Dynamische Mathematik Dynamische Mathematik Lehren und Lernen mit Dynamische Mathematik Kompaktkurs.
Mitbetreuung Andreas Göttfert, MSc DYNAMISCHE ASSET ...
Transcript of Mitbetreuung Andreas Göttfert, MSc DYNAMISCHE ASSET ...
JOHANNES KEPLER UNIVERSITÄT LINZ Altenberger Straße 69 4040 Linz, Österreich jku.at DVR 0093696
Eingereicht von Nico S. Spindler, BSc Angefertigt am Institut für betriebliche Finanzwirtschaft – Abteilung Asset Management Beurteiler / Beurteilerin Dr. Teodoro D. Cocca Mitbetreuung Andreas Göttfert, MSc August 2020 DYNAMISCHE ASSET ALLOCATION
MITTELS STIMMUNGSINDIKATOREN IM UNTERNEHMENSANLEIHEMARKT
Masterarbeit
zur Erlangung des akademischen Grades Master of Science
im Masterstudium Finance and Accounting
I
EIDESSTATTLICHE ERKLÄRUNG
Ich erkläre an Eides statt, dass ich die vorliegende Masterarbeit selbstständig und ohne fremde Hilfe verfasst, andere als die angegebenen Quellen und Hilfsmittel nicht benutzt bzw. die wörtlich oder sinngemäß entnommenen Stellen als solche kenntlich gemacht habe. Die vorliegende Masterarbeit ist mit dem elektronisch übermittelten Textdokument identisch. Linz, 10. August 2020 Nico Spindler
II
INHALTSVERZEICHNIS Abbildungsverzeichnis ................................................................................................................... IV 1. Einleitung .................................................................................................................................. 1
1.1. Problemstellung ................................................................................................................. 2 1.2. Zielsetzung & Forschungsfragen ...................................................................................... 2 1.3. Vorgehensweise ................................................................................................................ 3
2. Aktueller Forschungsstand ....................................................................................................... 3 2.1. Theoretischer Bezugsrahmen ............................................................................................ 3
Kapitalmarkttheorie vs Behavioral Finance ........................................................... 4 Sentiment-indikatoren ............................................................................................ 7 Dynamische Asset Allocation ................................................................................ 7
2.2. Literaturanalyse zu Sentiment im Anleihemarkt ............................................................. 13 Darstellung der Publikationen .............................................................................. 13 Design der Sentiment-indikatoren ....................................................................... 17
2.2.2.1. Marktbasierte Sentiment-Indikatoren ................................................... 18 2.2.2.2. Umfragebasierte Sentiment-Indikatoren ............................................... 20 2.2.2.3. Suchbasierte Sentiment-Indikatoren ..................................................... 21
Theoretische Konzepte ......................................................................................... 22 2.2.3.1. Passung der Daten ................................................................................. 22 2.2.3.2. Forschungsschwerpunkte ...................................................................... 23
Quantitative Resultate .......................................................................................... 24 2.2.4.1. Flight-to-quality und Asset Korrelation ................................................ 25 2.2.4.2. Anleihespreads ...................................................................................... 26
3. Empirische Untersuchung ....................................................................................................... 33 3.1. Formulierung der Variablen ............................................................................................ 33
Anleihedaten ........................................................................................................ 33 Europäische Sentiment-indikatoren ..................................................................... 33 Modellierung der Sentiment-indikatoren ............................................................. 41
3.2. Dynamische Regressionsanalyse ..................................................................................... 41 Modellbildung ...................................................................................................... 41 Verfahrensweise ................................................................................................... 42
3.3. Ergebnisse Regressionsanalyse ....................................................................................... 46 Euro Stoxx 50 Volatilität ..................................................................................... 46 ESI ........................................................................................................................ 50 BCI ....................................................................................................................... 52 CCI ....................................................................................................................... 54 Credit Spread ....................................................................................................... 56
III
Résumé ................................................................................................................. 58 4. Asset Allocation ...................................................................................................................... 60
4.1. Benchmark ...................................................................................................................... 60 4.2. Erstellung der Handelsstrategie ....................................................................................... 61
VSTOXX ............................................................................................................. 62 ESI ........................................................................................................................ 65 BCI ....................................................................................................................... 67 CCI ....................................................................................................................... 70 Credit Spread ....................................................................................................... 72
5. Fazit ........................................................................................................................................ 74 6. Literaturverzeichnis ................................................................................................................ 76
IV
ABBILDUNGSVERZEICHNIS ABBILDUNG 1: PERFORMANCE (VGL. STEINER ET AL., 2017) .............................................................................. 8 ABBILDUNG 2: STANDARDISIERTE BENCHMARK INDIZES .................................................................................... 9 ABBILDUNG 3: SHARPE-RATIO (VGL. SHARPE, 1966) ........................................................................................ 9 ABBILDUNG 4: DIVERSIFIKATIONSEBENEN DER ASSET ALLOCATION I.W.S. (STEINER ET AL., 2017) .................... 11 ABBILDUNG 5: ASSETKLASSEN (VGL. STEINER ET AL., 2017) ............................................................................ 12 ABBILDUNG 6: KLASSIFIZIERUNG VON PORTFOLIO-MANAGEMENT-STRATEGIEN BEI ANLEIHEN ........................... 12 ABBILDUNG 7: DARSTELLUNG DER AUSGEWÄHLTEN PUBLIKATIONEN ................................................................ 15 ABBILDUNG 8: DESIGN DER SENTIMENT-INDIKATOREN ..................................................................................... 17 ABBILDUNG 9: MONATLICHE ANLEIHERENDITEN (VGL. HUANG ET AL., 2017) ..................................................... 24 ABBILDUNG 10: SENTIMENT AND YIELD SPREADS (VGL. HUANG, ROSSSI UND WANG 2015) ............................... 27 ABBILDUNG 11: EFFECT OF SENTIMENT BY RATING (VGL. HUANG, ROSSI UND WANG 2015) ............................... 28 ABBILDUNG 12: BOND YIELD SPREADS IN LOW AND HIGH SENTIMENT REGIMES (NAYAK, 2010) ........................... 30 ABBILDUNG 13: SENTIMENT AND CORPORATE BOND RETURNS (VGL. HUANG, ROSSI UND WANG, 2015) ............. 31 ABBILDUNG 14: ESI ZEITREIHE (THOMSON REUTERS) ..................................................................................... 35 ABBILDUNG 15: BCI ZEITREIHE (THOMSON REUTERS) ..................................................................................... 36 ABBILDUNG 16: CCI ZEITREIHE (THOMSON REUTERS) .................................................................................... 37 ABBILDUNG 17: VSTOXX ZEITREIHE (THOMSON REUTERS) ............................................................................ 39 ABBILDUNG 18: MOODY'S CREDIT SPREAD ZEITRIEHE (FEDERAL RESERVE BANK OF ST. LUIS) ........................ 40 ABBILDUNG 19: REGRESSIONSMODELL ........................................................................................................... 42 ABBILDUNG 20: RENDITE-BERECHNUNG ANLEIHEN ......................................................................................... 42 ABBILDUNG 21: AUSWERTUNG STATIONARITÄT ............................................................................................... 43 ABBILDUNG 22: FESTLEGUNG DER LAGS ........................................................................................................ 44 ABBILDUNG 23: DESKRIPTIVE STATISTIK ......................................................................................................... 45 ABBILDUNG 24: LINE HIGH YIELD ................................................................................................................... 46 ABBILDUNG 25: ERGEBNISSE VSTOXX ......................................................................................................... 49 ABBILDUNG 26: ERGEBNISSE ESI .................................................................................................................. 51 ABBILDUNG 27: ERGEBNISSE BCI .................................................................................................................. 53 ABBILDUNG 28: ERGEBNISSE CCI .................................................................................................................. 55 ABBILDUNG 29: ERGEBNISSE MOODY'S CREDIT SPREAD ................................................................................. 57 ABBILDUNG 30: BENCHMARK, BUY-AND-HOLD ................................................................................................ 61 ABBILDUNG 31: ÜBERSICHTSTABELLE VSTOXX VOL 50 - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE ......... 62 ABBILDUNG 32: ERGEBNISSE HANDELSSTRATEGIE VSTOXX VOLATILITÄT ....................................................... 64 ABBILDUNG 33: ÜBERSICHTSTABELLE ESI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE ........................... 65 ABBILDUNG 34: ERGEBNISSE HANDELSSTRATEGIE ESI ................................................................................... 66 ABBILDUNG 35: ÜBERSICHTSTABELLE BCI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE ........................... 67 ABBILDUNG 36: ERGEBNISSE HANDELSSTRATEGIE BCI ................................................................................... 69 ABBILDUNG 37: ÜBERSICHTSTABELLE BCI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE ........................... 70 ABBILDUNG 38: ÜBERSICHTSTABELLE CREDIT SPREAD - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE ........ 72 ABBILDUNG 39: ERGEBNISSE HANDELSSTRATEGIE MOODY‘S CREDIT SPREAD ................................................. 73
1/83
1. EINLEITUNG
Der Anleihemarkt ist aufgrund seiner Größe und der damit verbundenen finanzwirtschaftlichen
Tragweite von großem Interesse. Staaten, Unternehmen sowie Kreditinstitute finanzieren sich zu
einem substantiellen Teil durch die Emission von Anleihen. Die mediale Berichterstattung rund
um Anleihen rückt zunehmends in den Mittelpunkt der medialen Präsenz, zumal jüngst
Rekordwerte beim Anleihevolumen verzeichnet wurden. Die durch die Coronakrise
prognostizierte Rezession der Wirtschaft beeinträchtigt die Liquidität vieler Unternehmen. Um
dem Liquiditätsproblem entgegenzuwirken, werden im europäischen Raum im Wochenrhythmus
Unternehmensanleihen im mittleren zweistelligen Milliardenbereich gezeichnet (vgl. AFME).
Auch die Euro-Staaten verzeichneten eine erhöhte Nachfrage nach Anleihen in Folge der durch
die Coronakrise belasteten Haushalte. In Europa stieg das tägliche Handelsvolumen der Euro-
Staatsanleihen im ersten Quartal des Jahres 2020 – im Vergleich zum Vorjahresquartal – um über
25% (vgl. AFME). In den Vereinigten Staaten sind die gleichen Entwicklungen zu beobachten.
Die durch die Rezession losgelöste wirtschaftliche Belastung führte zu einer Herabstufung der
Bonität der Unternehmen durch die Ratingagenturen.
Die aktuellen Entwicklungen zeigen, dass der Anleihemarkt zunehmenden Fluktuationen
unterliegt. Durch die ansteigenden Volumina bei den Emissionen im Anleihemarkt wird –
aufgrund der gesamtwirtschaftlichen Auswirkungen - der Unternehmensanleihemarkt noch weiter
ins Zentrum der medialen Aufmerksamkeit rücken und für das Asset Management wird die
Kontrolle des Risikos und der damit verbundenen Verlustbeschränkung wesentlich sein.
Der Fokus dieser Masterarbeit liegt auf der Prognose der Unternehmensanleiherenditen und der
Erweiterung des Verständnisses für Sentiment-Indikatoren im Bereich der
Unternehmensanleihen. Hierfür wird nach Zusammenhängen zwischen Sentiment-Variablen und
Risikoprämien im Anleihemarkt gesucht. Konkret wird nach einem Zusammenhang zwischen
Sentiment und erwarteten Überrenditen von Anleihen gesucht. Die Prognose von
Anleiheüberrenditen ist für jeden Investor bei der optimalen Allokation des Portfolios und bei der
Verwaltung von festverzinslichen Wertpapieren maßgeblich.
Bei der Analyse der vorherrschenden Faktoren, welche Anleiheüberrenditen prognostizieren,
kann festgestellt werden, dass sich nur eine sehr geringe Anzahl wissenschaftlicher Publikationen
dem Thema Investoren-Sentiment im Anleihemarkt widmet.
Der empirischen Analyse liegt ein großer Datensatz zugrunde. Die Auswahl beinhaltet
Monatsdaten der Jahre 2003 bis 2020 von europäischen Indizes des High Yield und High Grade
Marktes.
2/83
1.1. PROBLEMSTELLUNG
Der (Unternehmens)-Anleihemarkt ist im Vergleich zum Aktienmarkt in der Behavioral Finance
Forschung unterrepräsentiert. Die Integration von Behavioral Finance und Anleihemarkt ist
vergleichsweise gering, da im Anleihemarkt weniger Papers vorliegen und der empirische Fokus
am US-Markt ausgerichtet ist.
Der Anleihemarkt ist von großer ökonomischer Relevanz, dies kann am Beispiel der Wiener
Börse demonstriert werden: Im Jahr 2019 betrug das Anleihemarktvolumen bei rund 3500
Anleihen über 470 Mrd. €, die Marktkapitalisierung lag vergleichsweise bei nur über 118 Mrd. €
(vgl. Wiener Börse). Der Anteil der Unternehmensanleihen liegt mit 320 notierten Anleihen bei
157,3 Mrd. € (Stand 25.11.2019, vgl. Wiener Börse). Auf europäischer Ebene sind gleiche
Gegebenheiten zu beobachten (vgl. ICMA). Der Anleihemarkt verzeichnete auch einen Anstieg
des Volumens mit einem Spitzenwert in 2019 (vgl. ICMA), so ist dieser Markt von immer
größerer Relevanz und es besteht hier ein Bedarf, eine Integration der Ansätze von Behavioral
Finance mit dem Anleihebereich vorzunehmen. Die wissenschaftliche Literatur weist nur wenige
Studien auf, welche den Anleihemarkt mit dem Gebiet der Behavioral Finance verknüpft. Es
stellt sich die Frage, inwieweit Sentiment-Indikatoren im Unternehmensanleihebereich genutzt
werden können und wieweit das von der Behavioral Finance suggerierte Potenzial von Sentiment
für Anlageentscheidungen reicht. Zudem stellt sich die Frage, welche Sentiment-Indikatoren im
Anleihemarkt zum Einsatz kommen und welche Auswirkungen diese auf ein Anleiheportfolio
haben können.
1.2. ZIELSETZUNG & FORSCHUNGSFRAGEN
Die Masterarbeit erörtert zuerst, welche Sentiment-Indikatoren in der wissenschaftlichen
Literatur im Anleihebereich untersucht werden. Die Untersuchung wird anhand eines Systematic
Literature Reviews durchgeführt. An die Aufarbeitung der Literatur knüpft die Untersuchung an,
welche möglichen Sentiment-Indikatoren für eine empirische Untersuchung des europäischen
Raums zum Einsatz kommen können. Für die Überprüfung der Prognosefähigkeit von
Anleiherenditen durch Sentiment-Indikatoren werden schließlich Regressionsanalysen
durchgeführt. Die empirische Analyse soll Aufschluss darüber geben, inwiefern Sentiment-
Indikatoren die Rendite-/Risikobeschaffenheit von Anleihen beeinflussen. Es soll die
Optimierungsfähigkeit von Anleiheportfolios mittels Sentiment-Indikatoren hinsichtlich Rendite-
3/83
und Risikoaspekte demonstriert werden. Der empirischen Analyse ist ein Backtesting
verschiedener Handelsstrategien nachgestellt.
Aus der Zielsetzung lassen sich folgende Forschungsfragen ableiten:
Welche Stimmungsindikatoren werden in der wissenschaftlichen Literatur im
Anleihebereich untersucht?
Sind Stimmungsindikatoren in der Lage, ein Anleiheportfolio in Bezug auf
Rendite- und Risikoaspekte zu optimieren?
1.3. VORGEHENSWEISE Die Gliederung der Arbeit sieht folgendermaßen aus: Die Einleitung ist im ersten Abschnitt
dargestellt. Im zweiten Abschnitt wird der aktuelle Forschungsstand beleuchtet, womit ein
Fundament für die darauf aufbauende empirische Untersuchung geschaffen wird. In Abschnitt 3
wird eine empirische Untersuchung zum High Yield und High Grade Bereich durchgeführt. In
Abschnitt 4 wird ein dynamisches Asset Allocation Modell erstellt. Eine Schlussfolgerung wird
in Abschnitt 5 gezogen.
2. AKTUELLER FORSCHUNGSSTAND Vorliegende Masterarbeit knüpft an die wichtigsten Erkenntnisse aus den Strängen der
Fachliteratur an. Im Folgenden wird eine Literaturanalyse des Anleihebereichs vorgenommen. Im
Zuge der Literaturanalyse soll herausgefunden werden, welche Sentiment-Indikatoren für die
Bewertung von Anleihen zur Anwendung kommen.
Die Datenbasis bilden Journalartikel der Anbieter von EBSCO, Scopus und Web of Science. Bei
der Auswahl der Artikel wird auf entsprechende Qualitätskriterien geachtet, indem ein Abgleich
mit den Rankings von Academic Journal Guide von Chartered ABS vorgenommen wird.
2.1. THEORETISCHER BEZUGSRAHMEN Dem theoretischen Bezugsrahmen liegt die für die Arbeit wesentliche Literatur zugrunde und
dient als wissenschaftliche Forschungsbasis für die Beantwortung der Forschungsfragen. Es
werden auch die zentralen Schlüsselbegriffe der Arbeit erläutert.
4/83
KAPITALMARKTTHEORIE VS BEHAVIORAL FINANCE
Psychologie findet im Kapitalmarktgeschehen vermehrt Zuspruch und Investmentabteilungen
investieren in die Entwicklung von verhaltenswissenschaftlichen Modellen, welche dem
Forschungszweig der Behavioral Finance zuzurechnen sind. Shiller (1981) zeigt, dass
Fundamentaldaten und Kurse nur einen geringen Zusammenhang aufweisen, ungeachtet dessen
ist jedoch die Kapitalmarkttheorie und deren Instrumente in der Praxis vorherrschend. Die
Grundsätze der Kapitalmarkttheorie gründen auf der Theorie des erwarteten Nutzens, dass dieser
von den Faktoren Risiko und Rendite abhängig ist und schließlich für die Preisbildung
verantwortlich ist (vgl. Perridon und Steiner, 1995). Der Zahlungsanspruch des Investors ist dabei
abhängig vom eingegangenen Risiko. Die Prämie des Risikos, die dem Investor zusteht, ist
abhängig von anderen Anlagemöglichkeiten. Es wird angenommen, dass nur das Risiko vergütet
wird und da Investoren die Möglichkeit der Diversifikation haben, wird nur das systematische
Risiko vergütet. Die Erwartungsnutzentheorie ist aus den zuvor entwickelten Theorien der
Informationseffizienz der Kapitalmärkte (vgl. Fama, 1970) und der rationalen Erwartungen
(Muth, 1961) hervorgegangen. Famas Theorie der Informationseffizienz besagt, dass alle
Informationen zu jeder Zeit in den Kursen berücksichtigt sind und die Renditen dem
entsprechenden Risiko unterliegen – somit können keine Überrenditen erreicht werden, da der
Markt informationseffizient ist und nur höhere Renditen möglich sind, wenn eine höhere
Risikoexposition eingegangen wird.
Das Kapitalmarktmodell Capital Asset Pricing Model (CAPM) suggeriert, dass die erwartete
Rendite eines Wertpapiers eine lineare Funktion der Risikoprämie des Marktportfolios ist und
höhere Renditen bei gleichem Risiko nicht erreichbar sind. Die Rendite ist laut CAPM definiert
durch Verzinsung aus der risikolosen Anlage zuzüglich einer Risikoprämie, welche durch das
Risikomaß Beta erklärt wird. Laut CAPM ist der die Preise beeinflussende Faktor lediglich das
Marktportfolio, jedoch wurde diese stringente Auffassung von Fama und French (1992)
weitgehend widerlegt.
Das Kapitalmarktmodell Arbitrage Pricing Theorie (APT) von Ross postuliert die
Arbitragefreiheit des Kapitalmarkts, liefert jedoch keine verwertbaren Aussagen über die
Faktoren, die die Preise bestimmen (vgl. Steiner und Bruns, 1994).
Die Kapitalmarkttheorie versucht die ökonomischen Zusammenhänge und das Finanzgeschehen
zu erklären, jedoch liefern die Modelle oft nur eine unzureichende Beschreibung. Aufgrund der
5/83
Komplexität der Systeme ist eine allumfassende, unfehlbare Theorie nicht denkbar – die Modelle
liefern jedoch Instrumente, die Bewertungen und Entscheidungen möglich machen, weshalb sie
in der Praxis von großer Bedeutung sind (vgl. Roßbach, 1991).
In Anbetracht der Empirie muss festgestellt werden, dass die den Modellen zugrunde liegenden
Hypothesen eine hohe Abstraktionsstufe besitzen. Es stellt sich die Frage, ob die
Informationseffizienz-These von Fama zutreffend ist und tatsächliche keine Strategien möglich
sind, die Renditen über der Risikoäquivalenz liefern. Die These der Kapitalmarkteffizienz wird
durch die bekannt gewordenen Kapitalmarktanomalien versucht zu widerlegen (vgl. Eustermann,
2010). Die Kapitalmarktanomalien beziehungsweise Kursanomalien widersprechen den
bisherigen Kapitalmarkttheorien und diese treten dann auf, wenn sich Investoren am Markt
irrational verhalten (vgl. Schwarzer, 2003). Fama und French versuchten in das
Kapitalmarktmodell Faktoren einfließen zu lassen, die den Preis bestimmen, und haben mit dem
Drei-Faktoren-Modell eine Erweiterung des CAPM präsentiert (vgl. Fama und French, 1996).
Das CAPM wurde um die erklärenden Faktoren des Verhältnisses von Buchwert/Marktwert und
Marktkapitalisierung erweitert und so versuchte man das Problem der Kennzahlenanomalien
einzuschränken.
Um der zum Teil vorhandenen Realitätsferne der Kapitalmarkttheorie zu entgegnen, wurden die
Restriktionen in den Hypothesen aufgebrochen und so wurden Versuche unternommen, die
Modelle zu erweitern. Die Erweiterungen betreffen die Erschließung von empirisch
beobachtbaren Abweichungen zu vorherrschenden Kapitalmarktmodellen. Eine zentrale
Erweiterung ist die des Noise Trader (vgl. Gerke, 1997). Ein Noise Trader ist ein irrational am
Markt agierender Investor, der ein Abweichen vom fundamental gerechtfertigten Preis induziert.
Black (1993) behauptet, dass Noise Trader den Preis nur kurzfristig vom gerechtfertigten
Marktpreis zum Abweichen bringen und dieser zum Gleichgewichtspreis zurückkehrt. Die
Erweiterungen orientieren sich an der Kapitalmarkttheorie und stellen eine Ausweitung dieser
dar, ordnen sich aber grundsätzlich unter und sind nur als kurzfristige Abweichungen zu
verstehen. In der Forschung kündigt sich zunehmend ein Ordnungswechsel an, worunter
beispielsweise der Ansatz des Neoinstitutionalismus (vgl. Schmidt und Terberger, 1996) und die
Chaostheorie (vgl. Vaga, 1990) einzuordnen sind. Der Neoinstitutionalismus widerspricht
vorherrschenden Kapitalmarkttheorien grundlegend, indem suggeriert wird, dass die Verteilung
der Informationen unter den Marktteilnehmern nicht symmetrisch ist. Ferner spricht sich die
Chaostheorie dafür aus, dass die Kapitalmärkte nichtlineare Verlaufskurven haben (vgl.
