- Die Kombination aus 19 rendite- und portfoliobasierten Prädiktoren verbessert die Fondsperformance-Vorhersage signifikant.
- Fonds im obersten Dezil des Kompositprädiktors erzielten eine risikobereinigte Überrendite von 4,56% pro Jahr.
- Renditebasierte und portfoliobasierte Parameter tragen gleichermaßen zur Vorhersagekraft bei.
- Die Methode ist einfach anwendbar und erfordert keine komplexen Machine-Learning-Techniken.
Am 16. September 2024 veröffentlichten Sebastian Müller von der Technischen Universität München sowie Nikolay Pugachyov und Florian Weigert von der Universität Neuchâtel das Research Paper "Forecasting Mutual Fund Performance – Combining Return-Based with Portfolio Holdings-Based Predictors" über die Plattform SSRN. In ihrem Forschungsbericht stellen die Autoren eine Methode zur Verbesserung der Vorhersage von Investmentfonds-Performance vor, die sowohl renditebasierte als auch portfoliobasierte Prognosefaktoren kombiniert. Die zentrale Erkenntnis der Studie ist, dass durch die Bildung eines Kompositprädiktors, der Informationen aus 19 etablierten Einzelparametern integriert, eine signifikante Überperformance im Vergleich zu passiven Fonds erzielt werden kann.
Die Methodik der Prädiktor-Kombination
Die Studie basiert auf der Zusammenführung von zwei Arten von Vorhersage-Faktoren: Renditebasierten (z. B. Alpha des Fonds, Fondsgröße und -alter) und portfoliobasierten Indikatoren (z. B. der sogenannte "Skill Index" und aktive Gewichtung der Fonds). Durch die Kombination dieser beiden Kategorien in einem einzigen Kompositprädiktor konnten die Autoren feststellen, dass Fonds im obersten Dezil der vorhergesagten Performance eine risikobereinigte Überrendite von 4,56% pro Jahr gegenüber Fonds im unteren Dezil erzielen. Besonders interessant ist, dass sowohl renditebasierte als auch portfoliobasierte Kennzeichen gleichermaßen zur Vorhersagequalität beitragen.
Praktische Implikationen für Investoren
Für die praktische Anwendung schlagen die Autoren eine Strategie vor, die darin besteht, nur in Fonds des obersten Dezils zu investieren, die auf Basis des Kompositprädiktors identifiziert wurden. Diese Strategie zeigt eine statistisch signifikante Überperformance, sowohl im Vergleich zu durchschnittlichen aktiv gemanagten Fonds als auch zu passiven Fonds. Damit bietet die vorgestellte Methode einen einfachen und datengetriebenen Ansatz, der ohne komplexe Machine-Learning-Algorithmen auskommt und sich somit für breite Anlegerkreise eignet.
Ergebnisse und Ausblick
Die Analyse basiert auf Daten von 4.416 aktiv gemanagten US-Aktienfonds zwischen 1985 und 2022. Sie zeigt, dass das Kombinieren von Einflussfaktoren ein zuverlässigeres Maß für das Erkennen von Managertalenten bietet als die Verwendung einzelner Parameter. Investoren könnten mit dieser Methode ihre Auswahl an Fonds optimieren, indem sie das Rauschen in den Vorhersagen minimieren.
e-fundresearch.com Fazit
Die vorgestellte Studie liefert wertvolle Erkenntnisse für Anleger, die aktiv gemanagte Fonds in Betracht ziehen. Die Verwendung eines Kompositprädiktors könnte den Entscheidungsprozess bei der Fondsselektion erheblich verbessern und eine risikobereinigte Überrendite ermöglichen. Für institutionelle Investoren, die nach einer praxistauglichen und effektiven Methode suchen, bietet dieser Ansatz eine innovative Perspektive.
Lesen Sie mehr:
