Performance-Persistenz bei Hedgefonds

Ipatova et al. von der University of Roehampton haben in einem Research Paper mittels zweier nichtparametrischer Verfahren die Persistenz der Performance von Hedgefonds untersucht. Die Verfahren Model Confidence Set (MCS) und False Discovery Set (FDS) sollen dabei helfen, Hedgefonds zu identifizieren, die nicht aufgrund echter Manager Skills als persistent identifiziert wurden, sondern nur zufällig über den Threshold gekommen sind – die Autoren nennen sie Lucky Hedge Funds. Es werden 2.173 Hedgefonds aus der HFR-Datenbank für den Zeitraum 1998 bis 2015 untersucht.

Im Vergleich zum Sieben-Faktor-Modell von Fung und Hsieh reduziert sich die Anzahl der über 36 Monate als persistent identifizierten Fonds um bis zu 80 %. Diese Differenz kann als Lucky Hedge Funds interpretiert werden, die nur zufällig als persistent betrachtet wurden und von denen in Zukunft keine Outperformance erwartet werden kann. Auf einem Signifikanzniveau von 1 % werden von FDS bzw. MCS 12 resp. 23 Hedgefonds als persistent identifiziert, wohingegen es beim Benchmark-Modell von Fung und Hsieh 44 sind.

Über die Konstruktion von Fund of Hedge Fund Portfolios aus den von den drei Modellen als persistent klassifizierten Fonds wird anschließend die Out-of-Sample-Performance über die folgenden 12 Monate evaluiert. In der Tat ergeben sich für die über MCS und FDR konstruierten Portfolios zumeist deutlich bessere Performances. Tendenziell weisen die über MCS selektierten Fonds höhere Renditen auf, über FDR hingegen wird die Volatilität reduziert.

Quelle: Ipatova, Parhi, Mishra, Doctor, 2022

Absolut|alternative bietet institutionellen Investoren einen einzigartigen Zugang zu liquiden alternativen Anlagestrategien, darunter Themen wie Smart-Beta- und Factor-Investing, Digital Assets, Quantitative Strategien, Künstliche Intelligenz und Sektorinvestments.