2.2: Tabelle 2.3: Tabelle 2.4: Tabelle 2.5: Tabelle 2.6: Tabelle 2.7: Tabelle 3.1: Tabelle 3.2: Tabelle 3.3: Tabelle 3.4: Tabelle 3.5: Tabelle 3.6: Tabelle 3.7: Tabelle 4.1: Tabelle 5.1: Tabelle 5.2: Tabelle 5.3: Tabelle 6.1: Tabelle 6.2: Tabelle 6.3: Tabelle 7.1:

Anlagesegmente im Überblick (Beispiel für drei Anlageklassen) .......35 Klassifikation der Asset Allocation nach dem Anlagehorizont ...........39 Beispiel für eine Kombination der drei Konzepte SAA, TAA und DAA ...........................................................................41 Cost-Average-Effekt bei V-förmigem Aktienkursverlauf ...................44 Cost-Average-Effekt bei umgekehrt V-förmigem Aktienkursverlauf .................................................................................45 Performance Analyse der Harvard- und Yale-Universitätsstiftungen (II)............................................................48 Anbieter und Methodikübersicht von investierbaren Hedgefonds-Indizes ..............................................................................68 Quantile der stetigen 3-Monatsrenditen von Asset-Klassen ................83 Zusammenfassende Statistiken der stetigen Quartalsrenditen von Anlageklassen................................................................................84 Portfolio-Optimierung nach Markowitz mit alternativen Szenarien....85 Renditeannahmen gemäß Szenario 2....................................................88 Ergebnisse der Portfolio-Optimierung gemäß Szenarien .....................89 Vergleich von Markowitz- und szenariobasierter Optimierung...........92 Optimierte Portfolios im Vergleich ......................................................95 Verteilung der Renditen (p.a.) für die ZebTAA-Strategie .................115 Beispiel eines Stress-Reports .............................................................134 Charakteristika von ETFs, Futures und Swaps...................................152 Operationale Anforderungen an ETFs, Futures und Swaps ...............153 Hedge Hedge Simulationsbeispiele....................................................169 Auszug aus einer Liste von potenziellen (alternativen) Beta Faktoren......................................................................................180 ARIX Swap und direkte Allokation im Vergleich zu einem Standard-Portfolio ..............................................................................186 Wie könnte ein Portfolio ohne Restriktionen aussehen?....................190

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

Literaturverzeichnis

205

Literaturverzeichnis

ABSOLUT RESEARCH GMBH (2009): „Performance Analyse der Harvard und Yale Stiftungen 2008“, Research Report, 12. Februar. AEHLING, MARTIN (2009): „Trotz aller Unzulänglichkeiten unverzichtbar“, Portfolio Institutionell, Februar, S. 34-39. ALBERT, HANS (1991): Traktat über die Kritische Vernunft, 5. Auflage, UTB, Stuttgart. AMENC, NOËL, LIONEL MARTELLINI, JEAN-CHRISTOPHE MEYFREDI UND VOLKER ZIEMANN (2009a): Performance of passive Hedge Fund Replication Strategies, EDHEC Risk, Working Paper, Nizza. AMENC, NOËL, LIONEL MARTELLINI, JEAN-CHRISTOPHE MEYFREDI UND VOLKER ZIEMANN (2010): „Passive Hedge Fund Replication – Beyond the Linear Case“, erscheint in: European Financial Management. AMENC, NOËL, LIONEL MARTELLINI, VINCENT MILHAU UND VOLKER ZIEMANN (2009b): Asset-Liability Management in Private Wealth Management, EDHEC Risk, Working Paper, Nizza. AMENC, NOËL, LIONEL MARTELLINI UND SAMUEL SENDER (2009c): Impact of Regulations on the ALM of European Pension Funds, EDHEC Risk, Working Paper, Nizza. AMENC, NOËL, LIONEL MARTELLINI UND VOLKER ZIEMANN (2009d): Alternative Investments for Institutional Investors: Risk Budgeting Techniques in Asset Management and Asset Liability Management, EDHEC Risk, Working Paper, Nizza. ANLIKER, MARKUS, FELIX BREUER, WOLFGANG GERKE UND SIBYLLE PETER (2009): Mythos Family Office, Bayerisches Finanz Zentrum, Working Paper, München/Zürich. ANSON, MARK (2006): Handbook of Alternative Assets, 2. Auflage, Wiley, Hoboken. ANSON, MARK (2009): „Das Beta Kontinuum“, Portfolio Institutionell, September, Nr. 8, S. 39. ARNOTT, ROBERT, JASON HSU UND PHILIP MOORE (2005): „Fundamental Indexation“, Financial Analysts Journal, Vol. 61, Nr. 2, S. 83-99. ASNESS, CLIFF, ROBERT KRAIL UND JOHN LIEW (2001): „Do Hedge Funds hedge?“, Journal of Portfolio Management, Vol. 27, Nr. 3, S. 6-19. BANZ, ROLF (2008): Die Illusion der optimalen Asset Allocation – Unwissenheit als Chance, Präsentation im Rahmen des Investmentforums, Salzburg. BARCLAYS GLOBAL INVESTORS (2009): A comparison of Futures, Swaps and ETFs, Working Paper, London.