Christmann, 1990).
6/83
Es entwickelte sich vor allem im amerikanischen Raum die Forschungsrichtung der Behavioral
Finance. Die Behavioral Finance stellt einen alternativen Erklärungsansatz dar, der die
Schwächen der Kapitalmarkttheorie aufgreift. Die Behavioral Finance will sich das
Finanzmarktgeschehen durch das menschliche Verhalten erklären und bedient sich dabei
soziologischer und psychologischer Grundsätze. Die Marktpreisbildung resultiert laut Shiller
(1997) aus einer Wechselwirkung von Eigenschaften der Ökonomie, Soziologie und Psychologie.
Die Investoren agieren grundsätzlich nicht rational, da sie neuronalen, mentalen und psychischen
Einschränkungen unterliegen und damit das Bild des rationalen Investors negiert werden kann
(vgl. Rapp, 1997).
Für die Behavioral Finance ist es von zentraler Bedeutung, ob eine Überleitung von der
Mikroebene auf die Makroebene möglich ist. Die Mikroebene stellt das nicht-rationale Verhalten
der Individuen dar. Es wird untersucht, ob die Mikroebene einen ausreichend großen Einfluss hat,
um auch auf der Makroebene Auswirkungen herbeizuführen. Wenn sich das Verhalten der
Individuen in Summe nicht ausgleicht, so kann dem Verhalten der Individuen ein systemischer
Einfluss zugerechnet werden. Die Forschung versucht die Marktanomalien zu beschreiben und in
Modelle einfließen zu lassen, die als Instrumente für die Bewertung und Prognose und schließlich
für die Entscheidungsfindung brauchbar sind. Zur Modellbildung haben Shefrin und Statman
(1995) mit der Behavioral Portfolio Theory beigetragen, welches Kognitionsfehler von
Investoren aufgreift. Der Theorie zufolge werden Portfolios weniger nach den stringenten
Grundregeln der Portfoliotheorie von Markowitz konstruiert, sondern Investoren nehmen
Investitionen anhand des Konzepts des Pyramidenmodells vor. Das Pyramidenmodell ist so
aufgebaut, dass die unterste Schicht die meiste Sicherheit bietet und das höchste Risiko in der
obersten Schicht zu finden ist. Investoren verfolgen weniger die Grundregeln der
Risikominimierung und Diversifikation, sondern verschieben die Assets zwischen den Schichten
in Abhängigkeit von der Risikoneigung. Das vorgestellte Modell sowie weitere Modelle
versuchen die Verhaltensweisen der Marktteilnehmer zu erklären, um die Preisbildung am Markt
zu beschreiben, jedoch sind weitere Forschungsbestrebungen nötig, um die Einsetzbarkeit der
Modelle voranzutreiben (vgl. Fama, 1997).
7/83
SENTIMENT-INDIKATOREN
In der Psychologie stellt Sentiment ein organisiertes System von emotionalen Dispositionen dar,
die auf ein Objekt ausgerichtet sind (vgl. McDougall, 2015). In der Finanzwirtschaft beschreibt
Investoren-Sentiment beziehungsweise Markt-Sentiment die Erwartungshaltung der
Marktteilnehmer (vgl. Brown und Cliff, 2004). Eine spezifische Definition kann angesichts der
verschiedenartigen Auslegungen der Autoren jedoch nicht ausgemacht werden.
Sentiment-Indikatoren, welche in der Finanzwirtschaft zur Anwendung kommen, können
methodisch in zwei Kategorien eingeteilt werden: direkte (bottom-up) und indirekte Messung
(top-down) (vgl. Baker und Wurgler (2007). Beim direkten Ansatz werden die Marktteilnehmer
befragt und beim indirekten Ansatz werden ökonomische Variablen herangezogen, welche als
geeignet angesehen werden, Sentiment der Investoren wiederzugeben. Beim direkten Ansatz
können die unmittelbaren Erwartungen und Einstellungen der Marktteilnehmer aus den
Befragungen entnommen werden, jedoch besteht die Gefahr, dass die tatsächlichen Erwartungen
und Einstellungen nicht korrekt hervorgehen, da die Möglichkeit besteht, dass die Befragungen
qualitativ unzureichend durchgeführt wurden. Der indirekte Ansatz liefert eine klare und
reduzierte Form der Erwartungen und Einstellungen, jedoch kann oft den Gründen der
Schwankungen der Investoreneinstellung nicht auf den Grund gegangen werden (vgl. Baker und
Wurgler, 2007).
Ein weiterer Ansatz zur Ermittlung des Sentiments besteht in Form von algorithmischen
Suchverfahren. Hier besteht aufgrund des Fortschritts von künstlicher Intelligenz die
Möglichkeit, Nachrichten in Echtzeit zu durchsuchen und (Sentiment-)Muster darin zu finden.
Die Softwareprodukte von Thomson Reuters Analytics oder Ravenpack seien hier als Beispiel
genannt.
DYNAMISCHE ASSET ALLOCATION
Asset Allocation hat die Anordnung (Allocation) von Kapitalanlagen (Assets) im Fokus. Bei der
Asset Allocation wird eine Auswahl in die zu investierenden Anlageklassen vorgenommen, wie
beispielsweise Anleihen, Aktien, Rohstoffe oder Immobilien. Das Ziel der Asset Allocation ist
es, ein risikoeffizientes Portfolio zu bilden. Ein risikoeffizientes Portfolio kann durch das
Einwirken auf die Zielgrößen Rendite und Risiko erreicht werden. Die Performance des
Portfolios wird dann mit einem Benchmark-Portfolio verglichen (vgl. Zimmermann, 1991).
8/83
Performance-Messung Bei der Performance von Anlagemodellen im engeren Sinne werden Kapitalanlagen anhand von
Renditen untersucht und verglichen. Das heutzutage gängige Modell zur Bewertung von
Kapitalanlagen verwendet ein Modell mit zweidimensionalen Maßgrößen. Die Erfolgsbeurteilung
der Kapitalanlagen erfolgt mittels der Komponenten Rendite und Risiko (vgl. Zimmermann,
1991). Durch die Dimension des Risikos kommt es zu einer Normierung der Rendite, weshalb
man bei Performance von einer risikoadjustierten Rendite spricht (vgl. Zimmermann, 1991). Das
gängigste Risikomaß stellt die Volatilität dar. Die Berechnung der Volatilität - die Streuung um
den Mittelwert - erfolgt mittels der Standardabweichung. Die Volatilität stellt das gesamte Risiko
der Anlage dar. Die Asset Allocation hat schließlich eine höhere Performance der Anlage im
Vergleich zur Benchmark zum Ziel.
ABBILDUNG 1: PERFORMANCE (VGL. STEINER ET AL., 2017)
Festlegung der Benchmark Die Benchmark bezeichnet ein Vergleichsportfolio, welches man dem zu beurteilenden Portfolio
gegenüberstellt (vgl. Fischer, 2010). Sharpe (1992) zufolge muss eine Benchmark vier
Anforderungen erfüllen: Die Benchmark soll real erwerbbar sein (1), sehr gut diversifiziert sein
(2), zu geringen Kosten erwerbbar sein (3) und vor Zusammensetzung des Erwerbs schon
bekannt sein (4). Gemäß Hockmann (1987) werden für die Benchmark oft Marktindizes
herangezogen. Steiner et al. (2017) führen hierfür die gängigsten Benchmark-Indizes für
verschiedene Assetklassen an, welche in untenstehender Grafik illustriert sind.
9/83
ABBILDUNG 2: STANDARDISIERTE BENCHMARK INDIZES
Steiner et al. (2017) merken an, dass jedoch bei einem Portfolio mit mehreren Assetklassen eine
Marktindex-Benchmark von Aktien- oder Bondindezes nicht zielführend ist. Vielmehr werden
sogenannte "customized" oder "tailored" Benchmarks vorgeschlagen, die die Benchmark an
individuelle Vorgaben ausrichtet. Die Wertgewichtung der Asset Allocation des Portfolios sollte
daher auch bei der Benchmark vorgenommen werden.
Performancemaße Die Sharpe-Ratio, auch Reward-to-Variability-Ratio genannt, ist eine wichtige Kennziffer zur
Bewertung der Performance. Die Sharpe-Ratio setzt die erwirtschaftete Rendite abzüglich des
risikolosen Zinssatzes der Volatilität der Portfoliorendite ins Verhältnis (vgl. Sharpe, 1966). Es
wird also dargestellt, wieviel Rendite ein Portfolio pro Risikoeinheit generiert. Da das Sharpe-
Maß eine relative Größe darstellt, ist es möglich, verschiedene Portfolios miteinander zu
vergleichen.
ABBILDUNG 3: SHARPE-RATIO (VGL. SHARPE, 1966)
Weitere Performance-Maße sind Treynor-Ratio, Jensen's Alpha, Omega-Maß und ähnliche.
10/83
Performance-Attribution
Die Untersuchung des erzielten Anlageergebnisses wird als Performance-Attribution bezeichnet
(vgl. Wittrock, 2000). Die Analyse der Erfolgsquellen zur Beurteilung der Portfolioperformance
ist wichtig, um die Faktoren zu verstehen, welche für den Erfolg ursächlich sind. Die
Perfomance-Attribution soll darstellen, welche Faktoren in welchem Ausmaß für die
Performance ausschlaggebend waren (vgl. Wittrock, 2000).
Die Selektivität beziehungsweise Selektionsfähigkeit stellt eine Perfomance-Attribution dar und
deutet auf die Ausnützung von Informationsvorsprüngen hin. Ein Informationsvorsprung kann
zeitlich und inhaltlich auftreten. Bei einem zeitlichen Informationsvorsprung werden
kursrelevante Informationen vor anderen Marktteilnehmern ausgenützt. Ein inhaltlicher
Informationsvorsprung resultiert aus der besseren Auswertung von Informationen im Vergleich
zu den anderen Marktteilnehmern (vgl. Fama, 1972).
Die Timing-Fähigkeit beschreibt hingegen die Fähigkeit, Gesamtmarktentwicklungen
abzuschätzen und nur bei Aufwärtsbewegungen zu investieren. Grundsätzlich wird ein Investor
versuchen, den Markt insofern zu timen, dass bei abwärtsgeneigten Marktentwicklungen eine
Portfolioumschichtung vorgenommen wird, wobei eine Reduktion des risikoreichen Aktienanteils
vorgenommen wird und der weniger risikobehaftete Anlagenanteil - wie Anleihen - erhöht wird.
Umgekehrt werden Investoren versuchen, die Asset Allocation bei Aufwärtsbewegungen
zugunsten des Aktienanteils vorzunehmen.
Bestenfalls antizipiert der Investor den Markt soweit, dass eine Partizipation am Markt nur bei
Aufwärtsbewegungen vorgenommen wird und jeder Abwärtsbewegung durch eine vollständige
Desinvestition zuvorgekommen wird (vgl. Fama, 1972).
Diversifikation Durch die Diversifizierung der Assets lassen sich risikoeffiziente Portfolios bilden. Da
verschiedene Assetklassen nicht perfekt korreliert sind, kann durch Diversifikation eine
Reduktion des Risikos (Senkung der Variabilität der Renditen) bei gleichbleibender erwarteter
Rendite herbeigeführt werden.
Bei der Asset Allocation gibt es mehrere Ebenen, auf denen sich Diversifikationsvorteile
generieren lassen. Es besteht eine Unterscheidung zwischen strategischer und taktischer Asset
Allocation. Bei der strategischen Asset Allocation wird im Portfolio eine Auswahl der
Investitionen hinsichtlich Assetklassen, Währungen und Länder vorgenommen. Der strategischen
Asset Allocation liegt ein Top-Down-Ansatz zugrunde, da Entwicklungen auf
gesamtwirtschaftlicher Ebene betrachtet werden (vgl. Steiner, Bruns und Stöckl, 2017). Gemäß
Brinson et al. (1984) hängt der überwiegende Teil der Portfolioperformance von der strategischen
11/83
Asset Allocation ab und weniger von der taktischen Asset Allocation, weshalb die Diversifikation
zwischen verschiedenen Assetklassen von großer Bedeutung für die Portfoliobildung ist. Die
taktische Asset Allocation beschäftigt sich mit der tatsächlichen Realisierung des Portfolios und
hat daher eher kurzfristigen Charakter. Die unten dargestellte Abbildung veranschaulicht die
Diversifikationsebenen der Asset Allocation.
ABBILDUNG 4: DIVERSIFIKATIONSEBENEN DER ASSET ALLOCATION I.W.S. (STEINER ET AL., 2017)
Die Diversifikation der Assetklassen ist für die Portfolioperformance von entscheidender
Bedeutung (vgl. Steiner, Bruns und Stöckl, 2017). Laut Auckenthaler (1991) sollen alle zur
Verfügung stehenden Assetklassen bei der Portfoliobildung berücksichtigt werden, um ein
Maximum an Diversifikationseffekten zu erreichen. Untenstehende Abbildung veranschaulicht,
welche Assetklassen für Diversifizierung zur Verfügung stehen. Es wird eine Unterscheidung der
Assetklassen in standardisierte und nicht standardisierte Handelbarkeit vorgenommen (vgl.
Ibbotson und Brinson, 1987).
12/83
ABBILDUNG 5: ASSETKLASSEN (VGL. STEINER ET AL., 2017)
Beim Ansatz der dynamischen Asset Allocation wird die Kombination der Anlageklassen häufig
angepasst, um den Marktkonditionen zu entsprechen. Anpassungen betreffen die Reduktion von
schlecht abschneidenden Anlageklassen und Hinzunahme von Anlagen mit starker Performance.
Die Konzeption der dynamischen Asset Allocation ist die Reaktion auf aktuelle Risiken und
Abschwünge und das Erkennen von Trends (vgl. Steiner, Bruns und Stöckl, 2017). Der Vorteil
der dynamischen Asset Allocation liegt zum einen in einer verbesserten Performance, falls die
Umschichtung von unrentablen in rentable Assets gelingt. So können durch die dynamische Asset
Allocation Assetklassen reduziert werden, welche sich schlecht entwickeln, um den Verlust zu
minimieren. Umgekehrt kann in Anlagesegmente investiert werden, welche hohe Renditen
erwarten lassen (vgl. Steiner, Bruns und Stöckl, 2017).
Anleihemanagement
Beim Anleihemanagement wird versucht, ein Anleiheportfolio zu bilden, welches bei
Aufrechterhaltung oder Erhöhung der Renditeerwartung eine Risikoreduktion zum Ziel hat.
Holzer (1990) zufolge ist zwischen aktiven, semiaktiven und passiven Strategievarianten zur
Anleiheportfoliobildung zu unterscheiden.
ABBILDUNG 6: KLASSIFIZIERUNG VON PORTFOLIO-MANAGEMENT-STRATEGIEN BEI ANLEIHEN
13/83
Die vorliegende Arbeit fokussiert sich vornehmlich auf die aktive, prognoseorientiere Strategie.
Anleger, die eine prognoseorientiere Anleihestrategie verfolgen, haben eine überdurchschnittliche
Marktrendite zum Ziel. Die prognoseorientierte Strategie bedingt einen überdurchschnittlichen
Informationsstand, um Prognosen abgeben zu können, wie sich die Anleihe in Zukunft
entwickeln wird. Bei prognoseorientierter Anleihestrategie wird versucht, Anleihen zu timen oder
eine erfolgreiche Selektion der Anleihen vorzunehmen, oder es wird sowohl Timing als auch
Selektion forciert (vgl. Holzer, 1990).
2.2. LITERATURANALYSE ZU SENTIMENT IM ANLEIHEMARKT Im Folgenden wird der aktuelle Forschungsstand zum Thema Sentiment-Indikatoren im
Anleihemarkt vorgestellt. In Kapitel 2.2.1. werden die untersuchten Publikationen präsentiert.
Die Ausgangsbasis der Forschungsliteratur wurde mittels Literature Review geschaffen.
Ergänzend dazu wurde weitere Forschungsliteratur ausgewählt, die sich im Zuge der Auswertung
der Publikationen des Literature Reviews als wichtig erwies (Vorwärts- und
Rückwärtsintegration – gekennzeichnet als „Referenzanalyse“). Der Literature Review wurde
auch einem praktischen Screening unterzogen (Rating, Methode). Die Exklusion von Papers
wurde anhand der Relevanz von Titel und Abstract beurteilt. Die Datenbanksuche wurde in
Scopus, Elsevier Science Direct und Web of Science vorgenommen. Es wurde folgender
bool‘sche Operator gewählt: Title-Abs-Key (Sentiment OR Stimmungsindikatoren AND
„Corporate Bonds“ OR Unternehmensanleihe AND Asset Allocation).
Erläuterungen zum Design der Sentiment-Indikatoren beziehungsweise zur Methode werden
gesondert in Kapitel 2.2.2. behandelt.
DARSTELLUNG DER PUBLIKATIONEN
Im Folgenden wird eine Übersicht der Literatur vorgestellt, welche sich dem Thema Sentiment
im Anleihemarkt nähert. Der Übersichtstabelle der ausgewählten Publikationen folgt die
Dokumentation des Selektionsprozesses der Datenbanksuche.
14/81
No. Autoren Paper Jahr Jounal Ranking (AJG von
ABS) Datenbank
1 Ang und Bekaert International Asset Allocation With Regime Shift 2002 Review of Financial Studies
AJG 2018: 4
Referenzanalyse
2 Baker und Wurgler Comovement and Predictability Relationships Between Bonds and the Cross-section of Stocks
2012 Review of Asset Pricing Studies
AJG 2018: 3
Referenzanalyse
3 Basu et al. When to pick the losers: do sentiment indicators improve dynamic asset allocation?
2006 Electronic Journal - Referenzanalyse
4 Bethke, Sebastian; Gehde-Trapp, Monika; Kempf, Alexander
Investor sentiment, flight-to-quality, and corporate bond comovement
2015 Journal of Banking & Finance
AJG 2018: 3
Elsevier ScienceDirect
5 Chen, Z., Craig, K.A. January sentiment effect in the US corporate bond market
2018 Review of Behavioral Finance
AJG 2018: 1
Scopus
6 Da, Zhi; Engelberg, Joseph; Gao, Pengjie
The Sum of All FEARS Investor Sentiment and Asset Prices
2015 {REVIEW OF FINANCIAL STUDIES}
AJG 2018: 4
Web of Science
7 Demirovic, A., Kabiri, A., Tuckett, D., Nyman, R.
A common risk factor and the correlation between equity and corporate bond returns
2020 Journal of Asset Management
AJG 2018: 2
Scopus
8 Fang, L., Huang, Y. The role of investor sentiment in the long-term correlation between U.S. stock and bond markets
2018 International Review of Economics and Finance
AJG 2018: 2
Referenzanalyse
9 Freybote, J. Real estate sentiment as information for REIT bond pricing
2016 Journal of Property Research
- Scopus
10 Huang, Dashan; Jiang, Fuwei; Tu, Jun; Zhou, Guofu
Investor Sentiment Aligned: A Powerful Predictor of Stock Returns
2015 {REVIEW OF FINANCIAL STUDIES}
AJG 2018: 4
Web of Science
11 Huang, J.-Z., Rossi, M., Wang, Y.
Sentiment and corporate bond valuations before and after the onset of the credit crisis
2015 Journal of Fixed Income
AJG 2018: 2
Scopus
15/83
12 Laborda und Olmo Investor sentiment and bond risk premia 2014 Journal of Financial Markets
AJG 2018: 3
Referenzanalyse
13 Li, Lifang; Galvani, Valentina Market states, sentiment, and momentum in the corporate bond market
2018 Journal of Banking & Finance
AJG 2018: 3
Elsevier ScienceDirect
14 Liu, S. The impact of textual sentiment on sovereign bond yield spreads: Evidence from the Eurozone crisis
2014 Multinational Finance Journal
AJG 2018: 1
Referenzanalyse
15 Nayak, S. Investor sentiment and corporate bond yield spreads
2010 Review of Behavioral Finance
AJG 2018: 1
Scopus
16 Spyrou, S. Are sovereign bond yield spreads affected by investor sentiment? Evidence from the Greek budget crisis
2011 Electronic Journal - Referenzanalyse
17 Tang und Yang Market conditions, default risk and credit spreads 2008 Journal of Banking and Finance
AJG 2018: 3
Referenzanalyse
ABBILDUNG 7: DARSTELLUNG DER AUSGEWÄHLTEN PUBLIKATIONEN
16/83
Dokumentation der keyword-basierten Datenbanksuche und dem Selektionsprozess
Phase Subphase # Keyword-basierte hits # entfernt aufgrund #
hinzugefügte Artikel
Titel/Abstract Gesamttext Duplikate
Datenbankanalysea Insgesamt (+179)
a. Scopus (+11) (-2) (-2) (-2) 5
b. Elsevier ScienceDirect
(+75) (-71) (-1) (-1) 2
c. Web of Science (+93) (-90) (-1) (-0) 2 Referenzanalyse 8 Total 17 a Suche mit Titel, Abstract und Keywords
17/81
DESIGN DER SENTIMENT-INDIKATOREN
Es soll die Frage beantwortet werden, welche Sentiment-Indikatoren im Anleihebereich
untersucht werden. Es wird zuerst eine Übersicht der identifizierten Sentiment-Indikatoren
dargestellt. Anschließend folgt in Kapitel 2.2.2.1. 2.2.2.2. und 2.2.2.3. eine nähere Erläuterung.
No. Autoren Paper Sentiment-Indikator
1 Ang und Bekaert International Asset Allocation With
Regime Shift
△ Zinsrate
2 Baker und Wurgler Comovement and Predictability
Relationships Between Bonds and the
Cross-section of Stocks
Baker-Wurgler-Index
3 Basu et al. When to pick the losers: do sentiment
indicators improve dynamic asset
allocation?
University of Michigan Consumer
Sentiment survey data
4 Bethke, S., Gehde-
Trapp, M., Kempf,
A.
Investor sentiment, flight-to-quality, and
corporate bond comovement
Chicago Board Options Exchange (CBOE) daily market
volatility index. Alternative Proxys: AAI von Thomson
Reuters, ECRI, EPU, FSI und SENTIX
5 Chen, Z., Craig, K.A. January sentiment effect in the US
corporate bond market
Index of Consumer Sentiment and the Index of Investor
Sentiment
6 Da, Z., Engelberg, J.,
Gao, P.
The Sum of All FEARS Investor Sentiment
and Asset Prices
FEARS Index
7 Demirovic, A.,
Kabiri, A., Tuckett,
D., Nyman, R.
