Ist die jahrzehntelange Niederlage des aktiven Managements gegenüber dem passiven Management auf hohe Gebühren, mangelnde Managerfähigkeiten oder etwas anderes zurückzuführen?

Zur Beantwortung dieser Frage sind keine grassierenden Spekulationen erforderlich, sondern eine faktenbasierte Bewertung der Entscheidungsfindung von Managern. Wie das Sprichwort sagt: “Sie können nicht verwalten, was Sie nicht messen können.”

Unsere Forschung untersuchte, wie aktive Manager Aktienauswahl-Alpha generieren. Wir haben eine mehrjährige Analyse durchgeführt, die 114 US-Aktienfonds aus 57 Fondsfamilien abdeckte, und mehr als 400.000 einzelne fortlaufende einjährige Performanceperioden bewertet. Zusammengenommen entsprach unsere Stichprobe einem verwalteten Vermögen von rund 2 Billionen US-Dollar (AUM).

Unser Hauptaugenmerk? Überzeugung des Managers. Wie engagiert ist der Manager für die verschiedenen Untergruppen von Aktien in jedem Fonds? Um dies herauszufinden, haben wir eher die Skala der über- und untergewichteten Positionen als die Rohgröße der Positionen gemessen, die tendenziell durch die Benchmark-Gewichtungen beeinflusst wird.

Forschungsdesign und -ziel

Die Hauptkategorien von Aktienpositionen, die auf der aktiven Absicht eines Managers basieren, sind:

  1. Übergewicht mit hoher Überzeugung
  2. Untergewicht
  3. Neutrales Gewicht

Wir haben die Bestandteile dieser drei Kategorien identifiziert, indem wir die täglichen Bestände und Gewichte von Investmentfonds in Echtzeit gemessen und jede Gruppe alle 14 Tage neu gewichtet haben. Die Daten zu den Fondsbeständen stammen aus dem firmeneigenen Hercules-Fondsreplikationssystem von Turing Technology Associates und der entsprechenden Hercules-Datenbank.

Zusammenfassende Ergebnisse

Die unten dargestellten Ergebnisse enthalten zwei Datensätze: die Erfolgsrate jeder Kategorie im Vergleich zur Benchmark über rollierende Einjahresperioden und die durchschnittliche jährliche Überschussrendite dieser rollierenden Perioden.

Die Auswirkungen von Übergewichten mit hoher Überzeugung, brutto Gebühren

Die Auswirkungen von Übergewichten mit hoher Überzeugung, abzüglich 85 Basispunkte

Die High-Conviction Overweights, die sich aus den besten Ideen der Manager zusammensetzen, sind die einzige Kategorie, die Alpha für die Aktienauswahl liefert. High-Conviction Overweights erzielten Erfolgsraten von 84% vor Abzug von Gebühren und 74% abzüglich theoretischer Gebühren von 85 Basispunkten (bps). Im Vergleich dazu erzielten Untergewichte und neutrale Gewichte eine Erfolgsquote von 50% vor Abzug von Gebühren – das entspricht einem reinen Beta-Portfolio – und wesentlich geringere Erfolgsquoten nach Gebühren.

Dass Übergewichte mit hoher Überzeugung die einzige Kategorie sind, durch die aktive Manager Alpha hinzufügen könnten, widerspricht der lang gehegten Annahme, dass Manager die Leistung während des gesamten Aktienauswahl- und Portfolioaufbauprozesses verbessern können.

Aktiver Manager Paradox

Unsere Daten zeigen zwar, dass Fondsmanager durch ihre überzeugenden besten Ideen hartnäckige Fähigkeiten zeigen können, sie zeigen jedoch auch ein Paradoxon für das Portfoliodesign.

Als einzige Quelle für Überschussrenditen müssen Übergewichte mit hoher Überzeugung das Hauptaugenmerk aller aktiv verwalteten Portfolios sein. Jede Zuordnung zu etwas anderem verringert die Rendite.

Laut unserer Untersuchung sabotierte der durchschnittliche Manager jedoch seine Renditen, indem er die übergewichteten Aktien mit hoher Überzeugung auf ein Gesamtportfoliogewicht von 55% reduzierte. Die entsprechende Portfolioallokation auf Untergewichte und neutrale Gewichte fungiert somit als „Beta-Anker“, der das durch Übergewichtungspositionen mit hoher Überzeugung erzeugte Alpha stark verwässert.

