Das Ziel der vorliegenden Masterarbeit ist es zu untersuchen, ob aktiv gemanagte Fonds während der Covid-19-Pandemie gegenüber vorherigen Vergleichsjahren eine bessere finanzielle Performance als passiv gemanagte Fonds erzielen konnten. Dazu wurde in einem ersten Schritt der aktuelle Forschungsstand zum Performancevergleich zwischen aktiv und passiv gemanagten Fonds während der Covid-19-Pandemie aufgearbeitet. Im zweiten Schritt erfolgte eine eigene empirische Analyse für zwei selbst gebildete Vergleichsgruppen "Aktien Welt" und "Aktien Europa", wobei im Rahmen einer Detailanalyse insbesondere Risikokennzahlen berechnet und diskutiert wurden. Zusätzlich wurden im Rahmen der Detailanalyse kritische Erfolgsfaktoren für die Outperformance einzelner Fonds erarbeitet. Abschließend wurden auf Grundlage der Forschungsergebnisse allgemeine Handlungsempfehlungen für Investoren, Fondsmanager und Kooperationspartner entwickelt.
Inhaltsverzeichnis
I. Abbildungsverzeichnis
II. Tabellenverzeichnis
III. Abkürzungsverzeichnis
IV. Formelverzeichnis
1. Einleitung
1.1 Problemstellung
1.2 Zielsetzung, Abgrenzung und Methodik der Masterarbeit
1.3 Aufbau der Masterarbeit
2. Theoretische Fundierung
2.1 Definition der Performancemaße
2.2 Grundlagen des Portfoliomanagements
2.2.1 Portfoliotheorie
2.2.2 Capital Asset Pricing Model (CAPM)
2.3 Kapitalmarkteffizienz
2.3.1 Effizienzmarkthypothese
2.3.2 Behavioral Finance und Kursanomalien
2.4 Aktives Portfoliomanagement
2.4.1 Einführung in aktives Portfoliomanagement
2.4.2 Aktienanalyse
2.4.3 Anlagestile im aktiven Portfoliomanagement
2.5 Passives Portfoliomanagement
2.5.1 Einführung in passives Portfoliomanagement
2.5.2 Indexfonds und Exchange Traded Funds (ETFs)
2.5.3 Bewertung des passiven Portfoliomanagements
3. Forschungsdesign
3.1 Beschreibung und Abgrenzung der Analyse
3.2 Methodenkritik
3.3 Benchmarks der Performanceanalyse
4. Aktuelle Studienlage zum Performancevergleich aktiv und passiv gemanagter Fonds
5. Forschungsergebnisse der empirischen Analyse
5.1 Performancevergleich
5.1.1 Vergleichsgruppe „Aktien Welt“
5.1.2 Vergleichsgruppe „Aktien Europa“
5.2 Detailanalyse in der Vergleichsgruppe "Aktien Welt"
5.2.1 DPAM Welt
5.2.2 Allianz Fonds
5.2.3 Acatis Fonds
5.2.4 Erste Fonds
5.2.5 Robeco Fonds
5.3 Detailanalyse in der Vergleichsgruppe „Aktien Europa“
5.3.1 DPAM Europa
5.3.2 DWS Fonds
5.3.3 Principal Fonds
5.3.4 BL Fonds
5.3.5 Uni Fonds
6. Interpretation der Forschungsergebnisse
6.1 Interpretation der Forschungsergebnisse „Aktien Welt“
6.2 Interpretation der Forschungsergebnisse „Aktien Europa“
6.3 Kritische Erfolgsfaktoren und Erarbeitung von Handlungsempfehlungen
7. Fazit
Literaturverzeichnis
Abstract
Das Ziel der vorliegenden Masterarbeit war es zu untersuchen, ob aktiv gemanagte Fonds während der Covid-19-Pandemie gegenüber vorherigen Vergleichsjahren eine bessere finanzielle Performance als passiv gemanagte Fonds erzielen konnten. Dazu wurde in einem ersten Schritt der aktuelle Forschungsstand zum Performancevergleich zwischen aktiv und passiv gemanagten Fonds während der Covid-19-Pandemie aufgearbeitet. Im zweiten Schritt erfolgte eine eigene empirische Analyse für zwei selbst gebildete Vergleichsgruppen „Aktien Welt“ und „Aktien Europa“, wobei im Rahmen einer Detailanalyse insbesondere Risikokennzahlen berechnet und diskutiert wurden. Im Hinblick auf die Forschungsfrage lassen sich unterschiedliche Ergebnisse festhalten. In der Vergleichsgruppe „Aktien Welt“ wurde insgesamt eine schwache finanzielle Performance aktiv gemanagter Fonds festgestellt, wohingegen zumindest im Jahr 2020 vor allem auf Risikoebene positive Resultate zu beobachten waren. In der Vergleichsgruppe „Aktien Europa“ konnte eine eher positive finanzielle Performance festgehalten werden. Auch hier wurden im Jahr 2020 vor allem auf Risikoebene positive Ergebnisse identifiziert. Zusätzlich wurden im Rahmen der Detailanalyse kritische Erfolgsfaktoren für die Outperformance einzelner Fonds erarbeitet. Abschließend wurden auf Grundlage der Forschungsergebnisse allgemeine Handlungsempfehlungen für Investoren, Fondsmanager und Kooperationspartner entwickelt.
The objective of this master thesis was to analyze whether actively managed funds outperformed passively managed funds during the Covid-19-pandemic compared to previous years. To do this, the first step was to review the current state of research on the performance comparison between actively and passively managed funds during the Covid-19-pandemic. In a second step, an empirical analysis was conducted for two self-developed comparison groups "World Equities" and "European Equities". In the context of a detailed analysis, risk indicators were analyzed and discussed. With focus on the research question, different results can be noted. In the comparison group "Equities World", a weak financial performance of actively managed funds was found overall, whereas positive results were observed at least in 2020, especially on the risk level. In the peer group "Equities Europe", a rather positive financial performance was recorded. Here, too, positive results were identified in 2020, especially on the risk level. In addition, critical success factors for the outperformance of individual funds were identified in the detailed analysis. In conclusion, general recommendations for investors, fund managers and cooperation partners were developed based on the research results.
aktives Portfoliomanagement
passives Portfoliomanagement
Performancevergleich
Covid-19-Pandemie
active portfolio management
passive portfolio management
performance comparison
Covid-19-pandemic
I. Abbildungsverzeichnis
Abb. 1. Diversifikationswirkung im Zwei-Anlagen-Fall
Abb. 2. Die Effizienzkurve im Rendite-Risiko-Diagramm
Abb. 3. Die Kapitalmarktlinie im CAPM
Abb. 4. Die Wertpapierlinie im CAPM
Abb. 5. Ländergewichtung MSCI World Index
Abb. 6. Branchengewichtung MSCI World Index
Abb. 7. Ländergewichtung MSCI Europe Index
Abb. 8. Branchengewichtung MSCI Europe Index
Abb. 9. Renditeverteilung 2020 „Aktien Welt"
Abb. 10. Renditeverteilung 2021 „Aktien Welt“
Abb. 11. Renditeverteilung 2020 "Aktien Europa"
Abb. 12. Renditeverteilung 2021 "Aktien Europa"
Abb. 13. Ländergewichtung DPAM Welt
Abb. 14. Branchengewichtung DPAM Welt
Abb. 15. Performance MSCI World ETF & DPAM Welt
Abb. 16. Ländergewichtung Allianz Fonds
Abb. 17. Branchengewichtung Allianz Fonds
Abb. 18. Performance MSCI World ETF & Allianz Fonds
Abb. 19. Ländergewichtung Acatis Fonds
Abb. 20. Branchengewichtung Acatis Fonds
Abb. 21. Performance MSCI World ETF & Acatis Fonds
Abb. 22. Ländergewichtung Erste Fonds
Abb. 23. Branchengewichtung Erste Fonds
Abb. 24. Performance MSCI World ETF & Erste Fonds
Abb. 25. Ländergewichtung Robeco Fonds
Abb. 26. Branchengewichtung Robeco Fonds
Abb. 27. Performance Robeco Fonds & MSCI World ETF
Abb. 28. Ländergewichtung DPAM Europa
Abb. 29. Branchengewichtung DPAM Europa
Abb. 30. Performance DPAM Europa & MSCI Europe ETF
Abb. 31. Ländergewichtung DWS Fonds
Abb. 32. Branchengewichtung DWS Fonds
Abb. 33. Performance DWS Fonds & MSCI Europe ETF
Abb. 34. Ländergewichtung Principal Fonds
Abb. 35. Branchengewichtung Principal Fonds
Abb. 36. Performance Principal Fonds & MSCI Europe ETF
Abb. 37. Ländergewichtung BL Fonds
Abb. 38. Branchengewichtung BL Fonds
Abb. 39. Performance BL Fonds & MSCI Europe ETF
Abb. 40. Ländergewichtung Uni Fonds
Abb. 41. Branchengewichtung Uni Fonds
Abb. 42. Performance Uni Fonds & MSCI Europe ETF
II. Tabellenverzeichnis
Tab. 1. Ergebnisse der Aktiv-Passiv-Barometer
Tab. 2. Ergebnisse der Aktiv-Passiv-Navigatoren
Tab. 3. Ergebnisse der Aktiv versus Passiv-Studien – nach Anzahl gewichtet
Tab. 4. Ergebnisse der Aktiv versus Passiv-Studien – nach Volumen gewichtet
Tab. 5. Ergebnisse Performancevergleich „Aktien Welt“
Tab. 6. Ergebnisse Performancevergleich "Aktien Europa"
Tab. 7. Stammdaten Detailanalyse "Aktien Welt"
Tab. 8. Kennzahlenvergleich DPAM Welt & MSCI World ETF
Tab. 9. Kennzahlenvergleich Allianz Fonds & MSCI World ETF
Tab. 10. Kennzahlenvergleich Acatis Fonds & MSCI World ETF
Tab. 11. Kennzahlenvergleich Erste Fonds & MSCI World ETF
Tab. 12. Kennzahlenvergleich Robeco Fonds & MSCI World ETF
Tab. 13. Stammdaten Detailanalyse "Aktien Europa"
Tab. 14. Kennzahlenvergleich DPAM Europa & MSCI Europe ETF
Tab. 15. Kennzahlenvergleich DWS Fonds & MSCI Europe ETF
Tab. 16. Kennzahlenvergleich Principal Fonds & MSCI Europe ETF
Tab. 17. Kennzahlenvergleich BL Fonds & MSCI Europe ETF
Tab. 18. Kennzahlenvergleich Uni Fonds & MSCI Europe ETF
III. Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
IV. Formelverzeichnis
Formel 1. Berechnung diskreter Renditen
Formel 2. Berechnung stetiger Renditen
Formel 3. Berechnung der Standardabweichung
Formel 4. Annualisierung der Volatilität
Formel 5. Berechnung der Sharpe Ratio
Formel 6. Bestimmung der erwarteten Rendite eines Wertpapiers im CAPM
1. Einleitung
1.1 Problemstellung
Am 07.01.2020 wurde durch chinesische Behörden in Wuhan ein neuartiges Coronavirus „SARS-CoV-2“ bzw. „Covid-19“ als Ursache einer Lungenentzündung entdeckt. Aufgrund der rapiden weltweiten Ausbreitung wurde der Virusausbruch am 11.03.2020 von der WHO offiziell zu einer Pandemie erklärt (WHO-Regionalbüro für Europa, 2022). Das Covid-19-Virus erfasste dabei nahezu alle Länder der Welt und verursachte starke Konjunktureinbrüche. Die zur Bekämpfung der Covid-19-Pandemie eingesetzten Maßnahmen lösten in Deutschland die stärkste Rezession der Nachkriegsgeschichte aus (Bonin, Eichhorst, Krause-Pilatus, & Rinne, 2021, S. 13). Im zweiten Quartal 2020 sank das Bruttoinlandsprodukt (BIP) in Deutschland um 9,8 % gegenüber dem Vorquartal und markiert damit einen deutlich stärkeren Rückgang als im schlechtesten Quartal der Finanzmarktkrise 2007 bis 2009 mit -4,7 %. Die privaten Konsumausgaben verzeichneten im zweiten Quartal 2020 mit -13 % sogar einen zweistelligen Rückgang (Statistisches Bundesamt, 2021, S. 464). Auch an den Finanzmärkten sorgten die rasche Ausbreitung und staatlichen Maßnahmen zur Eindämmung des Virus für erhebliche Verwerfungen bei zugleich steigenden Volatilitäten (Allianz Global Investors GmbH, 2020, S. 82). Im Zeitraum vom 12.02.2020 bis 23.03.2020 verzeichnete bspw. der Dow Jones Industrial Index einen Kursrückgang von 37,1 % (Statistisches Bundesamt, 2020a). Der EURO STOXX 50 Index musste mit 38,27 % im Zeitraum vom 19.02.2020 bis 18.03.2020 einen noch höheren Wertverlust hinnehmen (Statistisches Bundesamt, 2020b). Ursache für die starken Kurseinbrüche waren die hohen Geldabflüsse aus dem Markt. So wurden durch Morningstar Inc. allein für in Europa domizilierte Fonds im März 2020 Rekordabflüsse von 246 Mrd. Euro erfasst. Zum Vergleich: während des schlechtesten Monats der Finanzmarktkrise 2007 bis 2009 zogen Investoren etwa 108 Mrd. Euro aus europäischen Fonds ab (Masarwah, 2020a, S. 1–2).