A common risk factor and the correlation
between equity and corporate bond
returns
Reuters, VIX-Index und Baker-Wurgler-Index
8 Fang, L., Huang, Y. The role of investor sentiment in the long-
term correlation between U.S. stock and
bond markets
Baker-Wurgler-Index
9 Freybote, J. Real estate sentiment as information for
REIT bond pricing
Umfrage-basierter Proxy in Form von RERC-Sentiment
10 Huang, Dashan;
Jiang, Fuwei; Tu,
Jun; Zhou, Guofu
Investor Sentiment Aligned: A Powerful
Predictor of Stock Returns
Adaptierter Baker-Wurgler-Index
11 Huang, Rossi und
Wang
Sentiment and Corporate Bond
Valuations before and after the Onset of
the Credit Crisis
Baker-Wurgler-Index
12 Laborda und Olmo Investor sentiment and bond risk premia Baker-Wurgler-Index iVm single-return forecasting
factors von Cochrane and Piazzesi (2005) und Ludvigson
and Ng (2009)
13 Li, L., G, V. Market states, sentiment, and
momentum in the corporate bond market
Momentum
14 Liu, S. The impact of textual sentiment on
sovereign bond yield spreads: Evidence
from the Eurozone crisis
Textueller Sentiment-Indikatoren (Medienpessimismus)
15 Nayak, S. Investor Sentiment and Corporate Bond
Yield Spreads
Baker-Wurgler-Index
16 Spyrou, S. Are sovereign bond yield spreads affected
by investor sentiment? Evidence from the
Greek budget crisis
University of Michigan Consumer Sentiment Index und
Greek Economic Sentiment Indicator
17 Tang und Yang Market conditions, default risk and credit
spreads
Conference Board Consumer Confidence Index
ABBILDUNG 8: DESIGN DER SENTIMENT-INDIKATOREN
18/83
2.2.2.1. MARKTBASIERTE SENTIMENT-INDIKATOREN
Baker und Wurgler (2006) haben einen Investoren Sentiment-Index konstruiert, welcher in der
wissenschaftlichen Literatur großen Anklang gefunden hat und folglich vielfach von Forschern
herangezogen wurde, um Investorensentiments zu überprüfen (von Ang und Bekaert (2015),
Demirovic et al. (2015), Fang et al. (2018), Huang, Rossi und Wang (2015), Laborda und Olmo
(2014), Nayak S. (2010) und weitere). Der Sentiment-Indikator erfasst das Sentiment des Marktes
mittels top-down Ansatz. Der Baker/Wurgler-Index basiert auf folgenden sechs Proxys von
Marktdaten:
- Handelsvolumen TURN: TURN ist definiert als natürlicher Logarithmus der
Umschlagshäufigkeit der Aktien der NYSE, trendbereinigt mittels 5-jährigem gleitendem
Durchschnitt. Der NYSE Aktienumschlag ist definiert als Verhältnis von Aktienvolumen zu
durchschnittlich gelisteten Aktien.
Baker und Stein (2004) behaupten, dass Aktienumsatz bzw. Liquidität als Sentiment-Index
herangezogen werden kann. Liquidität ist dort zu verorten, wo Optimismus vorherrscht – folglich
ist hohe Liquidität ein Zeichen für Überbewertung. Diese Annahme untermauert Jones (2001) mit
seiner Untersuchung, die hohen Absatz mit niedrigen Marktrenditen in Verbindung setzt.
- Closed-end fund discount (CEFD): CEFD ist definiert als durchschnittliche Differenz zwischen
dem netto Vermögensvolumen der closed-end stock fund shares und ihrem Marktpreis.
Andere Publikationen suggerieren, dass CEFD eine inverse Beziehung zu Sentiment hat. Zweig
(1973) zieht CEFD heran, um eine Preisumkehr bei Dow Jones Aktien zu prognostizieren und
Lee et al. (1991) argumentieren, dass Sentiment dem CEFD zugrundeliegt.
- NIPO und RIPO: Summe (number) der IPOs – NIPO - und durchschnittliche Rendite am ersten
Handelstag nach dem IPO – RIPO.
Stigler (1964) und Ritter (1991) argumentieren, dass der IPO-Markt sensitiv für Sentiment ist und
hohe Renditen bei IPOs als Zeichen für Enthusiasmus gesehen werden können.
- Equity issues: EIT ist definiert als das Verhältnis von Eigenkapitalausgabe zur totalen
Eigenkapitalausstattung plus Schuldausgaben aller Unternehmen.
- Dividend premium: DP ist definiert als Differenz zwischen durchschnittlichem Markt-
Buchwert-Verhältnis von Dividende zahlenden Unternehmen und jenen, die keine Dividende
auszahlen.
Die sechs verwendeten Proxys von Baker und Wurgler zeigen hohe Korrelationen und manche
beinhalten idiosynkratische Komponenten, die mit Sentiment nicht in Verbindung stehen. Auch
spiegeln einige Sentiment-Proxys ökonomische Fundamentaldaten wider, so beispielsweise IPO-
19/83
Volumen, da es von Investmentmöglichkeiten abhängig ist. Um die Einflüsse zu verringern,
werden die Proxys mit einer Reihe von makroökonomischen Indikatoren regressiert – mit dem
Wachstum der Industrieproduktion, Realwachstum bei Ge- und Verbrauchsgütern sowie
Dienstleistungen, Wachstum der Beschäftigung und einem NBER-Rezessionsindikator – die
Residuen dieser Regressionen werden als Sentiment-Proxys herangezogen.
Der Sentiment-Index wird gebildet, um Renditevorhersehbarkeit zu testen und herauszufinden. Es
wird auch ein Sentiment-Veränderungsindex gebildet, um Bewegungen von Renditen zu testen,
die mit Veränderungen des Sentiments verbunden sind.
Variablen die positiv assoziiert sind mit dem Grad des Senitments inkludieren Börsenumsatz
(TURN), IPO-Volumen (NIPO), IPO-Renditen des ersten Tags (RIPO) und Eigenkapitalanteil
bei Neuemissionen (S). Negativ assoziiert mit dem Grad des Sentiments sind Preisnachlässe bei
geschlossenen Investimentfonds (CEFD) und Dividendenprämien (PDND).
Bethke et al. (2015) haben als Sentiment-Indikator den Chicago Board Options Exchange
(CBOE) daily market volatility index (VIX) herangezogen und analysiert. Der marktbasierte
Sentiment-Indikator misst die Volatilität der Optionen des S&P 500, was die Erwartungen der
Investoren hinsichtlich zukünftiger Marktvolatilität reflektiert. VIX misst die Befürchtung der
Investoren und wird weitbekannt als Investoren-Sentiment-Proxy verwendet. Da VIX nicht pures
Investoren-Sentiment darstellt, wird VIX mit makroöknomischen Faktoren orthogonalisert, um
Investoren-Sentiment um den Wert des Markt-Sentiments zu bereinigen. Diese Bereinigung und
Verwendung des Risiduenwerts wird auch bei Baker und Wurgler (2006) durchgeführt.
Von der Industrie sind Sentiment-Indikatoren entwickelt worden, die oft zitiert werden. Als
Beispiele sind folgende zu nennen: Fear and Greed Index von CNNMoney, Panik/Euphorie-
Modell von Citigroup und Love/Panic-Index von BNP. Diese Indizes arbeiten mit folgenden
Proxys:
Fear and Greed Index von CNNMoney mit den öknomischen Variablen Aktienpreismomentum,
Aktienpreisstärke, Aktienpreis-Breite, Put/Call-Optionen, Junk Bond-Nachfrage, Marktvolatilität
und Nachfrage nach sicheren Anlagemöglichkeiten. Das Panik/Euphorie-Modell von Citigroup
arbeitet mit den ökonomischen Variablen put/call ratios, short interest, retail money market
funds, margin debt, the average of American Association of Individual Investors and Investors
Intelligence bullishness, gasoline prices, NASD trading volume relative to NYSE volume, the
CRB commodity price index, and the premiums paid for puts and calls.
Der Love/Panic-Index von BNP arbeitet mit den ökonomischen Variablen Flow into high growth
equities, US Fundflows into Global and International Equities, Position of commercial traders on
20/83
US indices, Small Caps outperformance over large caps, AAII bullish less bearisch %,
Commodity composite bullish index, CBOE VIX Index, CBOE Put/Call Ratios, NYSE short
interest ratio, State Street Investor Confidence, ISE Sentiment Index, Nasdaq to NYSE Monthly
Trading Volume, Sentix Expectation to S&P 500, AA7 - 10Y ($) - Redemption Yield, Fund flow
into equities, US Economic Surprise Indicator.
Marktbasierte Messungen haben den Vorteil, dass die benötigten Daten in großer Anzahl
verfügbar sind (Dao et al., 2014). Sibley et al. (2012) kritisieren am Sentiment-Indikator von
Baker-Wurgler (2006), dass dieser stark mit den Wirtschaftszyklusvariablen korreliert und damit
Sentiment nur das Gleichgewicht von vielen ökonomischen Kräften darstellt. Sie kommen zum
Ergebnis, dass 63% des Sentiment-Indikators durch Wirtschaftszyklus-Variablen erklärt wird.
2.2.2.2. UMFRAGEBASIERTE SENTIMENT-INDIKATOREN
Der Literaturanalyse zufolge bedient sich eine Reihe von Autoren der umfragebasierten
Sentiment-Indikatoren. Basu et al. (2006), Chen et al. (2018) oder Spyrou (2011) nutzen als
Sentiment-Indikator den bekannten University of Michigan Consumer Sentiment Index (MCSI),
welcher die finanzielle Lage der Privathaushalte in den USA abfrägt. Der Indikator gilt als
Frühindikator der wirtschaftlichen Entwicklung in den USA. 500 ausgewählte Personen werden
zur Bewertung der aktuellen wirtschaftlichen Entwicklung und zur Einschätzung der weiteren
Entwicklung befragt. Thomson Reuters und die Universität von Michigan führen die
Auswertungen dazu durch.
Tang und Yang (2008) nutzen hingegen den Konsumklimaindex US Consumer Confidence Index
(CCI) vom Forschungsinstitut “The Conference Board”, der neben dem MCSI ein weiterer
wichtiger Frühindikator der wirtschaftlichen Entwicklung ist. Beim CCI wird das Vertrauen
abgefragt und gemessen, dass die Konsumenten in die amerikanische Wirtschaft haben. Die
Daten werden auf monatlicher Basis veröffentlicht.
Die Herausforderung und Hürde bei umfragebasierten Sentiment-Indikatoren liegt im Generieren
von brauchbaren Daten. Um brauchbare Umfragedaten zu haben, muss für die Analyse ein
Datensatz vorhanden sein, welcher repräsentativ ist. Um aber Prognosen zu machen, wie sich
Preise in Zukunft entwickeln werden, braucht es ein standardisiertes Panel, die Daten müssen
repräsentative Investoren enthalten und notwendigerweise aktuell sein. Diese Datensätze liegen
vorwiegend Institutionen vor. Institutionen wie JP Morgan (vgl. Investor Confidence Index),
21/83
UBS (vgl. Investor Optimism Index), Barclays (vgl. UK Logistics Confidence Index) oder Bank
of Japan (vgl. Tankan Sentiment Index) verfügen über die Mittel beziehungsweise
Investorenbasis und erstellen regelmäßig Sentiment-Indikatoren, die auch im
Unternehmensanleihebereich zum Einsatz kommen.
Singer (2002) meint, dass such-basierte Messungen die Einstellungen konkreter messen, weil
Investoren durch Suchabfragen ihre Einstellung viel direkter offenbaren, als dies mittels Umfrage
möglich ist. Umfragemessungen zum Sentiment sind zudem meist lediglich monatlich oder
quartalsweise verfügbar.
2.2.2.3. SUCHBASIERTE SENTIMENT-INDIKATOREN
Suchbasierte Sentiment-Indikatoren sind mittlerweile in großer Anzahl vorhanden. Eine
fortgeschrittene Methode von suchbasierten Sentiment-Indikatoren stellt maschinelles Lernen
dar. Maschinelles Lernen, also aus großen Datensätzen Strukturen zu erkennen beziehungsweise
Gesetzmäßigkeiten abzuleiten und damit wichtige Erkenntnisse zu erlagen, gewinnt zunehmend
auch im wirtschaftlichen Umfeld an Bedeutung. Thomson Reuters‘ MarketPsych nutzt
beispielsweise maschinelles Lernen und automatisierte Textanalyseverfahren. Maschinelles
Lernen mittels Big Data zeichnet sich dadurch aus, dass große unstrukturierte Datenmengen
verarbeitet werden können, die einen Trend identifizieren.
Huang et al. (2017) und auch Demirovic et al. (2020) nutzen zur Messung von Sentiment die
Sentiment-Daten von Thomson Reuters, welche Tausende von Nachrichten erfassen. Thomson
Reuters‘ MarketPsych Indizes (TRMI) beinhalten Nachrichtenquellen oder auch Auswertungen
von Social Media-Einträgen und Unternehmensnachrichten. TRMI evaluiert, zu welchen
Einheiten (Unternehmen, Staaten, Währung, Rohstoffe) die Daten zugerechnet werden können.
Das Volumen und der Ton der Phrasen und Worte wird schließlich in messbare Daten übersetzt.
Hinsichtlich des Anleihemarktes steht auch ein Anleihe-Sentiment-Index zur Verfügung.
Thomson Reuters‘ MarketPsych Indizes sind auch auf der Ebene von Unternehmen, Asset-
Klassen und des Gesamtmarktes verfügbar. Die Indizes werden täglich um 20:30 GMT
gemessen.
Vergleichsweise weniger sophistiziert erscheint der Ansatz von Dao, Engelberg und Gao (2014),
deren Sentiment-Indikator konstruiert wird, indem Suchanfragen wie "recession", "bankruptcy"
22/83
und "depression" aggregiert werden und damit den Financial and Economic Attitudes Revealed
by Search (FEARS) Index erstellen. Sie benutzen dazu Google's Search Volume Index (SVI),
welcher das Suchverhalten der Menschen veröffentlicht (http://www.google.com/trends/). Der
FEARS Index ist so konstruiert, dass Suchbegriffe identifiziert werden, die so relevant sind, dass
sie Sentiment offenbaren. Die Suchbegriffe werden mit negativer und positiver Konnotation
unterteilt. Es wurden mittels Ausschlussverfahren schließlich 30 Begriffe identifiziert, die mit
den Anlagepreisen in Verbindung gesetzt wurden.
Der Ansatz von Dao, Engelberg und Gao (2014) oder auch die Vorgehensweise von Liu (2014) –
das Downloaden von Nachrichtenbeiträgen mittels Suchbegriffen auf Datenbanken ohne
sophistizierte Gewichtung auf Basis des Volumens der Nachrichten - erscheint im Vergleich zur
Thomson Reuters MarketPsych Software weniger detailreich, da mit Thomson Reuters die
Möglichkeit besteht, große Datensätze zu analysieren und es zudem möglich ist,
Einschränkungen auf verschiedene Einheiten vorzunehmen und so den Detailierungsgrad zu
erhöhen.
Suchbasierte Sentiment-Indikatoren sind mit hoher Häufigkeit in Verwendung. Der Trend zeigt in
Richtung suchbasierter Sentiment-Indikatoren, allen voran Modellen aus dem Bereich des
maschinellen Lernens, wie Ravenpack oder Thomson Reuters Analytics – die jedoch im
wirtschaftlichen oder akademischen Bereich noch keiner umfassenden kritischen Würdigung
unterzogen wurden.
THEORETISCHE KONZEPTE
Nachfolgend wird die notwendige Passung der Daten und Schwerpunkte der Forschungsarbeiten
hinsichtlich Sentiment und Anleihemarkt vorgestellt.
2.2.3.1. PASSUNG DER DATEN
Die Anleihetransaktionen stammen zum großen Teil von TRACE (Trade Reporting and
Compliance Engine) und von FISD (Mergent Fixed Investment Securities Database). TRACE
stellt Informationen wie Preise, Renditen und Volumen der Anleihen zur Verfügung. FISD
enthält quantitative und qualitative Informationen zu Anleihemerkmalen (Kuponrate,
Fälligkeit, Emissionsbetrag, Rückstellungen) und Anleihebonitäten. Zusätzlich enthält der
Datensatz von FISD das Bonitätsranking der drei großen Bonitätsprüfer: Fitch, Moody’s und
23/83
Standard & Poor‘s. Alternativ ist auch der Thomson Reuters Datastream geeignet, um
Anleihecharakteristiken zu generieren.
Der Datensatz wird gefiltert, um Fehler zu vermeiden. Dafür kann der Dick-Nielsen Algorithmus
verwendet werden (vgl. Dick-Nielsen, 2009). Es erfolgt damit eine Festlegung der Kriterien für
die Auswahl der Stichproben. Dieser Algorithmus ist allgemein gebräuchlich und die
Anwendung ist notwendig, da die Berichte des TRACE Datensets laut Dick-Nielsen zu 7,7%
fehlerbehaftet sind. Fehler in den Berichten gehen auf Korrekturen und Stornierungen der
Transaktionen zurück.
Die Datensätze von TRACE und FISD werden dann zusammengefügt, um ein Panel von
Anleihecharakteristiken und -transaktionen zu erzeugen.
Der Anleihedatensatz muss dem Sentiment-Datensatz entsprechen. Der oft verwendete Baker und
Wurgler Sentiment-Indikator arbeitet mit monatlichen Messungen und so müssen auch die Daten
der Anleihetransaktionen der monatlichen Basis entsprechen.
2.2.3.2. FORSCHUNGSSCHWERPUNKTE
In der Literatur sind mehrere Schwerpunkte der Forschungsarbeiten hinsichtlich Sentiment und
Anleihemarkt auszumachen. Ein großer Teil der Literatur prüft marktübergreifende Mechanismen
und misst konkret die Korrelation zwischen Ländern und Asset-Klassen. Inter-Markt-Studien
zeigen die zunehmende finanzielle Integration der Asset-Klassen auf internationaler Ebene (vgl.
Franzoni et al., 2011). Es konnte die Integration von Staatsanleihen und Aktien, (vgl. Baker und
Wurgler, 2012) als auch die Integration von Unternehmensanleihen, Staatsanleihen und Aktien
(vgl. Brière et al., 2012) gezeigt werden. Die Integration manifestiert sich, indem bei
Marktrückgängen flight-to-quality Verhalten zu beobachten ist. Auf der Ebene einzelner
Wertpapiere zeigen Archarya et al. (2013), dass in Zeiten von Marktrückgängen eine höhere
Korrelation zwischen notleidenden Aktien und Unternehmensanleihen besteht.
In der Literatur werden die ökonomischen Mechanismen untersucht, die hinter flight-to-quality
Verhalten der Investoren und der einhergehenden hohen Korrelation der Vermögenswerte steht.
Das Herdenverhalten der Investoren wird durch Marktunsicherheiten beziehungsweise durch sich
veränderndes Sentiment ausgelöst (vgl. Kumar und Lee, 2006; Conolly et al. 2007). Es stellt sich
folglich die Frage, ob und inwieweit Sentiment die Risikofaktorenkorrelation im
Unternehmensanleihemarkt beeinflusst. Eine Fülle an Autoren untersucht diesen Zusammenhang
(vgl. z.b. Baker und Wurgler, 2012; Ang und Bekaert, 2002; Bethke et al., 2015).
24/83
Es werden auch die Auswirkungen des Sentiments auf Unternehmensanleihe-Spreads untersucht.
Hier werden Kontrollvariablen auf drei Ebenen angewandt: Anleihespezifische Charakteristiken
(wie Zeit bis zur Fälligkeit, Größe der Anleiheemission, Zinskupon, Kreditrating etc.),
unternehmensspezifische Variablen (wie Aktienvolatilität, Einkommen zum Verkauf etc.) und
makroökonomische Variablen (wie CPI-Wachstum, Wachstum der industriellen Produktion,
Arbeitslosigkeit oder auch Term Spread, TED Spread und VIX) werden kontrolliert.
Makroökonomische Variablen – die ebenfalls auf die Spreads wirken können - werden
kontrolliert, um Wirtschaftszykluseffekte zu bereinigen.
In der Literatur wird auch der Frage nachgegangen, inwieweit Sentiment-Indikatoren die
Renditen von Unternehmensanleihe-Portfolios beeinflussen. Dafür werden die monatlichen
Renditen von Anleihen berechnet und dann werden Anleiheportfolios entsprechend der Bonität
gebildet. Zur Berechnung der monatlichen Anleiherenditen wird folgende Formel veranschlagt
(vgl. Huang et al., 2017).
ABBILDUNG 9: MONATLICHE ANLEIHERENDITEN (VGL. HUANG ET AL., 2017)
Pt stellt den Anleihetransaktionspreis zum Ende des Monats t dar, AIt sind die angesammelten
Zinsen und Ct steht für die Kuponzahlung im Monat t. Es werden Anleiheportfolios gemäß den
Anleihebonitäten AAA bis A, BBB und Speculative-Grade Rating gebildet. Um zu beobachten,
ob Investoren-Sentiment Anleiherenditen voraussagen kann, werden zur Renditemessung zeitlich
verzögerte Sentiment-Werte herangezogen (vgl. Huang et al., 2017). Um für
unternehmensspezifische Faktoren zu kontrollieren, wird auf die häufig angewandten
Kontrollvariablen von Fama und French (1993) verwiesen. Hiernach sind folgende sechs
Risikofaktoren zu berücksichtigen: Ausfallrisikoprämie, Laufzeitprämie, Marktfaktor, SMB,
HML und Momentum-Faktor.
QUANTITATIVE RESULTATE
Eine Vielzahl an Autoren kamen bei ihren Untersuchungen zu dem Schluss, dass Sentiment ein
zentraler Faktor bei der Bestimmung von Unternehmensanleihe-Spreads ist und somit die
dynamische Asset Allocation hinsichtlich Rendite/-Risikoprofil des Portfolios verbessern kann
(vgl. Baker und Wurgler, 2012; Basu et al. (2006); Bethke et al. (2015); Huang, Rossi und Wang
25/83
(2015); Laborda und Olmo (2014); Liu, S (2014); Li, L., G, V. (2018); Nayak, S. (2010); Maltritz
et al. (2013)).
In Kapitel 2.2.4.1. wird zunächst der Mechanismus des Flight-to-quality und der damit
verbundenen erhöhten Risikofaktorenkorrelation vorgestellt. In Kapitel 2.2.4.2. werden die
Literaturergebnisse zu den Anleihe-Spreads besprochen, wobei die Spread-Unterschiede
zwischen High-Yield- und High-Grade Anleihen demonstriert wird und die Renditeauswirkungen
durch Sentiment bei Unternehmensanleihen vorgestellt wird.
2.2.4.1. FLIGHT-TO-QUALITY UND ASSET KORRELATION
Bei einem Rückgang des Investoren-Sentiments führt die erhöhte Risikoaversion zu einer
Umschichtung des Portfolios, wobei eine Umschichtung von unsichereren zu sichereren Assets
erfolgt (vgl. Baker und Wurgler (2006); Bethke et al. (2015); Huang et al. (2015)). Die
Verschiebung der Assets von unsicheren zu Assets mit hoher Qualität wird flight-to-quality
bezeichnet. Weil die Investoren ängstlich sind und nach Sicherheit suchen, werden riskante
Anlagemöglichkeiten vermieden.