Um eine Sportanalogie zu verwenden, ist dies wie eine NFL-Fußballmannschaft, die ihren Star-Quarterback nach der ersten Halbzeit freiwillig aus dem Spiel entfernt. Es ist keine Gewinnstrategie.

Natürlich hat ein „Beta-Anker“ verschiedene Gründe. Die Zuordnung zu einer marktneutralen Komponente reduziert den Tracking Error des Portfolios gegenüber der Benchmark. Dies verringert auch die Wahrscheinlichkeit eines relativen Leistungsausfalls im Vergleich zu einem stärker konzentrierten Portfolio. Ein etwaiger Nutzen für das Risikomanagement wird jedoch durch einen erheblichen Leistungsverlust ausgeglichen.

Implikationen für Investoren

Wir haben in diesem Dokument nicht behauptet, die Lösung für das Active Manager-Paradoxon zu haben. Und wir haben die Überlegungen zum Risikomanagement nicht angesprochen. Dieses Thema ist jedoch nicht trivial.

Aktives Management ist per Definition ein Premium-Service. Die Gebühren sind höher, da erwartet wird, dass höhere Renditen erzielt werden.

Aber unsere Forschung zeigt, dass die
Der derzeitige Ansatz für ein aktiv verwaltetes Fondsdesign beeinträchtigt den des Managers
Fähigkeit zu übertreffen.

Externe Untersuchungen unterstützen die Ursache-Wirkungs-Auswirkungen reduzierter Allokationen in übergewichtete Aktien mit hoher Überzeugung. Morningstar klassifiziert Investmentfonds derzeit als aktiv oder passiv und liefert zusammenfassende Renditedaten für den durchschnittlich aktiv verwalteten Investmentfonds nach Anlageklassen. Die folgende Grafik vergleicht die relative Performance aktiv verwalteter Large-Blend-Fonds mit der des S & P 500-Index über die laufenden Kalenderjahre seit 1990.

Die Ergebnisse sind düster.

Aktiv verwaltete Large-Blend-Investmentfonds im Vergleich zum S & P 500

Aktive Manager mit großer Mischung haben den S & P 500 in nur 5 der 29 analysierten Jahre übertroffen. Im Durchschnitt zeigten aktive Manager eine Underperformance von –1,7% pro Kalenderjahr.

Die Ergebnisse sind im letzten Jahrzehnt noch schlechter. Seit 2010 haben aktive Manager nicht mehr jedes Jahr mit dem S & P 500 Schritt gehalten und liegen durchschnittlich um –2,1% pro Jahr zurück.

Während es eine Branchenkonvention ist, diese Ergebnisse auf höhere Gebühren zurückzuführen, deuten unsere Untersuchungen darauf hin, dass Gebühren nur einen sekundären Beitrag leisten. Die Verwässerung der einzigen Quelle für Aktienauswahl-Alpha auf eine Minderheitskomponente eines Portfolios hat weitaus größere strukturelle Auswirkungen als höhere Gebühren.

Das jahrzehntelange Versagen aktiver Manager, mit ihren passiven Kollegen zu konkurrieren, ist nicht unbemerkt geblieben. Endinvestoren haben mit den Füßen gestimmt: In den letzten fünf Jahren wurden laut Morningstar rund 1,3 Billionen US-Dollar aus aktiven Fonds entnommen, während 1,3 Billionen US-Dollar in passive Fonds und Exchange Traded Funds (ETFs) flossen.

Die Generierung tragfähiger Lösungen für das Active Manager-Paradoxon ist sowohl für den Endinvestor als auch für die aktive Managementbranche selbst von größter Bedeutung. Wir glauben, dass diese Forschung dazu beitragen kann, diese Lösungen zu finden.

Die gute Nachricht ist, dass aktive Manager echten Wert schaffen. Die schlechte Nachricht ist, dass der Wert zu oft verloren geht, bevor er geliefert werden kann.

Forschungsdesign-Methodik

Diese Analyse basiert auf einer proprietären Datenbank mit täglichen Fondspositionen und Portfoliogewichten, die von Turing Technology Associates Inc. erstellt und verwaltet wird. Die im Research-Datensatz verwendeten spezifischen Fonds umfassen 114 einzigartige US-Aktien-Investmentfonds aus 57 Fondsfamilien und repräsentieren 1,996 Billionen US-Dollar verwaltetes Vermögen (AUM).