Aufgrund staatlicher Konjunkturprogramme, Lockerung der Maßnahmen und später der Impfstoffentwicklung setzte eine starke globale Erholung der Wirtschaft und Finanzmärkte ein (Allianz Global Investors GmbH, 2021b, S. 86). So verzeichnete der Dow Jones Industrial Index im Zeitraum vom 23.03.2020 bis zum 27.05.2020 einen Wertzuwachs von 37,42 % (Statistisches Bundesamt, 2020a). Der EURO STOXX 50 Index stieg vom 18.03.2020 bis zum 28.05.2020 um 30,02 % (Statistisches Bundesamt, 2020b). Die Kurssteigerungen an den Märkten hatten einen deutlichen Anstieg an Investoren zur Folge. In Deutschland etwa stieg die Anzahl der Aktienanleger im Jahr 2020 um 2,70 Mio. an und markiert damit ein Plus von knapp 28 % gegenüber dem Vorjahr. Besonders in jungen Bevölkerungsschichten wurden die stärksten Zuwächse erfasst. Der Großteil des Vermögens wird in aktienbasierten Fonds angelegt (Deutsches Aktieninstitut, 2021, S. 2–6). Für Investoren stellt sich dabei die Frage, welche Investmentstrategie verfolgt werden soll. Grundsätzlich kann entweder eine aktive oder eine passive Anlagestrategie angewendet werden. Im Beispiel der Anlage in Fonds versuchen Fondsmanager im Rahmen eines aktiven Portfoliomanagements durch geschicktes Timing und gute Selektions- und Allokationsfähigkeit von Einzeltiteln eine vorgegebene Benchmark in der Rendite zu übertreffen (Mondello, 2017, S. 8–9). Weiterhin sollen Risiken in Form von Kursschwankungen und Wertverlusten durch gezielte Portfoliosteuerung begrenzt und daraus Renditechancen eröffnet werden (Krämer, 2002, S. 44). Im Rahmen eines passiven Portfoliomanagements wird hingegen davon ausgegangen, dass durch Timing und Selektion von Einzeltiteln keine systematischen Überrenditen im Vergleich zu einer Benchmark erzielt werden können (Albrecht & Maurer, 2016, S. 94). Daher wird der Ansatz verfolgt, eine Benchmark möglichst genau und vor allem kostengünstig nachzubilden, um an deren Wertentwicklung zu partizipieren. Eine aktive Risikosteuerung erfolgt nicht (Steiner, Bruns, & Stöckl, 2017, S. 319–320).
Die Frage nach der richtigen Anlagestrategie ist seit langer Zeit Gegenstand der Kapitalmarktforschung (Spremann, 2000, S. 1097). Die Fachliteratur kommt dabei überwiegend zu dem Ergebnis, dass aktiv gemanagte Fonds nicht in der Lage sind, deren passiv gemanagtes Pendant in der Rendite zu übertreffen (Rojahn, Röhl, & Frère, 2010, S. 12). Dies zeigen auch die Kapitalflüsse. Während in den USA im Jahr 2010 noch 81 % des Nettoanlagevermögens aktiv verwaltet wurde, unterliegen im Jahr 2020 nur noch 60 % einem aktiven Portfoliomanagement. 40 % des Nettoanlagevermögens wird demnach passiv verwaltet (The Investment Company Institute, 2021, S. 49). Vor dem Hintergrund der dynamischen Auswirkungen der Covid-19-Pandemie auf die Finanzmärkte stellt sich jedoch die Frage, welche finanzielle Performance aktiv gemanagte Fonds im Vergleich zu passiv gemanagten Fonds in diesem Zeitraum erzielen konnten und zeigt damit aktuelle Forschungsrelevanz auf.
1.2 Zielsetzung, Abgrenzung und Methodik der Masterarbeit
Aus der Problemstellung leitet sich die folgende Forschungsfrage der Masterarbeit ab:
Konnten aktiv gemanagte Fonds während der Covid-19-Pandemie gegenüber vorherigen Vergleichsjahren eine bessere finanzielle Performance als passiv gemanagte Fonds erzielen?
Das Ziel der Arbeit ist es zu beurteilen, ob aktiv gemanagte Fonds die dynamischen Marktgegebenheiten der bisherigen Pandemie-Jahre 2020 und 2021 nutzen konnten, um gegenüber passiv gemanagten Fonds hinsichtlich Rendite und Risiko bessere Ergebnisse als in Vorjahren zu erzielen. Die Untersuchung der Forschungsfrage erfolgt dabei im ersten Schritt durch die Aufarbeitung der aktuellen Studienlage zum Performancevergleich zwischen aktiv und passiv gemanagten Fonds während der Covid-19-Pandemie. Im zweiten Schritt wird eine eigene empirische Analyse für die selbst gebildeten Vergleichsgruppen „Aktien Welt“ und „Aktien Europa“ durchgeführt, wobei im Rahmen einer Detailanalyse insbesondere Risikokennzahlen und Erfolgsfaktoren berechnet werden sollen. In einer anschließenden Diskussion der Forschungsergebnisse sollen wesentliche Kriterien einer effektiven aktiven Anlagestrategie bestimmt werden, um daraus allgemeine Handlungsempfehlungen für Investoren, Fondsmanager und Kooperationspartner zu entwickeln. Der Fokus der Masterarbeit liegt dabei auf Aktien und Aktienfonds.
Im Rahmen der Operationalisierung der Masterarbeit wurden zwei verschiedene Erhebungsmethoden genutzt. Auf der einen Seite wurde zur Darstellung der theoretischen Grundlagen sowie zur Aufarbeitung des aktuellen Forschungsstands eine umfassende Literaturrecherche durchgeführt. Es wurde in Online- und Präsenzbibliotheken und im Internet nach Primärliteratur wie aktuellen Studien sowie anderer einschlägiger Fachliteratur recherchiert. In einer anschließenden Literaturanalyse wurden diese im Hinblick auf wissenschaftliche Gütekriterien kritisch untersucht. Auf der anderen Seite wurde für den Hauptteil der Arbeit eine eigene empirische Analyse durchgeführt. Gegenstand der Analyse war es, mithilfe von Jahresrenditen für die Jahre 2020 und 2021 eine Outperformance-Ratio aktiv gemanagter Fonds zu bestimmen sowie deren Renditeverteilung zu analysieren. Darüber hinaus wurde in beiden Vergleichsgruppen eine Detailanalyse der jeweils fünf Fonds mit der besten Performance über die Jahre 2020 und 2021 durchgeführt. Die Interpretation und Fundierung der Forschungsergebnisse erfolgte mittels Publikationen der Fondsanbieter sowie durch Abgleich mit der aufgearbeiteten Studienlage. Grundlage für die Berechnungen bildet eine selbst erstelle Excel-Datenbank auf Basis von Daten der Finanzinformationsplattformen www.morningstar.de und www.onvista.de. Die detaillierte Beschreibung des Forschungsdesigns sowie eine Methodenkritik erfolgen in Kapitel 3.
1.3 Aufbau der Masterarbeit
Nach einer allgemeinen Beschreibung des Themas in Kapitel 1 erfolgt in Kapitel 2 die Fundierung der für das Verständnis der Analyse notwendigen theoretischen Grundlagen. Dabei erfolgt zunächst in Abschnitt 2.1 eine umfassende Definition der in der Analyse verwendeten Performance- und Risikomaße. In Abschnitt 2.2 werden anschließend die Portfoliotheorie nach Harry Markowitz sowie das Capital Asset Pricing Model vorgestellt. Das theoretische Konstrukt der Kapitalmarkteffizienz, welches ausschlaggebend für die Legitimation eines aktiven bzw. passiven Anlagestils ist, wird in Abschnitt 2.3 erläutert. In Abschnitt 2.4 wird der Ansatz des aktiven Portfoliomanagements umfassend beschrieben. Nach einer allgemeinen Einführung werden insbesondere verschiedene Analysemethoden und Anlagestile voneinander abgegrenzt. Der Ansatz des passiven Portfoliomanagements wird in Abschnitt 2.5 erläutert, wobei nach einer allgemeinen Einführung verschiedene Anlageprodukte definiert werden. Abschließend wird passives Portfoliomanagement im Vergleich zu aktivem Portfoliomanagement eingeordnet und bewertet.
