I. Einleitung

Unzählige Veröffentlichungen in den letzten Jahren haben erklärt, warum passives Management der Erbe des traditionellen aktiven Managements ist. Dies ist kein solches Papier. Es rät auch nicht zur Geduld in der falschen Überzeugung, dass aktives Management bald seine Dominanz zurückgewinnen wird. Ohne Strukturwandel kann es nicht. Tatsächlich zeigen die hier präsentierten Daten, dass evolutionäre Fortschritte die schlechtere Position des aktiven Managements im Vergleich zum passiven nicht verbessern werden. Der Status Quo ist zu einer permanenten Falle für aktive Manager geworden.

Es gibt jedoch eine Lösung. Durch die Anwendung bewährter Best Practices für Predictive Analytics aus anderen Branchen auf Investitionen könnte Ensemble Active Management (EAM) genug zusätzliches Alpha generieren, damit das aktive Management seinen Vorteil gegenüber dem passiven zurückgewinnen kann. Die Verbesserung ist signifikant und differenziert genug, damit Ensemble Active neben Passive und Traditional Active als dritte Anlagekategorie für sich allein stehen kann.

Aktive Manager sind von Natur aus im Prognosegeschäft tätig, das sich stark vom Market Timing unterscheidet. Sie prognostizieren – basierend auf Forschung, Analyse, Erfahrung und Fähigkeiten – die Aktien, die am wahrscheinlichsten eine Outperformance erzielen. Andere Branchen – Wettervorhersage, medizinische Diagnostik, Sprach- und Gesichtserkennung, Kreditbewertung usw. – haben wesentliche Fortschritte bei der Vorhersagegenauigkeit erzielt. Es ist Zeit für die Investmentbranche, dieselben Methoden anzuwenden.

EAM ist keine Theorie – es ist seit zwei Jahren im Live-Betrieb – und EAM-Portfolios sind jetzt für die Öffentlichkeit im Handel erhältlich und wurden durch Live-Marktperformance validiert.

EAM ist keine vereinfachte Alternative zur künstlichen Intelligenz (KI) zur traditionellen Aktienauswahl. Es ersetzt Investmentprofis nicht durch Maschinen. EAM baut auf bewährten Anlagekonzepten und -techniken auf und erweitert diese durch die Anwendung moderner Predictive Analytics.

Schließlich kann EAM in großem Umfang operieren und hat das Potenzial, passives Investieren dauerhaft zu übertreffen. Es ist ein gültiger, praktikabler und erreichbarer Entwurf für die Umrüstung der vorhandenen Engines des aktiven Managements.

II. Problem definieren

Wie viel Prozent der aktiven Fonds übertreffen ihre Benchmark?

Um dies herauszufinden, haben wir die rollierende relative Performance von einem Jahr gegenüber der Benchmark eines Fonds als unsere primäre Messgröße verwendet und die „Erfolgsrate“ eines Fonds als den Prozentsatz der Einjahresperioden definiert, in denen der Fonds seine Benchmark übertroffen hat.

Erfolgsraten über rollierende Zeiträume haben mehrere Vorteile für Großdatenanalysen. Sie hängen nicht von einem bestimmten Start- oder Enddatum ab und sind daher weniger manipulierbar. Sie ermöglichen Vergleiche zwischen verschiedenen Marktzyklen und Anlageklassen sowie zwischen Fonds mit kurz- und langfristigen Erfolgen. Sie tragen auch dazu bei, die Auswirkungen von Ausreißermonaten oder -quartalen auf die Gesamtleistungsbewertung zu neutralisieren.

Wir haben eine Erfolgsquote von 50% als neutrales Ergebnis definiert, da die Anleger die gleiche Chance hatten, eine Outperformance oder eine Underperformance zu erzielen. Somit ist 50% die Mindestschwelle auf Fondsebene. Da aktives Management mit höheren Gebühren mehr als nur Parität mit passivem Management anstreben muss, haben wir 65% als „Ziel“ -Erfolgsrate definiert.

Wir analysierten Performance-Daten für alle 1.813 US-Aktien-Investmentfonds, die von Morningstar als US-Aktien, nicht indexiert (d. H. Aktiv verwaltet) und mit einer veröffentlichten Erfolgsbilanz von mindestens einem Jahr klassifiziert wurden. Das kumulierte verwaltete Vermögen (AUM) für diese Fonds belief sich im November 2020 auf insgesamt 4,9 Billionen US-Dollar.

