Mit aufkommender Einsicht über die unzureichenden Diversifikationseffekte der Modelle der ersten Generation, begannen institutionelle Investoren ihre „klassische“ Aktien- und Anleiheallokationen stetig mit weiteren Strategien zu ergänzen – als Beispiele können L/S Equity, Risk Parity und Low-Volatility Strategien genannt werden. Zur quantitativen Optimierung wurden Multi-Faktoren/Multi-Perioden-Modelle verwendet, deren theoretische Grundlagen bis in die 1970er Jahre zurückreichen.

Doch selbst alternative Assetklassen konnten sich nicht dem Trend steigender Korrelationen entziehen. Waren sie zu Beginn der 2. Generation (rund um das Millennium) noch als Quelle von Non-Korrelation geschätzt, führte das Volums-Wachstum von Hedgefonds zu einem Main-Stream Effekt und dementsprechend steigender Korrelation mit den Aktienmärkten.

Trotzdem bestimmt weiterhin die traditionelle Portfoliotheorie – in der Regel der theoretische „Überbau“ für die übergeordnete (strategische) Asset Allocation Entscheidung – im Rahmen des Investmentprozesses die Mischung einzelner Assetklassen zur Umsetzung eines optimalen Policy-Portfolios. Nicht zuletzt durch die schmerzhaften Marktverwerfungen während und im Nachgang der Finanzkrise mussten viele institutionelle Investoren feststellen: die traditionelle Portfoliotheorie stößt an ihre Grenzen!

Im Zuge des abrupten Liquiditätsentzuges quer über alle Assetklassen konnten erwartete Diversifikationspotenziale nicht gehoben werden. Durch die in den letzten Jahren überwiegend makro- bzw. geldpolitisch getriebenen Kapitalmarktbewegungen ergibt sich ein Szenario, das sich zwischen stetig ändernden Gleichgewichtszuständen –„Risk On“ bzw. „Risk Off“ – bewegt. Entsprechend ergeben sich Schwierigkeiten bei der Portfolio- und Risikosteuerung, zumal im aktuellen sekulären Niedrigzinsumfeld Investoren gezwungen sind, bei konstanter Renditeerfordernis stetig die Portfolioqualität zu verschlechtern.

In Summe ergibt sich für die 2. Generation folgende Problemstellung: Aufgrund kongruenter Basisannahmen zur 1. Generation wird Risiko künstlich auf Volatilitätsmaße reduziert. Selbst unter Zuhilfenahme von komplexeren mathematischen Modellen, umgesetzt durch computergestütze Algorithmen, ergaben sich blinde Flecken in der Risikowahrnehmung. Man denke an VaR-optimierte Portfolios als eine der Fehlentwicklungen. Zusätzlich ergab sich durch die rasch fortschreitende Globalisierung eine Heterogenität in der Definition von Assetklassen aus Strategien, Strukturen und Geographien, sodass eine Diversifikation auf Basis von Assetklassen keine ausreichende Robustheit ermöglichte.

Asset Allocation der dritten Generation
Bei all den dekonstruierten Mythen der ersten beiden Generationen drängt sich die Frage nach Alternativen auf.

Die dritte Generation (ab 2010) bricht mit den Basisannahmen der ersten beiden. Ihr akademisches Fundament begann sich in den 1990ern zu festigen (Behavioral Finance) und fand in der Kombination aus Neurowissenschaft, Evolution und Finanzökonometrie einen Kontext-gebenden Rahmen (siehe Adaptive Market Hypothesis, 2004). Eine Einlassung auf die 3. Generation wäre an dieser Stelle zu umfassend. Konzentrieren wir uns auf einen wichtigen Baustein in der sich derzeit ausbildenden Generation: die Diversifikation von Risikofaktoren.

Was sind Risikofaktoren?
Eine Analogie. Man stelle sich ein Wassermolekül vor (H2O). Das Molekül repräsentiert eine Assetklasse. Nun setzt sich dieses Molekül aus mehreren Bestandteilen zusammen, nämlich dreier Atome: 2x Wasserstoff und 1x Sauerstoff. Willkommen in der Welt der Risikofaktoren. Diese stellen nichts anderes als quantitative und qualitative Einflussfaktoren auf eine Assetklasse dar, nehmen quasi die Dekomposition einer Assetklasse vor. In diesem Artikel verbleiben wir auf der Ebene der Atome. Versierte Naturwissenschafter unter uns erahnen bereits was nun folgen mag. Ein Atom ist nicht, wie die alten Griechen annahmen, das Unteilbare, sondern lässt sich in Proton, Neutron und Elektron teilen. Und diese Detailebene wiederum in Up- und Down-Quarks. Die hier vorgestellte atomare Ebene der Dekomposition von Assetklassen repräsentiert lediglich den Beginn einer Reise, auf der marktrelevante Einflussgrößen besser erforscht werden müssen.

