Prognostizierbarkeit bilanzbasierter Anomalien im Asset Pricing
Renditen aus bekannten Asset-Pricing-Anomalien lassen sich bereits vor der Veröffentlichung der zugrunde liegenden Finanzinformationen vorhersagen und nutzen, zeigt das Research Paper eines US-amerikanischen Forscherteams. Die zentrale These lautet, dass Anomalie-Signale selbst stark persistent und somit prognostizierbar sind – was dazu führt, dass sich Aktienkurse bereits vor offiziellen Veröffentlichungen in Richtung der späteren Anomalieportfolios bewegen.
Die Autoren analysieren 28 informationsbasierte Anomalien auf Basis von US-Daten zwischen 1990 und 2019. Diese umfassen u.a. klassische Kennzahlen wie Asset Growth, Return on Assets oder Inventory Changes sowie dynamische Größen wie Veränderungen im operativen Cashflow, F&E-Ausgaben oder SG&A-to-Sales-Ratio. Alle diese Anomalien basieren auf öffentlich verfügbaren Rechnungslegungsdaten, deren Veröffentlichungszeitpunkt klar bestimmbar ist. Mithilfe eines hypothetischen „Perfect Foresight“-Modells zeigen die Autoren, dass ein Investor, der die künftige Ausprägung einer Anomalie exakt kennt, allein im Quartal vor Veröffentlichung eine annualisierte Überrendite von 7,6 % erzielen könnte.
Quelle: Bowles, Reed, Ringgenberg, Thornock, 2024
Anschließend wird geprüft, wie gut sich reale Vorhersagemodelle schlagen. Überraschend ist dabei, dass ein einfaches Martingale-Modell, das bspw. Q3-Signale als Vorhersage für Q4 übernimmt, ähnlich leistungsfähig ist wie komplexe Machine-Learning-Ansätze. Beide Modelle erreichen durchschnittliche F1-Scores um 70 % und generieren rund 3 % Zusatzrendite vor Veröffentlichung. Beim F1-Wert handelt es sich um ein Maß für die Modellgenauigkeit, der die Fehler 1. und 2. Art ausbalanciert. Nicht alle Anomalien zeigen allerdings die gleiche Vorhersagbarkeit oder Persistenz.
Quelle: Bowles, Reed, Ringgenberg, Thornock, 2024
Konkret erzielte ein aus prognostizierten Signalen gebildetes Portfolio drei Monate vor der Informationsveröffentlichung eine zusätzliche annualisierte Rendite von 2,99 % (Martingale) bzw. 3,65 % (Machine Learning). In Kombination mit den üblichen Anomalierenditen nach Veröffentlichung ergibt sich so ein Renditepotenzial von knapp 6 % pro Jahr. Im Zeitverlauf zeigt sich jedoch eine abnehmende Profitabilität: In der jüngeren Subperiode (2005-2019) sind Vorab-Renditen weitgehend arbitragefrei, während Vorhersagen mit längerer Vorlaufzeit (z. B. aus Q2) noch Überschussrenditen ermöglichen.
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-Grad-Analysen (Peer-/ Benchmark-/ Factor-/ Asset-Flow-Analysen).
Insgesamt analysiert Absolut|ranking mehr als 16.000 aktive und passive Strategien von 2.000 Asset Managern, aufgeteilt auf 36 Assetklassen und Marktsegmente sowie mehr als 200 Universen. Individuelle Mandate und Spezialfonds können ebenfalls untersucht werden.