Bethke et al. (2015) erforschen die Verbindung von Investoren-Sentiment,
Risikofaktorenkorrelation und Anleihekorrelation. Korrelationen sind für das Aufsetzen
effizienter Portfolios wichtig, jedoch gibt es einen ökonomischen Mechanismus, welcher
ausgelöst wird, wenn sich das Investoren-Sentiment verändert. Weil Investoren riskante Anlagen
bei niedrigem Sentiment vermeiden, werden vermehrt risikolosere Anlagemöglichkeiten gesucht.
Bei niedrigem Sentiment sind Investoren weniger geneigt, in Anleihen mit hohem Kreditrisiko zu
investieren. Diese Anleihen sind bei niedrigem Sentiment dann weniger liquide. Folglich erhöhen
sich die Liquiditätsprämien bei gleichzeitigem Anstieg der Kreditrisikoprämien. Es kommt zu
einer höheren Korrelation dieser Risikofaktoren und dies bedeutet gleichzeitig höhere
Anleihekorrelation zwischen High-Yield und High-Grade Anleihen. Diversifikationsvorteile sind
somit reduziert.
Baker und Wurgler (2012) kommen ebenso zu dem Resultat, dass durch niedriges Investoren-
Sentiment losgelöstes flight-to-qualilty zu einer höheren Korrelation von Kreditrisiko und
Liquiditätsrisiko im Unternehmensanleihebereich führt und damit die Diversifikationsvorteile
verringert.
Ang und Bekaert (2002) halten dem entgegen, dass die Diversifikationsvorteile groß sind, welche
durch Investitionen in risikofreie Anlagen generiert werden können. Vor allem bei
Veränderungen der Zinsrate sollte reagiert werden, da diese Aktienrenditen vorhersagen, eine
26/83
negative Korrelation zwischen Aktienrenditen und Zinsraten besteht und damit folglich weniger
risikobehaftete Anlagen sehr wertvoll werden.
2.2.4.2. ANLEIHESPREADS
Basu et al. (2006) zufolge haben Investoren falsche Erwartungshaltungen hinsichtlich Renditen
und begehen so systematisch Fehler, die zu Fehlbewertungen führen. Sie konnten zeigen, dass
Sentiment-Indikatoren Überreaktionen am Markt feststellen können und die dynamische Asset
Allocation mit Sentiment-Indikatoren keine signifikanten Verluste während des Crash im
Oktober 1987 und der dot.com Blase im Jahr 2000 erlitten hätte. Standardmäßige
Wirtschaftszyklen-Indikatoren hätten diese Ereignisse nicht voraussagen können und Investoren,
die sich nur auf diese Indikatoren berufen, tragen große Verluste. Investmentstrategien mit
Sentiment-Indikatoren hingegen erschließen die Überreaktion der Investoren und haben hohe
Alpha und niedrig Beta-Werte (Basu et al., 2006).
Wie untenstehender Modellberechnung von Huang, Rossi und Wang (2015) zu entnehmen ist,
zeigen die Resultate eine signifikante Korrelation des Baker/Wurgler Sentiment-Indikator und
Anleihespreads. Unternehmensanleihen werden auf anleihespezifische-, firmenspezifische- und
Makro-Variablen regressiert. Eine Veränderung um eine Standardabweichung des Baker/Wurgler
Sentiment Index führt zu einer Veränderung des Spreads um 17 Basispunkte.
27/83
ABBILDUNG 10: SENTIMENT AND YIELD SPREADS (VGL. HUANG, ROSSSI UND WANG 2015)
Der negative Koeffizient des Baker/Wurgler Sentiment-Indikators gibt an, dass wenn der
Sentiment-Indikator ansteigt, die Spreads im nächsten Monat sinken beziehungsweise die Preise
der betrachteten Anleihen steigen werden. Dies weist auf eine Überbewertung der
Unternehmensanleihen bei hohem Sentiment hin.
28/83
High Yield Bonds und Low Yield Bonds
Huang, Rossi und Wang (2015) dokumentieren die Effekte des Baker/Wurgler Sentiment-
Indikators auf Rendite-Spreads von Investment-Grade und Speculative-Grade Anleihen. Die
Ergebnisse sind in untenstehender Darstellung angeführt.
Sie kommen zum Ergebnis, dass Sentiment des Baker/Wurgler Index im Bereich der Speculative-
Grade-Anleihen eine größere Rolle spielt als bei Investment-Grade-Anleihen. Der Koeffizient für
Sentiment im High-Yield Bond Bereich ist mehr als 86% größer als der Koeffizient von
Investment-Grade-Anleihen (Der Koeffizient bewegt sich von -0,4652 beim Modell 2 zu -0,8649
beim Modell 4, was einer absoluten Steigerung von 86% entspricht). Anleihen mit einer Bonität
Aaa bis Baa3 bei Moody's oder AAA bis BBB- bei Standard & Poor's sind demzufolge weniger
anfällig für Sentiment.
ABBILDUNG 11: EFFECT OF SENTIMENT BY RATING (VGL. HUANG, ROSSI UND WANG 2015)
29/83
Nayak (2010) geht auch der Frage nach, welche Anleiheattribute (Rating, Industry, Maturity,
Duration) nun größere Sensitivität für Sentiment aufweisen. High-yield Anleihen (Anleihen mit
niedrigem Rating, Industrieunternehmen, kurze Duration) sind Nayak zufolge sensitiver für
Veränderungen des Baker/Wurgler Sentiment-Indikators. Low-Yield Anleihen (Anleihen mit
gutem Rating, mittlere Laufzeiten) sind weniger sensitiv für Sentiment-Veränderungen.
Nayak (2010) zeigt, dass Rendite-Spreads nach hohem und niedrigem Sentiment stärker bei High
Yield Anleihen ausgeprägt sind – also bei niedrig bewerteten Anleihen, Industrials und Utilities,
hoher Laufzeit oder bei Emissionen mit niedriger Duration (Differenz beim Spread sind 61
Basispunkte für BBB Anleihen, 69 Basispunkte bei Industrials und 69 Basispunkte bei
Emissionen mit sehr geringer Laufzeit). Low Yield Anleihen (mittelfristige Laufzeit, Financials,
hoch bewertete Anleihen) sind weniger sensitiv für Fehlbewertungen (Spread Differenzen nach
hohem oder niedrigem Sentiment betragen 15 Basispunkte für AA Anleihen, 22 Basispunkte für
Financials, 24 Basispunkte für mittelfristige Laufzeiten).
Der Artikel zeigt, dass Anleihen mit niedriger Bewertung anfälliger für Fehlbewertungen sind.
Die Betrachtung der übrigen Anleihe-Attribute macht deutlich, dass Renditedifferenzen der
Anleihen einen positiven Zusammenhang mit dem vorangegangenem Sentiment aufzeigen und
High Yield Anleihen (Industrials and Utility, lange Laufzeit, hohe Duration) sensitiver für
Sentiment-Indikatoren sind und anfälliger für Fehlbewertungen sind.
In untenstehender Grafik (Nayak, 2010) wird die Relation des verzögerten Sentiments des
Baker/Wurgler Sentiment-Indikators und der Rendite-Spreads der zukünftigen Periode
veranschaulicht.
30/83
ABBILDUNG 12: BOND YIELD SPREADS IN LOW AND HIGH SENTIMENT REGIMES (NAYAK, 2010)
Unternehmensanleihen
In untenstehender Abbildung von Huang, Rossi und Wang (2015) wird der Einfluss des
Sentiment-Indikators von Baker/Wurgler auf die monatlichen Renditen von
Unternehmensanleihen nach Bonitätsrating untersucht. Die Ergebnisse zeigen, dass, wenn
Sentiment hoch ist, die Unternehmensanleiherenditen in der Zukunft niedrig sein werden. Der
negative Einfluss von Sentiment ist bei AAA-A nicht signifikant, bei BBB signifikant am 10%-
Level und die höchste Signifikanz zeigen Junk Bonds mit Signifikanzwerten am 1%-Level.
Die Berechnungen zeigen auch, dass der Baker/Wurgler Sentiment-Indikator auf
Unternehmensanleiherenditen am stärksten während und nach der Krise (2007) wirkt. Vor der
Krise von 2007 zeigt Sentiment gemäß Regressionsanalyse einen positiven, aber statistisch
insignifikanten Zusammenhang für Investment-Grade Anleihen und einen negativen, jedoch nur
geringfügig signifikanten Koeffizienten für hochverzinsliche Anleihen.
31/83
ABBILDUNG 13: SENTIMENT AND CORPORATE BOND RETURNS (VGL. HUANG, ROSSI UND WANG, 2015)
Overreaction-bias
Nayak (2010) geht weiters der Frage nach, ob es vorhersehbare Muster der Renditespreads gibt,
die von einem Sentiment-System abhängig sind. Auf Fehlbewertungen folgt eine verzögerte
Umkehr, deshalb weisen Sentiment zu Periodenbeginn und nachfolgende Spreads eine starke
32/83
positive Korrelation auf. Wenn das Sentiment hoch ist, so fordern optimistische Investoren
sentiment-sensitive High Yield Anleihen. Diese Anleihen sind jedoch überbewertet (relativ zu
stabilen Anleihen) und weisen unterdurchschnittliche Spreads auf. Folglich kommt es zu einer
Korrektur der Fehlbewertungen aufgrund von Reduziertem Optimismus und die Preise der
spekulativen Anleihen werden nach unten berichtigt und zugrundeliegende Spreads sind dezidiert
höher.
Wenn Sentiment niedrig ist, so präferieren pessimistische Investoren stabile Low Yield Anleihen.
Spekulative High Yield Anleihen sind vergleichsweise unterbewertet und weisen höhere Spreads
als normalerweise auf. In nachfolgenden Perioden kehren die Preise der Anleihen nach oben
zurück und die zugrundeliegende Spreads sind auffallend niedriger.
Kurz gefasst folgt Perioden von hohem Sentiment eine Divergenz der Spreads zwischen High
Yield und Low Yield Anleihen und umgekehrt folgt auf Perioden von niedrigem Sentiment eine
Konvergenz dieser Spreads.
Investoren-Sentiment nimmt eine symmetrische Rolle im Kapitalmarkt und Schuldenmarkt ein.
Wenn zu Beginn der Periode das Sentiment hoch ist, so verzeichnen sowohl High Yield Anleihen
als auch notleidende Aktien niedrige Renditen in der nachfolgenden Periode. Wenn das
Marktsentiment der vorangegangenen Periode niedrig ist, so verzeichnen beide Wertpapiere hohe
Renditen.
33/83
3. EMPIRISCHE UNTERSUCHUNG
In der Literatur wird bei der Prognose von Anleiherenditen mittels Sentiment-Indikatoren vor
allem auf den US-Raum fokussiert. Beim in der Literatur häufig untersuchten VIX Index und
Baker-Wurgler Index (2006) handelt es sich um für den US-Raum konstruierte Sentiment-
Indizes. Die empirische Untersuchung wird mittels Regressionsanalyse die Prognosefähigkeit
von Stimmungsindikatoren für Anleiherenditen des europäischen Raums beleuchten. Als
Sentiment-Indikatoren kommen der Euro Stoxx 50 Volatilitätsindex, ESI, BCI, CCI und Moody‘s
Credit Spread zur Anwendung. Die Datengrundlage der Anleihepreise bilden Samples von
europäischen High-Yield und High-Grade Indizes.
Zur Analyse wurde die Statistik-Software Stata verwendet. Sämtliche im Projekt dargestellte
Graphiken und Berechnungen wurden mithilfe des obig erwähnten Programmes und Thomson
Reuters generiert.
3.1. FORMULIERUNG DER VARIABLEN
ANLEIHEDATEN
Bei den in der vorliegenden Arbeit untersuchten Anleihen handelt es sich um europäische Indizes
der Firma Markit, wobei der Index „iBoxx € Corporates“ die Stichprobe des High-Yield Bereichs
darstellt und als High-Grade Index „iBoxx € High-Yield ex crossover“ herangezogen wurde. Der
Untersuchungszeitraum der Anleihen reicht von Februar 2003 bis Mai 2020.
EUROPÄISCHE SENTIMENT-INDIKATOREN
Die in der Literatur vorkommenden Sentiment-Indikatoren beziehen sich zumeist auf den US-
amerikanischen Raum. Es sollen an dieser Stelle Sentiment-Indikatoren herangezogen werden,
welche für den europäischen Raum Gültigkeit besitzen, um diese folglich einer empirischen
Untersuchung zu unterziehen.
Zunächst ist nochmal hervorzuheben, dass die direkte, umfragebasierte Abfrage von zukünftigen
Einstellungen und Emotionen der Investoren sich, wie eingangs erwähnt, als schwierig gestaltet.
Ein Sentiment-Indikator, welcher direkt gemessen wird, spiegelt das tatsächliche Sentiment der
Investoren wider, was ein gewisses Potenzial birgt – aber hat auch die Gefahr, dass eine
34/83
statistische Verzerrung bei der Auswahl von Stichprobeneinheiten begangen wird. Zudem ist es
grundsätzlich schwierig, Umfragen durchzuführen, die anspruchsvolle Investoren und
Marktverhalten komplett erschließen. Aufgrund der Hürde, Investoren repräsentativ zu erreichen,
ist der umfragebasierte Ansatz eher dem Industriebereich vorbehalten und weniger geeignet im
akademischen Bereich, womit dieser Ansatz nicht geeignet ist, um in diesem Rahmen neue
Sentiment-Indikatoren zu entwickeln. Institutionen wie JP Morgan (vgl. Investor Confidence
Index), UBS (vgl. Investor Optimism Index), Barclays (vgl. UK Logistics Confidence Index)
oder Bank of Japan (vgl. Tankan Sentiment Index) ermitteln hingegen regelmäßig Sentiment-
Indikatoren, da diese auch das dafür benötigte Panel besitzen. Diese erweisen sich für Analysen
als geeignet.
Im europäischen Raum bieten sich vor allem Economic Sentiment Indicator (ESI), Business
Climate Index (BCI) und der Consumer Confidence Index (CCI) an, um Sentiment zu messen.
Diese werden allesamt von der Europäischen Kommission erhoben und herausgegeben.
Economic Sentiment Indicator
Der Economic Sentiment Indicator (ESI) spiegelt die Erwartung und Einschätzung der Industrie
und der Verbraucher auf EU-Ebene wider. Der EU-Gesamtindikator besteht aus fünf
Branchenindikatoren mit jeweils unterschiedlichen Gewichtungen: Vertrauensindikator für die
Industrie [40%]; Vertrauensindikator für den Dienstleistungssektor [30%]; Vertrauensindikator
für die Verbraucher [20%]; Vertrauensindikator für die Bauwirtschaft [5%]; Vertrauensindikator
für den Einzelhandel [5%]. (vgl. Europäische Kommission, Eurostat)
"Die Salden werden als Differenz zwischen dem prozentualen Anteil der Befragten mit positiven
und negativen Antworten berechnet. Die Aggregate für die EU und das Euro-Währungsgebiet
werden auf der Grundlage der nationalen Ergebnisse berechnet und saisonbereinigt. Der ESI wird
auf ein langfristiges Mittel von 100 und eine Standardabweichung von 10 skaliert. Werte über
100 deuten also auf eine überdurchschnittliche wirtschaftliche Einschätzung hin und umgekehrt.
Die Daten sind saisonbereinigt (SA)." (vgl. Europäische Kommission, Eurostat)
In der nachfolgenden Abbildung sind die generierten Konsumenten- und Industrie-Sentiment des
ESI in der Zeitreihe dargestellt und Wendepunkte gekennzeichnet.
35/83
ABBILDUNG 14: ESI ZEITREIHE (THOMSON REUTERS)
Die Zeitreihe des Economic Sentiment Indikators zeigt, dass im Februar 2003 der ESI bei 90,7
Punkten liegt und bis Juni 2007 auf 112,3 Punkte ansteigt. Aufgrund der Wirtschaftskrise wird
ein enormer Abschwung des ESI induziert, wobei im März 2009 der Tiefpunkt erreicht ist (65,5
Punkte). Ab März 2009 findet eine Erholung und ein starker Anstieg des ESI statt, wodurch im
März 2011 ein Höchstwert von 107,1 Punkte zu vermerken ist. Der ESI fällt bis Oktober 2012
auf 83,1 Punkte und steigert sich anschließend kontinuierlich bis Ende 2017 (115 Punkte). Im
Februar 2020 liegt der ESI bei 103,4 Punkten, ehe dieser anschließend aufgrund der Corona-
Krise abstürzt und im April 2020 bei nur mehr 64,8 Punkten liegt.
Business Climate Indicator
Beim Business Climate Indicator (BCI) - auch Geschäftsklimaindex - werden die
Geschäftsbedingungen des verarbeitenden Gewerbes in der Eurozone durch monatliche
Auswertungen der führenden Vertreter der Branche erhoben. Die Stichprobengröße der Umfrage
beträgt rund 20.000 Unternehmen aus allen Dienstleistungssektoren. Der BCI besteht aus fünf
Variablen: Ergebnisse einer Erhebung über die Produktionsmengen, die Anzahl der
Auftragseingänge für den Inlandsverbrauch und den Export, die Lagerbestände der letzten drei
Monate und die Aussichten für die Produktionsmengen. Die Befragten sollen bei qualitativen
36/83
Erhebungen bewerten, ob sich die Situationen verschlechtert hat, verbesserte oder unverändert
blieb (vgl. Europäische Kommission, Eurostat).
In der nachfolgenden Abbildung sind die generierten Geschäftsklimata des BCI in der Zeitreihe
dargestellt und die wesentlichen Wendepunkte gekennzeichnet.
ABBILDUNG 15: BCI ZEITREIHE (THOMSON REUTERS) Bei einem Vergleich der graphischen Darstellung des BCI mit dem ESI können die gleichen
strukturellen Verläufe beobachtet werden. Im April 2007 ist ein vorläufiger Höchststand mit 1,57
Punkten erreicht, wobei auch wie beim ESI im März 2008 der in der Gesamtzeitbetrachtung
niedrigste Wert erreicht ist (-3,72). Das Wirtschaftsklima entwickelt sich in den folgenden zwei
Jahren äußerst positiv, so dass im März 2011 der Höchststand von 1,41 erreicht wird. Es folgt
abermals eine Verschlechterung des Wirtschaftsklimas und der Indikator erreicht im Oktober
2012 das niedrige Niveau von -1,53. Es folgt ein kontinuierlicher Anstieg des Wirtschaftsklimas
bis zum Jänner 2018 mit einer Plateaubildung in den Jahren 2014 bis 2016. Dem hohen Niveau
des Jänners 2018 (1,63) folgt ein starker und kontinuierlicher Abstieg des Geschäftsklimas, so
dass sich im Februar 2020 vor Ausbruch der Corona-Krise der BCI um den Nullpunkt bewegt. Im
April 2020, nach Ausbruch der Corona-Krise, liegt der Business Climate Indicator nur noch bei -
1,97 und fällt im Mai weiter auf -2,41 (der Economic Sentiment Indicator verzeichnet im Mai
hingegen eine Aufwärtsbewegung).
37/83
Consumer Confidence Indicator
Der Consumer Confidence Indicator misst, wie optimistisch die Konsumenten des Euroraums
bezüglich der wirtschaftlichen Entwicklung sind. Die Umfrage wird mittels Telefonbefragung
durchgeführt und umschließt 23.000 Haushalte. Die Fragen beziehen sich auf die derzeitige
finanzielle Situation, Ersparnisvorhaben und erwartete Entwicklungen hinsichtlich des
Verbraucherpreisindex, generelle wirtschaftliche Entwicklung und größere geplante Ausgaben
für Verbrauchsgegenstände. Der "Konsumenten-ESI" misst das Sentiment der Verbraucher auf
einer Skala von -100 bis 100, wobei -100 den Extremwert der mangelnden Zuversicht darstellt, 0
auf Neutralität hindeutet und 100 extremes Verbrauchervertrauen darstellt.
In der nachfolgenden Abbildung sind die generierten Konsumenten-Sentiments des CCI in der
Zeitreihe dargestellt und wiederum die zentralen Wendepunkte gekennzeichnet.
ABBILDUNG 16: CCI ZEITREIHE (THOMSON REUTERS)
38/83
Bei der graphischen Betrachtung der CCI-Zeitreihe kommt zum Vorschein, dass ESI
beziehungsweise BCI sich nach der Wirtschaftskrise 2007 in kurzer Zeit erholen und zum
Februar/März 2011 bereits beinahe Vor-Krisenwerte erreicht werden, wohingegen das
Konsumenten-Sentiment CCI noch weit zurück liegt. Beim BCI beginnt der Abschwung der
Wirtschaftskrise 2007 schon im April, der Abschwung des CCI setzt erst verzögert im Juli ein.
Wie bei ESI und BCI erreicht der CCI im März 2009 den Tiefststand mit -23,9, erholt sich davon
aber in nur geringem Ausmaß im Vergleich zu ESI und BCI.
Zum Ende des Jahres 2012 wird ein neuerlicher Tiefststand erreicht, dieser wird bei ESI und BCI
im Oktober erreicht, der Tiefststand des Konsumenten-Sentiment folgt im Dezember (-22,2). In
den darauffolgenden 5 Jahren steigt das Konsumenten-Sentiment CCI und erreicht im Dezember
2017 den vorläufigen Höchststand von -2,8 (Höchststand ESI im Dezember 2017, Höchststand
BCI Jänner 2018), ehe CCI wieder abfällt. Der Unterschied zu ESI und BCI seit Anfang 2018
besteht darin, dass die Werte der beiden von Anfang 2018 an kontinuierlich abfallen, wohingegen
CCI im Jahr 2019 eine Plateau-Bildung verzeichnet, ehe im März und April 2020 der Einbruch
des CCI in Folge der Corona-Krise begonnen hat. Im Mai 2020 ist bereits ein leichter Anstieg des
CCI zu verzeichnen.
Volatilitätsindex VSTOXX
Der Volatilitästindex VSTOXX zeigt die implizite Volatilität des Euro Stoxx 50 an. Der
Betrachtungszeitraum beträgt 30 Tage. Ein hoher Indexstand zeigt einen unruhigen Markt an,
wobei oft vom "Angstbarometer" gesprochen wird.
In der Literatur wird, wie in Kapitel 2.2.1. dargestellt, der im US-Raum gebräuchliche CBOE
Volatility Index (VIX) häufig herangezogen, um die Prognosefähigkeit von Anleiherenditen zu
testen. In der vorliegenden empirischen Untersuchung wird die implizite Volatilität des Euro
Stoxx 50 verwendet, um Regressionen auf europäische Anleiherenditen durchzuführen. Der Euro
Stoxx 50 Index ist ein Aktienmarktindex der Eurozone, welcher von STOXX Ltd. entwickelt
wurde. Das Ziel des Index ist es, einen repräsentativen Index zu konstruieren, der die 50
profitabelsten und qualifiziertesten Unternehmen der Wirtschaftssektoren zusammenfasst.