Wir haben von Januar 2005 bis November 2020 tägliche Renditen für diese Fonds gesammelt und die Daten dann in fortlaufende Einjahresrenditen umgewandelt. (Für Fonds mit Auflegungsterminen vor 2005 gab es maximal 3.755 rollierende Einjahresperioden). Wir haben die relative Performance ermittelt, indem wir die einjährige Fondsperformance mit den entsprechenden Russell-Stil- und Kapitalisierungsindizes verglichen haben. Beispielsweise war der Russell 2000 Growth Index die Benchmark für Fonds, die von Morningstar als Small Growth eingestuft wurden. Dies ergab 5,59 Millionen Datenpunkte.

Die Ergebnisse: Gesamtbewertung

Über alle Fonds und alle rollierenden Zeiträume hinweg betrug die durchschnittliche Erfolgsquote der Branche nur 41,6%. Die Erfolgsraten für alle Fonds werden in der folgenden Tabelle jährlich zusammengefasst:

Jährliche Erfolgsraten, US-Aktien, aktiv verwaltete Fonds

Quellen; Basierend auf Morningstar-Daten

Der Trend ist entschieden negativ. Weniger als 1% der jährlichen Erfolgsraten lagen über 65%, und die durchschnittliche relative Rendite blieb um -89,4 Basispunkte (bps) oder -0,894% hinter der Wertentwicklung zurück.

Aktive Manager haben ihr Mandat nicht erfüllt, und ihre Leistung geht in die falsche Richtung.

Als nächstes bewerteten wir die Erfolgsraten auf der Ebene der Fondsfamilien und konzentrierten uns dabei auf die 50 größten Unternehmen, die auf aktiv verwaltetem US-Aktien-AUM basieren. Diese Unternehmen haben Zugang zu den Top-Managern und der Anlageinfrastruktur und sind daher theoretisch am besten in der Lage, eine anhaltende Outperformance zu erzielen.

Aber nur vier dieser Fondsfamilien hatten eine durchschnittliche Erfolgsquote von 50% oder mehr. Die beste durchschnittliche Erfolgsquote lag bei 56%.

Schließlich haben wir die Erfolgsraten auf der Ebene der einzelnen Fonds bewertet und jeden Fonds über seine gesamte Erfolgsbilanz bewertet. Nur 25,9% der 1.813 Fonds hatten eine Erfolgsquote von 50% oder mehr, und nur 4% hatten eine Erfolgsquote von mindestens 65%.

Solche Daten zeigen, warum Anleger mit ihren Füßen abstimmen. Seit 2010 beliefen sich die Nettoabflüsse aus aktiv verwalteten US-Aktienfonds seit 2015 auf 1,6 Billionen USD und 1,3 Billionen USD. Das Tempo der Abflüsse beschleunigt sich.

Vierteljährliche Nettoflüsse: Aktiv verwaltete US-Aktien- und US-Sektor-Aktien-Investmentfonds, 2005 bis 2020

Quelle: Morningstar Direct

Die Ergebnisse: Quantifizierung der „Alpha-Lücke“

Die bisherigen Ergebnisse spiegeln die konventionellen Erwartungen wider, dass passives Investieren seit Jahren die Oberhand hat. Aber was ist mit den Zukunftsaussichten?

Ist die relative Underperformance von Active strukturell? Werden Verbesserungen bei Research und Portfolio-Design sowie angemessene Gebührensenkungen das derzeitige Wettbewerbsparadigma umkehren?

Um diese Fragen zu beantworten, haben wir berechnet, wie viel zusätzliches Alpha pro Fonds pro Jahr benötigt worden wäre, damit aktive Fonds ihre passiven Benchmarks erfüllen und den Mindestschwellenwert von 50% erreichen und dann das Ziel von 65% erreichen. Wir nennen diese erforderliche Überschussrendite die „Alpha-Lücke“.

Alpha-Gap-Anpassungen und Ergebniserfolgsraten::
Alle Fonds, Januar 2005 bis November 2020

Wir haben die Alpha-Lücke berechnet, indem wir jedem Fonds für jeden rollierenden Zeitraum von einem Jahr einen festen Ertragsbetrag hinzugefügt haben, bis die durchschnittliche Erfolgsquote der aktiven Managementbranche die Ziele erreicht hat. Um die Erfolgsquote von 50% zu erreichen, hatte der durchschnittliche Fonds eine Alpha-Lücke von 94 Basispunkten. Um 65% zu erreichen, betrug die Alpha-Lücke 267 Basispunkte.

