Anlagestrategie Wie Konjunkturdaten am besten bei der Aktienkursprognose helfen

Wer mit Konjunkturdaten Aktienkurse zu prognostizieren versucht, der musste in der Vergangenheit oft feststellen, dass an der Börse offenbar vieles nicht nach dem reinen Lehrbuch abläuft. So geht beispielsweise ein hohes Wirtschaftswachstum nicht immer auch gleichzeitig mit steigenden Aktienkursen einher. Die chinesischen Börsen können davon ein Lied singen, nachdem dort im Vorjahr die Kurse deutlich gefallen sind während die Wirtschaft weiter kräftig gewachsen ist.

Und wenn die Informationsverarbeitung sämtlicher relevanter Informationen zu jedem Zeitpunkt vollkommen effizient wäre, dann würde es in der Tat wenig Sinn machen, ständig Konjunkturdaten zu analysieren. Denn dann wäre jede neue Information im Moment ihrer Veröffentlichung eingepreist, wie die Analysten von M.M.Warburg & Co Investment Research in einer neuen Studie zum Thema, inwieweit die Gewichtung von Assetklassen in Portfolios über Konjunkturdaten gesteuert werden kann, zutreffend schreiben.

Für die Experten von M.M.Warburg steht aber trotzdem fest, dass ein Gleichnis von Börsen-Altmeister André Kostolany zutrifft. Demnach ist die Beziehung zwischen dem Markt und den Fundamentaldaten mit einem Hund und seinem Herrchen zu vergleichen, der den Hund an einer langen Leine führt. Auch wenn der Hund manchmal hektisch und konfus die kurzfristige „Marschrichtung“ zu ändern scheint, so wird der Spielraum doch durch das Herrchen und seine Leine eingeschränkt, wobei auch die grobe Bewegungsrichtung immer durch das Herrchen und nicht durch den Hund definiert wird.

Umgemünzt auf die Finanzmärkte bedeutet dies, dass sich mittel- und langfristig die Kurse niemals von den Fundamentaldaten abkoppeln können. Aus diesem Grund hält man bei M.M.Warburg die Analyse von Fundamentaldaten und vor allem von Konjunkturdaten nach wie vor für unabdingbar.

Hausintern wird seit 2002 ein selbst entwickeltes Konjunkturzyklusmodell verwendet, welches das Niveau und die Dynamik von verschiedenen Konjunkturindikatoren regelgebunden auswertet und zu einem Gesamtsignal verdichtet. Wie sich gezeigt habe, gebe es einen erstaunlichen Gleichlauf zwischen dem Signal, welches die wesentlichen fundamentalen Rahmendaten für den Aktienmarkt beschreibt, und dem Aktienmarkt selbst. Das Signal schwankte prinzipbedingt zwischen 0 und 1; aus diesem Grund könne man den Wert auch als Aktienquote in einem gemischten Mandat interpretieren, da eine verbesserte fundamentale Datenlage auch ihren Ausdruck in einer höheren Aktienquote finden sollte. Allein schon der recht enge Zusammenhang zwischen dem Signal im Konjunkturzyklusmodell und dem Aktienmarkt sollte laut den Analyten von M.M.Warburg alle Kritiker verstummen lassen, die behaupten, der Aktienmarkt entwickle sich weitgehend losgelöst von fundamentalen Daten.

An der Börse kommt es auf vorlaufende Signale an

Ein richtiger Mehrwert in der taktischen Allokation könne allerdings erst dann erzielt werden, wenn es auch einen gewissen Vorlauf des Signals vor dem Aktienmarkt gebe. Betrachte man die Grafik (siehe Grafiken), scheine dies zuweilen tatsächlich der Fall zu sein; oft beginne die Quote zu steigen oder zu fallen, bevor der Aktienmarkt die Richtung ändere. Unter Performancegesichtspunkten stelle sich aber immer wieder die Frage, wie ein solches Signal zu interpretieren sei: Hätte man beispielsweise tatsächlich Anfang 2009 die Aktienquote Monat für Monat analog zum Signal des Modells schrittweise anheben sollen, oder wäre man nicht besser bedient gewesen, wenn man den unteren Wendepunkt des Signals identifiziert und in dem Moment die Aktienquote aggressiv erhöht hätte?