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

206

Literaturverzeichnis

BEEMAN, DAVID (2002): „Portfolio Construction“, in: The Alternative Investment Management Association (AIMA) (Hrsg.), A Guide to Fund of Hedge Funds Management and Investment, London, S. 38-43. BEHR, PATRICK, ANDRÉ GÜTTLER UND FELIX MIEBS (2008): Is Minimum-variance Investing Really Worth the While? An Analysis with Robust Performance Inference, EDHEC-Risk, Working Paper, Nizza. BEIKE, ROLF UND JOHANNES SCHLÜTZ (2005): Finanznachrichten lesen – verstehen – nutzen, 4. Auflage, Schäffer-Poeschel, Stuttgart. BENARTZI, SHLOMO UND RICHARD THALER (2001): „Naive Diversification Strategies in Defined Contribution Saving Plans“, American Economic Review, Vol. 91, Nr. 1, S. 79-98. BERK, JONATHAN UND RICHARD GREEN (2004): „Mutual Fund Flows and Performance in Rational Markets“, Journal of Political Economy, Vol. 112, Nr. 6, S. 1269-1295. BIGGS, MICHAEL, THOMAS MAYER UND ANDREAS PICK (2009): Global Macro Issues – The Myth of the Credit-less Recovery, Deutsche Securities Global Markets Research, Working Paper, London. BLACK, FISCHER UND ROBERT JONES (1987): „Simplifying Portfolio Insurance“, Journal of Portfolio Management, Vol. 14, Nr. 1, S. 48-51. BLACK, FISCHER UND ROBERT LITTERMAN (1990): Asset Allocation: Combining Investors Views with Market Equilibrium, Goldman, Sachs & Company, Fixed Income Research, Working Paper. BLAKE, DAVID, BRUCE LEHMAN UND ALLAN TIMMERMANN (1999): „Asset Allocation Dynamics and Pension Fund Performance“, Journal of Business, Vol. 72, Nr. 4, S. 429-461. BODIE, ZVI, ALEX KANE UND ALAN MARCUS (1999): Investments, McGraw-Hill, Boston. BOSSERT, THOMAS (2009): „Dynamische Sicherungskonzepte für institutionelle Investoren“, Absolut Report, Nr. 48, S. 14-21. BRENNAN, MICHAEL, EDUARDO SCHWARTZ UND RONALD LAGNADO (1997): „Strategic Asset Allocation“, Journal of Economic Dynamic and Control, Nr. 21, S. 1377-1403. BRIAN, REMY, FRANK NIELSEN UND DAN STEFEK (2009): Portfolio of Risk Premia: A new Approach, MSCI Barra Research Insights, Working Paper. BRINSON, GARY, RANDOLPH HOOD UND GILBERT BEEBOWER (1986): „Determinants of Portfolio Performance“, Financial Analysts Journal, Vol. 42, Nr. 4, S. 39-44. BROADIE, MARK (1993): „Computing Efficient Frontiers Using Estimated Parameters“, Annals of Operations Research, Vol. 45, Nr. 1, S. 21-58. BUSACK, MICHAEL UND DENIS SCHWEIZER (2009): „Alternative Investments in der strategischen Asset-Allocation eines Multi-Asset-Portfolios“, Absolut Report, Nr. 47, S. 16-27. BUSACK, MICHAEL UND STEFAN SOHL (2006): „Analyse investierbarer HedgefondsIndizes“, Absolut Report, Nr. 35, Dezember, S. 18-31. BUSACK, MICHAEL UND DIETER KAISER (2006a): Handbuch Alternative Investments Band 1, Gabler, Wiesbaden.

Literaturverzeichnis

207

BUSACK, MICHAEL UND DIETER KAISER (2006b): Handbuch Alternative Investments Band 2, Gabler, Wiesbaden. BUSACK, MICHAEL UND DIETER KAISER (2006c): „Alternative Investment-Strategien – Definition, Klassifikation und Anlagetechniken“, in: Michael Busack und Dieter Kaiser (Hrsg.), Handbuch Alternative Investments Band 1, Gabler, Wiesbaden, S. 3-32. CAMPBELL, JOHN UND LUIS VICEIRA (2002): Strategic Asset Allocation: Portfolio Choice for Long-Term Investors, Oxford University Press, New York. CAMPBELL, JOHN UND LUIS VICEIRA (2005): „Strategic Asset Allocation for Pension Plans“, in: Gordon Clark, Alicia Munnell und Michael Orszag (Hrsg.), Oxford Handbook of Pensions and Retirement Income, Oxford University Press, S. 441-455. CAPOCCI, DANIEL UND DAVID CAPOCCI, (2005): Funds of Hedge Funds or Investible Hedge Fund Indices: Which is the Best Investment Tool?, University of Edinburgh, Working Paper. CARDINALE, MIRKO (2009): „Revisiting diversification“, The Investors Journal, März, S. 1-6. CHAKO, GEORGE, KARL NEUMAR UND ROBERT MCMILLAN (2009): „Optimale Portfolioumschichtung illiquider Assetklassen“, Absolut Report, Nr. 52, S. 26-35. CHEE, JEFFREY (2009): Dynamic Strategic Asset Allocation, Watson Wyatt Australia, Working Paper. CLARE, ANDREW (2009): „The best free lunch in town“, FT Mandate, November 2009, S. 16. COCHRANE, JOHN (1999): „New facts in Finance“, Economic Perspectives, Vol. 23, Nr. 3, S. 36-58. COMETTO, MARIA TERESA (2009): „Letter from the US: University Challenge“, IPE.com, May, S. 13. CORNELL, BRADFORD (2009): Investment research: How much is enough?, California Institute of Technology, Working Paper. CORNISH, ALFRED UND RONALD FISHER (1937): „Moments and Cumulants in the Specification of Distributions“, Review of the International Statistical Institute, Vol. 5, Nr. 3, S. 307-320. CREMERS, MARTIN UND ANTTI PETAJISTO (2009): How Active Is Your Fund Manager? – A New Measure That Predicts Performance, Yale School of Management, Working Paper. DAVIS, MACKENZIE UND KEN SETTLES (2009): Commodities Investing: Challenging Conventional Assumptions about Correlation and Diversification, RS Investments, Working Paper. DB ADVISORS (2009): Diversification Based Investing: Quantitative Strategies, Quantitative Strategies Research Group, Working Paper. DE DREU, JAN UND JACOB BIKKER (2009): Pension Fund Sophistication and Investment Policy, De Nederlandsche Bank, Working Paper, Amsterdam. DEMIGUEL, VICTOR, LORENZO GARLAPPI UND RAMAN UPPAL (2005): How Inefficient is the 1/N Asset-Allocation Strategy?, CEPR Discussion Paper no. 5142, Working Paper, London.

