Des Weiteren sind solche Portfolios durch eine geringere Sensitivität gegenüber dem breiten Aktienmarkt charakterisiert, was sich in einem Markt-Beta von unter 1 widerspiegelt (sh. Tabelle 1). Diese Kombination aus niedriger Volatilität und attraktiven Renditen macht Low-Volatility-Portfolios für viele Investoren besonders interessant.

Trotz der attraktiven Investmentergebnisse in der Vergangenheit, können Low-Volatility-Portfolios aufgrund ihrer geringeren Marktsensitivität in stark steigenden Aktienmärkten suboptimale Renditen erzielen, da sie weniger stark an Aufwärtsbewegungen partizipieren. Daher hängt die relative Performance zum Teil von der Häufigkeit bestimmter Marktphasen ab: Ist der Investmenthorizont hauptsächlich von Aufwärtsphasen geprägt, steigt die Wahrscheinlichkeit von geringeren Renditen im Vergleich zum breiten Aktienmarkt.



Eine Lösung zur Reduzierung dieser Abhängigkeit besteht unter anderem darin, das Markt-Beta von Low-Volatility-Portfolios mit Hilfe von Aktien-Index-Futures so anzupassen, dass es einen Wert von eins erreicht.  Dieser Ansatz verringert die Marktphasenabhängigkeit, und führt zu höheren Renditen, geht jedoch mit einem erhöhten Risiko einher.

Um die defensiven Vorteile in Abwärtsphasen zu erhalten, aber gleichzeitig die Marktphasenabhängigkeit zu reduzieren, schlagen wir zwei dynamische Strategien zur Anpassung des Markt-Betas von Low-Volatility-Portfolios vor. Dabei erhöhen unsere dynamischen Strategien das Markt-Beta lediglich bei geringem Marktrisiko. Bei erhöhtem Marktrisiko wird der Hebel reduziert oder das Markt-Beta abgesichert.

Das Risiko wird als Verlustwahrscheinlichkeit am Aktienmarkt mithilfe eines Modells auf Basis moderner Machine-Learning-Methoden geschätzt. Das Modell wertet dafür u.a. makroökonomischer Daten, Marktstimmung, Preisdynamik und Cross-Asset-Indikatoren aus und leitet daraus Investitionsquoten in vier Stufen (0–100 % in 25 %-Schritten) ab. Unsere Studie berücksichtigt dabei die folgenden drei Strategien (weitere Details im kompletten Whitepaper am Textende).



Tabelle 3 zeigt einen Auszug der empirischen Ergebnisse unserer Studie. Das klassische Low-Volatility-Portfolio erzielt in Aufwärtsmärkten eine annualisierte relative Rendite von -4,69 % und in Abwärtsmärkten +8,91 %. Das Fixed Target Beta of One (FTB-One) - Portfolio gleicht diesen Effekt aus, indem es relative Verluste in Aufwärtsmärkten vermeidet, jedoch die Volatilität erhöht, was wiederum die risikoadjustierte Rendite verringert (Sharpe-Ratio: 0,50 gegenüber 0,56 beim Standard-Portfolio).

Das DMB-Gap-Portfolio erzielt höhere Renditen als das Low-Volatility- und FTB-One-Portfolio, ohne die Volatilität stark zu erhöhen, was die risikoadjustierte Rendite auf 0,58 verbessert (im Vergleich zu 0,56 beim Standard-Low-Volatility-Portfolio und 0,50 beim FTB-One). Ohne in Abwärtsmärkten den defensiven Charakter des Low-Volatility-Ansatzes zu verlieren, verbessert sich die relative Rendite in Aufwärtsmärkten.

Mit einer Sharpe-Ratio von 0,74 erzielt das DMB-Portfolio die höchste risikoadjustierte Rendite, da es nicht nur die höchste absolute Rendite liefert, sondern auch die Volatilität unter das Niveau des Standard-Low-Volatility-Portfolios senkt. Es verbessert Risikokennzahlen wie Volatilität und Maximum Drawdown, ohne Renditeeinbußen, und zeigt, dass eine dynamische Anpassung des Marktbeta dem statischen Ansatz überlegen ist.



Unsere Ergebnisse verdeutlichen, dass Low-Volatility-Portfolios mit einer dynamischen Steuerung des Markt-Betas in Aufwärtsmärkten effizienter partizipieren, ohne die defensiven Vorteile in Krisenzeiten zu verlieren. Höhere Gesamtrenditen gehen also nicht auf Kosten der stabilisierenden Eigenschaften – ein klarer Vorteil gegenüber klassischen Low-Volatility-Strategien oder einer konstanten Beta-Anpassung. Die Methodik ist zudem auch auf Multi-Faktor-Portfolios mit niedrigerem Markt-Beta anwendbar.



---
*) Dr. Denisa Čumova, Leiterin Portfoliomanagement & Quant Research und Marcel Sibbe, Senior Portfolio Manager & Quant Researcher bei La Française Systematic Asset Management