Fondsauswahlverfahren

Die für das Research ausgewählten Fonds stammten aus einer Reihe von Investmentfonds, die in einer Reihe von Anlageportfolios enthalten sind, die als Ensemble Active Management (EAM) -Portfolios bezeichnet werden. Turing lizenziert eine Reihe von proprietären Technologien an Kunden, um deren Erstellung solcher EAM-Portfolios zu unterstützen. Jedes EAM-Portfolio besteht in der Regel aus 10 bis 15 zugrunde liegenden Investmentfonds mit einer entsprechenden Branchen-Benchmark. Anfang August 2019 verfügte Turing über 24 von Kunden entworfene EAM-Portfolios in Live-Produktion.

Alle 114 im Rahmen der Studie verwendeten Fonds wurden von Kunden oder Interessenten von Turing im Zusammenhang mit der Gestaltung eines EAM-Portfolios ausgewählt. Da die Kunden von Turing die zugrunde liegenden Fonds und die entsprechende Benchmark auswählten, blieb der Fondsauswahlprozess unabhängig von den Forschern.

Jeder gepaarte Fonds und jede gepaarte Benchmark ist Gegenstand der Analyse. Zu den Benchmarks gehörten der S & P 500, Russell 1000, Russell 2000, Russell 1000 Value und Russell 1000 Growth. Die verwendeten Zeiträume waren je nach verfügbaren Daten entweder Januar 2014 bis Juli 2019 oder Januar 2016 bis Juli 2019.

Quelle der täglichen Fondspositionen

Um auf die täglichen Fondsbestände zugreifen zu können, verwendete Turing seine firmeneigene Fondsreplikationstechnologie, das Hercules-System. Hercules ist eine auf maschinellem Lernen basierende Plattform, die eine Vielzahl öffentlich verfügbarer Daten verarbeitet und deren Kernkonzepte seit mehr als einem Jahrzehnt in Gebrauch und Entwicklung stehen. Herkules ist kein auf Regression basierender Ansatz. Täglich geschätzte Positionen werden vom Hercules-System generiert, wobei die Portfolios außerhalb der Stichprobe alle 14 Tage neu gewichtet werden.

Als Referenz führten die von Hercules geschätzten Fondsbestände und -gewichte für die in dieser Studie verwendeten Fonds in der Regel zu einem Tracking Error von weniger als 1% und einer Korrelation mit den tatsächlichen Fondsrenditen von mehr als 99,7%.

Manager-Überzeugung isolieren

Der Schwerpunkt dieser Forschung lag auf der Analyse der Auswirkungen von Überzeugung des Managers Bei der Sicherheitsauswahl haben wir daher zwei wichtige Designelemente in die Studie eingebettet. Zunächst wurden Wertpapiere anhand der Portfoliogewichte im Vergleich zur Benchmark kategorisiert und bewertet. Anstatt sich auf die tatsächlichen Portfoliogewichte zu konzentrieren, die stark von den Benchmarkgewichten beeinflusst werden, wurde der Schwerpunkt auf die Über- und Untergewichtungsentscheidungen eines Managers und die Skala der Über- oder Untergewichtungspositionen gelegt. Zweitens haben wir jeden Fonds in mehrere nicht überlappende Teilportfolios unterteilt, die von der Ebene der Überzeugung des Managers abhängen, und deren Wertentwicklung separat bewertet. Jedes Teilportfolio wurde alle 14 Tage neu gewichtet und als eigenständiges Modellportfolio behandelt. Die drei analysierten Teilportfolios waren:

  • Übergewichte mit hoher Überzeugung: Ein Teilportfolio, das aus den größten übergewichteten Positionen für Aktien des Fonds besteht. Das Teilportfolio wurde so ausgewählt, dass es kumulativ 80% der gesamten Portfolioübergewichte im Vergleich zur Benchmark darstellt.
  • Untergewichte: Ein Teilportfolio, das aus den größten untergewichteten Positionen für Aktien des Fonds besteht. Das Teilportfolio wurde so ausgewählt, dass es kumulativ 80% der gesamten Portfolio-Untergewichte im Vergleich zur Benchmark darstellt.
  • Neutrale Gewichte: Ein Teilportfolio, das aus übergewichteten Wertpapieren besteht, die nicht im übergewichteten Teilportfolio enthalten sind, und untergewichteten Positionen, die nicht im untergewichteten Teilportfolio enthalten sind.