Implikationen und der Weg nach vorne

Die untere Hürde erscheint unerreichbar, das höhere Ziel so gut wie unmöglich. Daher ist der Wettbewerbsnachteil des aktiven Managements in der Tat strukturell.

Das bringt die Branche an einen Scheideweg: Sie kann entweder die Realität ignorieren, dass eine nachhaltige relative Leistungswiederherstellung Wunschdenken ist – der sogenannte „Definition von Wahnsinn“ -Ansatz – oder durch ein verbessertes Paradigma zurücktreten, umdenken und sich erneut engagieren.

EAM ist dieses neue Paradigma.

III. Integration von Best Practices für Predictive Analytics in das Investment Management

Eine der besten Möglichkeiten, ein altes Problem zu lösen, besteht darin, es neu zu gestalten.

Seit Jahrzehnten begegnet die Investmentbranche der Performance-Herausforderung, indem sie Einschränkungen auferlegt. Jede Lösung musste in das sogenannte Drei-Ps-Modell (Menschen, Philosophie und Prozess) passen: ein einzelner Manager / ein einzelnes Team, das als diskretes Portfolio mit einer definierten Philosophie und einem definierten Prozess geliefert wird. Dies schränkt notwendigerweise die verfügbaren Optionen zur Lösung des Problems ein.

Solche Einschränkungen und das Paradigma des „Einzelexperten“ sind in der Investmentbranche einzigartig. Das Fondsmanageräquivalent in anderen Sektoren würde als Single-Expert-Predictive-Engine definiert, mit dem Aktien identifiziert werden sollen, die eine Outperformance gegenüber dem Markt erzielen. Diese anderen Branchen haben gezeigt, dass einzelne Vorhersage-Engines bei der Lösung komplexer Vorhersage-Herausforderungen nicht optimal sind. Dies ist keine Vermutung, sondern eine festgelegte Wissenschaft.

Warum? Wegen des Bias-Varianz-Konflikts oder des Kompromisses. Eine Verzerrung tritt auf, wenn die zugrunde liegenden Annahmen des Vorhersagemodells fehlerhaft oder nicht synchron sind und ein Prädiktor mit „hoher Verzerrung“ konsistent Ergebnisse außerhalb des Ziels liefert (linkes „Ziel“). Ein Algorithmus mit „hoher Varianz“ liefert Ergebnisse mit geringer Genauigkeit (rechtes „Ziel“). Ab einem bestimmten Punkt können Bemühungen zur Reduzierung von vorurteilsbedingten Fehlern die Varianzfehler dramatisch erhöhen und somit als harte Obergrenze wirken, die Qualitätsergebnisse verhindert.

Bias vs. Varianz

Dieser Kompromiss ist in der folgenden Tabelle dargestellt. Der Punkt des niedrigsten Gesamtfehlers – die schwarze Linie, die der Gesamtvorspannung plus Varianzfehler entspricht – erreicht kein optimales Maß an Fehlerreduzierung, da der Varianzfehler exponentiell zunimmt, wenn der Vorspannungsfehler verringert wird, und umgekehrt.

Der Bias-Varianz-Kompromiss

Ensemble-Methoden sind eine Unterkategorie des maschinellen Lernens und wurden explizit zur Lösung des Bias-Varianz-Konflikts entwickelt. Durch die Analyse der zugrunde liegenden Prognosen einzelner Experten und die mathematische Identifizierung von Übereinstimmungsbereichen bilden sie eine genauere „Super Predictive Engine“.

Ensemble-Methoden werden allgemein als Eckpfeiler der Computerwissenschaft angesehen. Wie Giovanni Seni und John Elder erklären, sind Ensemble-Methoden „die einflussreichste Entwicklung im Bereich Data Mining und maschinelles Lernen im letzten Jahrzehnt“.

In Anhang 1 wird ein Beispiel aus der Praxis vorgestellt, wie eine andere Branche Ensemble-Methoden zur Verbesserung der Vorhersageergebnisse eingeführt hat

Definieren von Ensemble Active Management

Unser dreistufiger Ansatz zum Aufbau von EAM-Portfolios bietet den Schlüssel zum Freischalten von strukturellem, inkrementellem Alpha.