208

Literaturverzeichnis

DEUTSCHE BUNDESBANK (1999): „Die Rolle von Hedge-Fonds auf den internationalen Finanzmärkten“, Aufsatz im Monatsbericht der Deutschen Bundesbank, 3/1999, S. 31-44. DICHTL, HUBERT, JOCHEN KLEEBERG UND CHRISTIAN SCHLENGER (Hrsg.) (2003a): Handbuch Asset Allocation, Uhlenbruch, Bad Soden/Ts. DICHTL, HUBERT, KERSTIN PETERSMEIER UND CHRISTIAN SCHLENGER (2003b): „Dynamische Asset Allocation im Lichte der Präferenzen institutioneller Anleger“, in: Hubert Dichtl, Jochen Kleeberg und Christian Schlenger (Hrsg.), Handbuch Asset Allocation, Uhlenbruch, Bad Soden/Ts., S. 179-202. DICHTL HUBERT UND CHRISTIAN SCHLENGER (2003): „Aktien oder Renten? – Das Langfristpotenzial der Best of Two-Strategie“, Die Bank, Nr. 12, S. 809-813. DORSEY, ALAN UND JULIANA DAVYDOV (2009): Liability-Informed Risk Budgeting and the Use of Higher Tracking Error Active Equity Managers: The Virtues of Being Different, Neuberger/Berman, Juni, Working Paper, New York. EDWARDS, FRANKLIN UND STAV GAON (2003): „Hedge Funds: What do we know?“, Journal of Applied Corporate Finance, Vol. 15, Nr. 1, S. 58-71. ELING, MARTIN UND FRANK SCHUHMACHER (2006): „Performance-Maße für Hedgefonds-Indizes – Wie geeignet ist die Sharpe-Ratio“, Absolut Report, Nr. 29, S. 36-43. ENNIS, RICHARD (2009): „Editors Corner: Parsimonious Asset Allocation“, Financial Analysts Journal, Vol. 63, Nr. 3, S. 6. EUROPEAN CENTRAL BANK (2008): „Economic and Monetary Developments/Monetary and Financial Developments: How Cross-Border Correlations in Equity Markets Have Changed During the Recent Financial Turmoil“, ECB’s Monthly Bulletin, Februar, S. 39-41. FABOZZI, FRANK, ROLAND FÜSS UND DIETER KAISER (2008): „A Primer on Commodity Investing“, in: Frank Fabozzi, Roland Füss und Dieter Kaiser (Hrsg.), The Handbook of Commodity Investing, Wiley, Hoboken, S. 3-37. FAMA, EUGENE UND KENNETH FRENCH (2009): Luck versus Skill in the Cross Section of Mutual Fund Alpha Estimates, Booth School of Business, University of Chicago, Working Paper. FIDELITY INTERNATIONAL (2009): Active versus Passive: The Case for Active Management, Insight – Investment Intelligence from Fidelity, Working Paper. FIELD, RICHARD (2009): „How the Actions of other Investors can affect your Returns“, Aviva investors – The Investors Journal, Vol. 1, Nr. 4, S. 29-32. FRASER-SAMPSON, GUY (2006): Multi-Asset Investment Strategy, Wiley, Chichester. FÜSS, ROLAND, ZENO ADAMS UND DIETER KAISER (2010): „The Predictive Power of Value at Risk Models in Commodity Futures Markets“, erscheint in Journal of Asset Management. FÜSS, ROLAND, DIETER KAISER UND MARKUS PRASS (2006): „Ertragskomponenten von Commodity-Futures-Indizes“, Zeitschrift für das gesamte Kreditwesen, Vol. 59, Nr. 22, S. 1214-1218.

Literaturverzeichnis

209

FÜSS, ROLAND UND DIETER KAISER (2007): „The Tactical and Strategic Value of Hedge Fund Strategies: A Cointegration Approach“, Financial Markets and Portfolio Management, Vol. 21, Nr. 4, S. 425-444. FÜSS, ROLAND, DIETER KAISER UND ANTHONY STRITTMATTER (2009): „Measuring Funds of Hedge Funds Performance Using Quantile Regressions: Do Experience and Size Matter?“, Journal of Alternative Investments, Vol. 12, Nr. 2, S. 41-53. FUNG, WILLIAM UND DAVID HSIEH (1997): „Empirical Characteristics of Dynamic Trading Strategies: the Case of Hedge Funds“, Review of Financial Studies, Vol. 10, Nr. 2, S. 275-302. FUNG, WILLIAM UND DAVID HSIEH (2002): „Asset-Based Hedge Funds Styles Factors for Hedge Funds“, Financial Analyst Journal, Vol. 58, Nr. 5, S. 16-27. FUNG, WILLIAM UND DAVID HSIEH (2004): „Extracting Portable Alpha from Equity Long/Short Hedge Funds“, Journal of Investment Management, Vol. 2, Nr. 4, S. 1-19. FUNG, WILLIAM, DAVID HSIEH, NARAYAN NAIK UND TARUN RAMADORAI (2008): „Hedge Funds: Performance, Risk and Capital Formation“, The Journal of Finance, Vol. 63, Nr. 4, S. 1777-1803. GEMAN HELYETTE UND CÉCILE KHAROUBI (2003): „Hedge Funds Revisited: Distributional Characteristics, Dependence Structure and Diversification“, Journal of Risk, Vol. 5, Nr. 4, S. 55-73. GERNER, THOMAS (2010): Denken und Handeln an Finanzmärkten, Gabler, Wiesbaden. GLAWISCHNIG, MARKUS (2007): Hedge Fonds Indizes: Unterschiede zwischen klassischen und alternativen Performance- und Risikomaßen, Universität Graz, Working Paper. GOLTZ, FELIX, LIONEL MARTELLINI UND KORAY SIMSEK (2009): „Optimal Static Allocation Decisions in the Presence of Portfolio Insurance“, Journal of Investment Management, Vol. 6, Nr. 2, S. 37-56. GORICKI, WERNER UND DIRK SÖHNHOLZ (2004): „Investierbare Hedge-Fonds-Indizes“, Absolut Report, Nr. 20, S. 30-35. GORTON, GARY UND GEERT ROUWENHORST (2006): „Facts and Fantasies about Commodity Futures“, Financial Analysts Journal, Vol. 62, Nr. 2, S. 47-62. GRAHAM, BENJAMIN (1949): The intelligent Investor, Harper & Row, New York. GROSSE-KNETTER, CARSTEN (2003): „Trendfolgestrategien in der Asset Allocation“, in: Hubert Dichtl, Jochen Kleeberg und Christian Schlenger (Hrsg.), Handbuch Asset Allocation, Uhlenbruch, Bad Soden/Ts., S. 287-316. HAAS, MARKUS, STEFAN MITTNIK UND TINA YENER (2009): „Korrelationsbasierte Diversifikation – ein zukunftsfähiger Ansatz“, Absolut Report, Nr. 52, S. 44-53. HABERFELNER, FLORIAN, DIETER KAISER UND KARIN KISLING (2006): „Managed Accounts or The Price of Liquid and Transparent Hedge Fund and CTA Investing“, in: Greg Gregoriou und Dieter Kaiser (Hrsg.), Hedge Funds and Managed Futures – A Handbook for Institutional Investors, Risk Books, London, September, S. 235-258. HABERFELNER, FLORIAN, DIETER KAISER UND KARIN KISLING (2007): „Möglichkeiten, Validität und Renditedifferenzen bei der Replikation von Hedgefonds über Managed Accounts“, Bank Archiv, Vol. 55, Nr. 9, S. 719-725.

