Sie befinden sich hier:

Die Kombination des Black-Litterman-Ansatzes mit regressionsbasierten Renditeprognosen

29.06.2018

Wichtige Erkenntnisse:

  • Der Black-Litterman-Ansatz ermöglicht es, subjektive Renditeerwartungen in einer strategischen Asset Allocation zu berücksichtigen.
  • Dieses Forschungspapier schlägt eine Erweiterung des Black-Litterman-Ansatzes vor. Dabei werden die Renditeerwartungen und insbesondere deren Unsicherheit mithilfe von Bayes-Regressionen geschätzt.

Quelle:

Geyer, A., & Lucivjanska, K. (2016). The Black-Litterman approach and views from predictive regressions: Theory and implementation. The Journal of Portfolio Management, 42 (4), 38-48.
 
Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.
 
 

Eine sehr langfristige Betrachtung von Renditeprognosen

Wichtige Erkenntnisse:

  • Jährliche Aktienrenditen über die letzten 400 Jahre zeigen, dass Dividendenrenditen erwartete Renditen vorhersagen können.
  • Erwartete Renditen schwanken über den Zeitablauf. Dabei hängen die Schwankungen mit dem Konjunkturzyklus zusammen und erwartete Renditen sind in Rezessionen höher.

Quelle:

Golez, B., & Koudijs, P. (2018). Four centuries of return predictability. Journal of Financial Economics, 127 (2), 248-263.
 
Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.
 
 

Makroökonomische Einflussgrössen auf Aktienmarktbetas

Wichtige Erkenntnisse:

  • Dieses Forschungspapier unterteilt das Marktbeta in mehrere zyklische Komponenten mit unterschiedlicher Frequenz.
  • Besonders die Überschuss-Konsumquote und die Ausfallprämie haben einen deutlichen Einfluss auf das Aktienmarktbeta.

Quelle:

Gonzalez, M., Nave, J., & Rubio, G. (2018). Macroeconomic determinants of stock market betas. Journal of Empirical Finance, 45 , 26-44.
 
Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.
 
 

Momentum in der Qualität von Renditeprognosen

Wichtige Erkenntnisse:

  • Goyal & Welch (2008) haben gezeigt, dass sich Aktienrenditen langfristig nur schwer vorhersagen lassen. Es gibt allerdings Phasen, in denen gewisse Variablen die Rendite vorhersagen können.
  • Dieses Forschungspapier zeigt, dass sich die Qualität von Renditeprognosen verbessern lässt, wenn die Prognosequalität in der jüngeren Vergangenheit berücksichtigt wird und der Schätzer nur eingesetzt wird, wenn die jüngste Prognosequalität gut war. Ansonsten wird ein historischer Mittelwert als Schätzer genutzt.

Quelle:

Wang, Y., Liu, L., Ma, F., & Diao, X. (2018). Momentum of return predictability. Journal of Empirical Finance, 45, 141-156.
 
Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.
 
 

Die Interaktion von Short-Term Reversal und Momentum

Wichtige Erkenntnisse:

  • Kurzfristige Trends hängen stark von mittelfristigem Momentum ab.
  • Kurzfristige Umkehrstrategien funktionieren am besten bei mittelfristigen Momentum-Verlierern.
  • Momentum-Strategien funktionieren am besten bei kurzfristigen Trendgewinnern.

Quelle:

Zhu, Z., & Yung, K. (2016). The interaction of short-term reversal and momentum strategies. The Journal of Portfolio Management, 42 (4), 96-107. 
 
Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.
 
 

Value Timing

Wichtige Erkenntnisse:

  • Der Value-Spread kann die Renditen von Value-Strategien auf Aktien, Rohstoffe, Währungen, Bonds und Aktienindizes vorhersagen.
  • Sowohl anlageklassenspezifische als auch anlageklassenübergreifende Komponenten des Value-Spreads helfen gleich viel bei der Renditeprognose.
  • Die anlageklassenübergreifende Komponente ist stark mit klassischen Risikofaktoren wie der Dividendenrendite, dem Leverage oder Illiquidität korreliert.

Quelle:

Yara, F. B., Boons, M., & Tamoni, A. (2018). Value timing: Risk and return across asset classes. Unpublished Results.
 
Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.
 
 

Zurück