Rückblickend könne gesagt werden, dass die Identifikation von Wendepunkten in der Regel die bessere Methode gewesen wäre, um die Outperformance über die taktische Allokation zu maximieren. Allerdings sei dies leichter gesagt als getan, denn rückblickend sei ja auch bekannt, wann ein Wendepunkt tatsächlich ein Wendepunkt gewesen sei. In der Echtzeitanwendung sei dagegen innerhalb eines solchen Modells nie eindeutig, ob ein Wendepunkt erreicht worden sei oder noch nicht. Ein gutes Beispiel dafür sei die Situation Ende 2011 gewesen. Damals habe das Signal in unserem Konjunkturzyklusmodell in etwa zwischen 0,1 und 0,2 gependelt. Heute sei klar, dass dies ein Wendepunkt gewesen sei, doch zu dem Zeitpunkt sei diese Erkenntnis alles andere als eindeutig gewesen. Vielmehr habe eine reelle Chance bestanden, dass das Signal innerhalb der folgenden Monate auf 0 fallen würde, so wie dies zuvor schon im Herbst 2008 geschehen war. Eine massive Aufstockung der Aktienquote hätte in dieser Situation zu extremen Verlusten führen können.

In der Praxis kommt es auf die Details an

Es gelte also nach einem Verfahren zu suchen, das mit hinreichender Sicherheit konjunkturelle Wendepunkte mehr oder weniger in Echtzeit erkennen könne, ohne dabei zu viele Fehlsignale zu erzeugen. Diese Vorgabe erweise sich grundsätzlich als fast unlösbar, denn Wendepunkte ließen sich letztlich nur dann sicher interpretieren, wenn Konjunkturdaten am jeweils aktuellen Rand direkt mit der Vorperiode verglichen würden. Würden Konjunkturdaten gleichmäßig wie eine Sinuskurve schwanken, dann ließen sich konjunkturelle Wendepunkte tatsächlich mit einer perfekten Trefferquote als solche identifizieren. Leider bewegten sich Konjunkturdaten in aller Regel nicht wie eine „saubere“ Sinuskurve, sondern eher wie eine stark „verrauschte“ Sinuskurve.

Die Grafik (Beispiel für „verrauschte“ Konjunkturdaten) zeige dieses Problem anschaulich auf: Während in der roten Linie Wendepunkte auch in „Echtzeit“ sehr gut auszumachen seien, sei dies in der blauen Linie unmöglich, denn ein scheinbarer Tiefpunkt werde oftmals nach einer kleinen Zwischenerholung von einem neuen Tiefpunkt „übertroffen“, bevor dann tatsächlich die konjunkturelle Wende erreicht werde.

Es bestehe in der Praxis immer ein Zielkonflikt zwischen einer zeitnahen Analyse von Wendepunkten und der Vermeidung zu vieler Fehlsignale. Je zeitnäher die Wendepunkte ermittelt würden, umso höher sei die Fehlerquote – und je geringer die Fehlerquote, umso später die verlässliche Ermittlung des Wendepunktes. Eine perfekte Lösung für dieses Problem könne gar nicht existieren, doch mit einem kleinen „Trick“ lasse sich der oben beschriebene Zielkonflikt zumindest teilweise aufheben. Die Lösung bestehe darin, eine möglichst hohe Anzahl von Daten zu analysieren. Dadurch gelinge es zumindest teilweise, das „Rauschen“ aus den Daten herauszufiltern (siehe rote Linie in der Grafik Beispiel für Filterung des „Rauschens“ durch Mittelwertbildung einzelner Zeitreihen).