1. Stellen Sie eine Multi-Fonds-Plattform zusammen.

Diese Mittel sind die Quelle der Predictive Engines, die beim Aufbau von EAM-Portfolios verwendet werden. Es gibt jedoch einige wichtige Überlegungen für die Auswahl der zugrunde liegenden Fonds:

  • Alle Manager müssen dasselbe Anlageziel verfolgen, z. B. einen Standardindex wie den S & P 500 zu übertreffen.
  • Die meisten Fondsmanager müssen zumindest für ihre höchsten Überzeugungskraft nachweisen, dass sie besser als zufällig Aktien auswählen können.
  • Die Anlageprozesse müssen unabhängig sein. Dies ist kritisch. Durch Diversifikation auf prädiktiver Motorebene lösen Ensemble-Methoden den Bias-Varianz-Konflikt.

2. Extrahieren Sie die „Predictive Engine“ aus jedem Fonds.

Es gibt einen großen Unterschied zwischen den Beständen eines Fonds und der Prognosemaschine, mit der diese Aktien ausgewählt werden. EAM-Prozesse arbeiten über die Predictive Engines oder die Entscheidungsrahmen, mit denen jeder Fondsmanager Aktien auswählt und die täglichen Gewichtungen festlegt.

Da Predictive Engines selten zugänglich sind, werden ihre Entscheidungen anhand der Prognosen abgeleitet oder geschätzt, die in die höchsten über- und untergewichteten Positionen eines Fonds im Vergleich zur Benchmark eingebettet sind. Dies sind die höchsten Überzeugungen des Managers. Bei der Erstellung von EAM-Portfolios wird dann ein dynamisches Portfolio der Sicherheitsauswahlen jedes Managers mit der höchsten Überzeugung angewendet.

3. Die extrahierten, zugrunde liegenden Predictive Engines werden mithilfe eines Ensemble Methods-Algorithmus verarbeitet, der dann zum Erstellen eines EAM-Portfolios verwendet wird.

Dieser letzte Schritt, die Anwendung von Ensemble-Methoden auf die zugrunde liegenden Vorhersage-Engines, erstellt eine neue Prognose-Engine, die genauer ist als die zugrunde liegenden Ansätze. Die erhöhte Genauigkeit erzeugt zusätzliches Alpha. Die nachstehend aufgeführten Ergebnisse zeigen, dass die zusätzliche Überschussrendite erheblich sein kann.

Ensemble Active Management vs. Multi-Manager-Portfolios

Ein EAM-Portfolio ist nicht dasselbe wie ein Multi-Manager-Portfolio.

Multi-Manager-Portfolios („MMPs“) bieten auf Prozessebene Diversifizierungsvorteile. Diese Diversifikation ist per Definition ein Risikomanagementinstrument. Es kann kein inkrementelles Alpha generiert werden. Die MMP-Leistung ist stabiler als die Leistung eines einzelnen Managers, einschließlich reduzierter Verteilungskurvenschwänze. MMPs spiegeln jedoch die kombinierten Bestände aller zugrunde liegenden Portfolios wider, sodass die Rendite eines Multi-Manager-Portfolios immer der des gewichteten Durchschnitts der zugrunde liegenden Portfolios entspricht.

Im Gegensatz dazu werden EAM-Portfolios aus Prognoseprognosen abgeleitet, die aus Einzelmanagerportfolios extrahiert wurden – nicht aus den zugrunde liegenden Portfolios selbst oder den größten Beständen. Sie basieren auf den Entscheidungsprozessen, die zum Aufbau dieser Portfolios verwendet werden. Diese Vorhersage-Engines werden dann durch einen Ensemble-Methoden-Algorithmus integriert, um eine genauere Vorhersage-Engine zu erstellen.

Diese neue Engine generiert ein Anlageportfolio, das aus den erweiterten Aktienprognosen auf der Basis von Ensemble-Methoden abgeleitet wird. Das resultierende EAM-Portfolio enthält nicht alle Aktien der zugrunde liegenden Single-Manager-Portfolios, sondern nur diejenigen mit dem höchsten Konsens unter diesen Prognosen. Die endgültige mathematische Ausgabe berücksichtigt sowohl positive als auch negative Prognosen sowie den Grad der Überzeugung des Managers. EAM-Portfolios können somit zusätzliches Alpha erzeugen.

In Anhang 2 finden Sie ein Beispiel dafür, wie ein EAM-Portfolio statistisch mit einem Multi-Manager-Portfolio verglichen wird.

Die Verteilungskurven in der folgenden Tabelle zeigen, wie diese Konzepte funktionieren.