In Kapitel 3 wird das Forschungsdesign der Masterarbeit dargestellt. Neben der allgemeinen Beschreibung erfolgt eine umfassende kritische Würdigung der methodischen Vorgehensweise. Darüber hinaus erfolgt eine theoretische Einführung in das Benchmarking sowie die Vorstellung der für die Analyse verwendeten Exchange Traded Funds.
In Kapitel 4 wird der aktuelle Forschungsstand zu Performancevergleichen zwischen aktiv und passiv gemanagten Fonds in Zeiten der Covid-19-Pandemie aufgearbeitet. Dazu werden Studien der Finanzinformationsunternehmen Scope Analysis GmbH, Lyxor International Asset Management S.A.S. sowie Morningstar Inc. analysiert und dargestellt. Betrachtet werden die Pandemie-Jahre 2020 und 2021 sowie ein vorheriges Vergleichsjahr.
Im Anschluss wird in Kapitel 5 ein Performancevergleich zwischen aktiv und passiv gemanagten Fonds in den selbst gebildeten Vergleichsgruppen „Aktien Welt“ und „Aktien Europa“ durchgeführt. Im ersten Schritt werden neben der Ermittlung der Outperformance-Ratio nach Anzahl und Volumen zusätzlich die Renditeverteilung der aktiv gemanagten Fonds analysiert und bewertet. Im zweiten Schritt erfolgt eine Detailanalyse der jeweils fünf Fonds mit der besten Performance über die Jahre 2020 und 2021, wobei insbesondere auf Risikokennzahlen eingegangen wird.
In Kapitel 6 erfolgt die Einordnung und Interpretation der Ergebnisse der empirischen Analyse in Bezug auf den aktuellen Forschungsstand und die Forschungsfrage. Anschließend werden aus den Resultaten der Detailanalysen Erfolgsfaktoren der aktiv gemanagten Fonds für deren besseres Abschneiden im Vergleich zur Benchmark identifiziert und dargelegt. Weiterhin werden aus den Ausführungen der Masterarbeit allgemeine kritische Erfolgsfaktoren für effektives aktives Portfoliomanagement ausgearbeitet und daraus Handlungsempfehlungen für Investoren, Fondsmanager und Kooperationspartner abgeleitet.
Im letzten Schritt werden in Kapitel 7 die Forschungsergebnisse der Masterarbeit im Hinblick auf die Ziele und die Forschungsfrage im Rahmen eines Fazits zusammengefasst. Zusätzlich werden Ansätze für zukünftige Untersuchungen dargelegt.
2. Theoretische Fundierung
Im Folgenden werden die zum Verständnis der Masterarbeit notwendigen theoretischen Grundlagen erarbeitet. Neben der Definition der in der Analyse verwendeten Performance- und Risikomaße werden zunächst die Grundlagen des Portfoliomanagements behandelt. Im nächsten Schritt wird das theoretische Konstrukt der Kapitalmarkteffizienz erläutert. Abschließend werden sowohl der aktive als auch passive Anlagestil umfassend beschrieben und einer Bewertung unterzogen.
2.1 Definition der Performancemaße
Als zentraler Bestandteil zur Messung der finanziellen Performance kann die Rendite angesehen werden. Sie misst das prozentuale Verhältnis zwischen Endwert und Anfangswert einer Finanzinvestition. Die Höhe des Anfangs- und Endwerts wird über den Marktprozess durch Angebot und Nachfrage bestimmt (Bruns & Meyer-Bullerdiek, 2020, S. 1). Bei Aktien und Aktienfonds setzt sich die Rendite aus zwei Bestandteilen zusammen: Kapitalgewinne und -verluste durch Kursveränderungen sowie zusätzliche Einnahmen wie etwa Dividenden. Renditen können für beliebig lange Zeitperioden berechnet werden, wobei in der empirischen Analyse der Masterarbeit lediglich Jahresrenditen betrachtet werden (Mondello, 2017, S. 13). Renditen können als diskrete oder stetige Renditen berechnet werden. Die Berechnung diskreter Renditen (r) erfolgt dabei mit Hilfe des Kurswerts am Anfang der Periode (K0), des Kurswerts am Ende der Periode (K1) sowie weiteren periodischen Einnahmen wie Dividenden (Z) (Bossert, 2017, S. 1).
Formel 1. Berechnung diskreter Renditen
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Bossert, 2017, S. 1.
Im Unterschied zu diskreten Renditen besitzen stetige Renditen wesentliche Eigenschaften, die für die Verwendung statistischer Modelle und Verfahren notwendig sind. So sind stetige Renditen einerseits eher normalverteilt, wohingegen diskrete Renditen eher eine rechtsschiefe Renditeverteilung aufweisen (Bruns & Meyer-Bullerdiek, 2020, S. 880). Andererseits kann mit Hilfe von stetigen Renditen eine zeitliche Aggregation erfolgen, d. h. Einperiodenrenditen können einfach in Mehrperiodenrenditen umgerechnet werden (Albrecht & Maurer, 2016, S. 156). Im Rahmen der empirischen Untersuchungen der Masterarbeit werden sowohl diskrete als auch stetige Renditen verwendet. Die Berechnung stetiger Renditen (r) erfolgt durch Logarithmierung diskreter Renditen (Bossert, 2017, S. 1).
Formel 2. Berechnung stetiger Renditen
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Bossert, 2017, S. 1.
Zur Beurteilung der finanziellen Performance einer Finanzinvestition kommt die Betrachtung des Risikos als zweite Komponente hinzu (Bruns & Meyer-Bullerdiek, 2020, S. 1). Die Bestimmung des Anlagerisikos kann durch unterschiedliche Größen erfolgen. Am gebräuchlichsten im Portfoliomanagement ist die Verwendung der Volatilität als Risikomaß (Breuer, Gürtler, & Schuhmacher, 1999, S. 21). Methodisch fußt die Volatilität auf der Varianz bzw. der Standardabweichung (Claessen, 2002, S. 4). Die Varianz misst die quadrierten Abweichungen zwischen den einzelnen Renditen einer Anlage und deren Mittelwert während eines bestimmten Zeitraums. Die Standardabweichung, die wie die Rendite in Prozent ausgedrückt wird, erhält man durch Ziehen der Quadratwurzel aus der Varianz (Bruns & Meyer-Bullerdiek, 2020, S. 10). Die Standardabweichung basiert auf dem Konzept der Normalverteilung, bei dem unterstellt wird, dass die Renditen symmetrisch um den Mittelwert verteilt sind. 68,3 % der beobachteten Renditen liegen dabei innerhalb der Spannbreite von plus/minus einer Standardabweichung vom Mittelwert (Mondello, 2017, S. 27–28). Tatsächlich sind Renditen in der Realität nicht exakt normalverteilt, auch nicht, wenn sie logarithmiert werden (Bossert, 2017, S. 11–12). Dennoch bildet die Normalverteilungshypothese eine der Basisannahmen der Modelle der Portfoliotheorie (Steiner, Bruns, & Stöckl, 2017, S. 59). Das Anlagerisiko wird bei Verwendung der Volatilität demzufolge als Schwankungsbreite der Renditen um deren Mittelwert definiert (Kremer, 2018, S. 10). Je größer die Standardabweichung, desto größer ist die Streuung der Renditen und damit die potenzielle Verlustgefahr (Mondello, 2017, S. 23–24). Da diese Abweichungen nicht nur negativ, sondern auch positiv – und damit erwünscht – sein können, deckt sich die Risikodefinition der Volatilität nicht mit dem allgemeinen Verständnis, bei dem Risiko als die Gefahr negativer Ereignisse (z. B. Kursrückgänge) charakterisiert wird (Kremer, 2018, S. 10). Die Berechnung der Standardabweichung einer Stichprobe (σ) erfolgt mit Hilfe des Renditemittelwerts (µ), der einzelnen stetigen Renditen (r) und der Anzahl der beobachteten Renditen (N) (Bossert, 2017, S. 5).
Formel 3. Berechnung der Standardabweichung
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Bossert, 2017, S. 5.
Um verschiedene Investitionen miteinander vergleichen zu können, wird die Volatilität in der Regel annualisiert angegeben. So werden bspw. Tagesvolatilitäten in Jahresvolatilitäten umgewandelt. Dazu wird die errechnete Standardabweichung mit der Quadratwurzel aus der Anzahl der beobachteten Renditen (N) multipliziert (Steiner, Bruns, & Stöckl, 2017, S. 60–61).
Formel 4. Annualisierung der Volatilität
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Steiner, Bruns, & Stöckl, 2017, S. 61.
Die Sharpe Ratio als risikoadjustiertes Performancemaß verbindet die beiden Dimensionen Rendite und Risiko. Die Sharpe Ratio setzt die Überschussrendite über den risikofreien Zinssatz ins Verhältnis zur Volatilität und misst damit die Risikoprämie für eine Einheit des Gesamtrisikos. Die Berechnung erfolgt dabei mit Hilfe der Rendite der Anlage (r), dem risikofreien Zinssatz (rf) sowie der annualisierten Standardabweichung (σann.) (Mondello, 2017, S. 1047).
Formel 5. Berechnung der Sharpe Ratio
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Mondello, 2017, S. 1048.
Da bei der Berechnung der Sharpe Ratio Prozentgrößen dividiert werden, kann das Performancemaß nur schwer auf einer absoluten Ebene interpretiert werden und ist daher eher für einen Vergleich verschiedener Anlagen geeignet (Albrecht & Maurer, 2016, S. 377). Im weiteren Verlauf wird zur Vereinfachung ein risikofreier Zinssatz von 0 % angenommen.
Ein weiteres Risikomaß stellt der Maximum Drawdown dar. Dieser definiert sich als der maximale Verlust während einer betrachteten Periode und stellt damit ein Worst Case Szenario aus allen möglichen Kombinationen von Kauf- und Verkaufszeitpunkt dar (Bruns & Meyer-Bullerdiek, 2020, S. 44).
2.2 Grundlagen des Portfoliomanagements
2.2.1 Portfoliotheorie
Die moderne Portfoliotheorie geht hauptsächlich auf Harry Markowitz´ „Portfolio Selection“ aus dem Jahr 1952 zurück und bildet das wissenschaftliche Fundament für das Portfoliomanagement (Markowitz, 1952, S. 77–82). Markowitz´ stellte empirisch fest, dass Anleger ihr Kapital zur Risikoreduktion auf mehrere Wertpapiere verteilen. Dies stand nicht im Einklang mit der damals vorherrschenden eindimensionalen Betrachtungsweise von Wertpapieranlagen, bei der lediglich die Rendite berücksichtigt wurde. Folgt man dieser Ansicht, so müssten Anleger das gesamte verfügbare Vermögen in den Anlagetitel mit der höchsten erwarteten Rendite investieren (Steiner, Bruns, & Stöckl, 2017, S. 7–8). Markowitz gelang damit erstmals die explizite Berücksichtigung des Risikos einer Wertpapieranlage. Gleichzeitig wurde damit die eindimensionale Betrachtungsweise von der bis heute vorherrschenden zweidimensionalen Betrachtungsweise von Wertpapieren durch Rendite und Risiko abgelöst (Bruns & Meyer-Bullerdiek, 2020, S. 90). Die Risikodimension misst Markowitz dabei mithilfe der Varianz bzw. der Standardabweichung. Markowitz unterstellt Investoren ein risikoaverses Verhalten. Anleger gehen demnach nur ein höheres Risiko ein, wenn sie im Gegenzug eine höhere Rendite erwarten können (Steiner, Bruns, & Stöckl, 2017, S. 7–9). Für seine Arbeiten wurde Harry Markowitz 1990 mit dem Nobelpreis ausgezeichnet (Lenzenhuber, 2006, S. 42).