210

Literaturverzeichnis

HACKETHAL, ANDREAS, MICHAEL HALIASSOS UND TULLIO JAPPELLI (2009): Financial Advisors: A case of Babysitters?, Centre of Financial Studies, Working Paper, Frankfurt. HARTMANN, DANIEL UND DIETER KAISER (2010): Hedging Equity Market Risk in Hedge Fund Investing: A New Approach, Feri Institutional Advisors GmbH, Working Paper, Bad Homburg. HEALY, ALEXANDER UND ANDREW LO (2009): „Jumping the Gates: Using Beta-Overlay Strategies to Hedge Liquidity Constraints“, Journal of Investment Management, Vol. 7, Nr. 3. HEIDORN, THOMAS, CHRISTIAN HOPPE UND DIETER KAISER (2006a): „Validität des Benchmarking von traditionellen Marktindizes mit Hedgefondsindizes“, Bank Archiv, Vol. 54, Nr. 10, S. 710-721. HEIDORN, THOMAS CHRISTIAN HOPPE UND DIETER KAISER (2006b): „Implikationen der Heterogenität auf das Benchmarking mit Hedgefondsindizes“, Finanz Betrieb, Vol. 8, Nr. 9, S. 557-571. HEIDORN, THOMAS, DIETER KAISER UND CHRISTOPH RODER (2009): „The Risk of Funds of Hedge Funds: An Empirical Analysis of the Maximum Drawdown“, Journal of Wealth Management, Vol. 12, Nr. 2, S. 89-100. HEIDORN, THOMAS, DIETER KAISER UND ANDRE VOINEA (2010): The Value-Added of Investable Hedge Fund Indices, Frankfurt School of Finance and Management, Working Paper. HELTEN, ELMAR UND FELIX BREUER (2009): Gering korrelierte Anlageklassen: Diversifikationsmodell der Vergangenheit?, Band 2 der Studienreihe des Bayerischen Finanz Zentrum e.V., Working Paper. HEWITT ASSOCIATES LLC (2009): „Diversification blow“, Investments & Pensions Europe, April, S. 3. HILPOLD, CLAUS (2006): in: Michael Busack und Dieter Kaiser (2006): Handbuch Alternative Investments Band 2, Gabler, Wiesbaden, S. 400. HILPOLD, CLAUS UND DIETER KAISER (2006): Alternative Investment-Strategien, Wiley, Weinheim. HILPOLD, CLAUS UND DIETER KAISER (2010): Innovative Investmentstrategien, Gabler, Wiesbaden. HOOD, RANDOLPH (2006): „Determinants of Portfolio Performance – 20 Years Later: Author’s Response“, Financial Analysts Journal, Vol. 62, Nr. 1, S. 11-12. HOPPE, CHRISTIAN (2005): Derivate auf Alternative Investments – Konstruktion und Bewertungsmöglichkeiten, Gabler Edition Wissenschaft, Wiesbaden. HUBERMAN, GUR UND WEI JIANG (2006): „Offering versus Choice in 401 (k) plans: Equity exposure and number of funds“, Journal of Finance, Vol. 61, Nr. 2, S. 763801. HUISMAN, RONALD, KEES KOEDIJK UND RACHEL POWNALL (1999): Asset Allocation in a Value-at-Risk Framework, Erasmus University Rotterdam, Working Paper. IBBOTSON, ROGER (2009): „Die Liquiditätsprämie im Visier“, Institutional Money, Nr. 4, S. 44-48.

Literaturverzeichnis

211

IBBOTSON, ROGER UND PENG CHEN (2006): „The ABCs of Hedge Funds: Alphas, Betas, and Costs“, Ibbotson Associates, Working Paper, Chicago. IBBOTSON, ROGER UND PAUL KAPLAN (2000): „Does Asset Allocation Policy Explain 40, 90 or 100 Percent of Perfomance? “, Financial Analysts Journal, Vol. 56, Nr. 1, S. 26-33. INEICHEN, ALEXANDER (2003): Absolute Returns – The Risk and Opportunity of Hedge Fund Investing, Wiley, London. INKER, BEN UND FRANK HÄRTEL (2009): „Was ist falsch gelaufen? Die Grenzen der Diversifikation – Bewertungsrisiken können nicht eliminiert werden“, Finanz und Wirtschaft, Nr. 68, S. 32. INSTITUTIONAL MONEY (2009a): „Dynamische Asset Allocation: Dynamik auf dem Prüfstand“, Institutional Money, Nr. 3, S. 62-65. INSTITUTIONAL MONEY (2009b): „Versicherung beruhigt“, Institutional Money, Nr. 4, S. 72-74. INSTITUTIONAL MONEY (2009c): „Götterdämmerung in der Ivy League“, Institutional Money, Nr.3, S. 116-118. INVESTOR ANALYTICS/BNY MELLON (2009): Tomorrow’s Risk Management – How Behavioural Economics, Cognitive Studies and Complexity Science add up to more than their Sum, Working Paper. JAEGER, LARS (2002): „Transparenz und aktives Risikomanagement in Hedge-Fund-ofFund Portfolios – Teil 2“, Absolut Report, Nr. 7, S. 26-33. JARQUE, CARLOS UND ANIL BERA (1987): „A Test for Normality of Observations and Regression Residuals“, International Statistical Review, Vol. 55, Nr. 2, S. 163-172. JENSEN, MICHAEL (1968): „The Performance of Mutual Funds in the Period 1945-1964“, Journal of Finance, Vol. 23, Nr. 2, S. 389-416. JOHNSON, KEITH L. UND FRANK JAN DE GRAAF (2009): „Modernizing pension fund legal standards for the 21st century“, Network for Sustainable Financial Markets, Construction Paper Nr. 2. JORION, PHILIPPE (2003): Financial Risk Manager Handbook, McGraw-Hill, 2. Auflage, New York. JORION, PHILIPPE (2007): Value at Risk. The New Benchmark for Managing Financial Risk, Graw-Hill, New York. JUNG, JEEMAN UND ROBERT SHILLER (2005) „Samuelson’s Dictum and the Stock Market“, Economic Inquiry, Vol. 43, Nr. 2, S. 221-228. KAISER, DIETER (2009): Hedgefonds – Entmystifizierung einer Anlageklasse, 2. Auflage, Gabler, Wiesbaden. KAISER, DIETER UND RAINER LAUTERBACH (2007): „The Need for Diversification and its Impact on the Syndication Probability of Venture Capital Investments“, Journal of Alternative Investments, Vol. 10, Nr. 3, S. 62-79. KAISER, DIETER UND MARCUS MÜLLER (2009): „Replikation von HedgefondsRenditen“, Zeitschrift für das gesamte Kreditwesen, Vol. 62, Nr. 8, S. 375-380. KAISER, HELMUT (2009): „Das Ende von Buy and Hold: Plädoyer für eine dynamische Asset-Allokation“, Rendite 07, Dezember, S. 12-13.