Einfluss von EAM auf die hypothetische Verteilung

  • Die Rote Kurve ist eine hypothetische Verteilung der aggregierten relativen Performanceergebnisse für 10 einzelne Fonds, die jeweils traditionelle aktive Managementtechniken verwenden.
  • Die Black Curve ist die relative Performanceverteilung derselben 10 Fonds, die in ein Multi-Manager-Portfolio integriert sind.
  • Die Grüne Kurve ist die hypothetische relative Performanceverteilung eines EAM-Portfolios, das aus denselben 10 zugrunde liegenden Fonds aufgebaut ist.

Das Multi-Manager-Design fügt das Risikomanagement hinzu und reduziert somit die Größe der positiven und negativen Schwänze im Vergleich zu den Einzelmanager-Portfolios, wie die beiden A-Pfeile zeigen.

Das Multi-Manager-Portfolio fügt KEIN Alpha hinzu. Somit bleibt die mittlere Rückkehr sowohl der roten als auch der schwarzen Kurve, die durch die vertikal gepunkteten roten und schwarzen Linien dargestellt wird, konstant.

Die grüne Kurve stellt das Alpha dar, das durch die EAM-Methode erstellt wurde, was zu einer positiven Verschiebung der Medianrenditen führt: Der Pfeil „B“ bewegt sich von der schwarz gepunkteten vertikalen Linie oder der Medianrendite des traditionellen aktiven Portfolios zur grün gepunkteten Vertikalen Linie oder die mittlere Rendite des EAM-Portfolios.

Aufgrund seiner zahlreichen Predictive Engines generiert das EAM-Portfolio auch einen verbleibenden Risikomanagementvorteil mit reduzierten Tail-Verteilungen, ähnlich wie bei einem Multi-Manager-Portfolio.

IV. EAM-Modellportfolios: Leistungsvalidierung

Ende November 2020 befanden sich 34 EAM-Modellportfolios von 11 verschiedenen Firmen in Live-Produktion, wie von Turing Technology verfolgt. Jedes dieser Verfahren musste auf dem Design eines Kunden basieren und durch einen Vertrag kodifiziert werden, und seine Erfolgsbilanzen können von einem unabhängigen Dritten validiert und verifiziert werden. Keiner von ihnen wurde von Turing Technology hergestellt. Die Firmen, die sie gegründet haben, reichten von Boutique-Fachgeschäften bis zu hochrangigen Versicherungsunternehmen. Die Portfolios umfassten sechs verschiedene Anlageklassen, beispielsweise Mid Cap Blend. Neunzehn haben eine mindestens 12-monatige Geschichte, wobei die ältesten eine 23-monatige Erfolgsbilanz vorweisen können.

Leistungsmetrik 1: Erfolgsraten für Live-EAM-Portfolios

Für die 19 EAM-Portfolios mit einer mindestens 12-monatigen Historie gibt es 2.263 rollierende Einjahresperioden. Von diesen übertrafen die EAM-Portfolios ihre jeweiligen Benchmarks um das 1.786-fache, was einer durchschnittlichen Erfolgsquote von 78,9% entspricht.

Die Performance des Modellportfolios wird normalerweise vor Abzug der Gebühren gemessen. Für bessere Vergleiche mit Investmentfonds haben wir jedoch die jährliche Rendite für jeden rollierenden Einjahreszeitraum um 85 Basispunkte reduziert, um die Auswirkungen der Fondsgebühren zu simulieren. Dies reduziert die durchschnittliche Erfolgsquote leicht auf 77,1%.

Der Vergleich der EAM-Erfolgsraten mit aktiv verwalteten US-Aktienfonds und der beiden zuvor genannten Schwellenwerte für die angestrebte Erfolgsrate ist in der folgenden Grafik dargestellt. Die EAM-Erfolgsquote ist fast doppelt so hoch wie bei herkömmlichen aktiv verwalteten Fonds und hat die angestrebte Erfolgsquote von 65% überschritten.

Erfolgsraten: EAM vs. Active Fund Industry

Die EAM-Portfolios zeigten keine bescheidene Outperformance. Die durchschnittliche jährliche Überschussrendite betrug nach der Gebührenanpassung 885 Basispunkte. Vierzehn der 19 EAM-Portfolios hatten eine Erfolgsquote von 100%.

Im Gegensatz dazu würde ein durchschnittliches aktives Portfolio eine Alpha-Lücke von 443 Basispunkten benötigen, um eine Erfolgsquote von 77,1% zu erreichen.