Alle Teilportfolios erfassen unterschiedliche Entscheidungen eines Fondsmanagers. Die dynamischen Portfoliogewichte für jedes Teilportfolio sind proportional zu den ursprünglichen Fondsgewichten, normalisiert auf 100%. Wertpapiere außerhalb der Benchmark wurden ausgeschlossen, da sie in Bezug auf eine Benchmark nicht ordnungsgemäß bewertet werden können. Alle Leistungsdaten wurden sowohl als Brutto aller Gebühren als auch nach Berücksichtigung einer hypothetischen Gebühr von 85 Basispunkten berechnet. Keines der Ergebnisse spiegelte die Transaktionskosten wider.

Die dargestellten Leistungsdaten stellen fortlaufende Einjahresdaten (täglicher Schritt) dar, die ausgewertet wurden, um den Prozentsatz der fortlaufenden Perioden zu erfassen, in denen jedes Teilportfolio die entsprechende Benchmark (Erfolgsrate) übertreffen konnte, sowie die durchschnittliche relative Überschussrendite (oder negative Rendite) .

Ein Teilportfolio, das aus Wertpapieren besteht, die in der Benchmark enthalten, aber nicht im Investmentfonds enthalten sind (d. H. Zero Weights), wurde erstellt und analysiert. Diese vierte Untergruppe wurde nicht in die Forschungsergebnisse einbezogen, da die einzige Möglichkeit zur Erfassung eines potenziellen Alphas ein 100% iges Short-Portfolio wäre, das in einem traditionellen Investmentfonds nicht zulässig ist. Als Referenz blieb das Zero Weight-Portfolio im Durchschnitt um 78 Basispunkte hinter der Benchmark zurück. Leider könnte selbst ein reibungsloses Short-Portfolio von Zero Weight-Wertpapieren nicht einmal die Gebühren eines Standard-Long-Only-Investmentfonds verdienen.

Wenn Ihnen dieser Beitrag gefallen hat, vergessen Sie nicht, den zu abonnieren Unternehmerischer Investor.

Alle Beiträge sind die Meinung des Autors. Als solche sollten sie weder als Anlageberatung ausgelegt werden, noch spiegeln die geäußerten Meinungen notwendigerweise die Ansichten des CFA-Instituts oder des Arbeitgebers des Autors wider.

Bildnachweis: © Getty Images / sompong_tom

Professionelles Lernen für Mitglieder des CFA-Instituts

Ausgewählte Artikel können mit Professional Learning (PL) angerechnet werden. Nehmen Sie Credits einfach mit der CFA Institute Members App auf, die auf iOS und Android verfügbar ist.

Alexey Panchekha, CFA

Während seiner fast drei Jahrzehnte langen Karriere hat Alexey Panchekha, CFA, 10 Jahre im akademischen Bereich verbracht, wo er sich auf nichtlineare und dynamische Prozesse konzentrierte. 10 Jahre in der Technologiebranche, wo er sich auf Programmdesign und -entwicklung spezialisierte; und acht Jahre in Finanzdienstleistungen.
In letzterem Bereich spezialisierte er sich auf die Anwendung mathematischer Techniken und Technologien auf das Risikomanagement und die Alpha-Generierung. Zum Beispiel war Panchekha bei Goldman Sachs an der Technologieplattform für den Handel mit Aktienderivaten beteiligt und leitete bei Bloomberg die Entwicklung des Portfoliorisikomanagementsystems für mehrere Vermögenswerte und mehrere Regionen. Er war außerdem Forschungsleiter bei Markov Process International, einem führenden Unternehmen für Portfolio-Attribution und -Analyse. Zuletzt war Panchekha Mitbegründer von Turing Technology Associates, Inc. mit Vadim Fishman. Turing ist ein Unternehmen für Technologie und geistiges Eigentum, das sich an der Schnittstelle von Mathematik, maschinellem Lernen und Innovation befindet. Seine Lösungen dienen in der Regel der Finanztechnologie (Fintech). Turing konzentriert sich in erster Linie darauf, Technologien zu ermöglichen, die den aufkeimenden Ensemble Active Management (EAM) -Sektor unterstützen und Strategien unterstützen, die auf das Volatilitätsmanagement nach unten abzielen. Vor Turing war Panchekha Managing Director bei Incapital und Research-Leiter bei F-Squared Investments, wo er innovative volatilitätsbasierte risikosensitive Anlagestrategien entwarf. Er spricht fließend mehrere Computer- und Webprogrammiersprachen sowie Software- und Datenbankprogramme und ist in Deep-Learning-Software zertifiziert.
Er promovierte an der Kharkiv Polytechnic University mit einem Studium in Physik und Mathematik sowie einem MS in Physik. Panchekha ist CFA Charterholder.