Credit-Spreads, Dispersion und Erkennung von Technologieblasen – Dotcom-Ära versus KI-Phase

1. Einleitung

Technologiegetriebene Aktienbooms werfen immer wieder dieselbe Frage auf: Signalisieren Finanzmärkte eine sich abzeichnende Fragilität vor einer Preiskorrektur – oder beteiligen sie sich kollektiv an einer Phase überhöhter Bewertungen? Der Zusammenbruch der IT- und Telekommunikationsblase in den Jahren 2000–2002 bleibt eine der dramatischsten Episoden einer Bewertungsumkehr an den modernen Kapitalmärkten. Der jüngste Zyklus rund um künstliche Intelligenz (KI) hat erneut eine Debatte darüber ausgelöst, ob die Märkte eine strukturelle Produktivitätstransformation oder die Bildung einer weiteren Technologieblase erleben.

Anleihemärkte gelten häufig als disziplinierter im Vergleich zu Aktienmärkten. Aktieninhaber profitieren von unbegrenztem Aufwärtspotenzial, während Anleihegläubiger in erster Linie einem Abwärtsrisiko ausgesetzt sind. In strukturellen Kapitalstrukturmodellen reagieren Credit-Spreads direkt auf die Volatilität von Vermögenswerten, den Verschuldungsgrad und die Ausfallwahrscheinlichkeit. Wenn sich unter steigenden Bewertungen eine Fragilität aufbaut, sollten sich die Credit-Spreads ausweiten, bevor die Aktienmärkte einbrechen.

Diese Intuition bedarf jedoch einer Präzisierung. Wenn die Aktienmärkte steigen, weil die Diskontierungsraten fallen oder die Bewertungsmultiplikatoren steigen, ohne dass sich gleichzeitig die Bilanzstabilität verschlechtert, können die Credit-Spreads stabil bleiben. Credit-Spreads messen das Ausfallrisiko, nicht die Überbewertung. Die Unterscheidung zwischen Fragilität und Bewertung ist daher von zentraler Bedeutung.

Diese Studie untersucht, ob die Credit-Spreads im IT-Sektor – und vor allem ihre Querschnittsdispersion – Frühwarnsignale während zweier Technologiezyklen enthalten:

1. Die Dotcom-Periode (1997–2001)
2. Die KI-Periode (2025–2026)

Investment-Grade-Anleihen (IG) und High-Yield-Anleihen (HY) werden im empirischen Teil getrennt analysiert.

2. Technologiezyklen: 2000 versus 2026

2.1 Die Dotcom-Phase

Die späten 1990er Jahre waren geprägt von einer außergewöhnlichen Expansion der Aktienbewertungen von Internet- und Telekommunikationsunternehmen. Telekommunikationsbetreiber finanzierten den Ausbau ihrer Infrastruktur mit umfangreichen Anleiheemissionen, darunter große Mengen an High-Yield-Anleihen. Der NASDAQ-Index erreichte Anfang 2000 seinen Höchststand, bevor er stark einbrach.

Die Credit-Spreads weiteten sich erst dramatisch aus, als sich die Refinanzierungsbedingungen verschärften und Zahlungsausfälle eintraten. Während der euphorischen Aufbauphase blieben die Spreads vergleichsweise stabil. Dies wirft die Frage auf, ob die Kreditmärkte während Bewertungsbooms Frühwarnsignale liefern oder ob sie erst reagieren, wenn die Fragilität greifbar wird.

2.2 Die KI-Phase

Die aktuelle KI-getriebene Rallye unterscheidet sich strukturell von der Dotcom-Phase. Die führenden Unternehmen sind hochprofitabel und verfügen über starke Bilanzen. Die Verschuldung bleibt im Vergleich zum Telekommunikationsboom Ende der 1990er Jahre bisher moderat. Die Investitionsausgaben sind zwar hoch, aber die interne Finanzierungskapazität ist beträchtlich. In diesem Umfeld ist es nicht offensichtlich, dass sich die Spreads ausweiten sollten, es sei denn, die Fragilität nimmt tatsächlich zu.

3. Theoretischer Rahmen

3.1 Strukturelles Kreditrisiko und das Merton-Modell

Im Merton-Modell (1974) kann Eigenkapital als Kaufoption auf den Unternehmenswert interpretiert werden, während Fremdkapital einer risikofreien Anleihe abzüglich einer Verkaufsoption auf den Unternehmenswert entspricht:

wobei E_T und B_T die Werte des Eigenkapitals bzw. der Verbindlichkeiten zum Zeitpunkt T bezeichnen, V_T der Wert der Vermögenswerte des Unternehmens zum Zeitpunkt T ist und D der Nominalwert der zum Zeitpunkt T fälligen Verbindlichkeiten.

Abbildung 1 zeigt das Auszahlungsprofil der Anleihe und des Eigenkapitals des Unternehmens als Funktion des Wertes der Vermögenswerte des Unternehmens.

Die Auszahlung der Anleihe ist nach oben auf den Nennwert der Schulden begrenzt (der Einfachheit halber wird hier eine Nullkuponanleihe angenommen), sinkt jedoch mit sinkendem Unternehmenswert auf null. Das Eigenkapital hingegen ist eine nachrangige Forderung gegenüber der Anleihe mit unbegrenztem Aufwärtspotenzial, aber nach unten auf null begrenzt. Das erklärt, warum Credit-Spreads und Eigenkapital desselben Unternehmens unterschiedliche Dynamiken aufweisen:

Die Credit-Spreads des Unternehmens steigen insbesondere mit:

• höherer Volatilität der Vermögenswerte,
• höherem Verschuldungsgrad,
• niedrigerer Distance-to-Default.

Entscheidend ist, dass eine Bewertungsausweitung allein nicht zwangsläufig höhere Spreads bedeutet. Wenn die Vermögenswerte im Verhältnis zur Verschuldung steigen, kann die Verschuldungsquote sinken und die Spreads können sich sogar verringern. Daraus lässt sich schließen, dass Credit-Spreads Indikatoren für Fragilität und nicht für eine übermäßige Bewertung sind.

3.2 Dispersion als Indikator für latente Volatilität

Wenn die Asset-Volatilität zwischen Unternehmen in heterogener Weise zunimmt, sollte die Querschnittsdispersion der Spreads steigen. Diese Dispersion kann auf zwei verschiedene Arten gemessen werden:

1. Dispersion der Niveaus: Standardabweichung der Credit-Spreads
2. Dispersion der Veränderungen: Standardabweichung der Veränderung der Credit-Spreads

In strukturellen Modellen sagt eine steigende Volatilität eine anschließende Ausweitung der durchschnittlichen Spreads voraus, insbesondere für Unternehmen mit niedrigerem Rating. Die Querschnittsdispersion der Spreads oder Spread-Veränderungen kann als Proxy für ungleichmäßig verteilte Anstiege der Vermögensvolatilität dienen und somit potenziell als Frühwarnsignal für eine anschließende Ausweitung.

3.3 Sektorspezifische Excess-Spreads

Makroökonomische Schocks wirken sich auf alle Sektoren aus. Um die spezifische Fragilität im IT-Sektor zu isolieren, definieren wir:

d. h., die Änderung des Excess-Spreads im IT-Sektor ist definiert als die Spreadänderung in diesem Sektor abzüglich der durchschnittlichen Spreadänderung am Markt. Wenn die Fragilität des IT-Sektors zunimmt, sollten sich die Excess-Spreads ausweiten und eine unterdurchschnittliche Performance des Sektors vorhersagen. Daher sollte die Veränderung der Excess-Spreads eine wichtige Variable sein und in jede Analyse des Informationsgehalts von Credit-Spreads einbezogen werden.

4. Daten und Methodik

Credit-Spreads für den IT-Sektor werden aus individuellen Anleihedaten erstellt. Wir verwenden das schlechteste Rating der drei großen Ratingagenturen Moody’s, Standard & Poor’s und Fitch, um eine Anleihe entweder in die IG- oder die HY-Stichprobe einzuordnen. Wir verwenden tägliche Daten zu Indexspreads von Bloomberg und der Intercontinental Exchange. Für den Dotcom-Zeitraum (1997–2001) liegen uns nur Anleihe-Daten auf monatlicher Basis vor. Für den KI-Zeitraum (2025–Mitte Februar 2026) verwenden wir tägliche Indexkomponenten. Alle Daten auf individueller Anleiheebene stammen von der Intercontinental Exchange. Die Aktienrenditen beziehen sich auf den NASDAQ-Aktienindex.

