Wie smarte Faktoren die Performance optimieren

Wie schafft es Quoniam, in puncto Performance-Treiber stets einen Schritt voraus zu sein?

Das Schöne an der Kapitalmarkttheorie ist, dass wir wissen, dass sich Renditen durch eine zugrunde liegende Faktorstruktur erklären lassen. Diese Faktoren sind bestimmte Unternehmensmerkmale, die durchweg zu besseren risikobereinigten Renditen führen. Mit Factor Investing wird versucht, diese Prämien zu nutzen.

Leider ist nicht genau bekannt, um welche Faktoren es sich dabei handelt. In jahrzehntelanger Forschung hat sich gezeigt, dass sich Bewertung, Qualität und Sentiment zur Vorhersage von Aktienrenditen eignen.[1] Zwar ist der Grundgedanke dieser drei Säulen der Anlage weiterhin korrekt, doch mussten die darauf basierenden Modelle ständig verfeinert werden, um alle relevanten Aspekte zu erfassen.

Aus diesem Grund unterscheiden sich Smart-Beta- und Faktor-Strategien in der Definition der Faktoren. Viele Faktoransätze verwenden vergleichsweise einfache, oft eindimensionale Definitionen von Faktoren – ein typisches Merkmal von Smart-Beta-Strategien, die sich auf bestimmte Kennzahlen wie Qualität oder Bewertung stützen. Die Modelle von Quoniam hingegen basieren auf innovativen Faktoren, die neben mehr Daten auch Informationen aus unserem eigenen Research und Machine Learning enthalten.

Das nachstehende Diagramm zeigt den Unterschied zwischen einem einfachen Faktoransatz und der ausgefeilteren, datengesteuerten Methode von Quoniam.

Auf der linken Seite sind Beispiele für einfache Faktoren dargestellt, die üblicherweise in traditionellen Modellen verwendet werden: Das Kurs-Gewinnverhältnis wird mit dem Value-Stil in Verbindung gebracht, die Eigenkapitalrendite mit Qualität und der 12-Monats-Kurs wird zur Messung von Momentum/Sentiment verwendet. Diese einfachen Indikatoren erfassen jedoch oft nicht die Komplexität der Markttreiber und können durch veraltete Annahmen oder Datenbeschränkungen eingeschränkt werden.

Quoniam unterteilt diese Stile in Composite-Faktoren, um feinere Signale zu erfassen. Wie rechts zu sehen ist, erfolgt dies in mehreren Schritten. So besteht der Stil „Bewertung” beispielsweise aus vier Composite-Faktoren: bilanzielle Bewertung, operative Bewertung, Rendite und immaterielle Bewertung. Jeder Composite-Faktor wird durch mehrere zugrunde liegende Metriken bzw. Basisfaktoren erklärt, um alle relevanten Aspekte zu erfassen. Die immaterielle Bewertung setzt sich beispielsweise aus Patentwerten, dem Wissenskapital und den nicht aktivierten Vermögensgegenständen zusammen. Insgesamt verwendet Quoniam derzeit zehn zugrunde liegende Basisfaktoren für den Composite-Faktor „Bewertung“.

Unser Prognosemodell umfasst 16 Composite-Faktoren, von denen jeder bis zu sieben eigens definierte Kennzahlen mit der höchsten langfristigen Erklärungskraft enthält. Insgesamt ergeben sich so über 60 Einzelkennzahlen. Dieses erweiterte Faktormodell ermöglicht ein detaillierteres und robusteres Verständnis dessen, was die Unternehmensperformance und die Aktienrenditen wirklich antreibt.

Durch die Berücksichtigung all dieser Dimensionen und deren ständige Verfeinerung erreichen wir ein ausgewogenes Engagement in allen Faktorgruppen auf Portfolioebene.

Welche weiteren Merkmale zeichnen euer Modell aus?

Erstens ist die Gewichtung der einzelnen Faktoren entscheidend für die Steigerung der Rendite. Die dynamische Gewichtung der Faktoren ähnelt einem „Hau den Maulwurf“-Spiel: Die Maulwürfe stellen potenzielle Quellen von Überrenditen dar und der Spieler versucht ständig, dem Spiel voraus zu sein, indem er seine Strategien verfeinert. So wie die Maulwürfe zu unerwarteten Zeiten und an unerwarteten Orten auftauchen, kann die Wirksamkeit von Faktordefinitionen mit der Zeit nachlassen. Es ist ein ständiges Spiel der Anpassung und Verfeinerung. Wir verwenden eine sich weiterentwickelnde Gewichtung, um einerseits eine stabile Allokation der Modellkomponenten zu gewährleisten und andererseits auf Marktbewegungen zu reagieren.