212

Literaturverzeichnis

KALDOR, NICHOLAS (1939): „Welfare Propositions in Economics and Interpersonal Comparisons of Utility“, Economic Journal, Vol. 49, Nr. 195, S. 549-552. KAT, HARRY UND ROEL OOMEN (2006): What Every Investor Should Know About Commodities, Part I: Univariate Return Analysis, Cass Business School, Working Paper. KEATING, CON UND WILLIAM SHADWICK (2002a): „An Introduction to Omega“, AIMA Newsletter, April. KEATING, CON UND WILLIAM SHADWICK (2002b): „A Universal Performance Measure“, Journal of Performance, Vol. 6, Nr. 3, S. 59-84. KEYNES, JOHN (1930): A Treatise on Money, MacMillan, London. KG ALLGEMEINE LEASING GMBH & CO (2009): Marktbefragung Family Offices. KHANDANI, AMIR UND ANDREW LO (2009): Illiquidity Premia in Asset returns: An Emprirical Analysis of Hedge Funds, Mutual Funds and U.S. Equity Portfolios, Massachusetts Institute of Technology, Working Paper. KRÄMER, WERNER (2009): Vom unvermeidlichen Scheitern des Risikomanagements, Lazard Asset Management, Working Paper, Frankfurt am Main. KRAMER, KAI, BRENT BEARDSLEY, MONISH KUMAR, ANDY MAGUIRE, PHILIPPE MOREL, TJUNG TANG UND HÈLÉNE DONNADIEU (2009): Conquering the Crisis, Global Asset Management Report, The Boston Consulting Group, Working Paper. KURZ, MORDECAI (2008): Rational Beliefs and Economic Volatility, National Bureau of Economic Research, Working Paper. LAMM, MCFALL UND TANYA GHALEB-HARTER (2001): „Private Equity as an Asset Class – Its Role in Investment Portfolios“, Journal of Private Equity, Vol. 4, Nr. 4, S. 68-79. LAUTERBACH, RAINER UND DIETER KAISER (2007): „Der Einfluss von Wagniskapitalfinanzierungen auf die Entwicklung von Unternehmen nach deren Börseneinführung“, Finanz Betrieb, Vol. 9, Nr. 9, S. 551-559. LENNERT, MICHAEL (2010): „Interview mit Gerd Kommer, Mathematisch definitiv oben mit dabei“, SPN (Schweizer Pensions- und Investmentnachrichten), Dezember/Januar, S. 23/24. LEWIS, MICHAEL (2005): Convenience Yield, Term Structure & Volatility across Commodity Markets, in: Deutsche Bank: An Investors Guide to Commodities, Deutsche Bank AG, April, S. 18-23. LITTERMAN, ROBERT (2006): „Active Alpha Investing“, in: Michael Busack und Dieter Kaiser (Hrsg.), Handbuch Alternative Investments Band 2, Gabler, Wiesbaden, S. 661-681. LJUNG, GRETA UND GEORGE BOX (1978): „On a Measure of Lack of Fit in Time Series Models“, Biometrika, Vol. 65, Nr. 2, 297-303. LO, ANDREW (2001): „Risk Management for Hedge Funds: Introduction and Overview“, Financial Analyst Journal, Vol. 57, Nr. 6, S. 16-33. LO, ANDREW (2009a): „Hintergrund: Interview mit Andrew Lo“, dpn-online, August/September, S. 57. LO, ANDREW (2009b): „When the Wisdom of Crowds becomes the Madness of Mobs“, Financial Times, 1. Oktober, S. 29.

Literaturverzeichnis

213

LO, ANDREW, HARRY MAMAYSKY UND JIANG WANG (2000): „Foundations of Technical Analysis: Computational Algorithms, Statistical Inference, and Empirical Implementation“, Journal of Finance, Vol. 55, S. 1705-1765. LU, JUNHUA (2009): „Asset Allocation: Is diversification dead? A new look at asset allocation“, Private Wealth Management, Oktober, S. 23-25. MAILLARD, SÉBASTIEN, THIERRY RONCALLI UND JEROME TEILETCHE (2008): On the properties of equally-weighted risk contributions portfolios, SGAM AI, Working Paper. MALEVERGNE, YANNIK UND DIDIER SORNETTE (2006): Extreme Financial Risks: From Dependence to Risk Management, Springer, Berlin. MARGRABE, WILLIAM (1978): „The value of an option to exchange one asset for another“, Journal of Finance, Vol. 33, Nr. 1, S. 177-186. MARKOWITZ, HARRY M. (1952): „Portfolio Selection“, Journal of Finance, Vol. 7, Nr. 1, S. 77-91. MARKS, HOWARD (2009): Memo to Oaktree Clients – Touchstones, 10. November. MARTELLINI, LIONEL UND VINCENT MILHAU (2008): How costly is regulatory shortTermism for defined Benefit Pension Funds?, EDHEC Risk, Working Paper, Nizza. MARTELLINI, LIONEL UND VINCENT MILHAU (2009): Measuring the Benefits of Dynamic Asset Allocation Strategies in the Presence of Liability Constraints, EDHEC Risk, Working Paper, Nizza. MCLAUGHLIN, JOHN (2009): Asset Management without Benchmark, Vortrag bei der SchroderAcademy in Frankfurt, 9. November. MICHAUD, RICHARD (1998): Efficient Asset Management, A Practical Guide to Stock Portfolio Optimization and Asset Allocation, Harvard Business School Press, Boston. MITTNIK, STEFAN UND SVETLOZAR RACHEV (2006): „Abschied von der Glockenkurve“, Risiko Manager, Nr. 11, S. 20-22. MITTNIK, STEFAN UND SASCHA RIEKEN (2000a): „Lower-boundary Violations and Market Efficiency: Evidence from the German DAX-Index Options Market“, Journal of Futures Markets, Vol. 20, Nr. 5, S. 405-424. MITTNIK, STEFAN UND SASCHA RIEKEN (2000b): „Put-Call Parity and the informational Efficiency of the German DAX Index Options Market“, International Review of Financial Analysis, Vol. 9, Nr. 3, S. 259-279. NACHTWEH, CHRISTOPHER (2009): „Hedgefonds-Manager stellen Finanzsystem in Frage“, Das Investment (News), 5. Oktober. NUTTAL, JOHN (2000): The importance of Asset Allocation, University of Western Ontario, Working Paper. NYREE, STEWART (2009): N. Yorks Pension pulls out of pressured GTAA, IPE.com, 1. Oktober. O’SULLLIVAN, MICHAEL, JOE PRENDERGAST, CÉDRIC SPAHR, TOBIAS MERATH, ROBERT CRONIN, RETO MENEGHETTI, ANNA-MARIA SIMON, MARTIN BERNHARD UND KARIM CHERIF (2009): Investment Ideas: The Cycle Clock and Alternative Investments, Credit Suisse Equity Research, 18. November, Working Paper, London.