Leistungsmetrik 2: Relative Leistung für Live-EAM-Portfolios

Als nächstes erweiterten wir die Stichprobengruppe wieder auf alle 34 EAM-Portfolios und verglichen ihre relative Performance sowohl mit den entsprechenden Benchmarks als auch mit den aktiv verwalteten Fonds-Peer-Gruppen. Die gesamte Performance basiert auf dem Datum, an dem jedes EAM-Portfolio bis Ende November 2020 live produziert wurde.

Relative Leistung: Alle EAM-Portfolios

Die Ergebnisse waren überzeugend:

  • 71% der EAM-Portfolios übertrafen ihre Benchmarks.
  • EAM Portfolios übertrafen 79% der Vergleichsgruppen von Fonds.
  • EAM Portfolios lieferte eine annualisierte Überschussrendite von 920 Basispunkten gegenüber ihren Benchmarks.
  • Nur 11 der 34 aktiven Vergleichsgruppen zeigten im gleichen Zeitraum eine Outperformance wie EAM-Portfolios.

Leistungsmetrik 3: Implizite Peer-Group-Rankings für Live-EAM-Portfolios

Live-EAM-Portfolios haben die entsprechenden Durchschnittswerte der Peer-Group-Fonds deutlich übertroffen. Aber wie haben EAM-Portfolios die Elite-Fonds in jeder Kategorie übertroffen?

Wir haben benutzerdefinierte Peer-Gruppen basierend auf Morningstar-Kategorien (z. B. Large Blend) erstellt und dann die nachfolgenden 12-Monats-Renditen für die 19 EAM-Portfolios mit 12-Monats-Track Records gegen ihre Peer-Gruppe abgebildet. Daraus ermittelten wir implizite Peer-Group-Rankings. Zu Vergleichszwecken haben wir erneut 85 Basispunkte von der Rendite jedes EAM-Portfolios abgezogen, um Gebühren zu simulieren.

EAM-Portfolios: Implizite Peer-Group-Rankings

Auch hier waren die Ergebnisse beeindruckend.

  • 16 der 19 EAM-Portfolios (84,2%) befanden sich im obersten Quartil, wobei sich jeweils ein EAM-Portfolio im zweiten, dritten und vierten Quartil befand.
  • Von den 16 Portfolios im obersten Quartil: 14 im obersten Dezil oder in den obersten drei Zeilen des vorhergehenden Diagramms und 10 in den obersten 2% oder in der obersten Zeile des Diagramms.

Anders ausgedrückt, 52,6% der 19 EAM-Portfolios mit einer 12-monatigen Historie hatten ein implizites Peer-Group-Ranking unter den besten 2%, nachdem die Rendite um 85 Basispunkte gesenkt worden war.

Keiner der 10 größten Fondsmanager, die vom aktiv verwalteten US-Aktienfonds AUM eingestuft wurden, hatte 10 Fonds in den Top 2% dieser Vergleichsgruppen. Tatsächlich hatten diese Top-Unternehmen nicht zusammen 10 Fonds in den Top-2%.

Leistungsmetrik 4: Messung der „wahren Natur“ von EAM-Portfolios

Eine einzelne Messung erfasst selten die Essenz eines Gegenstandes. Wenn jedoch die Ergebnisse mehrerer Ansätze mit unterschiedlichen Stichprobengrößen, Zeitrahmen und Metriken zu ähnlichen Ergebnissen konvergieren, wird die Essenz dieses Elements sichtbar.

Das sehen wir bei EAM-Portfolios. Die Live-Performance-Daten zeigen, dass EAM-Portfolios ihre passiven Benchmarks dauerhaft übertroffen und die traditionellen aktiv verwalteten Investmentfonds deutlich übertroffen haben. Darüber hinaus stimmen die Ergebnisse einer 2018 durchgeführten Studie mit 30.000 zufällig erstellten EAM-Portfolios, die in der rechten Spalte unten aufgeführt sind, mit diesen Ergebnissen überein.

Die „wahre Natur“ von Ensemble Active Management rückt daher stärker in den Fokus:

  • EAM-Portfolios haben in 70% bis 75% der Fälle die passiven Standard-Benchmarks übertroffen und in 80% bis 85% der Fälle aktiv verwaltete Investmentfonds.
    • Die 19 EAM-Portfolios mit einer mindestens 12-monatigen Historie hatten eine durchschnittliche Erfolgsrate von 77,1% gegenüber ihren Benchmarks und 85,6% gegenüber ihrer aktiven Vergleichsgruppe.
    • Die 34 EAM-Portfolios in der Live-Produktion haben in 70,6% der Fälle ihre Benchmarks übertroffen, mit einer durchschnittlichen jährlichen Überschussrendite von mehr als 900 Basispunkten.
    • Diese 34 EAM-Portfolios übertrafen in 79,4% der Fälle auch ihre Vergleichsgruppen.

