Im Laufe des vergangenen Jahrzehnts ist es bei Anlagen in Anleihen zu einem radikalen Umbruch gekommen. Wir sind der Ansicht, dass einige Manager durch die Abkehr von althergebrachten Lehrmeinungen im Rahmen des aktiven Managements und der Zuwendung zu neuen Technologien und quantitativen Ansätzen besser in der Lage sind, Ihren Kunden einzigartige Einblicke und Überschussrenditen zu bieten.
Einige Investmentanbieter sehen diese Transformation jedoch als Entweder-Oder-Entscheidung, d.h. als Konflikt zwischen aufgeklärten quantitativen Ansätzen und überholten „traditionellen“ aktiven Managern, die sich an die fundamentalen wirtschaftlichen Gesetzmäßigkeiten der Kapitalmärkte klammern. Wir sind der Auffassung, dass diese Gegenüberstellung von quantitativer Analyse und aktivem Management zu einer falschen Dichotomie führt. In dieser Studie erläutern wir, wie unser aktiver Ansatz in Bezug auf quantitativ abgeleitete Einblicke unseren als „Active Quant“ bezeichneten Investmentprozess so einzigartig macht.
Die wichtigsten Punkte:
- Wir beginnen mit einer Erläuterung der Anfänge von Factor Investing und dem Aufkommen von Techniken des maschinellen Lernens, die den Status quo bei der Verwaltung von Anleiheportfolios auf den Kopf stellen.
- Wir besprechen makroökonomisches Top-Down-Research und erläutern, wie wir maschinelle Lernalgorithmen einsetzen, um Objektivität und Disziplin in den Prozess zur Prognose von Asset-Preisen in einem sektorübergreifenden Anleiheuniversum einfließen zu lassen.
- Wir untersuchen den Bottom-up-Prozess der Wertpapierauswahl. Dabei vergleichen wir faktor-basierte Methoden, mit denen sich dauerhafte, quantifizierbare Treiber von Überschussrenditen erkennen lassen, mit traditionellen Bonitätsanalysen. Wir erläutern, warum eine tief-greifende Bonitätsanalyse für den Prozess zur Bewertung von Risikoaufschlägen (d.h. erwartete Renditen über dem risikofreien Zinssatz) uner-lässlich bleibt.