Durch eine geeignete Mischung von Wertpapieren, die als Diversifikation bezeichnet wird, lässt sich das Gesamtrisiko eines Portfolios reduzieren (Kremer, 2018, S. 14). Markowitz beschreibt den Diversifikationseffekt mit einem Zwei-Anlagen-Fall. Kombiniert man zwei Wertpapiere zu einem Portfolio, so erhält der Anleger die gewichtete Durchschnittsrendite beider Anlagen. Das Risiko des Portfolios fällt jedoch niedriger aus als der gewichtete Durchschnitt des Risikos beider Anlagen, vorausgesetzt, dass sich die beiden Anlagen nicht in einem Gleichlauf entwickeln. Das Maß an Gleichlauf wird durch den Korrelationskoeffizienten ausgedrückt, der Werte zwischen -1 und 1 annehmen kann. Ein Korrelationskoeffizient von -1 bedeutet, dass sich die Anlagen exakt gegenläufig verhalten, ein Korrelationskoeffizient von 1 bedeutet exakten Gleichlauf. Abb. 1 zeigt in einem Rendite-Risiko-Diagramm (µ-σ) die Diversifikationswirkung im Zwei-Anlagen-Fall (Bossert, 2017, S. 14).
Abb. 1. Diversifikationswirkung im Zwei-Anlagen-Fall
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Eigene Darstellung in Anlehnung an: Becker & Peppmeier, 2018, S. 108–110.
Ausgangspunkt der Portfoliobildung im Zwei-Anlagen-Fall sind zwei Wertpapiere mit jeweils unterschiedlichen Rendite- und Risikoerwartungen. Eine Korrelation von k12 = 1 bedeutet exakten Gleichlauf beider Wertpapiere. Hier lässt sich durch eine Mischung der Wertpapiere kein Diversifikationseffekt erzielen. Bei einer Korrelation von k12 = 0 besteht kein Zusammenhang in der Renditeentwicklung der Wertpapiere. Durch Mischung der beiden Wertpapiere kann bei steigender Rendite ein sinkendes Risiko bis zum Punkt Pmv erzielt werden. Ein Korrelationskoeffizient von k12 = -1 bedeutet einen exakt gegensätzlichen Verlauf. Durch Mischung der Wertpapiere lässt sich bei einer positiven erwarteten Rendite das Risiko bis zum Punkt µRf vollständig eliminieren (Becker & Peppmeier, 2018, S. 108–110).
Das Gesamtrisiko eines Portfolios kann aufgeteilt werden in systematische und unsystematische Risiken. Unsystematische Risiken sind einzeltitelbezogene Risiken, die immer nur ein bestimmtes Anlageobjekt betreffen und nicht mit übergeordneten Ereignissen zusammenhängen. Unsystematische Risiken lassen sich durch eine geeignete Diversifikation nahezu vollständig eliminieren. Systematische Risiken hingegen betreffen nicht einzelne Wertpapiere, sondern haben ihre Ursache in Ereignissen am Gesamtmarkt. Beispielhafte Ereignisse sind etwa wirtschaftliche Veränderungen, Politische Ereignisse wie Unruhen oder Kriege sowie Naturkatastrophen. Auch die Covid-19-Pandemie lässt sich in die Kategorie der systematischen Risiken einordnen. Da systematische Risiken immer vom Gesamtmarkt ausgehen, lässt sich dieses Risiko nicht durch Diversifikation reduzieren (Steiner, Bruns, & Stöckl, 2017, S. 56–57).
Bei der Beschreibung der Diversifikationswirkung verwendet Markowitz den Begriff des effizienten Portfolios. Ein Portfolio ist effizient, wenn bei gleichbleibendem Risiko durch Umschichtung keine höhere Rendite erzielt werden kann bzw., wenn bei gleichbleibender Rendite durch Umschichtung kein geringeres Risiko erzielt werden kann (Lenzenhuber, 2006, S. 42). Im Rendite-Risiko-Diagramm werden alle möglichen effizienten Portfolios durch die Effizienzkurve beschrieben, wie in Abb. 2 zu sehen ist. Verhält sich ein Anleger rational, so kauft er lediglich Portfolios, die auf der Effizienzkurve liegen (Bruns & Meyer-Bullerdiek, 2020, S. 89).
Abb. 2. Die Effizienzkurve im Rendite-Risiko-Diagramm
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Eigene Darstellung in Anlehnung an: Allianz Global Investors GmbH, 2010, S. 7.
Das effiziente Portfolio mit dem niedrigsten Risiko wird als Minimum-Varianz-Portfolio bezeichnet. Das Maximum-Ertrags-Portfolio hingegen ist das effiziente Portfolio mit der höchsten Rendite. Wie aus Abb. 2 erkennbar ist, wird jede mögliche Portfoliokonstruktion unter der Effizienzkurve durch ein effizientes Portfolio übertroffen. Hält ein Anleger Portfolio A, kann er entweder 1) seine Rendite erhöhen, ohne ein erhöhtes Risiko eingehen zu müssen, 2) bei gleicher Rendite das Risiko reduzieren oder 3) sowohl die Rendite erhöhen, als auch das Risiko reduzieren (Allianz Global Investors GmbH, 2010, S. 6–7).
In der praktischen Anwendung weist die moderne Portfoliotheorie allerdings einige Problembereiche auf. So werden im Rahmen der Portfoliokonstruktion effiziente Portfolios nur mit Vergangenheitsdaten gebildet, die jedoch keinerlei Sicherheit für die Zukunft bieten. Die Beurteilung der Effizienz eines Portfolios ist demnach nur ex post möglich. Auch gibt die Portfoliotheorie keine Anhaltspunkte über den richtigen Ein- und Ausstiegszeitpunkt einer Anlage (Becker & Peppmeier, 2018, S. 110–111). Ein weiterer Kritikpunkt sind vereinzelte empirische Beobachtungen, dass Korrelationen während Krisenzeiten deutlich ansteigen und damit der Diversifikationseffekt gerade dann nicht wirkt, wenn er den Anleger vor Verlusten schützen soll. Dieses Phänomen wird als Correlation Breakdown bezeichnet (Bissantz, Steinorth, & Ziggel, 2011, S. 147). Dennoch gilt die moderne Portfoliotheorie als theoretische Grundlage für die Portfoliokonstruktion sowie als Fundament der Kapitalmarkttheorie und vor allem des Capital Asset Pricing Models (CAPM) (Steiner, Bruns, & Stöckl, 2017, S. 15–16).
2.2.2 Capital Asset Pricing Model (CAPM)
Das CAPM erweitert das Grundmodell der Portfoliotheorie um die Möglichkeit einer sicheren Anlage bzw. einen risikolosen Zinssatz (Albrecht & Maurer, 2016, S. 369–370). Es wurde etwa zeitgleich durch die Arbeiten von William Sharpe (1964, S. 425–442), Jan Mossin (1966, S. 768–783) und John Lintner (1965, S. 13–37) entwickelt.
Um die Komplexität zu reduzieren, geht das CAPM von vereinfachten Annahmen aus. So wird im CAPM die Existenz eines risikolosen Zinssatzes unterstellt, zu dem beliebig viel Geld angelegt und aufgenommen werden kann (Steiner, Bruns, & Stöckl, 2017, S. 22–23). Dies wird als Fisher-Separation bezeichnet (Becker & Peppmeier, 2018, S. 112). Analog der Portfoliotheorie wird im CAPM von rationalen Investoren ausgegangen, die nach Nutzenmaximierung streben und sich risikoavers verhalten. Ebenfalls sind Investoren lediglich Preisnehmer und haben daher nicht genug Einfluss, um Marktpreise ändern zu können. Darüber hinaus werden allen Investoren homogene Kapitalmarkterwartungen unterstellt (Mondello, 2018, S. 166–167). Daraus folgt, dass die Investoren nicht wie in der Portfoliotheorie individuelle Portfolios halten, sondern alle Anleger die gleiche Portfoliozusammensetzung haben, die durch das Marktportfolio ausgedrückt wird. Das Marktportfolio beinhaltet sämtliche, nach ihren Marktwerten und Marktkapitalisierung gewichteten am Markt gehandelten Anlagen. Alle Anleger besitzen die gleiche Portfoliozusammensetzung, gemäß ihrer Risikoneigung steuern sie lediglich die Aufteilung zwischen Marktportfolio und risikoloser Anlage. Dies wird als Tobin-Separation bezeichnet (Steiner, Bruns, & Stöckl, 2017, S. 24–25). Weiterhin wird im CAPM angenommen, dass Wertpapiere unendlich teil- und handelbar sowie Märkte ohne Friktionen sind und keine Steuern und Transaktionskosten anfallen. Durch diese teilweise unrealistischen Annahmen werden Marktineffizienzen im CAPM ausgeklammert und die Aussagekraft des Modells etwas beeinträchtigt. Dennoch hat sich das CAPM in der Praxis durchgesetzt und gilt als eines der Standardmodelle zur Preisbestimmung von Wertpapieren (Mondello, 2018, S. 166–167).
Analog zur Portfoliotheorie kommt auch im CAPM den beiden Parametern Rendite und Risiko die zentrale Stellung zu. Es wird davon ausgegangen, dass das unsystematische Risiko durch Diversifikation eliminiert werden kann, weshalb im CAPM lediglich das systematische Marktrisiko einer Anlage betrachtet wird. Dies wird durch das Beta gemessen (Steiner, Bruns, & Stöckl, 2017, S. 21). Das CAPM ist in der Anwendung vergleichsweise einfach, da für die Renditebestimmung eines Wertpapiers lediglich ein Faktor, das Beta, eingesetzt wird (Mondello, 2017, S. 167–168). Geht ein Investor ein höheres Risiko ein, möchte er durch eine höhere Rendite kompensiert werden. Die Beziehung zwischen Rendite und Risiko ist dabei linear. Je höher das systematische Risiko eines Wertpapiers ist, desto höher ist demnach das Beta bzw. die Risikoprämie und damit die erwartete Rendite (Mondello, 2018, S. 165). Daraus ergibt sich die mathematische Grundgleichung des CAPM. Die Berechnung der erwarteten Rendite eines Wertpapiers (µe) erfolgt dabei mit Hilfe des risikolosen Zinssatzes (µF), der Rendite des Gesamtmarktes (µM) sowie dem Beta des Wertpapiers (β) (Mondello, 2018, S. 174).