214

Literaturverzeichnis

PEROLD, ANDRÉ (1986): Constant Proportion Portfolio Insurance, Harvard Business School, Working Paper. PERRIDON, LOUIS UND MANFRED STEINER (1999): Finanzwirtschaft der Unternehmung, Vahlen, München. PETERS, ED (2008): „Does your Portfolio have Bad Breath?“, First Quadrant, L.P., Vol. 5, Nr. 4, S. 1. PETERSEN, BRIAN UND KRIS BOUDT (2008): „Component VAR for a non-normal World“, RISK magazine, November, S. 78-81. PHILIPS, CHRISTOPHER UND SARAH FLOYD (2009): The case for indexing: European and Offshore Domiciled Funds, Vanguard Investment Counseling and Research, Working Paper, Pennsylvania. POHL, MICHAEL UND HENNER SCHIERENBECK (2009): Die Berücksichtigung von Liquiditätsrisiken und Marktilliquiditäten im Risikomanagement und Accounting, Edition Risikomanagement 1.8, Union Investment Institutional GmbH, Working Paper, Frankfurt. PORRINO, PETER (2009): Second Annual Business Risk Report – Insurance, Ernst & Young, Working Paper. PREA PENSION AND REAL ESTATE ASSOCIATION (2009): Active versus Passive Management of Funds of Real Estate Securities: A Review of the Academic Evidence, PREA Research Paper, Working Paper. RADIN, MICHAEL (2009): GTAA Manager Performance after Market Crises, DB Advisors Quantitative Strategies Research Group, Working Paper, New York. RIEKEN, SASCHA (1999): Option Pricing Using Subordinated and Infinitely Divisible Return Processes: An Empirical Analysis of the German Dax-Index Options Market, Pro Business, Berlin. ROCKAFELLAR, TYRRELL UND STANISLAV URYASEV (1999): „Optimization of Conditional Value-at-Risk“, Journal of Risk, Vol. 2, Nr. 3, S. 21-41. SENDER, SAMUEL (2009a): The European Pension Fund Industry Again Beset by Deficits, EDHEC Risk, Working Paper, Nizza. SENDER, SAMUEL (2009b): Reactions to an EDHEC Study on the Impact of Regulatory Constraints on the ALM of Pension Funds, EDHEC Risk, Working Paper, Nizza. SHAIN, RANDY (2008): Hedge Fund Due Diligence – Professional Tools to Investigate Hedge Fund Managers, Wiley, Hoboken. SHAPIRO, SAM UND MARTIN BRADBURY WILK (1965). „An analysis of Variance test for Normality (complete Samples)“, Biometrika, Vol. 52, Nr. 3-4, S. 591-611. SHARPE, WILLIAM (1964): „Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk“, Journal of Finance, Vol. 19, Nr. 3, S. 425-442. SHARPE, WILLIAM (1966): „Mutual Fund Performance“, Journal of Business, Vol. 39, Nr. 1, Part 2, S. 119-138. SHARPE, WILLIAM (1992): „Asset Allocation: Management Style and Performance Measurement“, Journal of Portfolio Management, Vol. 18, Nr. 4, S. 7-19. SHLEIFER, ANDREI (2009): „Die Zukunft der Kapitalanlage“, dpn-online, August/September, S. 23.

Literaturverzeichnis

215

SIEGMUND, UWE (2007): „Wo sind die Grenzen der Diversifikation?“ Zeitschrift für Versicherungswesen, Januar, S. 10-12. SIMLER, JUSTIN (2009): The Case for Passive, Schroder Investment Management, November Working Paper. SITTAMPALAM, ARJUNA (2009): Equity paradigms challenged, EDHEC Risk, Working Paper, Nizza. SÖHNHOLZ, DIRK UND MARCUS BURKERT (2008): „Kann eine ‚naive‘ strategische Asset Allocation („NaSAA“) die Risiko-Rendite-Relation eines Portfolios verbessern?“, Absolut Report, Nr. 43, S. 14-21. SÖHNHOLZ, DIRK UND SASCHA RIEKEN (2009): „Langfristige Asset Allocation und kurzfristige Steuerung von institutionellen Multi-Asset Portfolios“, Absolut Report, Nr. 49, S. 16-27. SOLNIK, BRUNO (1995): „Why not diversify Internationally Rather than Domestically“, Financial Analysts Journal, Vol. 51, Nr. 1, S. 89-94. SORTINO, FRANK UND LEE PRICE (1994): „Performance Measurement in a Downside Risk Framework“, Journal of Investing, Vol. 3, Nr. 3, S. 59-65. SPIJKERS, PAUL (2009): Äußerungen auf der BAI Alternative Investors Konferenz vom 17./18. März in Frankfurt, Bundesverband Alternative Investments. STATMAN, MEIR UND JONATHAN SCHEID (2005): „Global Diversification“, Journal of Investment Management, Vol. 3, Nr. 1, S. 53-63. STERN, STEFAN (2009): „A fond farewell to a brilliant thinker“, Financial Times, 10. November, S. 12. SUN, MIN UND DANIEL HARTMANN (2009): „Kreditportfoliosteuerung für institutionelle Investoren“, Absolut Report, Nr. 52, S. 18-25. SUN, ZHENG ASHLEY WANG UND LU ZHENG (2009): Do Active Funds perform better in down Markets? New evidence from cross-sectional study, University of California, Working Paper. SWENSEN, DAVID (2000): Pioneering Portfolio Management: An Unconventional Approach to Institutional Investment, Free Press, New York. TALEB, NASSIM NICHOLAS (2007): The Black Swan: The Impact of the Highly Improbable, Random House, New York. THOMPSON, CHRIS (2009): In Defense of Active Investment Management, RogersCasey Research Brief, Working Paper. TILLEY, JAMES UND GARY LATAINER (1985): „A Synthetic Option Framework for Asset Allocation“, Financial Analysts Journal, Vol. 41, Nr. 3, S. 32-43. TOBIN, JAMES (1958): „Liquidity Preference as Behaviour towards Risk“, Review of Economic Studies, Vol. 25, Nr. 2, S. 65-85. TREYNOR, JACK (1965): „How to Rate Management of Investment Funds“, Harvard Business Review, Vol. 43, Nr. 1, S. 63-75. VAN DE BURGT, ELSKE UND LUCAS VERMEULEN (2009): Performance Attribution using a Decision Hierarchy Approach, EDHEC-Risk, Working Paper, Nizza. VICEIRA, LUIS (2009): „Die Zukunft der Kapitalanlage“, dpn-online, August/September, S. 20.

