Der Anlageansatz von MDT unterscheidet sich deutlich von dem vieler anderer aktiver Manager, die derzeit auf dem Markt zu finden sind. Es gibt einige Punkte, in denen sich MDT meiner Meinung nach ganz klar von Konkurrenzprodukten abhebt.
An erster Stelle steht unsere Erfahrung. Wir verwalten unseren Anlageprozess nun seit über 30 Jahren. In dieser Zeit konnten wir dessen Funktionsweise in vielen verschiedenen Marktumfeldern bewerten und haben umfangreiche Erfahrungen mit der Verwendung von Prognosemodellen und fortschrittlichen Modellierungstechniken gesammelt, die uns dabei helfen, eine breite Palette von Unternehmen zu identifizieren, die für unsere Portfolios in Frage kommen.
Wir haben hier bei MDT ein hervorragendes Team, und jeder trägt auf unterschiedliche Weise zum Erfolg des Unternehmens bei. Einige der Mitarbeiter, die zu Beginn meiner Tätigkeit zum Investmentteam gehörten, sind noch immer hier, sodass unter vielen von uns eine besondere Vertrautheit herrscht. Die neueren Teammitglieder haben sich währenddessen mit neuen Ideen eingebracht und so Mehrwert geschaffen – es ist eine großartige Mischung aus Beständigkeit und frischem Denken.
Bei der von uns verwendeten Modellierung legen wir Wert auf einen transparenten und nachvollziehbaren Prozess. Die seit Jahrzehnten von uns eingesetzte Technik des maschinellen Lernens beinhaltet Entscheidungsbaum-Algorithmen, ein Analyseinstrument, das uns dabei hilft, die Gründe für jeden Trade zu verstehen und zu erklären.
Einfach ausgedrückt ist ein Entscheidungsbaum eine Reihe von Ja/Nein-Fragen, die zu einem bestimmten Ergebnis führen. Es handelt sich um ein unkompliziertes Instrument, mit dem viele Menschen wahrscheinlich vertraut sind.
In unserer quantitativen Anlageanwendung zielen die Fragen auf Unternehmen und unternehmens-bezogene Daten ab, wie etwa Bewertungen, Kursentwicklungen und Unternehmensstruktur. Das Ergebnis, das wir vorhersagen möchten, ist die Rendite – insbesondere, ob und inwieweit ein Unternehmen seine Benchmark übertreffen oder nicht erreichen wird. Mit dieser maschinellen Lerntechnik sind wir in der Lage, tägliche relative Renditeprognosen für jede Aktie am US-Aktienmarkt zu erstellen, die wir zur Zusammenstellung unserer Portfolios verwenden.
Wir verwalten stark diversifizierte Portfolios, die darauf ausgelegt sind, unbeabsichtigte Risiken zu begrenzen, was zu einer höheren Widerstandsfähigkeit des Portfolios über Marktzyklen hinweg und zu potenziell verbesserten risikobereinigten Renditen führen kann.
Wir wenden Portfoliobeschränkungen auf vier Ebenen an: Unternehmen, Teilbranche, Branche und Sektor. Diese Beschränkungen begrenzen das relative Engagement gegenüber dem Referenzindex für einzelne Unternehmen oder Unternehmensgruppen. Insbesondere vermeiden wir eine starke Über- oder Untergewichtung einzelner Sektoren. Dies trägt dazu bei, das aktive Engagement gegenüber makroökonomischen Risiken zu reduzieren, die in volatilen Märkten zu erheblichen Tracking-Fehlern führen können.
Bei der Performanceanalyse betrachten wir, wie aussagekräftig unsere Faktoren und die wichtigsten Kombinationen dieser Faktoren für die Vorhersage der Performance waren.
Indem wir berücksichtigen, was die Entscheidungen des Modells beeinflusst und wo die Strategien innerhalb des Modells positioniert sind, erhalten wir ein viel besseres Bild davon, wie die Performance dieser Strategien zustande kommt.
MDT unterscheidet sich von den Quants der Vergangenheit durch den Einsatz fortschrittlicher Algorithmen, mit denen wir aus unseren Daten wertvolle Erkenntnisse gewinnen, und durch die Geschwindigkeit, mit der wir diese Daten verarbeiten können. In unserer immer komplexeren Welt ist dieser datengestützte Ansatz unserer Meinung nach zunehmend wertvoll.