Der Volatilitätsindex misst die implizierte Volatilität der Marktpreise der Optionen des Euro
Stoxx 50. In der Literatur ist dokumentiert, dass implizierte Volatilität die Befürchtung der
Investoren wiederspigelt (vgl. Baker und Wurgler, 2007). Ein hoher Wert des VSTOXX weist auf
niedriges Investoren-Sentiment hin. In der Literatur wird oftmals der VIX (implizierte Volatilität
des S&P 500) als Sentiment-Indikator verwendet und untersucht (vgl. Da et al. 2015; Bethke et
al., 2017), der VSTOXX hingegen ist in der Literatur vergleichsweise weitgehend
unterrepräsentiert. Die Daten des VSTOXX wurden durch Thomson Reuters EIKON generiert.
39/83
In der nachfolgenden Abbildung sind die generierten Volatilitäten des VSTOXX in der Zeitreihe
dargestellt:
ABBILDUNG 17: VSTOXX ZEITREIHE (THOMSON REUTERS)
Die VSTOXX Vola-Zeitreihe ist durch hohe kurzfristige Anstiege im Oktober 2002, Dezember
2008, Oktober 2011, Juni 2012, September 2015 und April 2020 gekennzeichnet.
40/83
Credit Spread (Moody’s Seasoned Baa Corporate Bond Yield relative on 10-Year Treasury
Constant)
In der Literatur wird darauf verwiesen (vgl. Lopez-Salido et al, 2018), dass auf erhöhtes
Kreditmarkt-Sentiment (mit geringen Spreads) ein Absinken der Wirtschaftsaktivität folgt und es
damit zu einem Mean-Reversion-Effekt des Kreditmarkts kommt und die Spreads dabei wieder
ansteigen. Für die empirische Untersuchung wird der Moody’s Credit Spread herangezogen.
In der nachfolgenden Abbildung sind die generierten Credit Spreads von Moody’s in der
Zeitreihe dargestellt:
ABBILDUNG 18: MOODY'S CREDIT SPREAD ZEITRIEHE (FEDERAL RESERVE BANK OF ST. LUIS)
41/81
MODELLIERUNG DER SENTIMENT-INDIKATOREN Für die Regressionsanalyse wurde für die Sentiment-Indikatoren jeweils das Delta gebildet. Das
Delta der Sentiment-Indikatoren ist definiert als das Ausmaß der Veränderung des Wertes der
aktuellen Periode im Vergleich zum Vormonat.
Für die Regressionsanalyse wurde der VSTOXX und ESI so modelliert, dass die prozentuelle
Veränderung zur Vorperiode ausgegeben wird. Beim CCI, BCI und Moody’s Credit Spread ist
das Ergebnis der Differenzbildung ein absoluter Wert. Bei CCI und BCI kann man aufgrund
negativer Werte bei den Zeitreihen keine logarithmischen Differenzen bilden und muss auf
einfache Differenzen zurückgreifen.
3.2. DYNAMISCHE REGRESSIONSANALYSE
Mittels der dynamischen Regressionsanalyse soll nun untersucht werden, ob die definierten
Sentiment-Indikatoren geeignet sind, Anleiherenditen zu prognostizieren. Ziel der
Regressionsanalyse ist es, statistisch signifikante Zusammenhänge zu finden, um auf Basis der
Erkenntnisse eine verbesserte Asset Allocation durchzuführen und folglich höhere Renditen
beziehungsweise eine verbesserte Sharpe Ratio zu generieren. Eine höhere Rendite wird durch
verbesserte Timing-Fähigkeit und Selektionsfähigkeit angestrebt, wie in Kapitel 2.1.3. angeführt
wurde. In der Regressionsanalyse wird die Rendite der Anleihen durch die Preisveränderungen
der Anleihekurse untersucht.
MODELLBILDUNG
Mittels einer multiplen linearen Regression wird eine statistische Analyse vorgenommen, in der
die Rendite der Anleihe zum Zeitpunkt t durch die Vergangenheitswerte der Anleiherendite und
durch Vergangenheitswerte der Sentiment-Indikatoren erklärt wird. Das VAR-Modell wird auf
die zeitliche Verzögerung getestet, damit bestimmt werden kann, welche vergangenen Perioden
der Regressoren am besten dazu geeignet sind, die abhängige Variable zu prognostizieren. Es
wird das Schwarz-Bayesianische Informationskriterium (SBIC) und Akaikes
Informationskriterium (AIC) herangezogen, um die optimale Lag-Ordnung zu finden. Bei der
Bestimmung der Lag-Ordnung wird auf das Verhältnis von AIC/SBIC und Bestimmtheitsmaß
abgestellt, um eine Überanpassung des Modells vorzubeugen (vgl. Kuha, 2004).
42/83
Das multiple lineare Regressionsmodell wird folgendermaßen beschrieben:
!!" = α#!#,!%# + β#'()*#,!%# +⋯+⋯+ α&!&,!%& + β&'()*&,!%& + ε!"
ABBILDUNG 19: REGRESSIONSMODELL
Y = Variable 1 (Anleiherendite)
sent = Variable 2 (Sentiment-Indikator)
α,β = Koeffizienten
-= Residuen im Zeitpunkt t0
t-n = Lags in Monaten
Hinsichtlich der Anleihepreise liegen Daten für den Kurs zum Anfang und Ende eines Monats
vor. Die Umschichtung der Anleihen erfolgt zum Ende des Monats. Konkret wird also für die
Rendite eines Monats der Endkurs des Monats mit dem Endkurs des vorangegangenen Monats
verglichen. Die Berechnung der Anleiherendite ist unten angeführt:
!!" = . /!"/!%#− 12 ∗ 100
ABBILDUNG 20: RENDITE-BERECHNUNG ANLEIHEN
VERFAHRENSWEISE
Zuerst wird die Stationarität beziehungsweise die Grundstruktur der Zeitreihen untersucht, da
keine systematischen Veränderungen im Gesamtbild der Zeitreihe (stochastischer Trend)
vorherrschen sollten. Hierfür wird der Dickey-Fuller Test angewandt. Im zweiten Schritt werden
die Modellparameter (Verzögerung der Variablen) mithilfe der Informationskriterien eruiert.
Hierfür wird das Akaike-Informationskriterium (AIC), das Schwartz-Informationskriterium (BIC)
und das Hannan-Quinn-Informationskriterium (HQ) herangezogen. Im dritten Schritt wird die
Güte der Modelle untersucht, wonach die Koeffizienten anhand des t-Tests beurteilt werden.
Dickey-Fuller-Test
Bevor die Regressionsanalyse durchgeführt werden kann, müssen die Zeitreihen auf Stationarität
überprüft werden. Die Zeitreihen müssen durch Stationarität charakterisiert sein, so dass diese
keinen Trend haben. Um Vorhersagen treffen zu können, werden zeitinvariante Serien benötigt,
wobei hiernach Mittelwert und Varianz im Zeitverlauf gleichbleibend sind. Es kann zwischen
einem schwachen und einem starken stationären Prozess unterschieden werden. Ein schwach
43/83
stationärer Prozess besteht aus konstantem Erwartungswert für Mittelwert und Varianz und es
existiert eine Autokorrelation. Bei einem stark stationären Prozess besteht ebenfalls ein
konstanter Erwartungswert für Mittelwert und Varianz, es herrscht jedoch keine Autokorrelation
vor, wonach keine inneren Abhängigkeitsstrukturen vorherrschen. Stationarität ist eindeutig
definiert, insofern die Daten entweder stationär sind oder nicht.
Die Stationarität von Zeitreihen wird mithilfe des Dickey-Fuller-Tests überprüft. Der Dickey-
Fuller-Test ist ein Einheitswurzeltest zur Überprüfung der Nullhypothese des Vorhandenseins
einer Einheitswurzel, sprich der Nicht-Stationarität. Es werden nun die Zeitreihen der
Anleiherenditen und Sentiment-Indikatoren auf Stationarität mittels Stata 13 überprüft.
Bei den Zeitreihen High Yield (|10,991|), Low-Yield (|13,889|), Euro Stoxx 50 Volatility
(|16,011|), ESI (|5,111|), CCI (|12,061|), BCI (14,056|) und Credit Spread (|5,661|) ist der absolute
Wert der Test-Statistik größer als der kritische Wert. Die Nullhypothese kann demnach
verworfen werden und die Zeitreihe ist durch Stationarität determiniert. Letzteres lässt sich ferner
anhand des p-Wertes, welcher kleiner als 0,05 ist, feststellen.
Zeitreihe Absolutwert
Test-Statistik
1% Critical
Value
5% Critical
Value
10% Critical
Value
p-Wert Stationarität
High Yield -10,991 -3474 -2883 -2.573 0,0000 Ja
High Grade -13,889 -3474 -2883 -2.573 0,0000 Ja
Euro Stoxx 50
Volatilität
-16,011 -3474 -2883 -2.573 0,0000 Ja
ESI -9.754 -3.475 -2.883 -2.573 0,0000 Ja
CCI -12.061 -3.475 -2.883 -2.573 0,0000 Ja
BCI -14.056 -3.475 -2.883 -2.573 0,0000 Ja
Credit Spread -5.661 -3474 -2883 -2.573 0,0000 Ja ABBILDUNG 21: AUSWERTUNG STATIONARITÄT
Informationskriterien
Die Informationskriterien stellen ein Kriterium für die Auswahl des Modells dar. Im Zuge der
Modellaufstellung treten zwei entgegengesetzte Probleme auf, die es auszubalancieren gilt:
Eine zu starke Modellvereinfachung führt zu einer unzureichenden Erklärung der Effekte und
dieses „Underfitting“ kommt einer Verzerrung gleich.
44/83
Eine hohe Komplexität der Parameter führt zu genauen Darstellung, dieses „Overfitting“
verursacht jedoch Schwankungen und statistische Fehler.
Die Informationskriterien sind so formuliert, dass entweder maximale Plausibilität oder minimale
Varianz der Residuen angestrebt wird. In Stata werden mittels der Syntax „varsoc“ die vier
Informationskriterien FPE, AIC, BIC und HQIC kalkuliert. Die unten angeführte Auswertung
zeigt, dass die optimale Verzögerung der Sentiment-Indikatoren bei einem Monat,
beziehungsweise beim Credit Spread bei drei Monaten liegt. Es ergeben sich keine Unterscheide
bei der Hinzunahme der Anleiherendite als erklärende Variable. Im High Grade Bereich beim
BCI wird die Regression mit der Verzögerung von 1 Monat vorgenommen.
Variablen Optimale-Lag-Ordnung
High Yield x VSTOXX 1 High Grade x VSTOXX 1 High Yield x ESI 1 High Grade x ESI 1 High Yield x BCI 1 High Grade x BCI 0 High Yield x CCI 1 High Grade x CCI 1 High Yield x Credit Spread 3 High Grade x Credit Spread 3 ABBILDUNG 22: FESTLEGUNG DER LAGS
Modellgüte der Regressionsanalyse
Die dynamische Regressionsanalyse wurde mit Stata 13 durchgeführt und die Ergebnisse sind in
Kapitel 3.3. angeführt. An dieser Stelle wird definiert, welche Kriterien herangezogen werden,
um die Qualität der Beziehungen im Modell zu bestimmen.
Anhand des p-Wertes zur F-Statistik wird zuerst definiert, ob die untersuchte Beziehung der
Stichprobe auch für die Grundgesamtheit Gültigkeit besitzt. Die Nullhypothese des F-Tests sagt
aus, dass alle Koeffizienten gleich 0 sind. Die Alternativhypthese besagt, dass mindestens ein
Koeffizient nicht gleich 0 ist und damit mindestens eine unabhängige Variable einen
signifikanten Einfluss auf die abhängige Variable ausübt. Unterschreitet der p-Wert der F-
Statistik das Signifikanzniveau, so wird die Nullhypothese abgelehnt und die Alternativhypothese
angenommen. Das Signifikanzniveau ist mit 0,05 festgelegt.
Das empirische Bestimmtheitsmaß R2 ist als Quotient von erklärender Varianz und
Gesamtvarianz definiert. Das R2 liefert Werte zwischen 0 und 1. Beim Extremwert von 0 kann
durch das Modell 0% der Varianz der abhängigen Variable durch die unabhängigen Variablen
45/83
erklärt werden, beim Extremwert von 1 ist die vollständige Varianz der unabhängigen durch die
abhängige Variable erklärt. Durch das R2 wird demnach untersucht, wie viel Prozent der
Veränderung der Renditen durch die unabhängigen Variablen – Sentiment-Indikator und
vergangene Anleiherendite - erklärt werden. Das adjustierte R2 fügt der Berechnungsweise des
R2 einen Strafterm hinzu. Das R2 kann durch das Hinzufügen von Kovariaten nicht sinken, das
adjustierte R2 sanktioniert hingegen die Beimischung von inflationären Kovariaten mittels
Strafterm, womit das adjustierte R2 nur wächst, wenn die Variable zu einer deutlichen
Verbesserung des Modells beiträgt.
Mit dem p-Wert zur T-Statistik wird schließlich jede unabhängige Variable auf einen
signifikanten Einfluss überprüft. Wenn der p-Wert das Signifikanzniveau 0,05 unterschreitet, übt
der jeweilige Koeffizient einen signifikanten Effekt auf die Anleiherendite aus und kann sie mit
statistischer Signifikanz prognostizieren. Anhand des Koeffizienten kann auch die
Durchschnittsveränderung der abhängigen Variable, bei einer Veränderung der unabhängigen
Variable um eine Einheit - bei Konstanthaltung der anderen unabhängigen Variablen - abgelesen
werden.
Deskriptive Analyse
Bevor die Ergebnisse der Regressionsanalyse vorgestellt werden, werden an dieser Stelle die
Daten durch Lage- und Streuungsmaße beschrieben, um Aussagen über den Datensatz treffen zu
können beziehungsweise erste Eigenschaften und Trends der Zeitreihen festzustellen.
Variable N Mittelwert Standardabweichung Minimum Maximum High Yield Rendite 208 .0059434 .0301651 -.2030068 .1306291 High Grade Rendite 208 .0031892 .0116728 -.069188 .0371508 VSTOXX 208 .0183922 .2194132 -.4029857 146.219 ESI 208 -.0010361 .0281794 -.3044397 .0578947 CCI 208 -.0158654 1.29592 -11.1 3.9 BCI 208 .014122 .886746 -4.5 8.666667 Credit Spread 208 -.0151923 .313954 -3.28 1.45 ABBILDUNG 23: DESKRIPTIVE STATISTIK
Teilperioden
In der Literatur wird beschrieben, dass vorherrschende Regime die Sensitivität der Anleihe-
Spreads verstärken (vgl. Nayak, 2010; Huang et al. 2015). Nayak (2010) dokumentiert, dass vor
allem die Tech-Bubble von 1994 bis 1999 und der post-bubble Crash 2000-2004 die Sensitivität
der Anleihe-Spread grundlegend beschleunigte. Huang et al. (2015) dokumentierten dazu, dass
Sentiment stärker nach dem Ausbruch der Kreditkrise auf die Anleihepreise wirkte.
46/83
Die graphische Linie der Anleiherenditen im Zeitverlauf zeigt, dass mit Ausbruch der
Wirtschaftskrise im Jahr 2007 hohe Schwankungen verzeichnet wurden. Untenstehende
Abbildung der High Yield Renditen der vorliegenden Stichprobe verdeutlicht dies.
ABBILDUNG 24: LINE HIGH YIELD
Es wird nun ein Regressionsmodell mit zwei Teilperioden präsentiert: In der ersten
Teilstichprobe werden die Anleiherenditen von März 2003 bis zur Krise im März 2007
untersucht. In der zweiten Teilstichprobe werden die Daten von April 2007 bis Mai 2020
untersucht. Die Standardabweichung beträgt im High-Yield-Bereich .0108709 (erste Teilperiode)
und .0339415 (zweite Teilperiode) beziehungsweise .0077354 (erste Teilperiode) und .0126863
(zweite Teilperiode) im High-Grade-Segment.
3.3. ERGEBNISSE REGRESSIONSANALYSE
Es werden nun die Ergebnisse der dynamischen Regressionsanalyse vorgestellt. Die Gliederung
der Analyse wurde anhand der Sentiment-Indikatoren vorgenommen. In der Regressionsanalyse
werden die zuvor erwähnten Zeithorizonte untersucht und es werden je Sentiment-Indikator
unterschiedliche Grenzwerte gebildet, um unterschiedliche Ausprägungen eines Sentiment-
Indikators und dessen Auswirkungen auf die Anleiherenditen vergleichen zu können. Die
Interpretation ist in Analogie zum Regressionsoutput aufgebaut.
EURO STOXX 50 VOLATILITÄT
-.2-.1
0.1
.2High-Yield
2002m12004m12006m12008m12010m12012m12014m12016m12018m12020m1time
47/83
In Anbetracht der Ergebnisse der Regressionsanalyse kann festgestellt werden, dass die
Nullhypothese verworfen werden kann und sowohl im High Yield als auch im High Grade
Bereich ein statistisch signifikanter Zusammenhang zwischen verzögerter Anleiherendite
beziehungsweise Sentiment-Indikator VSTOXX (exogene Variable) und Anleiherenditen
(endogene Variable) besteht. Mittels des Sentiment-Indikators VSTOXX kann die Varianz der
Anleiherendite im High Yield Bereich besser beschrieben werden (R2 18,22%) als im High-
Grade Bereich (R2 9,55%). Der Zeitraum der Periode von April 2007 bis Mai 2020 ist bedeutend
besser geeignet als der Zeitraum von März 2003 bis bis März 2007 (R2 HY-Bereich 1. vs 2.
Teilperiode: 4,94% und 19,71%).
Weiters wurde untersucht, wie sich unterschiedliche Ausprägungen der Werte des Sentiment-
Indikators VSTOXX auf die Anleiherenditen auswirkten. Die Regression wurde bei
Überschreiten verschiedener unten ersichtlicher Grenzwerte vorgenommen.
Im High-Yield Bereich können durch die exogenen Variablen rund 48% der Variation der
Anleiherenditen im Zeitpunkt t0 vorhergesagt werden, wenn der verzögerte Sentiment-Indikator
eine implizite Volatilität von 5% überschreitet, was bei 69 von 207 Observationen der Fall war.
Bei einem Anstieg der impliziten Volatilität um ein Prozent sinkt die Anleiherendite um rund
0,12%. Bei den ausschließlich betrachteten Volatilitäten von > 5% liegt der Mittelwert der
impliziten Volatilität bei 29,24%. Der hohe Mittelwert und der hohe Koeffizient (rund -0,12) des
VSTOXX sowie die hohe Anzahl an Observationen schließen auf ein hohes
Risikobegrenzungspotential, welches in der Asset Allocation in Kapitel 2.1.3. bestätigt wird.
Schränkt man im High Yield Bereich die Regression für Volatilitäten > 10%, > 20% bzw. >30%
ein, so steigt das Bestimmtheitsmaß R2 von rund 50,5% auf 55,9% bzw. 67,7%. Der Koeffizient
steigt von rund -0,121 (> 10%) auf -0,139 (>20 %) und -0,176 (>30%).
Im High-Grade Bereich sind durch Einschränkung der Observationen durch die
Schrankensetzung bei der impliziten Volatilität ebenso hochsignifikante Zusammenhänge (p-
Wert 0,0000 bei allen vier untersuchten Schranken) und hohe Werte beim
Determinationskoeffizienten R2 auszumachen. Die Variation der endogenen Variable lässt sich
im High Grade Bereich sowohl auf den Sentiment-Indikator VSTOXX als auch auf die
verzögerten Anleiherenditen zurückführen. Der Koeffizient des Sentiment-Indikators VSTOXX
ist im High Grade Bereich geringer als im High Yield Bereich (rund -0,042 bei Vol. >5% und -
0,065 bei Vol. >30%).
48/83
Bei der Einschränkung der impliziten Volatilitäten auf negative Werte konnte nur im High Yield
Bereich die Nullhypothese verworfen werden. Es kann bei dieser Einschränkung nur noch ein
kleiner Teil der Varianz der endogenen Variable beschrieben werden (9,3% bzw. 15,1%), der
VSTOXX kann die Anleiherenditen dabei nicht mehr vorhersagen, jedoch besteht eine signifikant
positive Beziehung zwischen verzögerter Anleiherendite und der zu erklärenden Variable.
49/81
Index, Einschränkung N Signifikanz (Modell) R-Quadrat P>|t| (VSTOXX) Koeff. VSTOXX Lag1 P>|t| (Anleiherendite) Koeff. Anleiherendite
Lag1 Gesamtzeitraum High Yield 207 0.000 0.1822 0.000 -.0512796 0.163 .0991114 High Grade 207 0.0000 0.0955 0.000 -.0171306 0.335 -.0675494 Teilperioden HY, 2003-2007 49 0,3120 0,0494 0.380 -.0088565 0.312 .1487838 HY, 2007-2020 158 0.0000 0.1971 0.000 -.0584105 0.365 .0739998 HG, 2003-2007 49 0.0212 0.1543 0.009 -.0180082 0.253 .1575775 HG, 2007 - 2020 158 0.0004 0.0949 0.000 -.0176638 0.238 -.0966391 High Yield, positive Veränderung HY, Vol>5% 69 0.0000 0.4789 0.000 -.1205476 0.883 -.0149693 HY, Vol>10% 55 0.0000 0.5045 0.000 -.1295281 0.883 -.0161177 HY, Vol>20% 33 0.0000 0.5589 0.000 -.1386425 0.274 .1732925 HY, Vol>30% 15 0.0011 0.6769 0.000 -.1763332 0.310 2263095 High Grade, positive Veränderung HG, Vol>5% 69 0.0000 0.4951 0.000 -.042069 0.001 -.2908771 HG, Vol>10% 55 0.0000 0.5232 0.000 -.0449818 0.002 -.2872626 HG, Vol>20% 33 0.0000 0.5996 0.000 -.0529772 0.047 -.2998289 HG, Vol>30% 15 0.0000 0.8120 0.000 -.0654971 0.244 -.2069959 High Yield, negative Veränderung HY, Vol<0% 114 0.0043 0.0934 0.218 .0334372 0.001 .3287952 HY, Vol<-10% 59 0.0103 0.1508 0.274 .0470056 0.003 .3691047 HY, Vol<-20% 23 0.2106 0.1442 0.707 .0196637 0.100 -.2646724 High Grade, negative Veränderung HG, Vol<0% 114 0.1143 0.0383 0.965 .0005353 0.042 .2239112 HG, Vol<-10% 59 0.3218 0.0397 0.476 .0128194 0.166 .1823125 HG, Vol<-20% 23 0.2426 0.1321 0.919 .0044712 0.111 -.4003711
ABBILDUNG 25: ERGEBNISSE VSTOXX
50/81
ESI
In der Gesamtstichprobe konnten im High Yield Bereich 7,13% der Varianz erklärt werden,
wohingegen das Modell im High Grade Bereich keine statistisch signifikanten Werte erzielt. Für
den Zeitraum Februar 2003 bis März 2007 kann im High Yield Bereich die Nullhypothese des
Regressionsmodells nicht verworfen werden, im Zeitraum April 2007 bis Mai 2020 kann diese
jedoch verworfen werden. Im High Grade Bereich müssen in beiden untersuchten Zeiträumen die
Nullhypothesen angenommen werden, womit die Prognosefähigkeit mittels des Sentiment-
Indikators ESI zu negieren ist.
