Kurz gefasst
- Beim quantitativen Investieren werden in der Regel riesige Datenmengen durchforstet, um Anlagemöglichkeiten zu finden.
- Der Einsatz von „Entscheidungsbäumen“ bei MDT erhöht die Transparenz und verhindert, dass die Entscheidungsfindung zu einer datengesteuerten „Black Box“ wird.
- Das Team setzt empfohlene Trades außer Kraft, wenn es zu dem Schluss kommt, dass die Modelle nicht alle relevanten Faktoren erfassen, die den Aktienkurs beeinflussen.
- Auf diese Weise wird sichergestellt, dass das Team die Gründe für jeden Trade genau kennt.
Es gibt viele unzutreffende Klischees über quantitatives Investieren. Obwohl quantitatives Investieren, wie der Name schon sagt, datengesteuert ist, werden die Investitionen nicht unbedingt von Computern getätigt. Vielmehr gibt es eine ganze Reihe von Ansätzen, die in unterschiedlichem Maße menschliche Entscheidungsfindung beinhalten.
„Quant-Strategien werden oft dahingehend pauschalisiert, dass sie Black Boxes sind und niemand wirklich weiß, was vor sich geht“, sagt Scott Conlon, Investment Director für MDT Advisers bei Federated Hermes.
Beim quantitativen Investieren wird in der Regel eine große Menge an Daten – etwa historische Marktinformationen, Fundamentaldaten von Unternehmen, Bewertungskennzahlen, makroökonomische Daten – gesichtet, um Anlagemöglichkeiten zu finden. Dadurch dass es sich auf empirische Daten statt auf subjektive Einschätzungen stützt, zielt Quant Investing darauf ab, emotionale Voreingenommenheit aus dem Anlageprozess zu entfernen und die Möglichkeiten der prädiktiven Analytik zu nutzen.
„Wir haben uns immer darauf konzentriert, ein hohes Maß an Transparenz und Verantwortlichkeit für unseren Prozess aufrechtzuerhalten. Da der Prozess von unserem Team entwickelt wurde, kontrollieren wir sowohl die Eingabedaten als auch die Art und Weise, wie diese Daten analysiert werden. So haben wir eine klare Vorstellung davon, wie der Prozess funktioniert und verstehen die Gründe hinter allen Investitionen“, sagt Conlon.
Entscheidungsbäume
Conlon veranschaulicht anhand eines Beispiels, wie der MDT-Prozess funktioniert: die Verwendung einer fortschrittlichen Modellierungstechnik, die „Entscheidungsbäume“ zur Bewertung der einzelnen Aktien einbezieht. Diese Methodik basiert auf einem Regressionsbaummodell, das vor Jahrzehnten in der Wissenschaft entwickelt wurde und heute in verschiedenen Branchen, darunter Versicherungen und Naturwissenschaften, als Standardinstrument für die prädiktive Analyse eingesetzt wird.
Der Entscheidungsbaumprozess basiert auf einer Reihe von Ja/Nein-Fragen zur Bewertung aller Aktien auf der Grundlage einer diskreten Reihe von fundamentalen (d.h. Jahresabschlussinformationen, Bewertungen) und sentimentalen (d.h. Gewinndynamik, Preistrends) Kriterien, um Renditeprognosen für jede Aktie zu entwickeln (siehe Abbildung 1).
Abbildung 1: Wie funktionieren Entscheidungsbäume?
„Unserer Ansicht nach besteht der Hauptvorteil dieses Ansatzes darin, dass er nicht nur eine breite Palette verschiedener Unternehmenstypen identifiziert, die für Investitionen in Frage kommen, sondern auch ein hohes Maß an Transparenz bietet, sodass es leicht nachvollziehbar ist, warum ein Unternehmen gut oder schlecht bewertet wird“, sagt Conlon.
Ein weiterer, oft missverstandener Aspekt von Quant-Investing-Modellen ist, dass sie nicht unbedingt statisch sind: Sie können regelmäßig mit neuen Daten aktualisiert werden, um die neuesten Marktentwicklungen zu erfassen.
Eine jüngste Verbesserung des MDT-Modells zur Vorhersage von Aktienrenditen bestand darin, dass ein neuer Faktor hinzugefügt wurde, der den „wirtschaftlichen Burggraben“ für alle Branchen auf dem US-Aktienmarkt analysiert.
Wirtschaftliche Burggräben
So wurde beispielsweise kürzlich das MDT-Modell zur Vorhersage von Aktienrenditen um einen neuen Faktor erweitert, der den „wirtschaftlichen Burggraben“ für alle Branchen auf dem US-Aktienmarkt analysiert. Unternehmen mit einem ökonomischen Burggraben – wie etwa einer starken Markenidentität oder robusten Patenten – haben nachhaltige Vorteile, die ihnen dabei helfen können, ihre Wirtschaftlichkeit gegenüber Wettbewerbern zu verteidigen.
Die Untersuchungen des Teams ergaben, dass die Einbeziehung der Analyse des wirtschaftlichen Burggrabens bei erfolgreichen Unternehmen mit ungünstiger Bewertung dazu beiträgt, Kaufgelegenheiten zu identifizieren. Ein etablierter Burggraben kann in Ungnade gefallenen Unternehmen dabei helfen, Wettbewerber in Schach zu halten und gleichzeitig die operativen Ergebnisse wiederherstellen. Die Einbeziehung einer solchen Analyse kann auch dazu beitragen, dass im Rahmen der Strategien Unternehmen gemieden werden, deren Aktienkurse weiter fallen könnten.
„Ziel war es, diejenigen Unternehmen zu untersuchen, die einen erheblichen Kursrückgang erlitten haben, und einen Weg zu finden, um vorherzusagen, für welche Unternehmen sich eine starke Erholung des Aktienkurses einstellen könnte. Wir fanden heraus, dass diese Wahrscheinlichkeit in Branchen mit einem hohen ‚wirtschaftlichen Burggraben‘ größer war“, erklärt Conlon.
Die menschliche Komponente
Ein wichtiger Bestandteil des quantitativen Investierens ist die menschliche Komponente. So überwacht das MDT-Team beispielsweise alle Aspekte seines Anlageprozesses genau, wozu auch die Überprüfung aller Trades vor der Ausführung gehört. Dieser Überwachungsprozess ist darauf ausgerichtet, jedes Portfolio täglich zu optimieren und jeden Morgen eine Liste von Trades zu erstellen. „Wir führen die Liste nicht einfach blindlings aus, ohne sie vorher zu prüfen“, so Conlon. Das Team setzt empfohlene Trades außer Kraft, wenn es zum Schluss kommt, dass die Modelle nicht alle relevanten Faktoren erfassen, die den Aktienkurs beeinflussen. Der Prozess trägt auch dazu bei, dass das Team ein klares Verständnis für die Beweggründe hinter jedem Trade hat.
Quantitatives Investieren ist Teil eines Trends, der die datengestützte Entscheidungsfindung in den Vordergrund von Unternehmen und Investitionen rückt. Einige modellgestützte Anwendungen kommen dabei ohne menschlichen Input aus. Es gibt jedoch einen Ansatz, der beide Welten berücksichtigt, nämlich einen objektiven Anlageprozess, der auf einer leistungsstarken Technologie aufbaut, die von Menschen entwickelt, verfeinert und eng überwacht wird.
MDT: Entscheidungsbäume für mehr Transparenz
Teilen:
1 Tim Stobierski, Harvard Business School Online, “The Advantages of Data-Driven Decision-Making.” August 2019.
BD15649