Versuchen wir uns an einer Definition: ein Risikofaktor ist ein messbarer, isolierbarer Einflussfaktor einer Assetklasse.

Einzelne Assetklassen können also in Riskofaktoren zerlegt werden, die Risiko-, Ertrags- und Korrelationseigenschaften besser erklären als traditionelle Portfoliosteuerungsansätze. Eine auf der Oberfläche ausreichend diversifiziert erscheinende Portfoliokonstruktion über unterschiedliche Assetklassen kann in besonderen Situationen trotzdem hohe Korrelationseigenschaften aufweisen, da sie von den ähnlichen bzw. überlappenden Risikofaktoren bewegt wird. Auch wenn der Komplexitätsgrad der Portfoliooptimierung unter Zugrundelegung von Risikofaktoren erhöht wird, so machen die dadurch erzielten Vorteile und die entsprechende Reduktion der inhärenten Schwächen der traditionellen Portfoliotheorie dies mehr als Wett.

Nehmen wir eine erste Kategorisierung von Risikofaktoren auf „atomarer Ebene“ vor. Brad Jones von der Deutschen Bank unterteilt die Faktoren in Beta-, Style- und Macro-Risiken. Hier die für die Asset Allokation relevante Logik: ein Investor darf sich dafür, dass er sich einem Risikofaktor aussetzt, eine Risikoprämie erwarten.

Stabile Isolierung von Risikofaktoren
Eine bewusste Steuerung von Risikofaktoren kann deutlich robustere Ergebnisse vorweisen, da Korrelationen zwischen Assetklassen typischerweise höher sind als Korrelationen zwischen einzelnen Risikofaktoren.

Risikofaktorenexposures erwiesen sich im Zeitablauf daher deutlich stabiler als Korrelationen zwischen einzelnen Anlageklassen. Dies lässt sich damit erklären, dass typischerweise eine Vielzahl von Assetklassen zumindest ein indirektes Exposure zum Risikofaktor „Aktienmarkt“ aufzeigen. Diese Erkenntnis zeigt sich in Marktphasen der hohen Unsicherheit und Marktverwerfungen, die dann zu „überraschenden“ Kursverlusten der vermeintlich gering korrelierten Anlageklassen führt – als Beispiel aus dem Jahr 2008 können durchaus Corporate-Bonds, High-Yield Investments und die Anlageklasse von diversifizierten Hedgefonds-Strategien genannt werden.

In Zeiten der „normalen“ Kapitalmarktphasen „schlummert“ der Risikofaktor „Aktienmarkt“ und die guten Ergebnisse der Investments werden der eigenen Selektion von Managern bzw. dem Investmentprozess zugeschrieben, obwohl es eigentlich teilweise eine Vergütung für das Aktienbeta ist. Erst in Extremsituationen zeigen dann diese oberflächlich betrachtet unkorrelierten Assetklassen ihr wahres Gesicht und agieren hochkorreliert mit Aktienbeta: die Diversifikation funktioniert gerade dann nicht, wenn sie am dringendsten benötigt wird.

In einer Analyse von PIMCO ist genau dieser Umstand untersucht und bestätigt worden. Die Korrelationen zwischen Risikofaktoren waren deutlich niedriger als die zwischen Assetklassen. Dementsprechend sollten durch eine Diversifikation der Risikofaktoren deutlich effizientere Portfolioergebnisse erreicht werden als mit traditionellen Portfolios.

Am wichtigsten jedoch ist die Erkenntnis aus dieser Studie, dass die durchschnittliche Korrelation der Risikofaktoren in Marktturbulenzen nicht steigt und somit deutlich robuster ist als Korrelationen beobachteter Assetklassen in Stress-Phasen. Die durchschnittliche Risikofaktorenkorrelation war während den Regimes stabil bei rund 2% (0,02), während die Assetklassenkorrelation von 30% (0,3) auf 51% (0,51) angestiegen ist.

Der Nachweis der stabilen Isolierbarkeit begann mit Stephen Ross, dem Entwickler der Arbitrage-Pricing-Theorie (APT), die die Abhängigkeit der Aktienrenditen von mehreren Risikofaktoren zulässt. Allerdings spezifiziert die APT die zu berücksichtigenden Risikofaktoren nicht näher, sondern überlässt die Auswahl dem Anwender.