Schränkt man die Stichprobe nun insoweit ein, als dass die Regression nur bei bestimmten
Grenzwerten des verzögerten Sentiment-Indikators vorgenommen wird, so verändert sich das
Bild im Vergleich zum Gesamtbetrachtungszeitraum. Ohne Setzung von Schranken beim
Economic Sentiment Indicator beträgt die Erklärungskraft der Variation der High Yield
Anleiherenditen 7,13%, bei der ersten vorgenommenen Einschränkung (ESI > 0%) steigt das R2
auf 23,09% und weiter auf 47,89% bei ESI > 1%. Die Interpretation ist folgende: Wenn
Sentiment positiv ist (ESI > 0%), so wird die Anleiherendite bei einem Anstieg der verzögerten
Anleiherenditen um 1% um rund 0,41% ansteigen. Im Vergleich dazu steigen die Renditen der
High-Grade Anleihen bei positivem Sentiment (ESI > 0%) nur um rund 0,25%, wenn die
verzögerte Anleiherendite um 1% steigt und alle anderen Faktoren konstant gehalten werden.
Der ESI- Sentiment-Indikator besitzt Prognosefähigkeit, jedoch nur im High-Grade Bereich. Bei
der Schranke ESI>0% beziehungsweise ESI>1% beträgt der ESI-Koeffizient 0,3026792 bzw.
0,4044603. Bei einem Anstieg des ESI um 1 Prozent steigt folglich die Anleiherendite um rund
0,30% bzw. 0,40%.
51/81
Index, Einschränkung N Signifikanz (Modell) R-Quadrat P>|t| (ESI) Koeff. ESI Lag1 P>|t| (Anleiherendite) Koeff. Anleiherendite Lag1
Gesamtzeitraum High Yield 207 0.0005 0.0713 0.722 .0266637 0.000 .2593792 High Grade 207 0.5403 0.0060 0.300 .030046 0.702 .026863 Teilperioden HY, 2003-2007 49 0.1340 0.0837 0.118 -.2161666 0.150 .2047811 HY, 2007-2020 158 0.0037 0.0698 0.721 .0308214 0.002 .2554409 HG, 2003-2007 49 0.6982 0.0155 0.929 -.0092425 0.432 .120311 HG, 2007 - 2020 158 0.6035 0.0065 0.325 .0317948 0.863 .0139016 High Yield, positive Veränderung HY, ESI > 0% 112 0.0000 0.2309 0.109 .3951692 0.001 .4063577 HY, ESI > 1% 49 0.0000 0.4789 0.127 .6126458 0.017 .3459542 HY, ESI > 2,5% 11 0.0868 0.4572 0.059 2,521711 0.965 -.0127274 High Grade, positive Veränderung HG, ESI > 0% 112 0.0001 0.1567 0.003 .3026792 0.030 .2525449 HG, ESI > 1% 49 0.0009 0.2641 0.008 .4044603 0.211 .1689213 HG, ESI > 2,5% 11 0.4246 0.1928 0.440 .3548736 0.573 .2303736 High Yield, negative Veränderung HY, ESI < 0% 86 0.4336 0.0199 0.554 -.066869 0.234 .1274717 HY, ESI < 1% 43 0.9449 0.0028 0.805 -.0312981 0.813 .0288506 HY, ESI < 2,5% 12 0.6596 0.0883 0.521 .1565898 0.415 .2272001 High Grade, negative Veränderung HG, ESI < 0% 86 0.2579 0.0321 0.956 .0020865 0.104 -.1551083 HG, ESI < 1% 43 0.1037 0.1071 0.836 .0094426 0.039 -.2841719 HG, ESI < 2,5% 12 0.0939 0.4089 0.738 .0199259 0.064 -.3589278
ABBILDUNG 26: ERGEBNISSE ESI
52/81
BCI Beim Business Climate Index ist laut Regressionsanalyse durchwegs keine Prognosefähigkeit
durch den Sentiment-Indikator möglich, weder im Gesamtzeitraum noch in den Teilperioden oder
bei der Testung von Grenzwerten des BCI. Im High Yield Bereich können anhand des
Regressionsmodells rund 9% der Anleiherenditen erklärt werden, die Prognosefähigkeit ist dabei
auf die verzögerte Anleiherendite zurückzuführen.
Bei der Einschränkung auf eine positive Veränderung des BCI zeigt das Regressionsmodell eine
erhöhte Modellgüte und einen erhöhten Koeffizienten der verzögerten Anleiherendite. Bei einem
positiven Delta des BCI können durch das Regressionsmodell rund 23% der Anleiherenditen
erklärt werden. Im High Grade Bereich können bei einer Einschränkung auf ein positives Delta
rund 10% der Anleiherenditen bestimmt werden. Bei einem negativen Delta können keine
signifikanten Werte erzielt werden.
53/81
Index, Einschränkung N Signifikanz (Modell) R-Quadrat P>|t| (BCI) Koeff. BCI Lag1 P>|t| (Anleiherendite) Koeff. Anleiherendite Lag1
Gesamtzeitraum
HY 205 0.0043 0.0903 0.343 .0113659 0.000 .261759 HG 205 0.3643 0.0322 0.865 -.0008194 0.603 .0367105 Teilperioden
HY, 2003-2007 47 0.6231 0.0208 0.570 .0012139 0.499 .103626 HY, 2007-2020 158 0.0035 0.0703 0.646 -.0013091 0.001 .2657507 HG, 2003-2007 47 0.3602 0.0444 0.277 .0016482 0.380 .1289361 HG, 2007 - 2020 158 0.9621 0.0005 0.844 .0002167 0.856 .0147293 High Yield, positive Veränderung
HY, BCI > 0 108 0.0000 0.2330 0.581 -.0130629 0.000 .6158883 HY, BCI > 0.1 52 0.0565 0.1107 0.511 .0328113 0.025 .4213463 High Grade, positive Veränderung
HG, BCI > 0 108 0.0036 0.1015 0.971 -.0003965 0.001 .3751344 HG, BCI > 0.1 52 0.1793 0.0678 0.182 .0321275 0.170 .2687863 High Yield, negative Veränderung
HY, BCI < 0 93 0.3328 0.0242 0.655 .0075081 0.177 .129149 HY, BCI < -0.1 51 0.5411 0.0253 0.637 .0113374 0.323 .1355323 High Grade, negative Veränderung
HG, BCI < 0 93 0.1301 0.0443 0.592 .0031388 0.061 -.1728478 HG, BCI < -0.1 51 0.0876 0.0965 0.188 .0081949 0.130 -.1424788
ABBILDUNG 27: ERGEBNISSE BCI
54/81
CCI
Die Regressionsanalyse des Consumer Confidence Indicators ergibt keine Prognosefähigkeit des
Sentiment-Indikators im Gesamtzeitraum und in den Teilperioden – Prognosefähigkeit entsteht
jedoch, wenn die Regressionsanalyse beim Erreichen von Grenzwerten des Sentiment-Indikators
durchgeführt wird. Im High Yield Bereich können anhand des Regressionsmodells im
Gesamtzeitraum rund 7% der Anleiherenditen erklärt werden, die Prognosefähigkeit ist wiederum
auf die verzögerte Anleiherendite zurückzuführen.
Sowohl im High Yield- als auch im High Grade Segment ist durch den Business Confidence
Indicator eine Prognosefähigkeit möglich, wenn die Regressionsanalyse bei Überschreiten von
Grenzwerten des BCI durchgeführt wird. Bei einer positiven Veränderung des Delta des
Sentiment-Indikators ist ein starker Anstieg des R2 festzustellen. Bei einem CCI größer 0 beträgt
das R2 rund 29%, bei einem CCI größer 1,7 hingegen rund 89%. Prognosefähigkeit durch den
CCI ist ab einem Grenzwert von größer 1,5 gegeben, wobei die Anleiherendite um 15
Basispunkte (CCI größer 1,7 mit 17 BP) steigt, wenn CCI um einen Punkt ansteigt.
Auch im High Grade Bereich ist bei einer positiven Delta-Veränderung des CCI eine hohe
Modellgüte des Regressionsmodells möglich: Bei CCI größer 0 beträgt das R2 rund 7%, bei CCI
größer 1 rund 22% und CCI größer 1,5 steigt die Modellgüte auf rund 71%. Im High Grade
Segment ist eine Prognosefähigkeit durch den CCI ab einem Grenzwert des CCI von größer 1,5
möglich, die Anleiherendite steigt um rund 6 Basispunkte bei einem Anstieg des CCI um einen
Punkt.
Bei der Einschränkung der Regressionsanalyse auf negative Veränderung des CCI konnte keine
Prognosefähigkeit durch den Sentiment-Indikator festgestellt werden, weder im High Yield- noch
im High Grade Segment. Die Prognosefähigkeit des Modells bei negativer Delta-Veränderung
des CCI im High Grade Bereich ergibt sich lediglich durch vergangene Renditen.
55/81
Index, Einschränkung N Signifikanz (Modell) R-Quadrat P>|t| (CCI) Koeff. CCI Lag1 P>|t| (Anleiherendite) Koeff. Anleiherendite Lag1
Gesamtzeitraum
HY 207 0.0004 0.0734 0.443 -.0012706 0.000 .2789443 HG 207 0.9119 0.0009 0.861 -.0001131 0.685 .0286391 Teilperioden
HY, 2003m3-2007m3 49 0.1682 0.0746 0.158 -.0035205 0.118 .2289828 HY, 2007m4-2020m5 158 0.0032 0.0714 0.525 -.0012288 0.001 .2750213 HG, 2003m3-2007m3 49 0.2500 0.0585 0.153 -.0025119 0.287 .1560027 HG, 2007m4 - 2020m5 158 0.9805 0.0003 0.980 .0000187 0.847 .015675 High Yield, positive Veränderung
HY, CCI > 0 112 0.0000 0.2849 0.228 -.0065227 0.000 .7161837 HY, CCI > 1 28 0.0002 0.4928 0.239 .0347763 0.000 .9661516 HY, CCI > 1,5 12 0.0009 0.7912 0.003 .1544212 0.079 .3375801 HY, CCI > 1,7 9 0.0012 0.8927 0.003 .1718815 0.016 .4992726 High Grade, positive Veränderung
HG, CCI > 0 112 0.0251 0.0654 0.920 .0002292 0.007 .2839888 HG, CCI > 1 28 0.0480 0.2157 0.563 .0072046 0.028 .5558174 HG, CCI > 1,5 12 0.0040 0.7062 0.005 .0572396 0.754 .0548893 High Yield, negative Veränderung
HY, CCI < 0 87 0.9757 0.0006 0.860 -.0004058 0.869 .0142555 HY, CCI < -1 26 0.7258 0.0275 0.638 .0016501 0.521 .0825166 High Grade, negative Veränderung
HG, CCI < 0 87 0.0347 0.0769 0.733 -.0002893 0.010 -.2425003 HG, CCI < -1 26 0.0136 0.3118 0.603 .0004927 0.004 -.3101825
ABBILDUNG 28: ERGEBNISSE CCI
56/81
CREDIT SPREAD Betrachtet man die Ergebnisse des Gesamtzeitraums, so kann die hohe Modellgüte (High Yield
R2 rund 57%, High Grade R2 rund 27%) festgestellt werden. Im High Grade Bereich kann zudem
eine Overreaction-Anomalie beobachtet werden: Der Koeffizient des Credit Spreads bei Lag 1 ist
negativ, Lag 2 ist positiv und Lag 3 wiederum negativ.
Bei Betrachtung der Ergebnisse auf Ebene der Teilperioden ist abermals das ungleiche Verhältnis
zwischen erster und zweiter Teilperiode festzustellen, wobei wiederum die zweite Teilperiode für
Prognosen der Anleiherenditen durch Sentiment besser geeignet ist als die erste Teilperiode.
Bei der Einschränkung auf eine positive Delta-Veränderung des Moody’s Credit Spreads steigt
die Modellgüte auf R2 73,7% (Credit Spread > 0) bzw. 81,5% (Credit Spread > 0,2). Die
Anleiherendite sinkt im High Yield Bereich um 14 Basispunkte bei einer Delta Veränderung des
Credit Spreads größer 0, wenn der Anstieg des Moody’s Credit Spreads bei diesen
Regressionspaaren einen Punkt beträgt. Im High Grade Bereich sinkt die Anleiherendite bei einer
Delta Veränderung größer 0 um 4 Basispunkte bei einem Anstieg des Credit Spreads um einen
Punkt.
Durch die Regression bei negativen Veränderungen des Moody’s Credit Sprads kann die
Prognosefähigkeit im High Yield Bereich nicht gesteigert werden, im High Grade Bereich steigt
die Anleiherendite um rund 10 Basispunkte bei einem Rückgang des Credit Spreads um einen
Punkt.
57/81
ABBILDUNG 29: ERGEBNISSE MOODY'S CREDIT SPREAD
Index, Einschränkung N Signifikanz (Modell)
R-Quadrat
P>|t| (Credit S.)
Koeff. Credit S. Lag1
P>|t| (Credit
S.)2
Koeff. Credit S.
Lag2
P>|t| (Credit S.)L3
Koeff. Credit S.
Lag3
P>|t| (Anleiherendite)
Koeff. Anleiherendite
Lag1
P>|t| (Anleiherendite)4
Koeff. Anleiherendite
Lag2
P>|t| (Anleiherendite)5
Koeff. Anleiherendite Lag3
Gesamtzeitraum
HY 205 0.0000 0.5682 0.000 -.1195708 0.178 .0157762 0.181 -.0157892 0.031 -.1736576 0.500 -.0548588 0.278 .0718343
HG 205 0.0000 0.2635 0.000 -.0285246 0.001 .0149749 0.025 -.009326 0.627 -.03486 0.277 -.0779454 0.062 .1431482
Teilperioden
HY, 2003-2007 47 0.2744 0.1644 0.904 -.0024215 0.065 .0354797 0.589 -.0110225 0.377 .1342793 0.023 .3457664 0.605 -.0840738
HY, 2007-2020 158 0.0000 0.6001 0.000 -.1243267 0.289 .0142613 0.269 -.0149842 0.034 -.195012 0.440 -.0719072 0.225 .090134
HG, 2003-2007 47 0.3455 0.1485 0.618 .0081738 0.927 .0014744 0.898 .0017908 0.135 .2337048 0.166 -.2464557 0.112 .2853028
HG, 2007 - 2020 158 0.0000 0.3133 0.000 -.0308589 0.001 .0159414 0.063 -.0086711 0.380 -.0723562 0.678 -.0341313 0.120 .1366732
High Yield, positive Veränderung
HY, Spread Lag1 > 0% 84 0.0000 0.7371 0.000 -.1419478 0.002 -.216079
HY, Spread Lag1 > 0.2% 18 0.0000 0.8151 0.000 -.1387723 0.194 -.1721707
High Grade, positive Veränderung
HG, Spread Lag1 > 0% 84 0.0000 0.4198 0.000 -.041561 0.000 -.380034
HG, Spread Lag1 > 0.2% 18 0.0050 0.5065 0.001 -.055685 0.039 -.7548969
High Yield, negative Veränderung
HG, Spread Lag1 < 0% 111 0.0383 0.0586 0.053 -.0146342 0.319 .0988498
High Grade, negative Veränderung
HY, Spread Lag1 < 0% 111 0.0000 0.2008 0.000 -.0976458 0.030 -.2319916
58/81
RÉSUMÉ
Den Ergebnissen und Interpretationen der dynamischen Regressionsanalyse folgt ein Résumé,
das die zentralen Erkenntnisse zusammenfasst und beschreibt.
High Yield vs High Grade Der High Yield Bereich ist im Vergleich zum High Grade Segment besser geeignet,
Anleihepreise mittels Sentiment-Indikatoren zu prognostizieren. Im High Yield Segment des
Gesamtbetrachtungszeitraums konnte die Nullhypothese bei allen untersuchten Sentiment-
Indikatoren verworfen werden, wonach Sentiment-Indikatoren einen Teil der Variation der
Anleiherenditen erklären können. Im High Grade Segment des Gesamtbetrachtungszeitraums
konnte die Nullhypothese nur bei zwei von fünf untersuchten Sentiment-Indikatoren verworfen
werden, womit nur dem VSTOXX und dem Credit Spread von Moody‘s im
Gesamtbetrachtungszeitraum des High Grade Segments Prognosefähigkeit zuzuschreiben ist.
Die Erklärungsfähigkeit des Modells (Bestimmtheismaß R2) ist bei allen untersuchten Sentiment-
Indikatoren im High Yield Bereich höher als im High Grade Bereich, sowohl auf Basis des
Gesamtzeitraums als auch auf Basis der Teilperioden.
Im Gesamtbetrachtungszeitraum konnten im High Yield Bereich die Modelle mit ESI, BCI und
CCI, welche als Datengrundlage Umfragewerte verwenden, 7,13% (ESI), 7,34% (CCI) und
9,03% (BCI) der Variation der High Yield Anleihepreise erklären. Die höchsten
Bestimmtheitsmaße lieferten VSTOXX (R2 18,22%) und Credit Spread (R2 56,82%). Die
Erklärungsfähigkeit des Modells im High Grade-Segment ist vergleichsweise gering: VSTOXX
mit einem R2 von 9,55% und Credit Spread mit einem R2 von 26,35%. ESI, BCI und CCI
lieferten im High-Grade Segment keine signifikanten Werte.
Teilperioden In Anbetracht der zwei Teilperioden lässt sich feststellen, dass dem Betrachtungszeitraum
Februar 2003 bis März 2007 keine Prognosefähigkeit durch Sentiment-Indikatoren zuzuschreiben
ist, da der p-Wert bei allen Observationen das Signifikanzniveau überschreitet. Im
Betrachtungszeitraum April 2007 bis Mai 2020 ist im High Yield Bereich bei allen fünf
untersuchten Sentiment-Indikatoren Prognosefähigkeit gegeben, im High-Grade Bereich
hingegen nur bei den Sentiment-Indikatoren VSTOXX und Credit Spread.
59/83
Positive und negative Grenzen
Die Erklärungsfähigkeit des Regressionsmodells konnte deutlich erhöht werden, indem die
Regression bei Erreichen bestimmter Grenzwerte durchgeführt wurde. Für alle Sentiment-
Indikatoren gilt, dass das Bestimmtheismaß nur gesteigert werden kann, indem der Regressor auf
positive Differenzen eingeschränkt wurde. Bei einer Einschränkung der Regression auf negative
Differenzen der Sentiment-Indikatoren konnte bei allen untersuchten Sentiment-Indikatoren - mit
Ausnahme der implizierten Volatilität im High Yield Bereich - keine Erhöhung der
Erklärungsfähigkeit des Modells erzielt werden.
Bei der Analyse der Koeffizienten der verzögerten Sentiment-Indikatoren ist zu beobachten, dass
bei VSTOXX und Credit Spread eine statistisch negative Beziehung zwischen verzögertem
Sentiment-Indikator und Anleihepreisen vorherrscht, während bei CCI, BCI und ESI eine
positive Relation gegeben ist. Dies ist dadurch zu begründen, dass ein Anstieg des VSTOXX
oder Credit Spread mit unsicheren Marktbedingungen in Verbindung zu bringen ist, wogegen ein
Anstieg des BCI, CCI oder ESI durch positive Zukunftsaussichten gekennzeichnet ist.
Overreaction-bias
Betrachtet man die Koeffizienten der unterschiedlichen Verzögerungen beim Credit Spread, so
lässt sich feststellen, dass dem negativen Koeffizienten ein positiver folgt und damit auf eine
Überreaktion der Marktteilnehmer geschlossen werden kann. Die Reaktion der Investoren auf die
Veränderung des Sentiments führt zu einer Überreaktion der Anleihepreise und bewirkt einen
Mean-Reversion Effekt der Anleihepreise.
60/81
4. ASSET ALLOCATION Die Vorgehensweise der Asset Allocation ist so ausgestaltet, dass in Kapitel 4.1. die Performance
der Benchmark (passive Buy-and-Hold Strategie) dargestellt ist, in Kapitel 4.1. wird die
Erstellung der Handelsstrategie und anschließend die Ergebnisse der taktischen Asset Allocation
(aktive Strategie) vorgestellt.
Prämissen Der Untersuchungszeitraum erstreckt sich von Februar 2003 bis Mai 2020. Das Rebalancing wird
auf monatlicher Basis durchgeführt. Den Renditen liegen keine Transaktionskosten zugrunde, da
diese beispielsweise bei Überführung der Strategie in einen ETF bei ausreichend großem
Investitionsvolumen zu vernachlässigen wären. Es erfolgt eine laufende Reinvestition der
Kapitalerträge (thesaurierte Renditen).
4.1. BENCHMARK
Die Benchmark verfolgt eine passive buy-and-hold Strategie, womit zum Februar 2003 gekauft
wird und das Portfolio bis zum Mai 2020 gehalten wird. Als Benchmark dient der High Yield
Index, der High Grade Index sowie ein Mischportfolio bestehend aus 50% High Yield Index und
50% High Grade Index.
Die passive buy-and-hold Strategie des High Yield Index (links dargestellt in Abbildung 30:
Benchmark, Buy-and-hold) generiert für den Betrachtungszeitraum von Februar 2003 bis Mai
2020 eine Rendite von 211,37%, was einer annualisierten Rendite von 12,19% entspricht. Die
Standardabweichung des Portfolios beträgt 10,45 %. Die Sharpe Ratio liegt - bei
Berücksichtigung der risk-free-rate der deutschen 10-jährigen Bundesanleihe von 0,0070%
(Stand 12. Juni 2020) - bei 1,10.
Der High Grade Index erzielte im Betrachtungszeitraum eine Gesamtrendite von 91,20%, was
einer jährlichen Rendite von 5,26% entspricht. Durch die vergleichsweise niedrige
Standardabweichung von 4,04% konnte der High Grade Index die höchste Sharpe Ratio (1,13)
erzielen.
Betrachtet man das Mischportfolio, so wurde im Betrachtungszeitraum eine Rendite von
147,90% erzielt. Die jährliche Rendite liegt bei 8,73%, die Standardabweichung bei 7,25% - was
einer Sharpe Ratio von 1,11 entspricht.