Zweitens beziehen wir neben bewährten Bilanzdaten auch Informationen über Leerverkäufe, Directors‘ Dealings, externe Fondsbeteiligungen und immaterielle Vermögenswerte ein. Zu den immateriellen Vermögenswerten gehört geistiges Eigentum wie z. B. Patente. Im Gegensatz zu materiellen Vermögenswerten werden sie nicht in der Bilanz ausgewiesen. Nach traditionellen Bewertungsmaßstäben erscheinen Unternehmen mit Geschäftsmodellen, die sich auf immaterielle Vermögenswerte stützen, überbewertet, da ihre Buchwerte niedrig erscheinen.

Kannst du ein Beispiel für eine konkrete Verbesserung der Quoniam Alpha-Engine nennen?

Im Jahr 2024 haben wir eine Reihe bedeutender Verbesserungen vorgenommen. So haben wir beispielsweise den Kursmomentum-Faktor optimiert und dadurch die Vorhersagekraft erhöht. Dabei haben wir erkannt, dass sich Momentum-Effekte häufig auch auf andere Unternehmen auswirken, die von denselben Analysten bewertet werden.

Im Einklang mit unserem Bestreben, unser Modell kontinuierlich weiterzuentwickeln, setzen wir zudem Machine Learning ein, um nichtlineare Effekte wie Interaktionen oder Verstärkungen zwischen Faktoren zu erfassen. Seit 2018 nutzen wir hierfür die maschinelle Lerntechnik „Gradient Boosted Trees”, die wir in realen Portfolios gründlich getestet haben. Im Rahmen unseres kontinuierlichen Engagements für Innovationen erforschen wir derzeit Large Factor Models, um die Vorhersagefähigkeiten unseres Modells weiter zu verbessern.

Was macht Large Factor Models zu einem so interessanten Machine-Learning-Framework?

Aufgrund ihrer Fähigkeit, komplexe Muster in hochdimensionalen Daten zu erfassen, sind Large-Factor-Modelle ein besonders interessanter Machine-Learning-Ansatz für das Asset Management. Im Zuge der Weiterentwicklung des maschinellen Lernens untersuchen wir derzeit, wie sich Large-Factor-Modelle neben unseren bestehenden linearen Modellen integrieren lassen. Jüngste wissenschaftliche Erkenntnisse legen nahe, dass Modelle, die Trainingsdaten perfekt erklären, auch außerhalb der Trainingsdaten eine stabile und überlegene Leistung erbringen können. Stabile Modelperformance trotz tausender Parameter stellt die traditionellen Annahmen der Ökonometrie infrage. Unsere ersten Ergebnisse sind sehr vielversprechend, ihre Robustheit muss jedoch in realen Investmentumgebungen weiter empirisch validiert werden.

Welche Vorteile hat ein systematischer Ansatz und was empfiehlst du Investoren?

Systematisches Investieren wird oft als „Black Box” missverstanden, aber in Wirklichkeit ist das Gegenteil der Fall. Ein quantitativer Ansatz ermöglicht volle Transparenz bei den Renditetreibern, der Performance-Attribution und den Gründen für jede Anlageentscheidung. Jedes Element des Modells kann aufgeschlüsselt und geprüft werden. Dadurch wird ein Maß an Klarheit erreicht, das bei diskretionären Strategien oft schwer zu realisieren ist.

Über die Transparenz hinaus bieten systematische Strategien Anlegern weitere erhebliche Vorteile. Dazu gehören der Zugang zu breit diversifizierten Portfolios, die Möglichkeit, nichtlineare Effekte durch maschinelles Lernen zu erfassen, sowie die dynamische, effizienzbasierte Gewichtung von Renditetreibern. All dies erhöht die Anpassungsfähigkeit und Robustheit in einem sich verändernden Marktumfeld.

Meine Empfehlung an die Anleger lautet daher: Lassen Sie sich nicht vom Faktor-Trugschluss täuschen! Sich auf vereinfachte oder statische Faktordefinitionen zu verlassen, führt oft zu suboptimalen Ergebnissen. Schauen Sie stattdessen nach Modellen, die kontinuierlich verfeinert und empirisch validiert werden. Nur Modelle, die sich mit den Daten weiterentwickeln, erfassen die Komplexität und das vollständige Potenzial der heutigen Märkte.