Formel 6. Bestimmung der erwarteten Rendite eines Wertpapiers im CAPM
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Mondello, 2018, S. 174.
Das Beta stellt im CAPM die Risikogröße dar und reflektiert das systematische Risiko eines Wertpapiers. Es misst, wie stark sich die Rendite eines Wertpapiers bei Änderung der Rendite des Marktportfolios verändert und kann dabei sowohl positive als auch negative Werte annehmen. Ein Beta von 1,5 bedeutet bspw., dass die Rendite des Wertpapiers um 3 % steigt, wenn die Rendite des Marktportfolios um 2 % steigt. Bei einem positiven Beta bewegt sich die Rendite des Wertpapiers folglich in dieselbe Richtung wie die Rendite des Marktportfolios. Bei einem negativen Beta bewegen sich die Rendite des Wertpapiers und die Rendite des Marktportfolios in gegengesetzte Richtungen. Wertpapiere haben meist ein positives Beta, da sich in der Regel die Renditen als Teil der Gesamtmarktrendite in die gleiche Richtung wie der Markt bewegen. Das Beta des Marktportfolios beträgt 1, da es sämtliche am Markt gehandelten Anlagen beinhaltet und der Durchschnitt aller Betas 1 ist. Die risikolose Anlage hat hingegen ein Beta von 0, da sie nicht mit anderen Renditen oder dem Marktportfolio korreliert (Mondello, 2017, S. 172). Ein Beta < 1 impliziert eine im Vergleich zur Marktrendite unterproportionale Reaktion, ein Beta > 1 bedeutet eine überproportionale Reaktion auf Marktbewegungen (Albrecht & Maurer, 2016, S. 373). Die Berechnung erfolgt durch Regression zwischen den Renditen des Wertpapiers und den Renditen des Marktes. Das Beta entspricht der Steigung der Regressionsgeraden (Mondello, 2017, S. 173).
Das Marktportfolio wird im CAPM mithilfe der Kapitalmarktlinie bestimmt, die in Abb. 3 grafisch in einem Rendite-Risiko-Diagramm dargestellt ist. Ausgangspunkt ist die Annahme, dass das Marktportfolio bei einem Kapitalmarktgleichgewicht effizient sein muss (Becker & Peppmeier, 2018, S. 112–113). Wie bereits in Abschnitt 2.2.1 beschrieben ist ein Portfolio effizient, wenn bei gleichbleibendem Risiko durch Umschichtung keine höhere Rendite erzielt werden kann bzw., wenn bei gleichbleibender Rendite durch Umschichtung kein geringeres Risiko erzielt werden kann (Lenzenhuber, 2006, S. 42). Durch Kombination des risikofreien Zinssatzes (µF) mit der Effizienzkurve kann der Tangentialpunkt M abgelesen werden. M beschreibt dabei das Marktportfolio. Durch Verbindung beider Punkte erhält man die Kapitalmarktlinie. Alle effizienten Portfolios befinden sich auf der Kapitalmarktlinie. Alle anderen möglichen Portfolios sind nicht effizient, da sie entweder bei gleicher Rendite ein höheres Risiko oder bei gleichem Risiko eine niedrigere Rendite haben (Becker & Peppmeier, 2018, S. 112–113). Somit besteht für alle effizienten Portfolios im Kapitalmarktgleichgewicht ein linearer Zusammenhang zwischen Rendite und Risiko. Für ein höheres Risiko kann demnach eine höhere Rendite erwartet werden (Albrecht & Maurer, 2016, S. 371).
Abb. 3. Die Kapitalmarktlinie im CAPM
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Eigene Darstellung in Anlehnung an: Becker & Peppmeier, 2018, S. 113.
Nachdem mit Hilfe der Kapitalmarktlinie die Position des Marktportfolios bestimmt wurde, kann nun mit Hilfe der Wertpapierlinie, die in Abb. 4 grafisch dargestellt ist, die erwartete Rendite eines einzelnen Wertpapiers bemessen werden. Die Wertpapierlinie wird aus der Kapitalmarktlinie abgeleitet und entspricht in ihrer Steigung ebenfalls der Kapitalmarktlinie (Becker & Peppmeier, 2018, S. 113–115). Im Gegensatz zur Kapitalmarktlinie befindet sich bei der Darstellung der Wertpapierlinie das Beta (β) als Risikogröße und nicht die Standardabweichung (σ) auf der X-Achse. Im Marktportfolio sind sämtliche Wertpapiere gewichtet nach ihrem Anteil am Gesamtmarkt enthalten. Demnach kann der Wert eines einzelnen Wertpapiers im Verhältnis zum Marktportfolio ausgedrückt werden. Daraus folgt, dass das in der Kapitalmarktlinie ausgedrückte Austauschverhältnis aus Rendite und Risiko auch für einzelne Wertpapiere als Bestandteile des Marktportfolios gilt. Die erwartete Rendite eines Wertpapiers resultiert aus dem risikolosen Zinssatz zuzüglich einer Marktrisikoprämie (Rendite des Marktportfolios abzüglich des risikolosen Zinssatzes) multipliziert mit dem Beta (Steiner, Bruns, & Stöckl, 2017, S. 25–27). Dies entspricht der Grundgleichung des CAPM.
Abb. 4. Die Wertpapierlinie im CAPM
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Eigene Darstellung in Anlehnung an: Becker & Peppmeier, 2018, S. 116.
Ist ein Wertpapier unterbewertet, so liegt die erwartete Rendite des Wertpapiers über der Wertpapierlinie. Infolgedessen wird das Wertpapier durch Investoren gekauft, wodurch der Preis steigt und die erwartete Rendite sinkt. Ist ein Wertpapier überbewertet, so liegt die erwartete Rendite des Wertpapiers unter der Wertpapierlinie. Das Wertpapier wird daher durch Investoren verkauft, wodurch der Preis sinkt und die erwartete Rendite ansteigt. Diese Preiskorrekturen werden so lange fortgesetzt, bis sich der Preis des Wertpapiers im Gleichgewicht und damit auf der Wertpapierlinie befindet. Daher wird das CAPM als Gleichgewichtsmodell bezeichnet (Mondello, 2018, S. 178–179).
Der zentrale Kritikpunkt am CAPM ist, dass in der Realität kein echtes Marktportfolio existiert, in dem sämtliche handelbaren Anlagen enthalten sind. Surrogativ wird hier oftmals ein breiter Index als Ersatz für das Marktportfolio herangezogen. Daher ist die Gültigkeit des CAPM schwer empirisch zu überprüfen. Im Grunde kann mit empirischen Untersuchungen nur überprüft werden, ob der Index im Sinne der Portfoliotheorie effizient ist (Steiner, Bruns, & Stöckl, 2017, S. 29–30). Ein weiterer Kritikpunkt am CAPM ist die Verwendung lediglich einer Risikogröße zur Ableitung der erwarteten Rendite (Mondello, 2018, S. 186–187). So untersuchten etwa Fama und French (1992, S. 449–450) in einer Studie den Zusammenhang zwischen erwarteter Rendite und Beta für US-Aktien zwischen 1963 und 1990. Im Ergebnis konnten sie keinen signifikanten Zusammenhang beider Größen bestätigen. Vielmehr kamen sie zum Ergebnis, dass eher das Buchwert-Kurs-Verhältnis und die Größe des Unternehmens den größten Einfluss auf die erwartete Rendite haben. In darauffolgenden Studien kamen Forscher teilweise zu ähnlichen Ergebnissen, andere Studien testierten wiederum einen Zusammenhang zwischen Beta und erwarteter Rendite (Mondello, 2018, S. 186–187). Weiterhin wird im CAPM die Annahme der Existenz risikoloser Geldanlagen kritisiert. Als risikolose Geldanlagen werden in der Regel Staatsanleihen besonders solventer Staaten gesehen. In Folge der immer weiter steigenden globalen Staatsverschuldungen wird die Existenz risikoloser Geldanlagen zunehmend infrage gestellt, was die Anwendbarkeit des CAPM erschwert (Felsenheimer, 2011, S. 1). Trotz einiger methodischer Problembereiche ist das CAPM ein allgemein anerkanntes Modell zur Erklärung des Trade-Offs zwischen Rendite und Risiko und findet daher in der Praxis breite Anwendung (Steiner, Bruns, & Stöckl, 2017, S. 29–30).
2.3 Kapitalmarkteffizienz
2.3.1 Effizienzmarkthypothese
Eugene Fama gilt als Begründer der Hypothese effizienter Kapitalmärkte und wurde für seine Arbeiten zur empirischen Analyse von Vermögenspreisen im Jahr 2013 zusammen mit Robert Shiller und Lars Hansen mit dem Wirtschaftsnobelpreis ausgezeichnet. Fama fand heraus, dass sich Aktienkurse schwer vorhersagen lassen und neu aufkommende Informationen schnell in die Kurse eingepreist werden (Kungl. Vetenskaps Akademie: The Royal Swedish Academy of Science, 2013, S. 1). Dabei definierte Fama (1970, S. 383) effiziente Kapitalmärkte wie folgt: „A market in which prices always ‚fully reflect‘ available information is called ‚efficient‘“. Erste Untersuchungen zur Effizienz von Kapitalmärkten im Hinblick auf die Kursentwicklung von Wertpapieren kamen jedoch bereits in den 1930er Jahren auf (Albrecht & Maurer, 2016, S. 286–287). In den in Abschnitt 2.2 vorgestellten Modellen der Portfolio- und Kapitalmarkttheorie spielt die Annahme effizienter Kapitalmärkte eine zentrale Rolle und wurde daher im Laufe der Zeit vielfach empirisch untersucht. Die Befürwortung oder Ablehnung dieser Hypothese hat weitreichende Implikationen für Theorie und Praxis. So erlaubt die Klärung der Kapitalmarkteffizienz einerseits Rückschlüsse auf die Güte der Modelle der Portfolio- und Kapitalmarkttheorie. Andererseits ergeben sich für die Praxis Konsequenzen für die Entscheidung der verwendeten Anlagephilosophie, die im weiteren Verlauf noch erläutert werden. Die Hypothese effizienter Kapitalmärkte ist eine der umstrittensten ökonomischen Theorien der Anlagepraxis. In der wissenschaftlichen Literatur wird die Hypothese effizienter Kapitalmärkte mehr oder weniger bestätigt, während es in der Praxis zumeist zu einer Ablehnung kommt. Vertreter aus der Praxis führen dies hauptsächlich auf Kursanomalien und Marktineffizienzen zurück, die es gemäß der Hypothese effizienter Kapitalmärkte nicht geben dürfte (Bruns & Meyer-Bullerdiek, 2020, S. 156–160). Der Begriff der Effizienz beschreibt in erster Linie die Informationsverarbeitung auf den Kapitalmärkten und wird deshalb als Informationseffizienz bezeichnet. Der Terminus Kapitalmarkteffizienz darf daher nicht mit der Definition eines vollkommenen Kapitalmarktes verwechselt werden, wofür weitere Eigenschaften, wie z. B. das Fehlen von Steuern und Transaktionskosten, vorliegen müssen (Steiner, Bruns, & Stöckl, 2017, S. 41). Auch in der Wissenschaft wird nicht bestritten, dass Kapitalmärkte nicht vollkommen informationseffizient sind. Eher ist der Grad der Informationseffizienz interessant für die Frage, ob die Theorie informationseffizienter Kapitalmärkte als brauchbare Arbeitshypothese gelten kann (Bruns & Meyer-Bullerdiek, 2020, S. 160).