216

Literaturverzeichnis

WAITZER, ED (2009): „Defeating Short-Termism: Why Pension Funds Must Lead“, Rotman International Journal of Pension Management, Vol. 2, Nr. 2, S. 4-8. WALZE, MARKUS, ALEXIS EISENHOFER UND ALFRED WETTACH (2003): „Cost-Averaging versus Buy-and-Hold“, in: Hubert Dichtl, Jochen Kleeberg und Christian Schlenger (Hrsg.): Handbuch Asset Allocation, Bad Soden/Ts., S. 439-456. WEBER, MARTIN (2009): „Keiner schlägt den Markt“, Handelsblatt, 23.12.2009, S. 42 WHEELAN, HUGH (2009): „Rules for ‚lemming-like‘ Pension Funds need Revising for Market Recovery, says Think Tank“, Responsible Investor, 19. Februar. WINDCLIFF, HEATH UND PHELIM BOYLE (2004): „The 1/n Pension Investment Puzzle“, North American Acturial Journal, Vol. 8, Nr. 3, S. 32-45.

Die Autoren

217

Die Autoren

Dr. Dirk Söhnholz ist Partner der Feri Finance AG und Geschäftsführer der Feri Institutional Advisors GmbH in Bad Homburg und zuständig für das Geschäft außerhalb von Deutschland und Österreich sowie geschlossene institutionelle Fonds, Projekt-Strukturierungen, Marketing und Personal. Herr Söhnholz war ab 1999 Gründer und Geschäftsführer der Feri Private Equity GmbH, die in Feri Alternative Assets umbenannt wurde bevor sie mit der späteren Feri Institutional Advisors GmbH verschmolzen wurde. In dieser Funktion baute er die institutionellen Private Equity- und Hedgefonds-Aktivitäten der Feri auf. Vor seiner Zeit bei Feri war Herr Söhnholz Unternehmensberater bei der Boston Consulting Group in Deutschland und Mexiko, Hauptabteilungsleiter Controlling, Organisation und IT bei der Gerresheimer Glas AG und Finanzgeschäftsführer bzw. Vorstand bei Telepassport. Herr Söhnholz hat mehrere Artikel zu den Themen Alternative Assets sowie Asset Allocation und Overlay geschrieben und entsprechende Vorträge auf Fachkonferenzen gehalten. Seit 2002 ist er stellvertretendes Vorstandsmitglied des Bundesverbandes Alternative Investments e.V. Herr Söhnholz promovierte am Banklehrstuhl der Universität Mannheim über das Thema „Diversifikation in Finanzdienstleistungsmärkte“, wo er auch den Abschluss zum Diplom-Kaufmann absolvierte und ist Master of Business Administration der City University of New York.

Dr. Sascha Rieken ist als Leiter Quantitative Asset Allocation bei der Feri Finance AG zuständig für die Optimierung der Taktischen Asset Allocation von Multi-Asset-Portfolios. Nach seinem Studium der Volkswirtschaftslehre mit quantitativem Schwerpunkt an der Universität Kiel promovierte Herr Rieken mit einer empirischen Arbeit zur Bewertung von DAXOptionen bei nicht-normalen Renditeverteilungen, die den Fakultätspreis erhielt. Er begann seine Karriere 1999 als Fixed Income Analyst im Bereich Anlagestrategien der Vereins- und Westbank, Hamburg. Im Anschluss daran arbeitete er als quantitativer Analyst und PortfolioManager von 2000 bis 2005 bei der Allianz Global Investors, wo er neben der Entwicklung von Multi-Asset- und Absolute-Return-Konzepten für die quantitative Entwicklung von Anlagekonzepten zur Alterssicherung (Riester-Fonds, Pensionsfonds) zuständig war. Im Anschluss daran war Herr Rieken von 2006 bis 2008 als Abteilungsleiter Produktentwicklung bei der Helaba Invest KAG für die Entwicklung innovativer quantitativer Investmentkonzepte verantwortlich.

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

218

Die Autoren

Dr. Dieter Kaiser ist in seiner Position als Director Investment Management bei der Feri Institutional Advisors GmbH in Bad Homburg für die Selektion von Single-Hedgefonds sowie das Management von mehreren Dach-Hedgefonds zuständig. Herr Kaiser begann seine Karriere im Bereich Institutional Sales bei Crédit Agricole Asset Management in Frankfurt am Main, wo er ab 2001 für den Marketing Support der Dach-Hedgefonds-Aktivitäten der Gruppe zuständig war. Von 2003 bis 2007 arbeitete er bei einer auf Alternative Investments spezialisierten Gesellschaft, wo er als Produktspezialist für das Institutional Research verantwortlich war. Herr Kaiser hat zahlreiche Artikel zum Themengebiet der Alternative Investments in professionellen und akademischen Zeitschriften von internationalem Rang veröffentlicht. Seine Aufsätze erschienen beispielsweise im Journal of Alternative Investments, Journal of Wealth Management sowie in Financial Markets and Portfolio Management. Er ist außerdem Autor und Herausgeber von neun Büchern und seit 2003 Referent zum Themengebiet der Alternative Investments an der Frankfurt School of Finance and Management. Herr Kaiser ist Diplom-Betriebswirt, hält einen Master of Arts-Abschluss in Banking und Finance von der Frankfurt School of Finance and Management und promovierte am Lehrstuhl für Finanzwirtschaft an der Technischen Universität Chemnitz über das Thema „Modellierung und empirische Evidenz eines Lebenszyklus bei Hedgefonds“. Auf der akademischen Seite ist Herr Kaiser Research Fellow am Centre for Practical Quantitative Finance der Frankfurt School of Finance and Management.

Stichwortverzeichnis

219

Stichwortverzeichnis

Absolute-Return-Fonds

33, 179 Absolute-Return-Overlay 178, 185 Active Share 140 Aktienmarktkrise 15 Alpha-Strategien 65 Anlagehorizont 37, 40 Asset Allocation 35 f., 38 Asset Backed Securities 105 Asset Based Style-Faktoren 71 Asset-Liability-Management 38 Ausfallwahrscheinlichkeit 131 Autokorrelation 130 Average Drawdown 135

Background-Checks

138 Backwardation 59 f. Bayesianisches Verfahren 90 Behavioural Finance 21 Benchmark 141, 143, 145 Beraterkenntnisse 15 Beta 70 f. 79, 180 Beta-Faktoren 35 Beta-Strategien 65 Beta-Substitution 178, 183, 185 Beta-Transfer 178 Black-Litterman-Modell 89 f. Black-Swan Events 116 Bonitätsrisiko 159 Bootstrap-Verfahren 92, 95 Boxplot 94 Brückenfinanzierung 55 Budgettrennung 162

Calmar Ratio

125 Capital Asset Pricing Model 79, 97, 177 Cash+X-Strategie 113 f. Chicago Mercantile Exchange 58 Committee of European Securities Regulators 183 Commodity Trading Advisors 61 f. Conditional Value-at-Risk 86 ff. Constant-Proportion-Portfolio-Insurance 40, 159 Contango 59 f. Convenience Yield 59 Copula 26 Core Satellite 108 Cornish-Fisher-Erweiterung 130 Cost-Average-Effekt 43 ff.