Um unsere Frage zu beantworten, ob Credit-Spreads Informationen über spätere Aktienrenditen enthalten, führen wir die folgenden Analysen durch:

1. Prognostizierende Regressionen der Aktienrenditen auf verzögerte Spread-Veränderungen,
2. Analysen von Sektor-Spreads und -spreadänderungen,
3. Regressionen von Spread-Veränderungen auf die um eine Periode verzögerte Dispersion und
4. die folgende asymmetrische Regression:

bei der die Aktienrendite r_t auf die Spreadveränderung der Vorperiode, ∆s_t-1, regressiert wird, wobei die Koeffizienten in den Fall, dass diese Aktienrendite positiv ist, und den Fall, dass sie negativ ist, aufgeteilt werden, um asymmetrische Effekte in Abwärts- und Aufwärtsmärkten zu überprüfen.

5. Empirische Ergebnisse

Die folgenden Ergebnisse werden separat für die Sektoren Investment Grade (IG) und High Yield (HY) sowie für die beiden Zeiträume, die die Dotcom-Blase (1997–2001) und die KI-Blase (2025–2026, täglich und wöchentlich) umfassen, gezeigt. Dabei führen wir die vier oben beschriebenen Analysen durch.

5.1 Prognostizierende Regressionen: Absolute und Excess-Spread-Veränderungen

5.1.1 KI-Phase (täglich)

Wir schätzen:

und

Die Ergebnisse sind in Tabelle 1 dargestellt.

Tabelle 1: KI-Periode – tägliche prädiktive Regressionen

Für das IG-Segment ergibt sich:

• Eine Ausweitung um 10 Basispunkte (0,10 %) sagt eine Rendite des NASDAQ am nächsten Tag von etwa −4,6 Basispunkten voraus.
• Das Ergebnis bleibt bei Verwendung von Excess-Spreads im Wesentlichen unverändert, was bestätigt, dass das Signal sektorspezifisch ist.

Für das HY-Segment zeigt sich:

• HY-Spreads sind statistisch signifikant, aber auf Indexebene ökonomisch zu vernachlässigen.
• Eine Ausweitung um 10 Basispunkte sagt eine Veränderung des NASDAQ-Index von weniger als einem Basispunkt voraus.

Somit enthalten IG-Spreads auf Tagesbasis ökonomisch aussagekräftige Prognoseinformationen, HY-Spreads auf Indexebene hingegen nicht.

5.1.2 KI-Phase (wöchentlich)

Wir aggregieren die Daten für den Zeitraum 2025/26 auf wöchentlicher Basis und wiederholen die Analyse unter Verwendung der Excess-IT-Spreads.

Tabelle 2: KI-Phase – wöchentliche Excess-Spread-Regressionen

Die Ergebnisse zeigen:

• Das Ergebnis der Verwendung wöchentlicher IG-Excess-Spreads bleibt ökonomisch gesehen groß.
• HY wird bei wöchentlicher Frequenz statistisch stärker, ist aber ökonomisch immer noch geringer als IG.

Dies deutet darauf hin, dass HY mehr Rauschen enthält. Da der NASDAQ die größten Technologieunternehmen umfasst, enthalten die Spreads von Hochzinsanleihen möglicherweise Informationen, die für große NASDAQ-Unternehmen weniger relevant sind.

5.1.3 Dotcom-Periode (monatlich)

Wir wiederholen die Analyse auch unter Verwendung monatlicher Daten für die Dotcom-Periode.

Tabelle 3: Dotcom – monatliche prädiktive Regressionen

Interpretation:

Es gibt keine robuste Evidenz bei monatlicher Datenfrequenz. Die HY-Koeffizienten sind positiv und monatlich nur grenzwertig signifikant. Dieses Ergebnis steht nicht im Einklang mit einer eindeutigen Interpretation, wonach Fragilität vorlaufende Information für Aktienkurse hat, und spiegelt wahrscheinlich die niedrigere Frequenz der Daten und die begrenzte Stichprobengröße wider.

