Mit Faktor-Investing erfolgreiche Unternehmen identifizieren

Schlagworte: ,

Bewertung,
Qualität, niedrige Volatilität und Marktstimmung – das sind vier Faktoren, die
jedem Investor bekannt vorkommen sollten. Sie bilden die Grundlage des
sogenannten Factor Investing, also eines Anlagegrundsatzes, der auf Basis
bestimmter Faktoren in Aktien investiert. Nach Ansicht von Gideon Smith,
Europa-CIO von AXA IM Rosenberg Equities, enthalten Faktoren Informationen über
den zukünftigen Erfolg eines Unternehmens. „Bewertung und Qualität helfen uns,
stabile, unterbewertete Unternehmen zu finden. Und Faktoren wie Marktstimmung
können dazu beitragen, Unternehmen zu identifizieren, die hohes Wachstum und
Erfolge erwarten lassen“, so Smith. Die Kunst beim Factor Investing sei es,
eben diese Informationen deuten zu können. Dabei verlassen die
Rosenberg-Experten sich nicht allein auf Fundamentaldaten, sondern greifen auf
unterschiedliche Modelle künstlicher Intelligenz zurück. 

Researchals Basis

„Die
erste Voraussetzung für erfolgreiches Factor Investing ist, dass es aktiv und
researchorientiert ist, da es Erträge über die Rendite einer – meist
effizienten – Marktbenchmark erwirtschaften muss“, erläutert Smith. Jeder
Faktorstrategie gehe ein Versprechen voraus, etwa eine Wertentwicklung über der
Benchmark, höhere Dividenden oder weniger Konjunktursensitivität. Ein Beispiel
für ein Faktorportfolio sei die beliebte Low-Volatility-Strategie. Es
verspricht unterdurchschnittliche Kursvolatilität – durch die Auswahl von
Aktien, die im Schnitt weniger schwanken. „Um solche Grundlagen in Faktoren zu
überführen und dann diversifizierte Portfolios zusammenzustellen, sind
Investmentkompetenz, fundierte Analysen und korrekte Daten unumgänglich“, so der
Experte.

Fundamentaldaten
und Statistik

Um
beispielsweise die zukünftige Aktienkursvolatilität zu prognostizieren, müsse
mitunter vorausgesehen werden, wie erfolgreich oder erfolglos ein Unternehmen
sein wird. Dies geschieht Smith zufolge mithilfe von Fundamentaldaten. „Doch
zweifellos ist auch eine gewisse Modellierungskompetenz nötig. Wie schwer
zukünftige Unternehmenserfolge zu prognostizieren sind, sieht man am Beispiel
von Next, einem britischen Einzelhandelsunternehmen, dessen Kursvolatilität 2016
und 2017 deutlich gestiegen ist. Next litt unter der höheren Inflation aufgrund
der Pfundschwäche nach dem Brexit-Referendum. Hinzu kamen Sektorverschiebungen;
es wurde weniger Bekleidung gekauft“, erläutert Smith.

Volatilitätssprünge
sind dem Experten zufolge nur schwer zu antizipieren und alles andere als
linear. Empirische Modelle, die auch mit ungewöhnlichen nichtlinearen
Ergebnissen fertig werden, können hier Abhilfe schaffen. Rosenberg nutzt dazu
zwei unterschiedliche Algorithmen: künstliche neuronale Netze und das
Random-Forest-Modell. Während erstere mithilfe von plausiblen Inputvariablen
eine bestimmte Entwicklung vorhersagen, erweist sich zweiteres als sehr
effizient, wenn es darum geht, in großen Datenmengen wichtige Zusammenhänge
herauszufiltern. „Mit dieser Form des maschinellen Lernens können wir Aktien
finden, bei denen Volatilitätssprünge zu erwarten sind. Darauf schließen wir
sie aus den niedrigvolatilen Portfolios aus, um beste Ergebnisse zu erzielen.“

Maschinelles
Lernen als Ergänzung

Die
Analyse auf Basis dieser Techniken habe bereits zu einer deutlichen
Verbesserung gegenüber einem einfacheren linearen Modell geführt. „In Backtests
erwies sich das naive Modell bei der Prognose extremer Erträge in 73 Prozent
aller Fälle als richtig. Mit den Techniken des maschinellen Lernens ließ sich
die Quote auf 86 Prozent steigern, also um 13 Prozentpunkte“, berichtet Smith.

Modernere
Techniken der Dateninterpretation können dem Experten zufolge also einen
traditionelleren, eher fundamentalen quantitativen Modellansatz verbessern.
„Wir meinen, dass die Anwendung solcher Techniken zu neuen Erkenntnissen führen
kann, wenn es keinen etablierten ökonomischen Rahmen für statistische
Zusammenhänge gibt. Allerdings muss der Analyst akzeptieren, dass die Daten den
statistischen Modellzusammenhang festlegen“, so Smith.

Wichtig sei daher Transparenz bei der Nutzung
und die Pflege dieser Techniken. „Die genannten Modelle sind durch öffentliche
Code-Bibliotheken leicht zugänglich, aber ihre Interpretation und ihr Nutzen
für Vermögensmanagement- und Altersvorsorgesysteme müssen klar sein. Erst dann
ist eine praktische Anwendung möglich“, schließt der Experte.