Die Analysten von M.M.Warburg haben nun diesen Ansatz verfolgt, in dem sie eine sehr hohe Anzahl von konjunkturrelevanten Zeitreihen daraufhin untersuchten, ob sie zu einem gegebenen Zeitpunkt gegenüber ihrer eigenen Historie im Monatsvergleich besonders stark steigen oder fallen. Es gehe also letztlich um die Frage, ob die Entwicklung einer Zeitreihe zu einem gegebenen Zeitpunkt im positiven oder negativen Sinne „überrascht“, denn die naive Annahme sei ja die, dass sich die Zeitreihe im Monatsvergleich „normal“, also mit der durchschnittlichen Monatsrate der vergangenen Jahre entwickele. Wende man diese Methode nur auf wenige Zeitreihen an, ließen sich Wendepunkte nicht verlässlich identifizieren; nutze man aber das Gesetz der großen Zahl und nutze diesen Ansatz für hunderte von konjunkturrelevanten Zeitreihen, dann ergebe sich ein ausgesprochen stabiles Bild, das auch auf konjunkturelle Wendepunkte vergleichsweise verlässlich hinweise.

Antizipationsfähigkeit des Marktes nicht überschätzten

Die Experten haben diese Methode für eine größere Anzahl von Indizes durchgeführt, um zu prüfen, ob die „Überraschungen“ in der Entwicklung fundamentaler Zeitreihen zeitnah für die taktische Allokation genutzt werden können. Da für unterschiedliche Aktienmarktindizes davon auszugehen ist, dass fundamentale Zeitreihen auch eine unterschiedliche indexspezifische Bedeutung besitzen, wurde für jede fundamentale Zeitreihe eine Korrelationsanalyse vorgeschaltet. Damit könne zu jedem Zeitpunkt geprüft werden, wie stark der Zusammenhang zwischen fundamentaler Zeitreihe und Aktienindex sei. Das Modell suche also automatisch nach den Wendepunkten in den fundamentalen Zeitreihen, die tatsächlich für einen jeweils betrachteten Index eine erhöhte Erklärungskraft besitzen würden. Dabei sei in der Rückrechnung sichergestellt worden, dass zu keinem Zeitpunkt Informationen verwendet wurden, die nicht auch zu dem jeweiligen Zeitpunkt vorgelegen hätten. Auch die konkreten Zeitverschiebungen bei den Veröffentlichungen fundamentaler Zeitreihen (beispielsweise würden viele realwirtschaftliche Zeitreihen wie Auftragseingänge, Industrieproduktion oder Beschäftigung erst mit einer Verzögerung von 2 Monaten veröffentlicht) seien berücksichtigt worden.

Das Ergebnis wurde in der Grafik für den Dax dokumentiert (Wirtschaftliches Umfeld für den DAX auf Basis von „Überraschungen“ in volkswirtschaftlichen Zeitreihen). Wenn die Balken (bezogen auf die rechte Skala) über der Null-Linie liegen, hätten die untersuchten Zeitreihen (etwa die Frühindikatoren verschiedener Länder) in ihrer Mehrheit positiv in dem Sinne überrascht, dass ihre Entwicklung im Monatsvergleich über dem Durchschnitt der vorherigen Monatsraten gelegen hätten. Analoges gelte für die negativen Werte, die mehrheitlich mit negativen „Überraschungen“ einhergehe. Die Analysten denken, dass sich damit recht gut die konjunkturellen Wendepunkte erkennen lassen würden. Wie die zuletzt erwähnte Grafik zeige, habe es aus einer indexspezifischen Sichtweise des Dax seit 2002 acht Wendepunkte in fundamentalen Zeitreihen gegeben, die für die taktische Allokation besonders relevant gewesen wären. Wie die Abbildung eindrucksvoll beweise, hätte man damit auch die großen Wendepunkte in der Wertentwicklung des Dax entweder antizipieren oder aber zumindest zeitnah erkennen können.