Dach-Hedgefonds

181 Dealing Days 66 Derivate 61, 152 Direkt-Investment 16 Distressed Securities 64 Distressed-Debt-Fonds 55 Distress-Fall 29 f. Diversifier 30 Diversifikation 15 f., 21, 23 Downside Deviation 124 Drawdown 135 Drei-Fonds-Theorem 97 f. Due Diligence 137 f., 150 Duration 64 Dynamische Asset Allocation 39 f.

D. Söhnholz, Asset Allocation, Risiko-Overlay und Manager-Selektion, DOI: 10.1007/978-3-8349-6315-4, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2010

220

Stichwortverzeichnis

Efficient resampling

91

Effizienzkurve 76 Error Maximization Problem 85, 89, 91 ESG-Ziele 53 ETFs 151 ff. Exchange option 40

Family Offices

Jarque-Bera-Test

123

Jensen Alpha 126

Kapitalmarktlinie 49

Fat Tail 82, 134 Fiduciary-Mandat 163 Finanzkrise 15 f., 23, 31, 195 Futures 151 ff.

Global Macro-Strategie

118 f. Global Tactical Asset Allocation 155 Gründungsfinanzierung 54

Haltekosten

152 Heat Map 27 Hedge Hedge 169, 171 ff. Hedge Ratio 170 Hedgefonds 36 f., 53, 62 f., 65 f., 166, 180 f. Hedgefonds-Index 67 f., 182 Hedgefonds-Rendite 71 Hedgefonds-Replikatoren 169 f. Hedgefonds-Strategie 117

Ideal-Portfolio

Investment-Research 197 Investment-Ziele 18

188, 190 Illiquide Anlagen 176 Illiquidität 34, 52, 98 Illiquiditätsprämie 52 Illiquiditätsrisiko 52 Immobilien 54, 165, 175 Information Ratio 125 Infrastruktur 56 f. Institutionelle Investoren 49 Internal Rate of Return 52 International Financial ReportingStandards 182 Internes Management 121 Investmentfonds 66, 152

79 Katastrophen-Bonds 53 Korrelation 24 ff., 31, 128 Korrelationsanalyse 128 Korrelationskoeffizient 23, 29, 128 Kritischer Rationalismus 20 Kurtosis 122

Langfristanleger

37 Leerverkäufe 34, 36, 179 Liability-Driven-Investments 38 Liquidität 32, 50 f., 53, 97 Liquiditätsrisiko 50 Lock-Up-Periode 66 Long-Bias 104

Managed Account-Plattform

68 Managed Accounts 149 Managed Futures 61 f. Managed Futures-Fonds 53 Managed Futures-Strategie 118 f. Manager-Selektion 17, 121, 136 f., 147 Markowitz, Harry 15, 73 f., 80, 84 f., 89, 91, 96, 195 Markowitz-Optimierung 86 f., 89, 91 f. Marktliquidität 32 Marktportfolio 79 Marktrisiko 64 Marktszenario 23 Maximum Drawdown 125, 135 Maximum Redemption 67 Maximum-Return-Portfolio 78 Mean-Reversion 46, 160 Mean-Variance 74 Merger Arbitrage 64 Mikro-Allokation 191

Stichwortverzeichnis

221

Minimum-Varianz-Portfolio 78 Mischfonds 33 Monitoring 191 Monte-Carlo-Simulation 42 Moving Average Convergence Divergence 159 Multi-Asset Risiko-Overlay Concept 19, 177 Muster-Portfolio 17

87 Optionen 96 Outperformance 140 Outperformance-Möglichkeiten 146 Overlay 155 f., 160, 165 f., 171, 176

Redemption 66 Regime Switches 93 Regime-Switching Modelle 92 Rendite 70 Renditeverteilung 81, 86 f., 122 Replikatoren 170 Return Gap 128 f. Return-to-Variability-Ratio 123 Reward-to-Volatility-Ratio 126 Risikoaversionskoeffizient 89 Risikoaversionsparameter 90 Risikobudget 42 Risikofonds 63 Risikogewichtung 110 Risiko-Management 17, 158 Risikomaß 81 Risiko-Overlay 17, 155, 157 f., 170, 187, 191, 196 Risikozuschläge 52 Rohstoffbörsen 58 Rohstoffe 58 f., 105

Partnership Details

Schätzfehler

Naive Asset Allocation

103, 108 f., 112 Naive Strategische Asset Allocation 19, 102, 195 f. Notice Periods 66

Omega

139 Peer Group 53 Peer Group-Analyse 132 Performance 139 Performance-Gebühr 179 Performance-Messung 121 Pfadabhängigkeit 99 Popper, Karl 20 Portfolio-Optimierung 16, 84 f., 88, 93 f. Portfolio-Rendite 73 Portfolio-Risiko 28, 74 f., 77, 87 Portfolio-Theorie 73 Portfolio-Volatilität 75, 77, 85 Präferenzen 37 Private Equity 53 ff., 105, 166, 175 Private Limited Partnership 63 Prudent Person 193 Public-Private-Partnerschaft 58

Real Estate Investment Trusts Rebalancing 41, 44 f.

54

86, 89 Secondary-Transaktion 55 Semi-Standardabweichung 127 Semi-Varianz 128 Sensitivität 35, 88 Sharpe Ratio 99, 106 ff., 123 f. Side-Pocket-Klausel 67 Single-Asset-Overlay-Mandat 163 Skewness 122 Small-Cap-Aktien 175 Sortino Ratio 124 Standardabweichung 127, 131 Storage-Hypothese 60 Strategische Asset Allocation 18, 33, 38 ff., 51, 100, 191 Stress-Hedge 166 Stress-Phasen 27 f. Stress-Szenario 76 f., 175 Stress-Test 41, 134 Swaps 151 ff. Systematic Commodity 61

222

Taktische Asset Allocation

Stichwortverzeichnis

18, 39 f.,

42, 111 Term Structures 59 Time to Recovery 135 Tobin, James 78 Tracking Error 125, 152 Trendfolgestrategie 117 Treynor Ratio 126

Umkehroptimierung

90 Underperformance 142 ff. Unterwasser-Charts 136 US-Universitätsstiftungen 47 f.

Value-at-Risk

81, 129 Varianz 127 Venture Capital 54 Volatilität 28, 33, 75 ff., 81, 109, 111, 131

Wölbung

123

Zero-based Tactical Asset Allocation 100, 115, 117, 195 f. Zwei-Fonds-Theorem 78