Eugene Fama und Kenneth French stellten im Jahr 1993 ein Drei-Faktoren Modell vor, in dem die erwarteten Aktienrenditen neben dem – schon im CAPM vorhandenen – Marktfaktor von dem Size-Faktor und Value-Faktor abhängen. Die empirische Motivation für diese Faktoren lieferten Studien aus den 80er Jahren, in denen Forscher von einem Size-Effekt und Value-Effekt am US-amerikanischen Aktienmarkt berichten: Small Caps weisen langfristig eine systematisch höhere Rendite auf als Large Caps und Unternehmen mit einem hohen Buchwert / Marktwert-Verhältnis, also Value-Aktien, entwickeln sich besser als Aktien mit niedrigem Buchwert-Marktwert-Verhältnis (Growth-Aktien). Diese beiden Effekte erwiesen sich auch in Folgeuntersuchungen als erstaunlich robust. Nach Fama und French stellen die mit den Faktoren verbundenen positiven Renditeprämien eine Kompensation für ein höheres Risiko dar, das mit der Investition in Small Caps und Value-Aktien verbunden ist: Small Caps und Value-Aktien seien in besonderem Maße einem systematischen Insolvenzrisiko ausgesetzt. Anleger würden daher für das Halten derartiger Aktien einen Risikoaufschlag in Form einer höheren Rendite fordern.

Diese Erkenntnisse konnten somit eindeutig die Markteffizienz-Hypothese widerlegen und sind als belastbare und auch im „Real-World“ Einsatz zu beobachtende Marktanomalien bestätigt worden.

Mehrwert durch Neuinterpretation
Durch eine Neuinterpretation der Diversifikation und Portfoliokonstruktion und darauf abstimmte Umsetzung in der Portfoliokonstruktion kann ein entscheidender Mehrwert bei volatilen und weiterhin nicht zu prognostizierenden Assetklassenbewegungen erreicht werden. Anstatt der traditionellen Assetklassen- bzw. regionalen Diversifikation ist die in dieser Studie vorgestellte Risikofaktorendiversifikation die konsequente Weiterentwicklung und Verbindung des theoretischen Konzepts der wissenschaftlich-empirisch festgestellten Risikofaktoren bzw. Risikoprämien mit den ultimativen ökonomischen Treibern von Marktpreisen. Durch bewusste Nutzung der klar separierbaren Risikoprämien und Risikofaktorenwerden diese durch intelligente Zusammensetzung zu einem effektiven Steuerungsinstrument für die Asset Allokation der nächsten Generation.

Von der Nutzung einzelner Risikofaktoren zur Multi-Risikofaktoren Steuerung
Bei konsequenter Weiterentwicklung dieses Gedankens ergeben sich ganz neue Steuerungsmöglichkeiten für die Asset Allocation, die mit einer Vielzahl von separierbaren Risikofaktoren und –prämienin ein optimiertes Portfolio umgesetzt wird. Dabei zeigt sich, dass neben den zuvor erwähnten Value, Small Cap, Dividend und MomentumBiases eine Vielzahl von weiteren Risikofaktoren zu beobachten sind, die im Rahmen der Portfoliokonstruktion bewusst eingesetzt werden können.

Durch das Verlassen der „oberflächlichen” Sichtweise von Assetklassen im Rahmen der Portfoliokonstruktion hin zur Betrachtung der wesentlichen Risikotreiber erhält der Betrachter nun eine deutlich breitere Sichtweise, die auch auf die individuellen Bedürfnisse optimiert werden kann. Die in der Darstellung aufgezeigte Möglichkeit ist nur ein Beispiel und kann entsprechend den Restriktionen angepasst und eingruppiert werden. Makroökonomische Faktoren sind beispielsweise wesentliche Risikotreiber für eine Vielzahl von Assetklassen - sodass durch entsprechende Kombination von diesen Faktoren Assetklassen „nachgebaut“ werden können.

Die Herausforderung in der praktischen Umsetzung ist, dass nicht alle Risikofaktoren effizient und gezielten eingesetzt werden können bzw. trivial investierbar sind. Oftmals müssen „Proxies“ verwendet werden, die dem Risikofaktor entsprechend am nächsten kommen. Als Beispiel kann der Risikofaktor „Volatilität“ genannt werden, der durch ein Long-Position des VIX Futures Index abgebildet werden könnte – mit entsprechenden Schwierigkeiten, ein 1:1 Tracking erfolgreich umzusetzen.

Trotzdem haben sich in den letzten Jahren – getrieben durch den Siegeszug der passiven Investments und der intelligenten Indexierung – die Handlungsmöglichkeiten deutlich erweitert. Beispielsweise können einzelne Risikofaktoren bereits heute effizient über Smart Beta ETFs eingesetzt werden. Der Value- und Small-Cap Effekt kann beispielsweise sehr gut über Low-Volatility ETFs abgedeckt weden.