Neben der allgemeinen Definition informationseffizienter Kapitalmärkte beschreibt Fama zusätzlich unterschiedliche Grade der Informationseffizienz. So kann zwischen schwacher, halbstrenger und strenger Informationseffizienz unterschieden werden. Schwache Informationseffizienz liegt vor, wenn sämtliche Informationen über die Kursentwicklung aus der Vergangenheit im gegenwärtigen Kurs enthalten sind. Halbstrenge Informationseffizienz beschreibt Märkte, in denen neben Informationen aus der Vergangenheit auch alle öffentlich verfügbaren Informationen im Marktpreis enthalten sind. Märkte sind in der strengen Form informationseffizient, wenn neben vergangenen und öffentlichen Informationen auch Insiderinformationen im aktuellen Kurs enthalten sind (Fama, 1970, S. 383). Das Vorliegen von Informationseffizienz impliziert demnach, dass mehr oder minder alle bewertungsrelevanten Informationen eines Wertpapiers bereits im aktuellen Kurs eingepreist sind. Wertpapiere können weder unter- noch überbewertet sein, Anleger könnten den Markt nicht outperformen und es dürfte keine Überreaktionen oder Blasenbildungen auf den Finanzmärkten geben (Schinko, 2013, S. 2). Verfechter der Hypothese informationseffizienter Kapitalmärkte argumentieren oftmals mit den zahlreichen empirischen Beobachtungen, dass professionelle Anleger und Investmentfonds gegenüber dem Markt bzw. passiv gemanagten Portfolios in der Vergangenheit durchschnittlich keine Outperformance erzielen konnten. Würde keine Informationseffizienz vorliegen, müsste eine systematische Outperformance durch Anlageprofis erzielt werden können (Steiner, Bruns, & Stöckl, 2017, S. 48). Diese Definition von Kapitalmarkteffizienz stellt demnach nicht auf die Informationsverarbeitung und die Kursentwicklung der Wertpapiere ab, sondern auf die Performance von Investoren (Bruns & Meyer-Bullerdiek, 2020, S. 159). Bei Betrachtung der Kursentwicklung von Wertpapieren lassen sich jedoch in der Anlagepraxis Marktbewegungen und Kursanomalien beobachten, die nahelegen, dass die Preisbildung an Kapitalmärkten nicht nur von fundamentalen Daten abhängig ist, was das Vorliegen informationseffizienter Kapitalmärkte anzweifeln lässt (Steiner, Bruns, & Stöckl, 2017, S. 48).
Eng verwandt mit der Theorie informationseffizienter Kapitalmärkte ist die Random-Walk-Hypothese, die besagt, dass die Kursentwicklung von Wertpapieren einem zufälligen Verlauf folgt. Das Vorliegen eines informationseffizienten Kapitalmarkts ist Voraussetzung für die Random-Walk-Hypothese, da davon ausgegangen wird, dass alle verfügbaren Informationen im aktuellen Kurs des Wertpapiers enthalten sind. Treten neue Informationen auf, werden diese sofort vom Markt verarbeitet und im Preis widergespiegelt (Schuster & Uskova, 2018, S. 38). Der Kurs eines Wertpapiers wird demzufolge nur durch zukünftige Informationen beeinflusst, die definitionsgemäß gar nicht bekannt sein können. Diese Informationen können sich sowohl positiv als auch negativ auf den Marktpreis auswirken, was eine Schätzung der zukünftigen Preisentwicklung unmöglich macht. Die Kurse von Wertpapieren folgen einem Random Walk. Die Analyse von Wertpapieren wäre damit überflüssig und würde zu keinem Zusatznutzen führen (Steiner, Bruns, & Stöckl, 2017, S. 234).
In der Praxis gibt es zahlreiche Untersuchungen zur Prüfung der Kapitalmarkteffizienz. Ist ein Markt in der schwachen Form informationseffizient, sind sämtliche vergangene Informationen im aktuellen Kurs bereits berücksichtigt. Der Wertpapierkurs ändert sich erst bei Auftreten neuer, fundamentaler Informationen. Daraus lässt sich schließen, dass durch die Anwendung der technischen Aktienanalyse keine systematische Outperformance erzielt werden kann, da sich alle vergangenen Informationen bereits im Kursbild widerspiegeln. Mithilfe der technischen Analyse werden vergangene Kursbewegungen untersucht, um die zukünftige Kursentwicklung von Wertpapieren vorherzusagen. Die technische Analyse wird in Abschnitt 2.4.2 weiter ausgeführt und umfassend beschrieben (Mondello, 2017, S. 48). Bessembinder und Chan (1998, S. 5–17) kommen in ihrer Untersuchung zur Informationseffizienz bspw. zu dem Ergebnis, dass in entwickelten Kapitalmärkten keine risikoadjustierte Outperformance durch Anwendung der technischen Analyse erzielt werden kann. Fifield, Power und Sinclair (2005, S. 531–548) konnten hingegen nachweisen, dass in eher unterentwickelten Kapitalmärkten, etwa in Schwellenländern wie Ungarn, der Türkei oder Bangladesch, überdurchschnittliche Renditen mit Hilfe der technischen Analyse erzielt werden können.
Herrscht in einem Kapitalmarkt die halbstrenge Form der Informationseffizienz, sind neben vergangenen zusätzlich auch sämtliche öffentlich verfügbaren Informationen im aktuellen Wertpapierkurs eingepreist. Allen Marktteilnehmern stehen die gleichen Informationen zur Verfügung. In einem solchen Markt ist es per Definition unmöglich, unter- oder überbewertete Wertpapiere zu finden, da sämtliche Informationen bereits im aktuellen Kurs eingepreist sind. Treten neue öffentliche Informationen auf, werden diese schnell und effizient vom Markt verarbeitet. Dies würde die fundamentale Auswertung von Wertpapieren obsolet machen, da diese Informationen bereits eingepreist sind. Überdurchschnittliche Renditen können demnach nur durch die Kenntnis von Insiderinformationen erzielt werden. Die Fundamentalanalyse von Aktien wird ebenfalls in Abschnitt 2.4.2 detailliert vorgestellt und beschrieben (Mondello, 2017, S. 48–49). Die halbstrenge Informationseffizienz ist die umstrittenste Form der Effizienzhypothesen und verglichen zur schwachen Informationseffizienz schwieriger zu überprüfen (Steiner, Bruns, & Stöckl, 2017, S. 46). Getestet wird die halbstrenge Informationseffizienzhypothese meist mit Hilfe von Ereignisstudien. Dabei werden Ereignisse wie etwa die Bekanntgabe unerwartet hoher oder niedriger Unternehmensgewinne definiert und anschließend während einer bestimmten Zeitperiode analysiert, ob und wie schnell sich der Kurs nach Eintreten der Ereignisse angepasst hat (Mondello, 2017, S. 48–49). Empirische Untersuchungen kommen hierbei zu ähnlichen Ergebnissen wie bei der schwachen Informationseffizienz. So konnten bspw. Gan, Lee, Hwa und Zhang (2005, S. 1000) nachweisen, dass den Kapitalmärkten in entwickelten Industrienationen grundsätzlich die halbstrenge Form der Informationseffizienz zugeschrieben werden kann. Ananthi und Dinesh (2012, S. 147) kamen hingegen zu dem Ergebnis, dass in weniger entwickelten Ländern wie etwa Indien die halbstrenge Form der Informationseffizienz nicht vorliegt. Ein besonders viel diskutiertes Phänomen der halbstrengen Form der Informationseffizienz ist das sogenannte Informationsparadoxon. Folgt man den Implikationen der halbstrengen Informationseffizienz, ist es nutzlos, Wertpapiere fundamental auszuwerten, da diese Informationen bereits eingepreist sind. Werden die fundamentalen Daten jedoch von Niemandem mehr ausgewertet, können sie sich nicht in den Wertpapierkursen widerspiegeln. Damit ein Kapitalmarkt in der halbstrengen Form informationseffizient sein kann, ist demzufolge die Analyse fundamentaler Informationen zwingend notwendig (Steiner, Bruns, & Stöckl, 2017, S. 43).
Die strenge Form der Informationseffizienz hat die weitreichendsten Folgen für die Anlagepraxis. In einem solchen Kapitalmarkt sind neben vergangen und öffentlichen Informationen auch sämtliche nicht-öffentliche Informationen (Insiderinformationen) in den aktuellen Wertpapierkursen eingepreist. Weder durch die Anwendung der Fundamentalanalyse, der technischen Analyse noch durch die Kenntnis von Insiderinformationen kann in einem solchen Markt eine systematische Überrendite erzielt werden (Steiner, Bruns, & Stöckl, 2017, S. 44). Empirische Tests kommen übereinstimmend zu dem Ergebnis, dass durch Insiderinformationen systematische Überrenditen erzielt werden können. Die strenge Form der Informationseffizienz existiert demzufolge in der Praxis nicht (Mondello, 2017, S. 50).
Aus den Ausführungen lässt sich schlussfolgern, dass Finanzmärkte in entwickelten Ländern in der Regel in der halbstrengen Form der Informationseffizienz vorliegen. Die strenge Informationseffizienz liegt in der Praxis nicht vor. Überraschend scheint es daher, dass es auf Kapitalmärkten dennoch immer wieder zu Blasenbildungen, Arbitragemöglichkeiten und Ineffizienzen kommt und damit die Hypothese informationseffizienter Kapitalmärkte angezweifelt wird (Schinko, 2013, S. 3). Kennzeichnend für entwickelte Kapitalmärkte ist jedoch, dass diese Ineffizienzen und Arbitragemöglichkeiten nicht dauerhaft bestehen. Werden solche Ineffizienzen entdeckt, werden sie ausgenutzt und verschwinden schließlich, wodurch wieder Gleichgewicht und Markteffizienz hergestellt wird (Albrecht & Maurer, 2016, S. 290).
