Othoz

Unternehmensüberblick / Kernkompetenz

Aktienselektion / Holistische Aktien-Selektionsmodelle:

Die Preisentwicklung an Aktienmärkten wird durch das Aufeinandertreffen verschiedener Anlagephilosophien und Bewertungsmodelle bestimmt.

Manche Investoren setzen auf die klassische Analyse von fundamentalen Kennzahlen, um dann ein zumeist konzentriertes Portfolio von „attraktiven“ Werten aus unterschiedlichen Branchen zusammenzustellen und dies einige Zeit zu halten. Andere Investoren glauben an temporäre Über- und Unterbewertungen und handeln Aktien mit eher kurzfristigen Horizonten auf Basis von Unternehmensmeldungen und Nachrichten. Viele Investoren setzen auf die bekannten Stilprämien wie Value, Growth, Quality und Size, um ihre Portfolios regelbasiert und diszipliniert aktiv zu bewirtschaften. Und schließlich gibt es Momentum-Investoren, die sich vornehmlich mit den Preishistorien von Aktien beschäftigen und daraus Schlüsse über Verhaltensanomalien ziehen.

Die unterschiedlichen Selektionsmodelle unterliegen einerseits individuellen Überzeugungen aus der beruflichen Praxis, andererseits wissenschaftlichen Befunden insbesondere aus der empirischen Finanzmarktforschung. In aller Regel wird der typische quantitative oder qualitative Anlageprozess von einem dieser Vorgehensmodelle dominiert, so dass alle genannten Modelle in die Entwicklung von Marktpreisen einfließen.

Die Methoden des Maschinellen Lernens ermöglichen es uns, auf Basis großer, heterogener Datenmengen die Preisbildung an Aktienmärkten holistisch zu analysieren.

Die von uns aktiv bewirtschafteten Aktienportfolios reflektieren das Substrat des dynamischen Wettbewerbs der unterschiedlichen „Bewertungsschulen“ im konjunkturellen Zyklus. Dadurch können die immer wieder auftretenden Stilrotationen, konjunkturell oder Sentiment bedingte Präferenzverschiebungen der Anleger sowie Momentum- oder Reversal-Effekte gleichzeitig erfasst werden. Unser Anlageprozess ist auf die systematische Ernte von makroökonomischen Risikoprämien sowie Stilprämien und temporäre Chancen in einzelnen Aktientiteln oder -segmenten aufgrund von Verhaltenseffekten ausgerichtet.

Asset-Allokation / Konditionierte Multi-Asset Modelle

Die Strategische Asset Allokation und deren taktische Bewirtschaftung über konjunkturelle Zyklen sowie wechselnde Risikoregimes am Kapitalmarkt bestimmen mehr als 90 % der langfristigen Performance einer Kapitalanlage. Obschon Anleger vermehrt illiquide Anlageklassen in ihre Portfolios aufnehmen, bilden die internationalen Aktien- und Anleihemärkte immer noch die wichtigste Basis für die Ernte von systematischen Risikoprämien in der Kapitalanlage. Die relative Performance der Aktien- und Anleihemärkte in unterschiedlichen Regionen, Währungs- und Wirtschaftsräumen wird von einer Vielzahl makroökonomischer Variablen und fundamentaler Bewertungsrelationen bestimmt. Daran orientieren sich Anleger, wenn sie neue Mittel investieren oder zwischen den Anlageklassen in ihren Portfolios umschichten. Das Management eines Multi-Asset Portfolios erfordert somit eine fortlaufende Auswertung der unzähligen Einflussfaktoren auf die Erwartungsbildung der Marktakteure, eingebettet in einen disziplinierten taktischen Allokationsprozess.

Unsere Modelle analysieren die komplexen, sich stets verändernden Wirkungszusammenhänge zwischen bewertungsrelevanten Daten und Preisentwicklungen an internationalen Aktien- und Anleihemärkten. Die Anlageklassen mit den höchsten Risikoprämien werden fortlaufend als Grundlage für taktische Portfolioentscheidungen identifiziert. Das Maschinelle Lernen erfolgt im Kontext der in der Praxis seit vielen Jahren bewährten konditionierten Bewertungsmodelle, wobei der Datenraum zur Konditionierung von Risikoprämien um Dimensionen größer ist als im Rahmen ökonometrischer Ansätze. Darüber hinaus werden nichtlineare Beziehungen zwischen Einflussgrößen sowie eventuelle Strukturbrüche in Wirkungszusammenhängen über die lernenden Algorithmen erfasst.

Besonderheiten Research- / Investmentprozess

Im Vergleich zu herkömmlichen quantitativen Investmentprozessen zeichnen sich unsere Anlagekonzepte vor allem dadurch aus, dass wir neuartige Methoden des maschinellen Lernens (“Künstliche Intelligenz”, KI) einsetzen, um aus verrauschten Kapitalmarktdaten systematisch entscheidungsrelevantes Wissen zu generieren und Anlageentscheidungen zu verbessern.