Um diese Daten ins rechte Licht zu rücken, beträgt die Alpha-Lücke für die traditionelle aktiv verwaltete Fondsbranche, um die durchschnittliche Erfolgsrate von 77,1% der Live-EAM-Portfolios zu erreichen, 433 Basispunkte.

V. Auswirkungen auf die Industrie

Diese Analyse bestätigt, dass die aktive Managementbranche ihre passiven Benchmarks nicht übertroffen hat. Darüber hinaus zeigt die Größe der Alpha-Gap-Messungen, wie weit das aktive Management zurückgefallen ist. Ohne radikale Veränderung kann es nicht aufholen.

Aber es gibt Hoffnung. Ensemble Active Management ist eine tragfähige Blaupause zur Verbesserung der Investitionsentscheidung und möglicherweise die unvermeidliche Zukunft des aktiven Managements. Die Einführung von EAM erfordert, dass sich bestehende Wertpapierfirmen ändern, aber die Änderung ist erreichbar. Neben der Betonung von Qualitätsstrategien muss die Branche jetzt eine Prämie auf die Generierung einer angemessenen Menge aktiver Strategien legen.

Ein einfacher erster Schritt? Anstatt Investmentprofis an einer einzigen Predictive Engine zusammenzuarbeiten, können Unternehmen die Teams in unabhängige Silos aufteilen und das endgültige Portfolio mithilfe von Ensemble-Methoden erstellen.

Eine große Frage ist, ob die etablierten Wertpapierfirmen EAM zuerst nutzen und die Vorteile eines frühen Einstiegs nutzen werden, wie dies Vanguard und BlackRock bei Indexfonds bzw. Exchange Traded Funds (ETFs) getan haben. Institutionelle Anleger haben heute Zugang zu unzähligen Strategien. Anstatt sie als Hüllen in einem großen Portfolio zu behandeln, können sie die Predictive Engines aus den zugrunde liegenden Strategien extrahieren und mithilfe von Ensemble-Methoden ihr eigenes EAM-Portfolio erstellen. Gleiches gilt für große Broker-Dealer und skalierte Vermögensverwalter. Und das Potenzial für Technologieunternehmen, einzutreten und Einfluss zu nehmen, ist real.

Um Clayton M. Christensen im Dilemma des Innovators zu paraphrasieren: Die etablierten Betreiber sind nicht berechtigt, Marktanteile zu behalten, wenn Veränderungen und Innovationen in einer etablierten Branche stattfinden.

Schließlich ist erfolgreiches aktives Management wichtig. Dies ist für diejenigen in der Anlageverwaltungsbranche und für Fachleute der Beratungsbranche von Bedeutung, die von erfolgreichen, aktiv verwalteten Portfolios unterstützt werden. Dies ist vor allem für die Millionen von Investoren auf der ganzen Welt von Bedeutung, die aktiv verwaltete Aktienportfolios benötigen, um für ihr zukünftiges finanzielles Wohlergehen zu sorgen.

Unabhängig davon, ob die Branche bereit ist oder nicht, Ensemble Active Management kommt.

Anhang 1

Die Fallstudie zum Netflix-Preis: Ensemble-Methoden in der Praxis

Der Netflix-Preis ist ein interessantes Beispiel für die Leistungsfähigkeit von Ensemble-Methoden. Im Jahr 2006 bot Netflix dem ersten Team 1 Million US-Dollar an, das seinen proprietären Cinematch-Algorithmus um 10% verbessern konnte. Cinematch empfahl Netflix-Kunden Inhalte basierend auf dem, was sie zuvor gesehen und bewertet hatten. Der Wettbewerb zog Tausende von Informatikstudenten und Programmierern sowie sogar weltbekannte Forschungsunternehmen wie AT & T Labs an. Schließlich reichten mehr als 40.000 Teams aus 186 Ländern Beiträge ein.