2.3.2 Behavioral Finance und Kursanomalien
Neben Fama erhielt auch Robert Shiller im Jahr 2013 den Wirtschaftsnobelpreis (Kungl. Vetenskaps Akademie: The Royal Swedish Academy of Science, 2013, S. 1). Shiller gilt als großer Kritiker der Hypothese informationseffizienter Kapitalmärkte. Er hat sich von den klassischen Annahmen der ökonomischen Modelle und Theorien abgewandt und nimmt damit eine diametrale Position zu der Famas ein. Er kritisiert die Annahme rationaler Marktteilnehmer (Homo Oeconomicus) und sich selbst stabilisierender, informationseffizienter Finanzmärkte. Vielmehr verfolgt Shiller einen verhaltenswissenschaftlichen Ansatz zur Erklärung der Kursbildung an Finanzmärkten und schlussfolgert, dass sich Marktteilnehmer oftmals irrational verhalten, Informationen falsch interpretieren und Marktineffizienzen wie Blasen oder Spekulationen verursachen. Shiller gilt als Begründer der sogenannten Behavioral Finance (Schinko, 2013, S. 3–4). Die Behavioral Finance erweitert die klassische Kapitalmarkttheorie um verhaltenstheoretische und psychologische Aspekte zur Erklärung der Preisbildung an Finanzmärkten (Bruns & Meyer-Bullerdiek, 2020, S. 164–165). Daraus folgt, dass unabhängig von fundamentalen Informationen Anlageentscheidungen auch durch Emotionen beeinflusst werden (Aigner, Kaiser, & Vöcking, 2002, S. 64).
Eine viel diskutierte behavioristische Beobachtung aus der Anlagepraxis ist bspw. das Phänomen des Home Bias. Dem Home Bias liegt zugrunde, dass Investoren oftmals inländische Wertpapiere im Vergleich zu ausländischen Wertpapieren übergewichten. Sie verhalten sich demnach nicht rational und realisieren kein effizientes Portfolio nach Markowitz, da das inländische Portfolio bei gleicher Rendite weniger breit diversifiziert ist als ein internationales Portfolio. Als Erklärung für dieses Verhalten wird neben Wechselkursen, Transaktionskosten und Quellensteuern vor allem der subjektiv empfundene Kompetenz- und Informationsvorteil gegenüber inländischen Wertpapieren angeführt (Bruns & Meyer-Bullerdiek, 2020, S. 170–171). Fidora, Fratzscher und Thimann (2006, S. 37) konnten den Home Bias in einer Studie nachweisen, in der sie 71,2 % der weltweiten Marktkapitalisierung auf ihre Zusammensetzung analysierten. Sie fanden heraus, dass der maßgebliche Anteil der jeweiligen Aktienportfolios aus Aktien des Heimatlandes bestand.
Weiterhin können an Finanzmärkten Überreaktionen beobachtet werden, die zu übermäßigen Preisänderungen führen, ohne dass diese ausreichend fundamental gerechtfertigt erscheinen. Zurückgeführt wird dies auf das massenpsychologische Phänomen des Herdentriebs. Die Entscheidungen werden demnach nicht nur auf Grundlage fundamentaler Informationen sondern vielmehr aufgrund von Stimmungen und Emotionen getroffen (Steiner, Bruns, & Stöckl, 2017, S. 47–48). Investoren neigen dazu, bei Veröffentlichung unerwarteter Informationen überstürzt zu handeln, sodass Preise zu stark steigen bzw. fallen. Bei starkem Herdenverhalten kann das gleichgerichtete Verhalten der Marktteilnehmer zu Blasenbildungen und Börsencrashs führen und die Stabilität der Finanzmärkte gefährden (Mondello, 2017, S. 53–57). Ein prominentes Beispiel aus der Anlagepraxis ist die Einführung des Börsensegments „Neuer Markt“ Anfang der 2000er Jahre. Getrieben von hohen Wachstumsraten, leicht zu verdienendem Geld und der Angst, die günstige Gelegenheit zu verpassen, stiegen immer mehr Investoren in den Neuen Markt ein und verursachten eine starke Blasenbildung, die schließlich in einem großen Börsencrash resultierte (Aigner, Kaiser, & Vöcking, 2002, S. 61).
Eine weitere Kursanomalie sind sogenannte Zeitreihenanomalien, die bereits in den 1970er- und 1980er-Jahren ausgiebig untersucht wurden. Hierbei handelt es sich um zeitlich wiederkehrende Renditemuster. Eines dieser Renditemuster stellt der Januar-Effekt dar, der besagt, dass Aktienrenditen im Januar im Vergleich zu den restlichen Monaten deutlich höher ausfallen. Diese Beobachtung verletzt die Hypothese informationseffizienter Kapitalmärkte, da sich demnach die Renditen im Januar von denen des restlichen Jahres unterscheiden, ohne dass hierfür relevante Informationen zugrunde liegen (Mondello, 2017, S. 52). So kam etwa Dyl (1977, S. 165) zu dem Ergebnis, dass Investoren aus steuerlichen Gründen zum Jahresende Verluste realisieren und daher Aktien verkaufen. Am Anfang des nächsten Jahres decken sie sich dann wieder neu mit Wertpapieren ein, was zu steigenden Kursen führt. Roll (1983, S. 18) hingegen konnte nachweisen, dass zwischen 1963 und 1980 jährlich die durchschnittliche Rendite von kleinen Firmen am ersten Handelstag im Jahr höher war als die Rendite von großen Firmen, während die Renditedifferenz im restlichen Jahr nicht so stark ausfiel. Neuere Studien kommen wiederum zu dem Ergebnis, dass der Januareffekt nicht konsistent vorliegt und durch dessen Ausnutzung risikoadjustiert keine überdurchschnittliche Rendite erzielt werden kann (Mondello, 2017, S. 52–53).
Darüber hinaus konnte vor allem in den 1980er- und 1990er-Jahren nachgewiesen werden, dass unterschiedliche Aktienarten eine unterschiedliche risikoadjustierte Rendite erzielen. So performen etwa die Aktien kleinerer Unternehmen risikoadjustiert besser als Aktien großer Unternehmen. Auch scheint es, dass Value-Aktien, also Aktien mit einem hohen Verhältnis von Buchwert zum Marktwert des Eigenkapitals risikoadjustiert eine höhere Rendite erzielen als Growth-Aktien, die ein niedriges Verhältnis von Buchwert zum Marktwert des Eigenkapitals aufweisen (Steiner, Bruns, & Stöckl, 2017, S. 47). Fama und French (1998, S. 1975) haben bspw. für den Zeitraum zwischen 1975 und 1995 die 13 größten Kapitalmärkte der Welt analysiert und herausgefunden, dass Value-Aktien in 12 von 13 Kapitalmärkten Growth-Aktien outperformen. Diese Erkenntnis verletzt ebenfalls die Hypothese informationseffizienter Kapitalmärkte, da die Informationen zur Klassifizierung von Value- und Growth-Aktien öffentlich zur Verfügung stehen (Mondello, 2017, S. 53–54).
Neben den bereits beschriebenen gibt es zahlreiche weitere Preisverzerrungen auf Kapitalmärkten, die jedoch aufgrund des begrenzten Umfangs der Masterarbeit nicht weiter vertieft werden. Zusammengefasst verhalten sich die Marktteilnehmer nicht immer vollkommen rational und verursachen dadurch Marktineffizienzen und Kursanomalien. Fama (1998, S. 283) kommt jedoch zu dem Ergebnis, dass Kursanomalien zufällig sind und Überreaktionen so häufig auftreten wie Unterreaktionen und damit die Märkte langfristig im Gleichgewicht und effizient vorliegen. Dementsprechend kommen empirische Untersuchungen weitgehend zu dem Schluss, dass in entwickelten Ländern die halbstrenge Form der Informationseffizienz vorliegt und sich durch historische und öffentliche Informationen keine risikoadjustierte Outperformance erzielen lässt (Mondello, 2017, S. 57).
2.4 Aktives Portfoliomanagement
2.4.1 Einführung in aktives Portfoliomanagement
Der in der Praxis am häufigsten verwendete Ansatz ist der des aktiven Portfoliomanagements. Hierbei stellt der Investor ein auf sich abgestimmtes Portfolio zusammen und versucht damit durch geschicktes Timing und gute Selektions- und Allokationsfähigkeit eine vorher festgelegte Benchmark zu schlagen (Mondello, 2017, S. 8–9). In der Praxis erfolgt die Anlage und Diversifikation meist nicht mit Einzeltiteln, sondern mithilfe von Fonds. Ein Fonds stellt ein Sondervermögen dar, das von einer Fondsgesellschaft gemäß einer zugrundeliegenden Anlagestrategie gemanagt wird. Der Investor kauft Anteile am Fonds, die er später wieder zurückgeben kann. Dies ermöglicht es den Anlegern, auch mit kleinem Kapitaleinsatz einen Diversifikationseffekt zu erzielen (Müller & Schöne, 2011, S. 116).
Bei der Portfoliokonstruktion orientiert sich der Portfoliomanager an einer selbst gewählten Benchmark, die meist durch einen Index oder einen Indexfonds dargestellt wird. Inwieweit von der Benchmark abgewichen werden darf, ist abhängig vom zugrundeliegenden Mandat und der Risikoneigung des Investors (Krämer, 2002, S. 35). Folgt man der Hypothese informationseffizienter Kapitalmärkte, sind Aktienkurse jederzeit richtig bewertet und passen sich sofort an neu auftretende Informationen an. Demnach ist es nicht möglich, durch Ausnutzung neuer Informationen systematische Überrenditen zu erzielen (Steiner, Bruns, & Stöckl, 2017, S. 6). Der Grundgedanke des aktiven Managements ist, dass es zumindest temporär Ineffizienzen auf den Kapitalmärkten gibt und der professionelle Portfoliomanager die zukünftige Entwicklung einzelner Wertpapiere oder ganzer Branchen besser vorhersagen kann als die anderen Marktteilnehmer. Auf Grundlage dessen werden abweichend von der Benchmark über- und unterbewertete Titel gesucht und daraufhin negative oder positive aktive Positionen eingegangen, die wieder aufgelöst werden, sobald die zugrundeliegenden Informationen vom Markt eingepreist wurden. Der Mehrwert des aktiven Portfoliomanagements wird an der Überrendite im Vergleich zu einer selbst gewählten Benchmark gemessen. Im aktiven Portfoliomanagement wird davon ausgegangen, dass die Benchmark geschlagen werden kann (Albrecht & Maurer, 2016, S. 94). Für die Zusammenstellung des Portfolios müssen in einem ersten Schritt Kursprognosen erstellt werden. Dies stellt den neuralgischen Punkt im aktiven Portfoliomanagement dar, da diese Vorhersagen mit großer Unsicherheit verbunden sind. Ohne zutreffende Kursprognosen ist der zweite Schritt, die Portfoliobildung und -optimierung, nutzlos. Zur Erstellung von Kursprognosen bedarf es der umfassenden Analyse der einzelnen Finanztitel. Dies erfolgt mit Hilfe der Fundamentalanalyse sowie der technischen Analyse, die im nächsten Abschnitt vorgestellt werden (Bruns & Meyer-Bullerdiek, 2020, S. 183–184).