61/83
High Yield Index
High Grade Index
Misch- Portfolio (50/50)
Misch- Portfolio Anteil
High Yield
Misch- Portfolio Anteil
High Grade
Kummulierte Rendite 211,37% 91,20% 147,90% 105,69% 45,60%
Annualisierte Rendite 12,19% 5,26% 8,73% 6,10% 2,63%
Annualized SD 10,45% 4,04% 7,25% 5,22% 2,02%
Annualized Sharpe 1,10 1,13 1,11 1,03 0,95
Max Loss -20,30% -6,92% -11,37% -10,15% -3,46%
Max Win 13,06% 3,72% 7,82% 6,53% 1,86%
Average Loss -2,12% -0,71% -1,23% -1,06% -0,35%
Average Win 1,75% 0,97% 1,28% 0,87% 0,49%
Profit Ratio 0,82 1,38 1,04 0,41 0,69
Maximum Drawdown -37,63% -7,95% -22,11% -18,81% -3,98%
Calmar Ratio 0,32 0,67 0,39 0,16 0,33 ABBILDUNG 30: BENCHMARK, BUY-AND-HOLD
4.2. ERSTELLUNG DER HANDELSSTRATEGIE Die Erkenntnisse der empirischen Untersuchung aus Kapitel 3.3. werden nun in
Handelsstrategien übergeführt, die jeweils für die Sentiment-Indikatoren formuliert werden. Die
Zielsetzung der Handelsstrategien besteht darin, die passive buy-and-hold Strategie hinsichtlich
des Rendite-Risiko Profils zu übertreffen. Es wird angenommen, dass den Sentiment-Indikatoren
Informationen zugrundeliegen, die in der Zukunft zu veränderten Marktentwicklungen führen.
Kenntnisse über die Wirkung der Sentiment-Indikatoren auf die Entwicklung der Anleihen sind
von entscheidender Bedeutung, um Prognosen zu treffen. Die untersuchte Wirkungsbeziehung
der Regressionsanalysen wird nun in Handelsstrategien übergeführt.
62/83
VSTOXX
Die empirische Untersuchung zeigte, dass die Anleihepreise bei einem Anstieg der verzögerten
impliziten Volatilität umso stärker sinken, je höher Wertveränderung der impliziten Volatilität ist.
Die High-Yield Anleihepreise sinken - bei einem Anstieg der verzögerten impliziten Volatilität
um einen Prozent - um 12 Basispunkte, bei einer Veränderung der verzögerten impliziten
Volatilität um 5%. Die High Yield Anleihepreise sinken um 17 Basispunkte, wenn die
Veränderung der impliziten Volatilität größer als 30% ist. Die verzögerte implizite Volatilität
weist auch im High Grade Segment auf ein Verlustrisiko hin, welches jedoch im Vergleich zum
High Yield Bereich vergleichsweise gering ist. Überschreitet die Veränderung der impliziten
Volatilität die 5%-Marke, so führt der Anstieg der impliziten Volatilität zu einem Rückgang von
rund 4 Basispunkte des High-Grade Index. Der Rückgang der Rendite beträgt rund 7 Basispunkte
beim High-Grade Index, wenn die Veränderung der impliziten Volatilität die 30%-Grenze
überschreitet.
Die Handelsstrategie zum Sentiment-Indikator VSTOXX Volatilität 50 gestaltet sich
folgendermaßen: Wenn die Veränderung der impliziten Volatilität des VSTOXX 50 unter den
definierten Grenzen (5%, 10%, 20%, 30%) liegt, so wird zu 100% in den Index investiert. Wenn
die Veränderung des VSTOXX 50 Volatilität oberhalb des Grenzwerts liegt, so erfolgt eine
vollständige Desinvestition. Die Handelsstrategien werden auf den High Yield Index, High Grade
Index und das Mischportfolio angewandt. Untenstehende Übersichtstabelle demonstriert jeweils
pro Handelsstrategie, bei welchen Grenzwerten des VSTOXX Volatilität 50 der Kauf und
Verkauf des Anleiheindex vorgenommen wird.
Kauf Verkauf
Strategie 1 VSTOXX Vol 50 < 5% VSTOXX Vol 50 > 5%
Strategie 2 VSTOXX Vol 50 < 10% VSTOXX Vol 50 > 10%
Strategie 3 VSTOXX Vol 50 < 20% VSTOXX Vol 50 > 20%
Strategie 4 VSTOXX Vol 50 < 30% VSTOXX Vol 50 > 30%
ABBILDUNG 31: ÜBERSICHTSTABELLE VSTOXX VOL 50 - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE
Die Ergebnisse zeigen, dass die Strategien für alle durchgeführten Grenzwerte eine höhere
Sharpe Ratio als die Benchmark aufweisen. Die Strategien sind durch einen geringen maximalen
Verlust, geringen durchschnittlichen Verlust und einem geringen maximalen Drawdown
gekennzeichnet. Die Abwärtsbewegungen konnten durch die implizite Volatilität des VSTOXX
50 hinreichend prognostiziert werden. Im High Yield Bereich liegt der maximale Verlust der
63/83
Handelsstrategie bei Veränderung der Volatilität größer 5% bzw. größer 10% bei nur -4,92%
(Benchmark -20,30%), im High Grade Bereich - bei Veränderung VSTOXX Volatilität größer
5% - bei nur -1,76% (Benchmark -6,92%) und im Mischportfolio - bei Veränderung Volatilität
größer 5% - ebenfalls bei nur geringen -1,92% (Benchmark -11,37%).
64/81
Benchmark High Yield
Index
HY VSTOXX Vol>5%
HY VSTOXX Vol>10%
HY VSTOXX Vol>20%
HY VSTOXX Vol>30%
Benchmark High Grade
Index
HG VSTOXX Vol>5%
HG VSTOXX Vol>10%
HG VSTOXX Vol>20%
HG VSTOXX Vol>30%
Benchmark 50/50-
Portfolio
50/50 VSTOXX Vol>5%
50/50 VSTOXX Vol>10%
50/50 VSTOXX Vol>20%
50/50 VSTOXX Vol>30%
Kummulierte Rendite 211,37% 521,19% 547,28% 472,39% 414,60% 91,20% 98,68% 95,88% 92,67% 108,62% 147,90% 254,04% 258,93% 235,14% 230,87%
Annualisierte Rendite 12,19% 30,07% 31,57% 27,25% 23,92% 5,26% 5,69% 5,53% 5,35% 6,27% 8,73% 14,66% 14,94% 13,57% 13,32%
Annualized SD 10,45% 7,25% 7,35% 8,34% 8,61% 4,04% 2,84% 3,00% 3,60% 3,68% 7,25% 4,66% 4,77% 5,58% 5,73%
Annualized Sharpe 1,10 4,05 4,20 3,19 2,70 1,13 1,76 1,61 1,29 1,51 1,11 2,99 2,99 2,31 2,20
Max Loss -20,30% -4,92% -4,92% -14,32% -14,32% -6,92% -1,76% -3,06% -6,92% -6,92% -11,37% -1,92% -3,66% -10,62% -10,62%
Max Win 13,06% 13,06% 13,06% 13,06% 13,06% 3,72% 3,72% 3,72% 3,72% 3,72% 7,82% 7,82% 7,82% 7,82% 7,82%
Average Loss -2,12% -1,34% -1,38% -1,59% -1,63% -0,71% -0,47% -0,50% -0,60% -0,61% -1,23% -0,64% -0,71% -0,89% -0,95%
Average Win 1,75% 2,00% 1,93% 1,84% 1,76% 0,97% 1,03% 1,01% 1,01% 0,98% 1,28% 1,47% 1,40% 1,35% 1,28%
Profit Ratio 0,82 1,49 1,39 1,15 1,08 1,38 2,18 2,01 1,67 1,61 1,04 2,29 1,98 1,51 1,36
Maximum Drawdown -37,63% -7,66% -7,66% -14,32% -14,32% -7,95% -3,63% -4,07% -8,14% -7,05% -22,11% -3,91% -3,91% -10,62% -10,62%
Calmar Ratio 0,324 1,41 1,45 0,73 0,69 0,662 1,11 0,97 0,47 0,61 0,39 1,90 1,92 0,67 0,67
∑ Trades
1 105 91 59 29 1 105 91 59 29 1 105 91 59 29
ABBILDUNG 32: ERGEBNISSE HANDELSSTRATEGIE VSTOXX VOLATILITÄT
65/81
ESI
Der negativen Veränderung des Sentiment-Indikators ESI ist laut empirischer Untersuchung
keine Prognosefähigkeit zuzuschreiben. Aus der empirischen Untersuchung ist hervorgegangen,
dass eine positive Veränderung des ESI mit einer positiven Renditeveränderung korreliert. Die
Anleiherendite steigt mit der Höhe des Wertes des Sentiment-Indikators ESI.
Eine Long-Position wird eingegangen, wenn die Veränderung des Economic Sentiment Indicator
die jeweiligen Grenzwerte 0%, 1% und 2,5% überschreitet. Der Index wird jeweils verkauft,
wenn ESI die Grenzwerte unterschreitet. In der folgenden Übersichtstabelle sind die jeweiligen
Kauf- und Verkaufssignale der drei getesteten Handelsstrategien des Economic Sentiment
Indicators dargestellt.
Kauf Verkauf
Strategie 1 ESI > 0% ESI < 0%
Strategie 2 ESI > 1% ESI < 1%
Strategie 3 ESI > 2,5% ESI < 2,5% ABBILDUNG 33: ÜBERSICHTSTABELLE ESI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE
Die Ergebnisse des High Yield Bereichs zeigen, dass bei einer positiven Veränderung des ESI
eine deutlich geringere kummulierte Rendite die Folge ist, dies jedoch bei einer im Vergleich zur
Benchmark merklich geringeren Standardabweichung. Die Sharpe Ratio der High Yield-
Handelsstrategie „ESI größer 0%“ verfügt über eine geringfügig bessere Sharpe Ratio (1,14), da
der maximale Verlust und der durchschnittliche Verlust gesenkt werden konnten, jedoch ist bei
der Strategie auch der durchschnittliche Gewinn vergleichsweise geringer.
Der High Grade Bereich zeigt, dass die ESI-Strategie deutlich hinter der Benchmark
zurückbleibt. Die Ursache dafür liegt bei der geringen kummulierten Rendite der Strategie. Da
der Sentiment-Indikator in der Gesamtzeitbetrachtung eine Vielzahl an negativen Veränderungen
aufweist (N=86), bleibt somit häufig ein Aufwärtspotenzial durch den geringen
Partizipationsanteil ungenützt.
Auch das 50/50-Portfolio zeigt bei der Strategie „ESI größer 0%“ eine geringfügig bessere
risikoadjustierte Rendite im Vergleich zur Benchmark. Wiederum ergibt sich eine
vergleichsweise geringe kummulierte Rendite (ESI größer 0%: 102,59%) bei einer
vergleichsweise geringen Standardabweichung (ESI größer 0%: 4,58%).
66/81
ABBILDUNG 34: ERGEBNISSE HANDELSSTRATEGIE ESI
Benchmark High Yield
Index
HY ESI > 0%
HY ESI > 1%
HY ESI > 2,5%
Benchmark High Grade
Index
HG ESI > 0%
HG ESI > 1%
HG ESI > 2,5%
Benchmark 50/50-
Portfolio
50/50- ESI > 0%
50/50- ESI > 1%
50/50- ESI > 2,5%
Kummulierte
Rendite 211,37% 102,59% 104,78% 34,78% 91,20% 43,91% 30,06% 15,21% 147,90% 102,59% 63,69% 24,75%
Annualisierte
Rendite 12,19% 5,92% 6,05% 2,01% 5,26% 2,53% 1,73% 0,88% 8,73% 5,92% 3,67% 1,43%
Annualized SD 10,45% 4,58% 5,04% 3,44% 4,04% 3,03% 1,94% 1,34% 7,25% 4,58% 3,30% 2,33%
Annualized Sharpe 1,10 1,14 1,06 0,38 1,13 0,61 0,53 0,13 1,11 1,14 0,90 0,31
Max Loss -20,30% -10,62% -4,21% -4,21% -6,92% -6,92% -1,66% -0,57% -11,37% -10,62% -2,39% -2,39%
Max Win 13,06% 7,82% 13,06% 9,18% 3,72% 3,66% 3,66% 3,66% 7,82% 7,82% 7,82% 6,42%
Average Loss -2,12% -1,08% -1,63% -4,21% -0,71% -0,68% -0,55% -0,34% -1,23% -1,08% -1,12% -2,39%
Average Win 1,75% 1,15% 2,03% 3,51% 0,97% 0,96% 1,18% 1,67% 1,28% 1,15% 1,44% 2,50%
Profit Ratio 0,82 1,07 1,25 0,83 1,38 1,41 2,13 4,91 1,04 1,07 1,29 1,04
Maximum
Drawdown -37,63% -11,74% -4,21% -4,21% -7,95% -7,28% -1,74% -0,57% -22,11% -11,74% -2,39% -2,39%
Calmar Ratio 0,32 0,36 1,01 0,42 0,67 0,30 0,88 1,44 0,39 0,36 1,21 0,54
∑ Trades 1 56 48 11 1 56 48 11 1 56 48 11
67/81
BCI Die Handelsstrategie des Business Climate Index wurde so konstruiert, dass eine Long-Position
beim Überschreiten der Grenzwerte eingegangen wird. Wird der jeweilige Grenzwert
unterschritten, so wird ein vollständiger Verkauf vorgenommen. Im Gesamtbetrachtungszeitraum
konnte durch die Regressionsanalyse keine direkte Prognosefähigkeit durch den Sentiment-
Indikator BCI nachgewiesen werden, jedoch konnte durch die Grenzwertbildung des BCI gezeigt
werden, dass eine positive Veränderung des BCI mit einem Anstieg des Anleiherendite-
Koeffizienten korreliert. Die Kauf- und Verkaufssignale der getesteten Handelsstrategien des
Business Climate Index sind in untenstehender Übersichtstabelle aufgeführt.
Kauf Verkauf
Strategie 1 BCI > -0,2 BCI < -0,2
Strategie 2 BCI > -0,1 BCI < -0,1
Strategie 3 BCI > 0 BCI < 0
Strategie 4 BCI > 0,1 BCI < 0,1 ABBILDUNG 35: ÜBERSICHTSTABELLE BCI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE
Die Anwendung der Strategie erzielt eine deutliche Verbesserung der risikoadjustierten Rendite
beim 50/50-Portfolio und beim High Yield Index. Die Handelsstrategie beim High Yield-Index
und 50/50-Portfolio ist durch einen vergleichsweise geringen durchschnittlichen Verlust und
geringen maximalen Verlust gekennzeichnet.
Die höchste Sharpe Ratio ergibt sich bei der Strategie „BCI größer -0,2“, da hier die wesentlichen
Abwärtsbewegungen vermieden werden und am Großteil der Aufwärtsbewegungen partizipiert
wird. Die High Yield Strategie erzielt hierbei einen maximalen Verlust von -14,32%, die
Benchmark hingegen -20,30%. Der durchschnittliche Verlust der High Yield Strategie beträgt nur
-1,70%, die der Benchmark -2,12%. Die kummulierte Rendite der High Yield-Strategie liegt mit
235,53% über jener der Benchmark (211,37%) bei einer vergleichsweise geringeren
Standardabweichung der High Yield-Strategie (7,98%; 10,45%). Aus der Handelsstrategie
„Long-Position bei BCI größer -0,2“ resultiert eine annualisierte Sharpe Ratio von 1,61 (Sharpe
Ratio Benchmark bei 1,10). Auch die Strategien „Long-Position bei BCI größer -0,1
beziehungsweise größer 0“ konnte eine höhere Sharpe Ratio im Vergleich zur Benchmark erzielt
werden. Die Gründe der verbesserten risikoadjustierten Rendite sind auch hier in der
erfolgreichen Verlustbeschränkung zu finden. Die Ergebnisse der Strategien beim High Grade
Index zeigen, dass der Sentiment-Indikator BCI sich hier als ungeeignet erweist. Die
risikoadustierte Rendite bleibt jeweils weit hinter der Benchmark zurück.
69/81
Benchmark High Yield
Index
HY BCI > -0,2
HY BCI > -0,1
HY BCI > 0
HY BCI > 0,1
Benchmark High Grade
Index
HG BCI > -0,2
HG BCI > -0,1
HG BCI > 0
HG BCI > 0,1
Benchmark - 50/50-
Portfolio
50/50 BCI > -0,2
50/50 BCI > -0,1
50/50 BCI > 0
50/50 BCI > 0,1
Kummulierte Rendite 211,37% 235,53% 189,49% 179,83% 36,86% 91,20% 75,66% 48,69% 38,55% 7,12% 147,90% 145,29% 111,61% 97,97% 21,38%
Annualisierte Rendite 12,19% 13,59% 10,93% 10,38% 2,13% 5,26% 4,37% 2,81% 2,22% 0,41% 8,73% 8,38% 6,44% 5,65% 1,23%
Annualized SD 10,45% 7,98% 7,53% 6,82% 4,86% 4,04% 3,73% 3,56% 2,95% 2,24% 7,25% 5,48% 5,20% 4,64% 3,41%
Annualized Sharpe 1,10 1,61 1,36 1,42 0,29 1,13 0,98 0,59 0,52 -0,13 1,11 1,40 1,10 1,07 0,16
Max Loss -20,30% -14,32% -14,32% -14,32% -14,32% -6,92% -6,92% -6,92% -6,92% -6,92% -11,37% -10,62% -10,62% -10,62% -10,62%
Max Win 13,06% 13,06% 13,06% 13,06% 7,15% 3,72% 3,66% 3,66% 3,66% 1,87% 7,82% 7,82% 7,82% 7,82% 4,32%
Average Loss -2,12% -1,70% -1,68% -1,72% -2,46% -0,71% -0,70% -0,73% -0,62% -0,80% -1,23% -1,06% -1,05% -0,94% -1,53%
Average Win 1,75% 1,58% 1,57% 1,67% 1,58% 0,97% 0,93% 0,93% 0,94% 0,89% 1,28% 1,18% 1,17% 1,24% 1,10%
Profit Ratio 0,82 0,93 0,93 0,97 0,64 1,38 1,32 1,26 1,52 1,11 1,04 1,11 1,12 1,31 0,72
Maximum Drawdown -37,63% -18,96% -17,59% -17,39% -16,79% -7,95% -7,48% -8,32% -8,27% -8,55% -22,11% -12,72% -12,16% -12,60% -12,50%
Calmar Ratio 0,32 0,39 0,37 0,36 0,12 0,67 0,44 0,28 0,23 0,05 0,39 0,42 0,37 0,32 0,09
∑ Trades 1 30 62 90 54 1 30 62 90 54 1 30 62 90 54
ABBILDUNG 36: ERGEBNISSE HANDELSSTRATEGIE BCI
70/81
CCI Die empirische Untersuchung ergab eine Prognosefähigkeit des Consumer Confidence Indicators
bei positiver Delta-Veränderung des Sentiment-Indikators. Eine positive Veränderung des
Sentiment-Indikators korreliert laut Untersuchung mit positiven Anleiherenditen. Bei einer
negativen Veränderung des Sentiment-Indikators CCI konnte keine Prognosefähigkeit durch CCI
nachgewiesen werden. Die Handelsstrategie ist folglich so konstruiert, dass eine Long-Position
eingegangen wird, wenn die jeweiligen Grenzwerte überschritten werden und ein Verkaufssignal
wird bei unterschreiten der Grenzwerte vorgenommen. Es wurden die Grenzwerte auch bei dieser
zugrundeliegenden Handelsstrategie um negative Werte erweitert, da die empirische
Untersuchung keine eindeutige Korrelation bei negativen Grenzwerten des CCI und
Anleiherenditen vorhersagte und damit ein höherer Partizipationsgrad am Markt durch eine
geringere Anzahl an Verkaufssignalen ermöglicht wird. Die jeweiligen Grenzwerte der Kauf- und
Verkaufssignale der Handelsstrategien des Consumer Confidence Indicators werden in
untenstehender Übersichtstabelle vorgestellt.
Kauf Verkauf Strategie 1 CCI > -1,5 CCI < -1,5 Strategie 2 CCI > -1 CCI < -1 Strategie 3 CCI > 0 CCI < 0 Strategie 4 CCI > 1 CCI < 1 Strategie 5 CCI > 1,5 CCI < 1,5 Strategie 6 CCI > 1,7 CCI < 1,7 ABBILDUNG 37: ÜBERSICHTSTABELLE BCI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE
Die Ergebnisse der Strategien mittels Sentiment-Indikator CCI zeigen eine deutlich verbesserte
Performance im Vergleich zur Benchmark aufgrund der Vermeidung von negativen
Anleiherenditeentwicklungen. Die Sharpe Ratio kann so im High Yield Bereich auf 3,23
gesteigert werden, wenn das Verkaufssignal bei CCI-Werten von kleiner 1,5 gesetzt wird. Im
High Grade Bereich ist beim gleichen Grenzwert als Verkaufssignal eine Sharpe Ratio in Höhe
von 1,44 möglich, beim 50/50-Portfolio beträgt diese 2,46. Die stark verbesserte risikoadjustierte-
Rendite ist auf ein erfolgreiches Risikomanagement zurückzuführen. Dies ist an der Reduktion
des maximalen und durchschnittlichen Verlusts zu beobachten. Gleichzeitig sinkt der
durchschnittliche Gewinn der Strategien bei den Grenzwerten von kleiner -1,5 und kleiner -1 um
nur 2-3 Basispunkte und der maximale Gewinn der Sentiment-Strategie bleibt im Vergleich zur
buy-and-hold Strategie gleich.
