Das Identifikationsproblem im Faktor-Zoo
Marcos López de Prado von der Cornell University und Frank Fabozzi von der Johns Hopkins University haben in einem Research Paper gezeigt, dass die False Discovery Rate (FDR), also der Anteil falscher Entdeckungen unter allen akademisch als signifikant deklarierten Investment-Faktoren, nicht aus der Verteilung veröffentlichter In-Sample-Statistiken geschätzt werden kann. Die Autoren weisen auf ein fundamentales Identifikationsproblem hin: Da Forscher typischerweise zahlreiche Modellspezifikationen testen und selektiv nur die günstigsten Ergebnisse publizieren, entsprechen veröffentlichte Statistiken nicht den Realisierungen einzelner statistischer Experimente, sondern den Extremwerten eines latenten Such- und Auswahlprozesses.
Da die Suchintensität ein unbeobachtbarer Parameter ist, können sehr unterschiedliche Kombinationen aus dem Anteil tatsächlich falscher Hypothesen und der Suchintensität denselben beobachteten Querschnitt veröffentlichter Statistiken erzeugen. Die FDR lässt sich damit aus den publizierten Daten allein nicht eindeutig bestimmen. Die Autoren beweisen darüber hinaus, dass Schätzer, die diesen Suchprozess ignorieren, die wahre FDR systematisch unterschätzen, solange der Test überhaupt eine gewisse Trennschärfe besitzt.
Frühere Studien, die zu optimistischen FDR-Schätzungen von 5 bis 15 % gelangten, haben diesen Prozess nicht modelliert und die wahre FDR daher systematisch unterschätzt. Unter Berücksichtigung eines expliziten Suchmodells und empirisch plausiblen Parameterwerten ermitteln die Autoren eine FDR von über 80 %, was impliziert, was impliziert, dass ein Großteil der publizierten Faktoren statistisch nicht als robuste Entdeckungen interpretiert werden kann. Dieses Ergebnis wird durch eine Überschlagsrechnung gestützt, die unter konservativen Annahmen eine FDR-Untergrenze von 75 % ergibt, sowie durch eine empirische Kalibrierung auf Basis von 212 publizierten Prädiktoren.
Die Autoren schlussfolgern, dass verlässliche Faktorforschung entweder den Suchprozess explizit modellieren oder auf genuinen unabhängigen Validierungsdaten basieren muss. Für Investoren implizieren die Ergebnisse, dass Modellportfolios, die auf statistisch signifikanten Faktoren aus der akademischen Literatur aufbauen, einen versteckten Selektionsbias aufweisen und Backtests robuster erscheinen lassen, als die zugrundeliegende Ökonomie rechtfertigt.
Absolut Research unterstützt institutionelle Investoren bei der Bewertung von Mandaten und der Selektion neuer Asset Manager mit der monatlich erscheinenden Publikationsreihe Absolut|ranking und den 360°-Analysen (Peer-/ Benchmark-/ Factor-/ Asset-Flow-/ Persistence-Analysen). Insgesamt analysiert Absolut|ranking mehr als 16.000 aktive und passive Strategien von 2.000 Asset Managern, aufgeteilt auf 34 Assetklassen und Marktsegmente sowie mehr als 200 Universen. Individuelle Mandate und Spezialfonds können ebenfalls untersucht werden.