2.4.2 Aktienanalyse
Die am häufigsten angewandte Methode der Aktienanalyse ist die Fundamentalanalyse. Hierbei wird davon ausgegangen, dass der Kurs einer Aktie um seinen inneren, fairen Wert schwankt, sich aber langfristig an den inneren Wert annähert. Mithilfe der Fundamentalanalyse soll der innere Wert einer Aktie ermittelt werden. Durch Vergleich des inneren Werts mit dem aktuellen Kurs kann bestimmt werden, ob die Aktie über- oder unterbewertet ist. Eine unterbewertete Aktie stellt ein Kaufsignal dar, eine überbewertete Aktie ein Verkaufsignal. Im Rahmen der Fundamentalanalyse können unterschiedliche Kennzahlen verwendet werden, weshalb die ermittelten inneren Werte immer unterschiedlich und subjektiv sind (Schuster & Uskova, 2018, S. 38). Die Fundamentalanalyse besteht aus drei Teilbereichen (Bruns & Meyer-Bullerdiek, 2020, S. 352–353). In einem ersten Schritt erfolgt die Analyse des gesamtwirtschaftlichen Umfelds. Hierbei soll die aktuelle konjunkturelle und politische Lage des Landes bestimmt werden. Dies ist wichtig, da die wirtschaftliche Verfassung einer Volkswirtschaft Auswirkungen auf gesamtwirtschaftliche Aktivitäten hat und damit auf die Umsatz- und Kostenentwicklung sowie die generelle Attraktivität von Aktien verschiedener Branchen geschlossen werden kann. Im zweiten Schritt erfolgt die Analyse des Branchenumfelds. Besonderes Augenmerk liegt hier auf dem allgemeinen Wachstum der Branche sowie der Wettbewerbsintensität. Den dritten Teilbereich stellt die Unternehmensanalyse dar. Im Rahmen der Unternehmensanalyse soll bestimmt werden, ob das Unternehmen wirtschaftlich solide ist und welche strategische Position es im Branchenumfeld einnimmt. Zur Abschätzung der zukünftigen Unternehmensentwicklung ist es wichtig, strategische Wettbewerbsvorteile zu erkennen und zu bewerten (Dörr, 2002, S. 112–115). Die Unternehmensanalyse erfolgt dabei hauptsächlich durch die Analyse des Jahresabschlusses, genauer der Bilanz, der Gewinn- und Verlustrechnung sowie der Kapitalflussrechnung. Hierbei werden verschiedene Kennzahlen gebildet, um die Leistungsfähigkeit des Unternehmens zu bestimmen. Wichtige Kennzahlen sind bspw. die Eigenkapitalquote, die Schuldentilgungsdauer, die Cashflow-Rate und die Gesamtkapitalrentabilität (Peters, 2021, S. 17–21). Im Anschluss erfolgt die Bestimmung des inneren Werts der Aktie. Hier bedient man sich meist dem in der Investitions- und Finanzierungsrechnung bekannten Barwertkonzept. Der Barwert der Aktie ist die Summe aller auf den Betrachtungszeitpunkt diskontierten zukünftigen Zahlungen. Problematisch bei der Umsetzung des Barwertkonzepts ist die Ungewissheit über zukünftige Zahlungen, die mit der Aktienanlage verbunden sind (Steiner, Bruns, & Stöckl, 2017, S. 235–236).
Eine zweite Methode der Aktienanalyse, die sich in der Praxis ebenfalls großer Beliebtheit erfreut, ist die technische Analyse bzw. die Charttechnik. Im Mittelpunkt der Charttechnik steht die Analyse des vergangenen Kursverlaufs (Chart), um dadurch die künftige Kursentwicklung prognostizieren zu können. Es wird angenommen, dass sich Kursmuster aus der Vergangenheit in der Zukunft wiederholen (Albrecht & Maurer, 2016, S. 315). Dabei werden in den Charts bestimmte Formationen und Muster sowie Kurstrendindikatoren gesucht, die entscheidend für die Kursentwicklung sind. Ein viel diskutiertes psychologisches Phänomen im Rahmen der technischen Analyse ist die sogenannte selbsterfüllende Prophezeiung. Werden von den Investoren bestimmte Kursbewegungen erwartet, so unternehmen sie bestimmte Handlungen (Kauf oder Verkauf von Aktien), was zur entsprechenden Kursbewegung führt (Schuster & Uskova, 2018, S. 40). Bekannte Indikatoren bzw. Methoden der Charttechnik sind etwa Unterstützungs- und Widerstandslinien im Chart, gleitende Durchschnittslinien, Momentum oder Kopf-Schulter-Formationen. Die Charttechnik wird vor allem zur Analyse kurzfristiger Kursbewegungen eingesetzt (Bruns & Meyer-Bullerdiek, 2020, S. 355). Da lediglich historische Daten aus dem Kursverlauf betrachtet werden und volkswirtschaftliche und unternehmensspezifische Daten außer Acht gelassen werden, wird diese Form der Aktienanalyse in der Fachwelt eher kritisch betrachtet (Schuster & Uskova, 2018, S. 40).
2.4.3 Anlagestile im aktiven Portfoliomanagement
Schließlich kommen im Rahmen des aktiven Portfoliomanagements unterschiedliche Anlagestile zum Einsatz. Der bekannteste Ansatz ist die Einzeltitelwahl bzw. das Stock-Picking. Hierbei kauft der Portfoliomanager abweichend von der Benchmark einzelne Wertpapiere, von denen er glaubt, dass diese in Zukunft besser als die Benchmark performen werden. Dies erfordert einen gewissen Informationsvorsprung gegenüber anderen Marktteilnehmern. Ausgangspunkt dafür ist oftmals die Fundamentalanalyse, mit der ermittelt wird, ob eine Aktie unter- oder überbewertet ist (Krämer, 2002, S. 38). Wichtig in diesem Zusammenhang ist das Timing, also der richtige Zeitpunkt für den Kauf bzw. Verkauf der Aktie. Voraussetzung dafür ist eine überdurchschnittliche Prognosefähigkeit für den zukünftigen Kursverlauf. Zur Ermittlung des Timings wird oftmals die technische Analyse eingesetzt (Steiner, Bruns, & Stöckl, 2017, S. 139). Ebenfalls zur Methode des Stock-Pickings lässt sich der Branchenansatz zuordnen. Dabei werden auf Grundlage von volks- und betriebswirtschaftlichen Daten zur gesamtwirtschaftlichen Entwicklung einzelne Branchen im Vergleich zur Benchmark über- oder untergewichtet, um eine bessere Performance als diese zu erzielen. Historische Erfahrungen zeigen, dass sich verschiedene Branchen in Abhängigkeit vom Stadium im Konjunkturzyklus unterschiedlich entwickeln. Problematisch hierbei ist, den Konjunkturverlauf richtig zu antizipieren, da der Aktienmarkt und die einzelnen Branchen bereits als Frühindikatoren für bestimmte konjunkturelle Phasen gelten. Es kann demnach im Rahmen der Branchenauswahl schnell zu Fehleinschätzungen kommen (Aigner, Kaiser, & Vöcking, 2002, S. 123–125).
Eine weitere bekannte Anlagemethode ist die Unterscheidung zwischen einem wert- und einem wachstumsorientierten Anlagestil. Bei Anwendung des wertorientierten Anlagestils (Value) wird versucht Aktien zu identifizieren und zu kaufen, die im Vergleich zum inneren Wert unterbewertet sind. Voraussetzung für die Identifikation unterbewerteter Aktien ist eine umfassende Fundamentalanalyse (Mondello, 2017, S. 1109). Ob eine Unterbewertung vorliegt, wird mit verschiedenen Kennzahlen gemessen. Üblicherweise gelten als Indikatoren ein niedriges Kurs-Buchwert-Verhältnis, ein niedriges Kurs-Cash-Flow-Verhältnis, ein niedriges Kurs-Gewinn-Verhältnis sowie eine hohe Dividendenrendite. Innerhalb des wertorientierten Ansatzes werden Aktien oftmals antizyklisch entgegen ihrer Marktpreisentwicklung gekauft. Als Ursache für starke Unterbewertungen kommen bspw. aktuell schlechte Unternehmensergebnisse oder Skandale in Betracht (Aigner, Kaiser, & Vöcking, 2002, S. 134). Bei Anwendung der wachstumsorientierten Anlagestrategie (Growth) werden Aktien von Unternehmen gekauft, deren zukünftige Gewinnaussichten überdurchschnittlich sind. Es wird davon ausgegangen, dass der Aktienkurs aufgrund von zukünftigem Gewinnwachstum steigt, während das Kurs-Gewinn-Verhältnis konstant bleibt. Problematisch bei diesem Ansatz stellt sich die Abschätzung des zukünftigen Gewinns dar. Bleibt das erhoffte Gewinnwachstum aus, geht dies mit Kurseinbrüchen einher (Mondello, 2017, S. 1110). Für die wachstumsorientierte Anlagestrategie haben sich als Indikatoren ein hohes Umsatz- und Gewinnwachstum, ein hohes Kurs-Buchwert-Verhältnis, ein hohes Kurs-Cash-Flow-Verhältnis, ein hohes Kurs-Gewinn-Verhältnis sowie eine niedrige Dividendenrendite etabliert (Aigner, Kaiser, & Vöcking, 2002, S. 135).
In den letzten Jahren haben zunehmend auch semiaktive Anlagestrategien an Bedeutung gewonnen. Dabei handelt es sich um eine Mischung aus aktivem und passivem Portfoliomanagement. Hierbei wird zunächst unter Anwendung von passivem Portfoliomanagement versucht, eine Benchmark so exakt wie möglich nachzubilden. Im zweiten Schritt werden unter Anwendung von aktivem Portfoliomanagement bestimmte Werte oder Branchen im Vergleich zur Benchmark über- oder untergewichtet, um eine höhere Performance als die Benchmark zu erzielen. Auch dieser Ansatz erfordert überdurchschnittliche Prognosefähigkeiten (Steiner, Bruns, & Stöckl, 2017, S. 318). Diese Anlagestrategie wird als Enhanced Indexing bezeichnet (Krämer, 2002, S. 37). Ein anderer Ansatz des semiaktiven Portfoliomanagements ist die sogenannte Core-Sattelite-Strategie.
[...]
- Arbeit zitieren
- Adrian Holzheimer (Autor:in), 2022, Aktives versus Passives Portfoliomanagement in Zeiten der Covid-19-Pandemie, München, GRIN Verlag, https://www.grin.com/document/1190077
-
-
-
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen.