Sie befinden sich hier:

Momentum in Fundamentaldaten von Unternehmen

31.01.2018

Wichtige Erkenntnisse:

  • Momentum existiert nicht nur in Renditen, sondern auch in unternehmensspezifischen Fundamentaldaten.
  • Twin Momentum – die Kombination aus klassischem Momentum und fundamentalem Momentum – funktioniert deutlich besser als jede Variante für sich allein.

Quelle:

Huan, D., Zhang, H., & Zhou, G. (2017). Twin momentum: Fundamental trends matter. Unpublished Results.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Kurzfristige Unterreaktionen von Aktienmärkten

Wichtige Erkenntnisse:

  • Nach Sprüngen in Aktienpreisen zeigt sich in den USA eine kurzfristige Unter-Reaktion.
  • Eine Strategie, die in Aktien investiert, die Sprünge nach oben zeigen und Aktien verkauft, die Sprünge nach unten aufweisen, erzielt über 1-3 Monate eine deutliche Outperformance.
  • Geringe Aufmerksamkeit von Investoren gegenüber Marktänderungen liefert eine mögliche Erklärung.

Quelle:

Jiang, G. J., & Zhu, K. X. (2017). Information shocks and short-term market underreaction. Journal of Financial Economics, 124 (1), 43-64.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Trends über verschiedene Zeithorizonte

Wichtige Erkenntnisse:

  • Auf den Aktienmärkten lassen sich auf unterschiedlichen Zeithorizonten unterschiedliche Trends erkennen: Auf die kurze Frist Umkehrbewegungen, auf den mittleren Horizont Momentum und langfristig wieder Umkehrbewegungen.
  • Ein Trend-Faktor, der diese drei Trends gleichzeitig berücksichtigt, erzielt gegenüber den Trendsignalen auf den einzelnen Horizonten eine deutliche Outperformance.

Quelle:

Han, Y., Zhou, G., & Zhu, Y. (2016). A trend factor: Any economic gains from using information over investment horizons? Journal of Financial Economics, 122 (2), 352-375.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Renditeschätzung basierend auf einer Vielzahl von Unternehmens-Charakteristika

Wichtige Erkenntnisse:

  • Dieses Forschungspapier stellt einen neuen Ansatz vor, um erwartete Renditen aus einer Vielzahl von Charakteristika von Unternehmen zu schätzen.
  • Dieser Ansatz basiert auf 26 Charakteristika und kann diverse andere Ansätze übertreffen.
  • Daneben zeigt der Ansatz, dass viele Anomalien Gemeinsamkeiten aufweisen.

Quelle:

Light, N., Maslov, D., & Rytchkov, O. (2017). Aggregation of information about the cross section of stock returns: A latent variable approach. The Review of Financial Studies, 30 (4), 1339-1381.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Risikoadjustierung von Zeitreihen-Momentum

Wichtige Erkenntnisse:

  • Dieses Forschungspapier schlägt vor, Time-Series Momentum Strategien anhand ihrer Volatilität zu adjustieren und damit das Risiko auszugleichen.
  • Diese Strategie sorgt für ein Exposure zum Aktienbeta, dem Value-Faktor und dem Momentum-Faktor und reduziert zusätzlich den Turnover.

Quelle:

Dudler, M., Gmur, B., & Malamud, S. (2014). Risk-adjusted time series momentum. Unpublished Results.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Replizierbarkeit von Anomalien

Wichtige Erkenntnisse:

  • Viele Anomalien in der Forschung sind nicht robust.
  • Die Autoren versuchen insgesamt 447 Anomalien zu replizieren, wobei sie Kleinstunternehmen ausschliessen.
  • 68% der Anomalien können nach den üblichen statistischen Standards nicht repliziert werden. Werden striktere Standards angelegt, steigt diese Zahl sogar auf 85%.
  • Von den verbleibenden signifikanten Anomalien kann das q-Faktormodell die grosse Mehrheit erklären.
  • Kapitalmärkten sind effizienter als in der bisherigen Forschung über Anomalien angenommen.