71/81
Benchmark High Yield
Index
HY CCI > -1,5
HY CCI > -1 HY CCI
> 0 HY CCI
> 1 HY CCI > 1,5
HY CCI > 1,7
Benchmark High Grade
Index
HG CCI > -
1,5
HG CCI > -
1
HG CCI >
0
HG CCI >
1
HG CCI > 1,5
HG CCI > 1,7
Benchmark 50/50-
Portfolio
50/50 CCI > -
1,5
50/50 CCI > -1
50/50 CCI > 0
50/50 CCI >
1
50/50 CCI > 1,5
50/50 CCI > 1,7
Kummulierte Rendite 211,37% 444,25% 410,91% 199,97% 80,27% 44,79% 40,71% 91,20% 97,47% 86,64% 64,01% 19,75% 12,17% 12,64% 147,90% 230,57% 211,25% 122,95% 47,41% 27,66% 26,08%
Annualisierte Rendite 12,19% 25,63% 23,71% 11,54% 4,63% 2,58% 2,35% 5,26% 5,62% 5,00% 3,69% 1,14% 0,70% 0,73% 8,73% 13,30% 12,19% 7,09% 2,74% 1,60% 1,50%
Annualized SD 10,45% 7,72% 7,59% 6,64% 5,74% 4,27% 3,98% 4,04% 3,42% 3,34% 3,00% 2,22% 1,59% 1,49% 7,25% 5,12% 5,04% 4,52% 3,85% 2,87% 2,69%
Annualized Sharpe 1,10 3,23 3,03 1,63 0,69 0,44 0,41 1,13 1,44 1,29 1,00 0,20 0,00 0,02 1,11 2,46 2,28 1,41 0,53 0,31 0,30
Max Loss -20,30% -6,85% -6,85% -6,85% -6,85% -2,81% -0,88% -6,92% -4,79% -4,79% -4,79% -4,79% -1,43% -1,21% -11,37% -5,82% -5,82% -5,82% -5,82% -2,12% -1,00%
Max Win 13,06% 13,06% 13,06% 13,06% 13,06% 10,70% 10,70% 3,72% 3,66% 3,66% 3,66% 3,66% 3,66% 3,66% 7,82% 7,82% 7,82% 7,82% 7,82% 7,04% 7,04%
Average Loss -2,12% -1,35% -1,33% -1,47% -2,42% -1,93% -0,88% -0,71% -0,59% -0,59% -0,70% -1,19% -0,98% -1,17% -1,23% -0,83% -0,82% -0,95% -1,56% -1,23% -0,78%
Average Win 1,75% 1,73% 1,74% 1,70% 2,82% 3,70% 4,04% 0,97% 0,95% 0,95% 1,01% 1,32% 1,66% 1,80% 1,28% 1,25% 1,27% 1,29% 2,10% 2,73% 3,17%
Profit Ratio 0,82 1,28 1,30 1,16 1,17 1,91 4,60 1,38 1,62 1,61 1,44 1,11 1,69 1,55 1,04 1,51 1,55 1,36 1,35 2,21 4,05
Maximum Drawdown -37,63% -11,43% -11,43% -13,67% -6,85% -2,98% -0,88% -7,95% -6,10% -5,77% -4,80% -4,79% -2,78% -1,21% -22,11% -7,34% -7,34% -8,03% -5,82% -2,80% -1,00%
Calmar Ratio 0,32 2,24 2,07 0,84 0,68 0,87 2,68 0,67 0,92 0,87 0,77 0,24 0,25 0,61 0,39 1,81 1,66 0,88 0,47 0,57 1,50
∑ Trades 1 25 41 87 45 25 17 1 25 41 87 45 25 17 1 25 41 87 45 25 17
Abbildung 35: Ergebnisse Handelsstrategie CCI
72/81
CREDIT SPREAD
Die empirische Untersuchung ergab eine Prognosefähigkeit des Credit Spreads von Moody’s, da
eine positive Delta-Veränderung des Credit Spreads mit einer Reduktion der Anleiherendite
korreliert. Die Handelsstrategie wurde demnach so konstruiert, dass bei Überschreiten der
Grenzwerte des Credit Spreads ein Verkaufssignal generiert wird, da mit negativen
Anleiherenditeentwicklungen zu rechnen ist. Eine Long-Position wird hingegen eingenommen,
wenn die definierten Grenzwerte des Credit Spreads unterschritten werden. Die Kauf- und
Verkaufssignale der getesteten Handelsstrategien werden in untenstehender Übersichtstabelle
vorgestellt.
Kauf Verkauf Strategie 1 Credit Spread < 0 Credit Spread > 0 Strategie 2 Credit Spread < 0,2 Credit Spread > 0,2 ABBILDUNG 38: ÜBERSICHTSTABELLE CREDIT SPREAD - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE
Die Ergebnisse zeigen, dass mittels des Credit Spreads ein erfolgreiches Timing des Marktes
möglich ist. Die risikoadjustierte Rendite konnte so jeweils deutlich gesteigert werden. Die hohe
Sharpe Ratio ist durch geringe durchschnittliche Verluste bei gleichzeitig hohen
durchschnittlichen Gewinnen begründet. Die Credit Sprad-Handelsstrategie im High Yield
Bereich erreicht eine kummulierte Rendite von 589,82% und übersteigt so renditemäßig die
VSTOXX-Handelsstrategie. Im High Grade Bereich liegt die kummulierte Rendite bei dem
Grenzwert des Credit Spreads von größer 0,2 bei 124,04%, was den höchsten Wert unter allen
untersuchten Sentiment-Indikatoren des High Grade Bereichs bedeutet – gleiches gilt für das
50/50-Portfolio (kummulierte Rendite bei 296,20%).
73/81
Benchmark -
High Yield Index
HY Credit Spread <
0
HY Credit Spread <
0,2
Benchmark -High Grade
Index
HG Credit Spread <
0
HG Credit Spread <
0,2
Benchmark - 50/50-Portfolio
50/50 Credit Spread <
0
50/50 Credit Spread <
0,2
Kummulierte Rendite 211,37% 467,01% 589,82% 91,20% 74,16% 124,04% 147,90% 216,25% 296,20%
Annualisierte Rendite 12,19% 10,28% 11,46% 5,26% 3,24% 4,71% 8,73% 6,76% 8,09%
Annualized SD 10,45% 6,85% 7,46% 4,04% 2,78% 3,24% 7,25% 4,52% 4,94%
Annualized Sharpe 1,10 3,83 4,47 1,13 1,29 1,99 1,11 2,61 3,32
Max Loss -20,30% -4,26% -4,26% -6,92% -3,06% -3,06% -11,37% -3,66% -3,66% Max Win 13,06% 13,06% 13,06% 3,72% 3,66% 3,72% 7,82% 7,82% 7,82%
Average Loss -2,12% -1,15% -1,17% -0,71% -0,54% -0,53% -1,23% -0,73% -0,73%
Average Win 1,75% 1,93% 1,77% 0,97% 1,00% 0,97% 1,28% 1,39% 1,29%
Profit Ratio 0,82 1,68 1,51 1,38 1,84 1,84 1,04 1,90 1,77
Maximum Drawdown -37,63% -4,26% -6,29% -7,95% -3,06% -3,38% -22,11% -3,66% -3,68%
Calmar Ratio 0,32 2,41 1,82 0,67 1,06 1,40 0,39 1,85 2,20
∑ Trades 1 82 18 1 82 18 1 82 18 ABBILDUNG 39: ERGEBNISSE HANDELSSTRATEGIE MOODY‘S CREDIT SPREAD
74/81
5. FAZIT Der bedeutsame Einfluss der Anleihen auf die Finanzwirtschaft ist durch das hohe Volumen des
Anleihemarktes und durch die zentrale Finanzierungsfunktion begründet. In der Masterarbeit
wurde untersucht, inwieweit mittels Sentiment-Indikatoren die Preisentwicklung von
europäischen High-Grade und High-Yield Anleiheindizes prognostiziert werden können. In der
empirischen Untersuchung konnte gezeigt werden, dass Sentiment-Indikatoren gut geeignet sind,
Anleiherenditen zu prognostizieren, wobei in der Eignung große Unterschiede zwischen den
Sentiment-Indikatoren festzustellen sind. Die Sentiment-Indikatoren CCI, VSTOXX 50
Volatilität und Moody’s Credit Spread ergaben eine hohe Prognosefähigkeit für zukünftige
Anleiherenditen, die Prognosefähigkeit von BCI und ESI ist vergleichsweise als gering
einzuschätzen.
Die Ergebnisse der Regressionsanalysen zeigten, dass positive Delta-Werte bei VSTOXX 50
Volatilität und Moody’s Credit Spread auf zukünftig niedrige Anleiherenditen hinweisen. Die
negative Relation zwischen Sentiment-Indikatoren und Anleiherenditen ist durch die zukünftig
unsicheren Marktaussichten bei einem Anstieg der Sentiment-Indikatoren begründet. Die
Sentiment-Indikatoren CCI und ESI hingegen weisen bei der Einschränkung auf positive Delta-
Werte auf künftige positive Anleiherenditen hin. Die positive Relation ist auf positive erwartete
Marktentwicklungen bei einem Anstieg der Sentiment-Indikatoren zurückzuführen. Beim BCI
kann durch die Einschränkung auf positive oder negative Delta-Werte des Sentiments keine
Prognosefähigkeit festgestellt werden.
Vergleicht man High Yield und High Grade Bereich hinsichtlich der Sensibilität für Sentiment,
so ist eine klar höhere Empfänglichkeit des High Yield-Segments für Sentiment-Veränderungen
zu beobachten, wobei die Ursache in der höheren Varianz der High Yield-Anleihepreise zu
vermuten ist. Im Unternehmensanleihebereich birgt Sentiment somit bei Anleihen mit hoher oder
niedriger Bonität ein Potenzial bei Anlageentscheidungen, dieses ist jedoch bei
Unternehmensanleihen mit geringer Bonität – aufgrund der höheren Sensitivität für Sentiment -
erhöht. Der Zeitraum nach der Finanzkrise 2007 war zudem wesentlich besser geeignet,
Anleiherenditen durch Sentiment-Indikatoren zu prognostizieren, da dieser Zeitraum durch
höhere Volatilitäten der Anleihepreise gekennzeichnet ist.
Die Ergebnisse wurden in Handelsstrategien übergeführt, wobei die Sentiment-Strategien eine
Optimierung der risikoadjustierten Rendite ermöglichen. Den Sentiment-Indikatoren liegen
demnach Informationen zugrunde, die in der zukünftigen Periode zu einer Veränderung des
75/83
Anleihepreises führen. Entgegen der Theorie der Informationseffizienz von Fama gehen diese
Informationen nicht sofort in die Anleihepreise ein, sondern bewirken eine verspätete
Preisveränderung. Wenn die Sentiment-Indikatoren auf eine niedriges Markt-Sentiment
hinweisen, wurde ein Verkaufssignal generiert, wodurch Marktabschwünge antizipiert und Alpha
erzielt wurde. Durch dieses Risikomanagement ist es möglich, hohe Marktabschwünge zu
vermeiden, folglich den durchschnittlichen Verlust zu verringern und den maximalen Drawdown
gering zu halten. Im High Yield Bereich konnte die höchste Sharpe Ratio durch Moody’s Credit
Spread erzielt werden (4,47), gefolgt von VSTOXX Volatilität 50 (4,20), CCI (3,23), BCI (1,61)
und ESI (1,14). Im High Grade Segment konnte wiederum durch Moody’s Credit Spread die
höchste Sharpe Ratio erreicht werden (1,99). Es folgen der VSTOXX 50 Volatilität (1,76), CCI
(1,44), BCI (0,98) und ESI (0,61). Die Wirksamkeit des Risikomanagement durch Sentiment-
Indikatoren kann anhand des geringen maximalen Drawdowns veranschaulicht werden. Im High
Yield Bereich liegt dieser bei VSTOXX 50 Volatilität und Moody’s Credit Spread im mittleren
einstelligen Bereich, wobei der maximale Drawdown der Benchmark -37,63% beträgt. Auch im
High Grade Bereich kann der maximale Drawdown bei VSTOXX 50 Vola und Moody’s Credit
Spread im Vergleich zur Benchmark um mehr als die Hälfte gesenkt werden.
76/83
6. LITERATURVERZEICHNIS AFME. AFME Government Bond Data Report Q1 2020. URL:
https://www.afme.eu/reports/data/AFME-Government-Bond-Data-Report-Q1-2020, abgerufen
am 15. Juli 2020
Ang, A., Bekaert, G. (2002). International Asset Allocation With Regime Shifts. The Review of
Financial Studies, Volume 15, Issue 4, July 2002, Pages 1137–1187.
Auckenthaler, C. (1991). Trust Banking – Theorie und Praxis des Anlagegeschäfts. Bern.
Acharya, V. V., Amihud, Y., Bharath, S. (2013). Liquidity risk of corporate bond returns:
Conditional approach. Journal of Financial Economics, 110(2), 358-386.
Bank of Japan. Tankan Sentiment Index. URL: https://www.boj.or.jp/en/statistics/tk/index.htm/,
abgerufen am 5.5.2010
Barclays. UK Logistics Confidence Index. URL:
https://www.barclayscorporate.com/content/dam/barclayscorporate-
com/documents/insights/industry-expertise/uk-logistics-confidence-2019.pdf, abgerufen am
5.5.2010
Baker, M., Stein, J (2002). Market Liquidity as a Sentiment Indicator. Journal of Financial
Markets. 7. 271-299.
Baker, M., Wurgler J. (2006). Investor Sentiment and the Cross-Section of Stock Returns.
Journal of Finance, American Finance Association, vol. 61(4), pages 1645-1680.
Baker, M., Wurgler J. (2007). Investor Sentiment in the Stock Market. Journal of Economic
Perspectives. 21. 129-152.
Baker, M., Wurgler J. (2012). Comovement and Predictability Relationships Between Bonds and
the Cross-section of Stocks, The Review of Asset Pricing Studies, Volume 2, Issue 1, Pages 57–87
77/83
Basu, D., Hung, C., Oomen, R., Stremme, A. (2006). When to Pick the Losers: Do Sentiment
Indicators Improve Dynamic Asset Allocation?. Edhec Business School, Lille – Nice.
Bethke, S., Gehde-Trapp, M., Kempf, A. (2017). Investor Sentiment, Flight-to-Quality, and
Corporate Bond Comovement. Journal of Banking & Finance.
Bittlingmayer, G., Shane M.. (2014). What Does the Corporate Bond Market Know? Financial
Review 49.1: 1-19.
Brière, M, Chapelle, A., Szafarz, A. (2008). No Contagion, Only Globalization and Flight to
Quality’. Journal of International Money and Finance.
Brinson, G. P., Hood, R., Beebower, G. L. (1986). Determinants of Portfolio Performance.
Financial Analysts Journal, Vol. 42, Nr. 4, S. 39-48.
Brown, G. W., Cliff, M. T. (2004). Investor sentiment and the near-term stock market. Journal of
Empirical Finance, 11(1), 1-27.
Chen, Z., Craig, K. A. (2018). January sentiment effect in the US corporate bond market. Review
of Behavioral Finance.
Christmann, A. (1996). Anwendungen der Synergetik und Chaostheorie in der Ökonomie.
Connolly, R., Stivers, C. (2006). Information content and other characteristics of daily cross-
sectional dispersion in stock returns. Journal of Empirical Finance, 13, 79– 112.
Da, Z. Engelberg, J., Gao, P. (2014). The sum of all FEARS investor sentiment and asset prices.
Review of Financial Studies, pages. 1-32.
Demirovic, A., Kabiri, A., Tuckett, D., Nyman, R. (2020). A common risk factor and the
correlation between equity and corporate bond returns. Journal of Asset Management.
Dick-Nielsen, J. (2004). How to Clean Enhanced TRACE Data.
78/83
Eurex Exchange. URL:
https://www.eurexchange.com/resource/blob/146798/29a67e60c49811de80c7252b627ee738/data
/factsheet_eurex_vstoxx.pdf, abgerufen am 25.5.2020
Europäische Kommission, Eurostat. URL: https://ec.europa.eu/eurostat/de/web/products-
datasets/product?code=teibs010, abgerufen am 4.5.2020
Eustermann, P. (2010). Behavioral Finance, Private Equity and Asset Price Bubbles:
Implikationen für Finanzsystemstabilität und Geldpolitik. Kovac Verlag, Hamburg.
Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical
Work. Journal of Finance, vol. 25, no. 3, S. 383-417.
Fama, E. F. (1972). Components of investment performance. Journal of Finance, Vol. 27, No. 3.
S. 551-567.
Fama, E. F., French, K. R. (1993). Common Risk Factors in the returns on stocks and bonds.
Journal of Financial Economics, Volume 33, Issue 1, Pages 3-56.
Fama, E. F. (1997). Market Efficiency, Long-Term Returns, and Behavioral Finance. Journal of
Financial Economics, pages 283—306.
Fama, E., French, K. R. (1996): Multifactor Explanations of Asset Pricing Anomalies. Journal of
Finance, vol. 51, no. 1, S. 55-84.
Fang, L., Yu, H., Huang, Y. (2018). The role of investor sentiment in the long-term correlation
between U.S. stock and bond markets. International Review of Economics & Finance.
Fischer, B. (2010). Performanceanalyse in der Praxis: Performancemaße, Attributionsanalyse,
Global Investment Performance Standards. Walter de Gruyter GmbH & Co KG.
Franzoni, F. A. and Nowak, E., Phalippou, L. (2011). Private Equity Performance and Liquidity.
Journal of Finance.
79/83
Freybote, J. (2016). Real estate sentiment as information for REIT bond pricing. Journal of
Property Research. 33. 1-19.
Gerke, W. (1997). Herrschaft der Androiden - Konsequenzen der Kapitalmarkttheorie
für das Anlegerverhalten, in: Jünemann, B./Schellenberger, D. (Hrsg.), Psychologie für
Börsenprofis, Stuttgart, S. 19-40.
Shefrin, H. (2002). Beyond Greed and Fear: Understanding behavioral finance and the
psychology of investing. Oxford University Press.
Stigler, G. J. (1964). Public regulation of the securities markets. Journal of Business 37, 117–
142.
Hockmann, H. J. (1987). Performance-Messung von Wertpapier-Portfolios. Die Bank : Zeitschrift
für Bankpolitik und Praxis.
Holzer, C. (1990). Anlagestrategien in festverzinslichen Wertpapieren. Springer Verlag.
Huang, J., Rossi, M., Wang, Y. (2015). Sentiment and Corporate Bond Valuations Before and
After the Onset of the Credit Crisis. Journal of Fixed Income.
Ibbotson, R. G., Brinson, G. P. (1987). Investment markets: gaining the performance
advantage. New York: McGraw-Hill.
ICMA Group. URL: https://www.icmagroup.org/resources/market-data/Market-Data-
Dealogic/#15, abgerufen am 1. 5 2020
Jones, C. (2001). A century of stock market liquidity and trading costs, Working paper,
Columbia University.
JP Morgan. Investor Confidence Index. URL: https://www.jpmorgan.com/global/prime-
services/institutional-investor-survey-2019
Kuha, J. (2004) AIC and BIC: Comparisons of assumptions and performance. Sociological
Methods and Research, 33 (2). pp. 188-229.
80/83
Kumar, A., Lee, C. (2006). Retail Investor Sentiment and Return Comovements. Journal of
Finance. 61. 2451-2486.
Maltritz, D., Molchanov, A. (2013). Analyzing determinants of bond yield spreads with Bayesian
Model Averaging. Journal of Banking and Finance, vol. 37, issue 12, 5275-5284
Laborda, R., Olmo, J. (2014). Investor sentiment and bond risk premia. Journal of Financial
Markets, 18: 206–233.
Lee, C., Shleifer, A., Thaler, R. H. (1991). Investor sentiment and the closed-end
fund puzzle, Journal of Finance 46, 75–109.
Li, L., Galvani, V. (2018). Market States, Sentiment, and Momentum in the Corporate Bond
Market. Journal of Banking & Finance.
Liu, S. (2014). The Impact of Textual Sentiment on Sovereign Bond Yield Spreads: Evidence
from the Eurozone Crisis. Multinational Finance Journal. 18. 215-248.
Lopez-Salido, D., Stein, J. S., Zakrajsek, E. (2015). Credit- Market Sentiment and the Business
Cycle. Finance and Economics Discussion Series.
McDougall, W. (2015). An Introduction to social psychology. Psychology Press.
Nayak, S. (2010). Investor Sentiment and Corporate Bond Yield Spreads. Review of Behavioral
Finance. 2. 59 - 80.
Perridon, L., Steiner, M. (1995): Finanzwirtschaft der Unternehmung, 8. Auflage, München.
Rapp, H.-W. (1997): Der tägliche Wahnsinn hat Methode - Behavioral Finance:
Paradigmenwechsel in der Kapitalmarktforschung, in: Jünemann, B./Schellenberger, D. (Hrsg.).
Psychologie für Börsenprofis, Stuttgart, S. 76-108.
Roßbach, P. (1991). Methoden und Probleme der Performance-Messung bei Aktienportefeuilles,
Frankfurt.
81/83
Ritter, J. (1991). The long-run performance of initial public offerings. Journal of Finance 46, 3–
27.
Schmidt, R. H., Terberger, E. (1996): Grundzüge der Investitions- und Finanzierungstheorie,
3. Auflage, Wiesbaden.
Schwarzer, M. (2003). Kursreaktionen auf Unternehmensmeldungen bei unterschiedlichen
Unternehmenssituationen. Hildesheim, S. 30.
Sharpe, W. F. (1966) Mutual fund performance. The Journal of Business, 39, 119-138.
Sharpe, W. F. (1992). Asset Allocation: Management Style and Performance Measurement.
Journal of Portfolio Management, 18, 7-19.
Shefrin, H., Statman, M. (1995): Behavioral Portfolio Theory. Working paper, Santa
Clara University, Santa Clara.
Shiller, R. J. (1981): Do Stock Prices Move Too Much to be Justified by Subsequent
Changes in Dividends. American Economic Review, vol. 71, no.
3, S. 421-436.
Shiller, R. J. (1997): Human Behavior and the Efficiency of the Financial System,
Working Paper, Yale University.
Sibley, S., Wang, Y., Xing, Y., Zhang, X. (2016). The information content of the sentiment
index. Journal of Banking and Finance, Volume 62, Pages 164-179.
Singer, E. (2002). The use of incentives to reduce nonresponse in household surveys. Working
Paper, University of Michigan.
Spyrou, S. (2011). Are Sovereign Bond Yield Spreads Affected by Investor Sentiment? Evidence
from the Greek Budget Crisis.
Steiner, M., Bruns, C. (1994). Wertpapiermanagement, 2. Auflage, Stuttgart.
82/83
Steiner, M., Bruns, C., Stöckl, S. (2017). Wertpapiermanagement, 11. überarbeitete Auflage,
Stuttgart.
Stigler, G. J. (1964) Public regulation of the securities markets. Journal of Business 37, 117–
142.
Tang, D., Yan, H. (2010). Market Conditions, Default Risk and Credit Spreads. Journal of
Banking & Finance. 34. 743–753.
UBS. Investor Optimism Index. URL:
https://www.google.com/search?client=safari&rls=en&q=ubs+index+of+investor+optimism&ie=
UTF-8&oe=UTF-8, abgerufen am 5.5.2020
Vaga, T. (1990). The Coherent Market Hypothesis. Financial Analysts Journal,
vol. 46, no. 6, S. 36-49.
Wiener Börse, URL: https://www.wienerborse.at/emittenten/anleihe-emission-listing/, abgerufen
am 7. Juni 2020
Wiener Börse, URL: https://www.wienerborse.at/emittenten/neue-und-bestehende-anleihen/,
abgerufen am 7. Juni 2020
Wittrock, C. (2000). Messung und Analyse der Performance von Wertpapierportfolios, 3. Aufl.,
Bad Soden/Ts. (zugl. Diss. Münster).
Zimmermann, H. (1991). Zeithorizont, Risiko und Performance: eine Übersicht. Band 9109 von
Publikationen / Schweizerisches Institut für Banken und Finanzen der Hochschule St. Gallen.
Zweig, M. E. (1973) An investor expectations stock price predictive model using closed-end
fund premiums. Journal of Finance 28, 67–87.