Das Faktor-Exposure Ihres eigenen Portfolios messen: eine einfache Regression, Faktor-Loadings und Tracking Error

Was Sie lernen werden

• Was ein Faktor-Loading ist und wie eine renditebasierte Regression es schätzt.
• Wie Sie eine Einfaktor-Regression von Hand berechnen und Alpha, Beta, R-Quadrat und Residualrisiko lesen.
• Wie Sie eine Ausgabetabelle mit drei oder fünf Faktoren interpretieren und welche Bandbreite der Loadings für Long-Only-Fonds typisch ist.
• Eine bestandsbasierte Abkürzung für ein Portfolio aus mehreren ETFs und die Grenzen beider Methoden.

Erklärung

Loadings statt Etiketten

Der Name eines Produkts sagt, was es zu tun versucht; eine Regression zeigt, was es getan hat. Sie erklärt die monatliche Überschussrendite des Portfolios (Rendite minus risikofreier Zins) als Kombination von Faktorrenditen:

R_p − R_f = α + β_mkt × (R_m − R_f) + β_HML × HML + β_SMB × SMB + ε

HML („high minus low“, Value) und SMB („small minus big“, Size) sind die akademischen Long-Short-Faktorrenditen aus Lektion 1. Jedes β ist ein Loading: die Sensitivität Ihres Portfolios gegenüber einer Einheit der Rendite dieses Faktors. Alpha (α) ist die durchschnittliche Rendite, die die Faktoren nicht erklären; ε (Epsilon) ist das monatliche Residuum; R-Quadrat ist der Anteil der Renditevarianz, den die Faktoren erklären. Monatliche Faktorrenditen für mehrere Regionen werden von akademischen Datenbibliotheken kostenlos veröffentlicht (suchen Sie nach der Fama-French Data Library); Ihre eigenen Renditen stammen aus den Abrechnungen Ihres Brokers.

Den Einfaktor-Fall von Hand rechnen

Mit einem Faktor: β = Kovarianz(Portfolio, Faktor) / Varianz(Faktor); α = Mittelwert(Portfolio) − β × Mittelwert(Faktor). Die Standardabweichung der Residuen mal die Quadratwurzel aus 12 ist das annualisierte idiosynkratische Risiko. Der Tracking Error gegenüber dem Markt, der die in Lektion 11 besprochene Reue antreibt, ist die Standardabweichung von (Portfolio minus Markt), auf dieselbe Weise annualisiert. Tabellenkalkulationsfunktionen (SLOPE, INTERCEPT, LINEST) erledigen den Multifaktor-Fall.

Eine Multifaktor-Tabelle lesen

Typische Bandbreiten: Ein kapitalisierungsgewichteter Welt-ETF lädt etwa 1.0 auf den Markt und nahe 0 auf den Rest, R-Quadrat über 0.98. Ein Long-Only-Value-ETF zeigt oft HML zwischen 0.2 und 0.5; ein Small-Cap-Value-Fonds SMB 0.6–0.9 und HML 0.3–0.5. Loadings nahe 1.0 auf HML oder Momentum kommen nur bei Long-Short-Produkten vor. Faustregeln:

• Ein Loading ist nur mit genügend Daten aussagekräftig: Verwenden Sie mindestens 36, besser 60 monatliche Beobachtungen, und schauen Sie auf die t-Statistik, falls Ihre Tabellenkalkulation eine liefert (über etwa 2 bedeutet, dass das Loading wahrscheinlich kein Rauschen ist).
• Das monatliche Alpha ist bei einem privaten Portfolio fast immer statistisch nicht von null zu unterscheiden; bauen Sie keine Geschichte darauf auf.
• Loadings driften, wenn der Index neu zusammengesetzt wird; wiederholen Sie die Regression einmal im Jahr.

Die bestandsbasierte Abkürzung

Besteht Ihr Portfolio aus wenigen ETFs, schätzen Sie das Portfolio-Loading als gewichteten Durchschnitt der Fonds-Loadings, die mehrere kostenlose Analyse-Websites veröffentlichen. Das ist schnell, übernimmt aber deren Schätzfenster.

Durchgerechnetes Beispiel

Hypothetisches Beispiel: sechs Monate Überschussrenditen (Prozent) für ein Portfolio und für den Markt. Sechs Monate sind für eine echte Schätzung viel zu kurz; sie dienen nur dazu, die Arithmetik zu zeigen. Kosten und Steuern werden ignoriert.

Schritt 1 – Mittelwerte: Markt 0.50 %, Portfolio 0.667 %.

Schritt 2 – Stichprobenvarianz des Marktes: Abweichungen 1.5, −2.0, 2.5, 0, −3.0, 1.0; die Quadrate summieren sich auf 22.5; geteilt durch (6 − 1) = 4.5.

Schritt 3 – Stichprobenkovarianz: Die Produkte der Abweichungen summieren sich auf 23.75; geteilt durch 5 = 4.75.

Schritt 4 – β = 4.75 / 4.5 = 1.056. α = 0.667 − 1.056 × 0.50 = 0.139 % pro Monat.

Schritt 5 – Residuen (Ist minus α + β × Markt): 0.15, −0.46, −0.01, 0.23, 0.30, −0.22. Standardabweichung der Residuen (geteilt durch 6 − 2 = 4) = 0.33 % pro Monat oder 0.33 × 3.46 = 1.1 % pro Jahr.

Schritt 6 – Tracking Error gegenüber dem Markt: Standardabweichung der Differenzspalte = 0.31 % pro Monat, etwa 1.1 % pro Jahr.

Interpretation: etwas aggressiver als der Markt (β über 1) mit wenig eigenständigem Risiko, was auf einen milden Tilt hindeutet; mit sechs Beobachtungen ist weder α noch β verlässlich. In einem echten Dreifaktor-Lauf könnte dasselbe Portfolio HML 0.3 mit einem Marktbeta näher an 1.0 zeigen, weil ein Teil des zusätzlichen Betas Value-Exposure ist.

Häufiger Fehler

Übungsaufgabe

Auf Papier: Ihr Portfolio besteht zu 60 % aus einem kapitalisierungsgewichteten Welt-ETF (Loadings HML 0.00, SMB 0.00), zu 25 % aus einem Welt-Value-ETF (HML 0.45, SMB 0.10) und zu 15 % aus einem Welt-Quality-ETF (HML −0.10, SMB 0.00). (a) Berechnen Sie die HML- und SMB-Loadings des Portfolios mit der bestandsbasierten Abkürzung. (b) Das Factsheet des Value-ETF spricht von „starkem Value-Exposure“. Verdient ein Portfolio-HML in Höhe Ihres Ergebnisses diese Beschreibung? (c) Nennen Sie eine Sache, die die Abkürzung nicht erfassen kann.

Kernaussagen

• Eine Regression verwandelt Marketing-Etiketten in messbare Loadings; Long-Only-Produkte laden typischerweise 0.2–0.5 auf einen Faktor, nicht 1.0.
• β = Kovarianz / Varianz; α ist der unerklärte Durchschnitt; Residualrisiko und Tracking Error werden mit der Quadratwurzel aus 12 annualisiert.
• Verwenden Sie mindestens 36–60 monatliche Beobachtungen, eine passende Währung und Überschussrenditen.
• Jährlich wiederholen; Loadings driften mit den Indexüberprüfungen.

Nächster Schritt

Lektion 10 wendet sich den Kosten zu, die zwischen der Papierprämie und Ihrem Depot stehen: Umschlag, Implementation Shortfall, Kapazität und Crowding.