Quelle:

Hou, K., Xue, C., & Zhang, L. (2017). Replicating anomalies. Unpublished Results.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Tail-Risiko-Sensitivität von Einzelaktien

Wichtige Erkenntnisse:

  • Diese Studie misst die Sensitivität von Aktien gegenüber starken Markteinbrüchen, das sogenannte Tail Beta.
  • Dabei verlieren Aktien mit einem hohen Tail Beta in Krisen 2-3x mehr, als Aktien mit einem niedrigen Tail Beta.
  • Obwohl Aktien mit hohem Tail Beta daher deutlich riskanter sind, weisen sie keine Renditeprämie auf.

Quelle:

van Oordt, M. R. C., & Zhou, C. (2016). Systematic tail risk. Journal of Financial and Quantitative Analysis, 51 (02), 685-705.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Schätzung von dynamischen Faktor-Exposures

Wichtige Erkenntnisse:

  • Die Autoren entwickeln eine neue Methode um dynamische Faktorladungen zu schätzen, indem sie Unternehmenscharakteristika heranziehen.
  • Somit können sie die Rendite von Portfolios in drei Komponenten aufteilen: (1) konstante Faktorexposures, (2) im Zeitablauf schwankende Faktorexposures und (3) Titelselektion

Quelle:

Ang, A., Madhavan, A., & Sobczyk, A. (2017). Estimating time-varying factor exposures. Financial Analysts Journal, 73 (4), 41-54.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Der Einfluss von Blasenrisiken auf die Preise von Finanzanlagen

Wichtige Erkenntnisse:

  • Dieses Forschungspapier beschreibt das systematische Risiko, welches durch das Auftreten von Preisblasen entsteht und analysiert die Auswirkungen dieses Faktors auf Wertpapierpreise.
  • Mit Hilfe dieses neuen Ansatzes lassen sich die Marktrisikoprämie sowie die Marktvolatilität besser schätzen als mit bestehenden theoretischen Modellen für Finanzanlagen.

Quelle:

Lee, J. H., & Phillips, P. C. (2016). Asset pricing with financial bubble risk. Journal of Empirical Finance, 38 , 590-622.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Unrobuste Ergebnisse in wissenschaftlichen Zeitschriften

Wichtige Erkenntnisse:

  • In wissenschaftlichen Zeitschriften herrscht ein hoher Druck statistisch signifikante Ergebnisse zu produzieren. Hierzu wird vor allem der sogenannte P-Wert herangezogen.
  • Besonders bei einer Vielzahl von verschiedenen Tests und anderen Data-Mining-Ansätzen weist der P-Wert allerdings grosse Schwächen auf.
  • Daher werden Richtlinien für eine robuste und transparente Forschungskultur im Bereich der Finanzwirtschaft präsentiert.

Quelle:

Harvey, C. R. (2017). The scientific outlook in financial economics. The Journal of Finance, 72 (4), 1399-1440.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Die Carry Prämie im Multi-Asset-Kontext

Wichtige Erkenntnisse:

  • Der Carry Faktor wird vor allem in den Währungsmarkten diskutiert.
  • Dieses Forschungspapier zeigt, wie sich der Carry Faktor auf andere Anlageklassen ausweiten lässt.
  • Insbesondere zeigen die Autoren die Attraktivität eines Multi-Asset Carry Portfolios, welches von der Diversifikation der Carry-Prämien über verschiedene Anlageklassen profitiert und nicht unter den starken Crashrisiken leidet wie die Carry-Strategie auf Währungen.

Quelle:

Baltas, N. (2017). Optimising cross-asset carry. Unpublished Results.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Langfristige Trendumkehr als globaler Faktor

Wichtige Erkenntnisse:

  • Bisher fehlten gross angelegte Studien, welche Umkehrbewegungen in internationalen Märkten untersucht haben.
  • Dieses Forschungspapier schliesst die Lücke und zeigt, dass es langfristige Umkehrbewegungen in 23 entwickelten Ländern gibt.
  • Die Umkehrbewegungen sind auch robust, wenn für weitere Faktoren wie Size, Value und Momentum korrigiert wird

Quelle:

Blackburn, D. W., & Cakici, N. (2017). Overreaction and the cross-section of returns: International evidence. Journal of Empirical Finance, 42 , 1-14.
 

Das Forschungspapier kann hier (eventuell kostenpflichtig) bezogen werden.

 

Zurück