5.2 Asymmetrie der Spread-Effekte

Als Nächstes untersuchen wir die Asymmetrie in der Beziehung zwischen Spreads und Aktienrenditen mithilfe der obigen Gleichung (3). Die Ergebnisse sind in Tabelle 4 dargestellt:

Tabelle 4: Asymmetrische Spread-Aktien-Sensitivitäten

Die Ergebnisse zeigen:

• In der KI-Phase beeinflussen IG-Spreads die Aktienrenditen nur in Abwärtsmärkten signifikant.
• Die Auswirkungen in Aufwärtsmärkten sind zu vernachlässigen.
• HY zeigt eine schwächere Asymmetrie.
• Während Dotcom ist der IG-Koeffizient in Abwärtsmärkten ökonomisch bedeutsam, aber nur grenzwertig signifikant (wahrscheinlich aufgrund der Einschränkungen durch die Verwendung von Monatsdaten).
• Der stark positive Koeffizient in Aufwärtsmonaten spiegelt wahrscheinlich eher Trendumkehr und Einschränkungen resultierend aus der monatlichen Daten-Aggregation wider als einen strukturellen Mechanismus.

Dies bestätigt die strukturelle Vorhersage: Spreads sind vor allem dann von Bedeutung, wenn Fragilität auftritt.

5.3 Dispersion als Signal für Fragilität

Wir testen, ob die Querschnittsdispersion eine zukünftige Spread-Ausweitung vorhersagt, indem wir die beiden in Abschnitt 3.2 beschriebenen Maße verwenden.

5.3.1 KI-Phase (tägliche Daten)

Tabelle 5: KI – Dispersion und Spread-Ausweitungen

Die Ergebnisse zeigen:

• Keine konsistente positive Beziehung.
• HY weist einen signifikanten, aber negativen Koeffizienten auf (Mean Reversion).
• Die Dispersion funktioniert in der KI-Phase nicht als Warnsignal.

5.3.2 Dotcom-Periode (monatliche Daten)

Tabelle 6: Dotcom – Dispersion prognostiziert Spread-Ausweitung (ausgewählte Darstellung)

Für die Dotcom-Daten ergibt sich:

• Für HY sagt die Dispersion eine zukünftige Ausweitung signifikant voraus.
• Dies entspricht genau den Vorhersagen der Strukturtheorie bei steigender Fragilität.
• Für IG sind die Ergebnisse schwächer und teilweise gegensätzlich.

Somit lassen sich die Unterschiede zwischen den beiden Zeiträumen wie folgt zusammenfassen:

Die Dispersion von Credit-Spreads fungiert nur dann als Fragilitätssignal, wenn das Ausfallrisiko deutlich ansteigt.

6. Zusammenfassung der Ergebnisse

Wenn wir die empirischen Ergebnisse zusammenfassen, stellen wir Folgendes fest:

1. IG-Excess-Spreads sagen schwächere Aktienmärkte in der KI-Phase voraus.
2. Asymmetrie ist für IG in der KI-Phase stark.
3. Dispersion ist ein guter Indikator für Spread-Ausweitungen bei HY-Bonds während der Dotcom-Periode.
4. Dispersion sagt keine Spread-Ausweitungen in der KI-Phase voraus, was mit dem Fehlen systemischer Fragilität im Einklang steht.

Die quantitativen Daten stützen daher eine regimeabhängige Sichtweise:

• Credit-Spreads – insbesondere Excess-Spreads im betroffenen Sektor – sagen eine Schwäche der Aktienmärkte voraus, wenn Fragilität auftritt.
• Die Querschnittsdispersion fungiert als Warnsignal in Segmenten mit niedrigerem Rating, wenn die Volatilität steigt.
• Während bewertungsgetriebener Expansionsphasen ohne steigendes Ausfallrisiko sind weder Spreads noch Dispersion konsistente Vorläufer für die Aktienmärkte.

7. Schlussfolgerung

Credit-Spreads sind keine allgemeingültigen Frühindikatoren für Aktienblasen. Ihre Vorhersagekraft hängt ab von:

• finanzieller Fragilität im Markt,
• dem Ratingsegment,
• dem Anstieg von Volatilität und Verschuldungsgrad.

In der KI-Phase enthalten IG-Excess-Spreads kurzfristige Informationen, vor allem bei fallenden Aktienmärkten. Dispersion signalisiert in diesem Regime keine systemische Instabilität. In der Dotcom-Phase sagte die HY-Dispersion eine anschließende Spread-Ausweitung voraus, was im Einklang mit der volatilitätsgetriebenen Fragilitätsdynamik steht.

Unsere zentrale Schlussfolgerung lautet daher:

Credit-Spreads warnen vor steigendem Ausfallrisiko und Volatilität – nicht allein vor übertriebenen Bewertungen.