Als Beispiel für einenVergleich eines traditionellen Portfolios zu einem relativ einfachen Faktor-Portfolio können die Ergebnisse aus der Studie von Podkaminer (2012) inkl. der dazugehörigen Risiko- und Returnstatistiken angesehen werden. Die Studie zeigt, dass das einfache Faktorportfolio aktienähnliche Return-Eigenschaften aufzeigen kann (5-7% p.a. über unterschiedliche Zeiträume) mit deutlich geringer Volatilität zu einem traditionell optimierten Investmentportfolio. Überraschenderweise sind beide Portfolios zueinander mit -0,29 leicht negativ korreliert, was sich auch an den Ergebnissen der letzten fünf Jahre zeigt. Diese Marktphase war besonders herausfordernd für Investoren. Das Faktorportfolio konnte nichtsdestotrotz eine Wertentwicklung von 6,74% ausweisen. Hier lieferte besonders der Volatilitätsfaktor einen hohen Wertbeitrag. Auch hier wiederholt sich das Bild, dass diese Periode mit ca. der Hälfte der Volatilität des traditionellen Portfolios durchschifft wurde und somit deutlich robuster sowohl in der Konstruktion als auch in den Risiko- und Renditeeigenschaften ist.

Ausblick
In dem Feld der Portfoliosteuerung über Risikofaktoren ist noch einiges an Forschungsarbeit zu leisten – vor allem auch im Hinblick auf die praktische Umsetzung in der Asset Allocation. Wichtige zukünftige Fragestellungen sind hierbei:
-Wie stabil sind historisch beobachtete Risikofaktoren/prämien? Unterliegen sie einer Zyklizität?
-Bleibt einem lediglich die Gleichgewichtung von Risikofaktoren im Portfolio, wenn man auf quantitative Optimierungsverfahren samt Risk Premia Schätzung verzichten will oder kristallisieren sich quantitative, prognosefreie Optimierungsverfahren heraus?
-Noch ist die Umsetzung umständlich, weil für Long/Short Positionen, oftmals Derivate eingesetzt werden müssen.
-Neutralisieren strukturierte Derivativkonstruktionen den Diversifikationswert in der Umsetzung von Risikofaktoren-Investments, in dem die Struktur neue Risiken aufwirft (Liquidität, Counterparty, etc.)?
-Derzeit via ETFs investierbare Smart Beta Indices erlauben noch keine ausgereifte Abbildung (Stichwort: Konzentrationsrisiko). Die EDHEC legte Mitte Mai Smart Beta 2.0 Indices auf und ermöglicht dadurch eine effizientere Abbildung durch passive Vehikel. In der Produktselektion sollte darauf Rücksicht genommen werden.
-Welche Methoden liegen zur Risk Premia Schätzung vor und wie können diese verbessert werden?
-Von der Strategie zur Taktik: auch taktischer Einsatz von Risikoprämien?
-Nutzung von Risikofaktoren zum besseren Tail Risk Hedging

Fazit
Risikofaktoren-Diversifikation stellt einen wichtigen Baustein in der dritten Asset Allocation Generation dar. Demzufolge bedarf es einer grundsätzlichen Neuadjustierung der Investmentprozesse bei einer Vielzahl von institutionellen Investoren, die auf Basis der traditionellen Portfolio-Optimierungsmodelle der ersten und zweiten Generation aufgebaut sind und somit weiter suboptimale Ergebnisse liefern werden. Nur intensive Forschungsarbeit und entsprechende Kommunikation kann diesen Erkenntnisprozess beschleunigen. Dieser Artikel soll aufzeigen, dass durch eine strategische Allokation in granularen Risikoprämien auch mit unterschiedlichen Investmentrestriktionen im Vergleich zu traditionell optimierten Portfolios eine deutliche Optimierung der Risiko- Ertragseigenschaften erreicht werden kann, die durch den bewussten Einsatz von effizienten Investmentvehikeln auch zu einer in Summe geringeren Kostenbelastung führen kann.

Durch Umsetzung eines diversifizierten Risikofaktorenportfolios ist es möglich, zukünftigen Regime-Änderungen deutlich robuster entgegen zu treten als mit klassischen Umsetzungformen. Durch den Risikofaktorenansatz ergibt sich für institutionelle Investoren eine robuste Plattform, um auch entsprechende zyklische bzw. makroökonomische Views umzusetzen und sich besser den sich ändernden Marktverhältnissen anzupassen.


---
*) Mag. Gökhan Kula ist Managing Partner, CIO von MYRA Capital, Mag. Markus Schuller, MBA, MScFE ist Managing Director bei Panthera Solutions.