Factor Investing zielt auf die Nutzung erwiesener Risiko- und Renditetreiber und hat sich als beliebter Ansatz für Aktienanleger etabliert, die höhere Renditen bei geringeren Kosten anstreben. Eine effiziente Umsetzung von Faktorportfolios setzt jedoch voraus, dass Anleger in der Lage sind, die Risiko- und Renditebeiträge der verwendeten Faktoren – zum Beispiel Value (Bewertung), Momentum (Dynamik), Quality (Qualität) oder Low Volatility (geringe Volatilität) – zu bewerten. Das Invesco Quantitative Strategies Team hat nun einen Modellportfolio-Ansatz entwickelt, der laut dem Asset Manager die wesentlichen Defizite der geläufigsten Ansätze adressiert und dem Wunsch der Anleger nach Transparenz und Kontrolle bei der Entwicklung, Umsetzung und Überwachung von Faktorstrategien nachkommt.

„Unser Ansatz kann die gewünschten Faktormerkmale direkt in die Faktor- und Modellportfolios integrieren und bietet die Flexibilität, andere, über traditionelle Faktoren hinausgehende Risikoquellen wie das Markt-Beta, die Größe oder die Verschuldung zu kontrollieren“, erläutert Bernhard Langer, Chief Investment Officer, Invesco Quantitative Strategies (IQS), der das Team von rund 50 Investmentexperten leitet, die seit 1983 an diesen Techniken arbeiten.

Im Vergleich zu alternativen Ansätzen führte der Modellportfolio-Ansatz von Invesco zu Portfolios, die bislang eine größere Diversifikation, höhere Transferkoeffizienten, eine bessere Abstimmung mit dem angestrebten Faktormodell, eine ausgewogenere Risikoaufteilung und minimale unbeabsichtigte Wetten aufweisen konnten. „Damit bietet unser Ansatz Anlegern mehr Kontrolle und Transparenz in Bezug auf die Risiko- und Renditetreiber ihrer Portfolios“, so Langer.

Während weitgehend Einigkeit darüber besteht, dass Value, Momentum, Quality und Low Volatility relevante Faktoren sind, wird für die Vereinnahmung der Faktorprämien auf unterschiedliche Portfoliokonstruktionsmethoden gesetzt. Dabei verfolgen alle das gleiche Ziel: einen systematischen Investmentprozess umzusetzen, der sicherstellt, dass die Faktorallokation mit den Anlagepräferenzen übereinstimmt. Dieser systematische Investmentprozess sollte es ermöglichen, die Anlageziele ex-ante zu kontrollieren und ex-post eine klare Performance-Attribution für die ausgewählten Faktoren zu erhalten. Dies würde die Transparenz und Kontrollierbarkeit während des gesamten Investmentprozesses von Faktorstrategien erhöhen.

Bernhard Langer zufolge weisen verbreitete Techniken wie Rankingansätze oder auch die traditionelle Mean-Variance-Optimierung allerdings Defizite auf, die einen anderen, effizienteren Ansatz erforderlich machen.

Beim Rankingansatz werden alle Wertpapiere im Universum nach ihrer Attraktivität gemessen an einem oder mehreren Faktor-Scores eingestuft. Die attraktivsten Aktien im Universum werden gekauft und die am wenigsten attraktiven verkauft, um Long-Short-Portfolios zusammenzustellen, die auf der Grundlage bestimmter Anlagebeschränkungen optimiert werden. Da dieser Ansatz jedoch einem recht einfachen Gewichtungsprozess folgt, lässt er Informationen zur Korrelation von Einzeltiteln und Faktoren unberücksichtigt. Dadurch schöpft er potenzielle Diversifikationsvorteile nicht effizient aus. „Anders ausgedrückt gewährleistet der Rankingansatz dadurch nicht, dass das Portfolio den höchsten möglichen Wert für ein bestimmtes Risikoniveau aufweist“, so Langer.

Die Mean-Variance-Optimierung dagegen kann eine Vielzahl von Anlagebeschränkungen und -zielen einbeziehen und so konfiguriert werden, dass ein optimaler Ausgleich zwischen Risiko- und Renditeschätzungen erreicht wird, während gleichzeitig das Engagement in den gewünschten Faktoren bei einem gegebenen Risikobudget maximiert wird. Darüber hinaus lässt sich mit dieser Methodik auch das Risiko-Exposure des optimierten Portfolios aus anderen Risikoquellen wie Ländern, Branchen oder Beta kontrollieren. In der Praxis hat dieser Ansatz Langer zufolge aber einen großen Nachteil: Er kann eine Fehlermaximierung und Tendenz zu konzentrierten Portfolios zur Folge haben.

„Bei der Mean-Variance-Optimierung werden Wertpapiere mit hohen Renditeprognosen, negativen Korrelationen und geringen Varianzen tendenziell übergewichtet und Wertpapiere mit niedrigen Renditeprognosen, positiven Korrelationen und großen Varianzen tendenziell untergewichtet. Alle diese Faktoren sind anfällig für Schätzungsfehler“, erläutert er. Außerdem reagiere die Methodik sehr empfindlich auf geringfügige Änderungen der Schätzungen, insbesondere bei der Renditeprognose. Da es sich bei den Faktorexposures, die als Renditeprognosen verwendet werden, um Schätzungen handele, könne dieses Merkmal der Mean-Variance-Optimierung die Anlageziele verzerren.

Angesichts der Defizite dieser beiden geläufigsten Ansätze zur Konstruktion und Umsetzung von Faktorportfolios hat Invesco Quantitative Strategies eine dritte Methodik entwickelt, die den Fokus auf die wichtigsten Stärken beider Ansätze legt. Der modellbasierte IQS-Ansatz beginnt mit der Zusammenstellung eines Modellportfolios anhand einer rankingbasierten Berechnung und setzt das Modellportfolio dann mithilfe eines Mean-Variance-Ansatzes um.

Ein wesentliches Merkmal des Invesco-Prozesses in der Praxis sei die Fähigkeit, das Modellportfolio genau auf die Anlagestrategie zuzuschneiden. Anstatt ein breites Universum zu verwenden, beginne das IQS Team mit einem Anlageuniversum, das die Benchmark der Strategie, die Investierbarkeit der Aktien und die Beschränkungen strategiespezifischer Mandate berücksichtigt. Durch eine Mean-Variance-Optimierung mit anlegerspezifischen Beschränkungen generiert der Optimierer letztlich das Portfolio mit der geringsten Abweichung vom Modellportfolio, das gemäß den Beschränkungen noch erlaubt ist.

„Unser Ansatz kombiniert die Vorteile beider Ansätze auf effiziente Weise und bietet zusätzliche Transparenz und Kontrolle“, so Langer. „Damit ist er am besten auf die Grundidee des Factor-Investing ausgerichtet: die Allokation eines Risikobudgets auf lohnende Faktorengagements und weg von Risiken, die nicht vergütet werden.“