Es verstehe sich von selbst, dass ein derartiges Modell, welches nur auf fundamentalen Monatsdaten aufsetze, unmöglich in der Lage sei, perfekte Timingsignale zu liefern. Dafür existierten bessere Ansätze. Mit Hilfe eines solchen fundamentalen Modells sei man aber in der Lage, frühzeitig Trendwechsel in den fundamentalen Daten zu erkennen, da ausschließlich Monatsveränderungen ausgewertet werden. Im Idealfall bedeute dies, dass Trendwenden schon einen Monat nach ihrem Auftreten vergleichsweise verlässlich ermittelt werden könnten. Das schütze natürlich nicht davor, dass der Aktienmarkt diese Trendwende in der fundamentalen Lage schon vorher antizipiere und dementsprechend einpreise. Wenn dies dem Aktienmarkt regelmäßig gelingen würde, wären alle zuvor geschilderten Bemühungen umsonst. Die Erfahrung zeige aber, dass die Antizipationsfähigkeit des Marktes nicht überschätzt werden sollte.

Beispielsweise sei der konjunkturelle Wendepunkt ab Herbst 2007 vom Aktienmarkt nicht antizipiert worden, und auch die Eintrübung der Konjunktur im Sommer 2011 habe sich erst ab August am Aktienmarkt gezeigt und eben nicht schon vorher. Die letzte Trendwende wurde vom M.M.Warburg-Modell im Januar dieses Jahres beobachtet, da ab Januar die Monatsveränderungen der meisten Daten erneut positive „Überraschungen“ aufgewiesen hätten. Auch diese Trendwende sei zwar vom Aktienmarkt mehr oder weniger parallel verarbeitet, nicht aber antizipiert worden.

M.M.Warburg-Modell funktioniert bei verschiedenen Aktienindizes

Damit nicht der Eindruck entstehe, das Modell sei so lange optimiert worden, bis es für den Dax-Verlauf „passe“, wurden zum Vergleich die gleichen Berechnungen für den Stoxx 600 Index durchgeführt. Auch wenn die Signale nicht gleich seien, seien die für den Stoxx 600 hergeleiteten indexspezifischen Wendepunkte in den Fundamentaldaten fast mit den Wendepunkten für das Dax-Modell identisch gewesen. Dies sei auch logisch, da die deutschen Unternehmen mehr oder weniger von den gleichen fundamentalen Rahmendaten abhängig sein sollten wie die europäischen Unternehmen.

Nur wenig anders würden die Modelle aussehen, die für den amerikanischen und japanischen Aktienmarkt aufgebaut wurden. Die großen fundamentalen Zyklen seien auch hier zeitnah und ohne große Fehlsignale erfasst worden.

Die Analysten verschweigen aber nicht, dass im Falle von Schwellenländern dieser Modellansatz erst in den vergangenen Jahren einen Mehrwert geliefert hätte. Insbesondere vor der Subprime-Krise seien die Aktienmarkte in den Schwellenländern primär von länderspezifischen Entwicklungen getrieben worden, die mit dem vorgestellten globalen Fundamentalmodell nicht hinreichend hätten abgebildet werden können.

Fazit: Auf die Wendepunkte kommt es an

Im Ergebnis lässt sich laut M.M.Warburg festhalten, dass es nach wie vor Sinn macht, Konjunkturdaten zu analysieren und die Erkenntnisse im Rahmen der taktischen Allokation zu berücksichtigen. Da allerdings die Wendepunkte im Konjunkturzyklus sehr früh erkannt werden müssen, wenn es darum gehe, im Rahmen der taktischen Allokation einen Mehrwert zu generieren, benötige man Hilfsmittel, die einem die Identifikation von Wendepunkten mit hinreichend hoher Sicherheit erlauben.

Mit dem in der Studie vorgestellten Ansatz, der für eine sehr hohe Anzahl konjunkturrelevanter Daten Monatsveränderungen auswerte und „Überraschungen“ identifiziere, sei ein gangbarer Weg gefunden worden, diese Aufgabe prinzipiell zu erfüllen. Zusammen mit dem bewährten Konjunkturzyklusmodell und den zuletzt vorgestellten Timingmodellen sollte dieser Ansatz dazu beitragen, die Qualität der taktischen Allokation auch in turbulenten Zeiten auf einem hohen Niveau zu halten, so das Fazit. Ergänzend sei noch erwähnt, dass das Research der Warburg Gruppe in der Vergangenheit schon viele Auszeichnungen erhalten hat.