Zunächst verfolgten die Teilnehmer einen „Single-Expert“ -Ansatz. Die Fortschritte waren sofort, wenn auch bescheiden. Drei Teams übertrafen die Ergebnisse von Cinematch kurz nach dem Start des Wettbewerbs am 2. Oktober 2006 um etwa 1%. Bis Ende des Jahres hatten Dutzende von Teams Cinematch in den Schatten gestellt, einige um fast 5%. Aber dann stießen die Teams an die Grenzen von Strategien mit nur einem Experten und kamen zum Stillstand.

Der Durchbruch gelang, als die Teams begannen, Ensembles mit mehreren Experten aus ihren eigenen Prädiktoren zusammenzustellen. Zum Beispiel hat Team Gravity Ensembles aus drei seiner internen Algorithmen erstellt und eine durchschnittliche Verbesserung von 2,2% erzielt über seine drei Single-Expert-Algorithmen. Anschließend wurden die Ergebnisse durch Pairing der Algorithmen um durchschnittlich 3,6% und nach Verknüpfung aller drei Prädiktoren um 4,5% gegenüber Cinematch verbessert.

Die Schwerkraft des Teams verbesserte die Ergebnisse durch die Kombination von Algorithmen

Aber Ensembles von drei Algorithmen waren nicht annähernd so groß wie das, was andere Teams versuchten. Ende 2007 kamen die besten Ergebnisse von einem Team von AT & T Labs: BellKor verwendete ein Ensemble von 107 internen Algorithmen, um eine Verbesserung von 8,43% gegenüber Cinematch zu erzielen.

Nach fast drei Jahren wurde das 10% -Ziel erreicht. Am 18. September 2009 gab Netflix den Gewinner bekannt, ein „Super-Ensemble“ namens BellKors Pragmatic Chaos, das drei unabhängige Teams, BellKor, BigChaos und Pragmatic Theory, zusammenbrachte. Passenderweise war das zweitplatzierte Team eine weitere Super-Ensemble-Kombination namens The Ensemble.

Anlage 2

Statistischer Vergleich: EAM-Portfolio vs. entsprechendes Multi-Manager-Portfolio

Ein Family Office hat im Mai 2009 das zweite seiner beiden EAM-Portfolios aufgelegt. Das Portfolio basierte auf den Prognosemotoren von 10 Large Blend-Fonds und wurde mit dem S & P 500 verglichen.

Das allgemeine Profil der 10 Fonds ist in der folgenden Tabelle dargestellt. Diese Fonds waren je nach Größe und Auflegungsdatum sehr unterschiedlich. Basierend auf der Fünf-Punkte-Bewertungsskala von Morningstar waren alle durchschnittlich bis überdurchschnittlich.

Profil der Investmentfonds

Um den Unterschied zwischen EAM- und Multi-Manager-Portfolio-Konstruktionstechniken besser zu verstehen, baute Turing aus denselben 10 zugrunde liegenden Fonds ein synthetisches Multi-Manager-Portfolio auf.

Die täglichen Renditen dieses Multi-Manager-Portfolios wurden aus der täglichen Durchschnittsrendite aller 10 Fonds generiert. Mit anderen Worten, es wurde täglich neu ausbalanciert. Das EAM-Portfolio basiert auf tatsächlichen Leistungsdaten. (Die Performance des EAM-Portfolios wurde nach der branchenüblichen Methode für Modellportfolios berechnet, was zu Brutto-Gebührenrenditen führte. Wenn theoretische 85 Basispunkte zur Simulation von Gebühren abgezogen würden, würden sich die zusammenfassenden Schlussfolgerungen nicht ändern.)

Wichtige Statistiken: EAM-Portfolio, Multi-Manager-Portfolio und Benchmark

  • Die Portfoliostatistiken zeigen einen entscheidenden Unterschied zwischen den beiden aktiven Portfolios: Das EAM-Portfolio besaß 50 Aktien im Vergleich zu den 563 des Multi-Manager-Portfolios (Stand Dezember 2020).
  • Das EAM-Portfolio erzielte überlegene Anlagerenditen, Überschussrenditen und Alpha.
  • Das EAM-Portfolio hatte ähnliche Gesamtrisikokennzahlen wie das Multi-Manager-Portfolio und ein geringeres Risiko als der S & P 500.
  • Das EAM-Portfolio erzielte über alle Kennzahlen hinweg überlegene risikobereinigte Renditen.

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 / Studio_3321

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 Strategien 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 hauptsächlich darauf, Technologien zu ermöglichen, die den aufkeimenden Sektor Ensemble Active Management (EAM) unterstützen. Panchekha 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.