In der Abbildung ist zu erkennen, dass konstante Portfoliogewichte und Beispielportfolios zwar relativ weit verbreitet sind, jedoch geringe AuM haben. Die individualisierbaren und komplexen Methoden wie MPT und Full-scale optimization können hingegen hohe AuM aufweisen. Mit zunehmendem Wettbewerbsdruck in der Robo-Advisor-Branche wird die Effizienz der verwendeten Algorithmen und Strategien stärker in den Fokus rücken.
Back- und Stresstestings mit realen Marktdaten
Eine weitere Beobachtung der Analyse ist, dass nicht alle Strategien, die aus dem quantitativen Asset Management bekannt sind und dort verwendet werden, bei Robo Advisors verbreitet sind. Ein Beispiel hierfür ist die sogenannte Risk Parity, die auf die Konstruktion eines perfekt diversifizierten Portfolios abgezielt. Die Portfoliogewichte werden dabei so bestimmt, dass alle Assets einen identisch hohen Risikobeitrag zum Gesamtportfolio beisteuern. Ein wesentlicher Vorteil besteht darin, dass dazu keine fehleranfälligen Renditeerwartungen wie bei MPT-Strategien notwendig sind.
Zur Entscheidung, welcher Algorithmus im eigenen Robo Advisor eingesetzt werden soll, reicht solch eine Marktanalyse allerdings nicht aus. Es empfiehlt sich, anhand des eigenen Anlageuniversums die Güte der zum eigenen Kundenstamm und Anlagephilosophie des Hauses passenden Strategien anhand eines Back- und Stresstestings mit realen Marktdaten zu analysieren und gegeneinander zu benchmarken.
In der Abbildung haben wir ein von uns durchgeführtes Backtesting von vier verschiedenen Strategien anhand derselben Marktdaten und desselben Anlageuniversums dargestellt. Die kumulativen Renditen der verschiedenen Strategien im Zeitablauf und ihre Leistungsindikatoren können visuell und nach Kennzahlen analysiert und gebenchmarked werden. Erweiterungen der Zeithorizonte und Stresstestings können hierbei auch die Eignung der Strategien in verschiedenen Marktszenarien analysieren.
Welcher Algorithmus sich aber am Markt durchsetzen und die höchsten AuM verwalten wird und ob es den einen Algorithmus gibt, ist zum heutigen Standpunkt noch vollkommen offen. Sicher ist jedoch, dass auf dem Robo-Advisor-Markt weiter mit Innovationen zu rechnen sein wird.
Über die Autoren:
Dr. Manuel Wittke ist Senior Manager bei Deloitte. Er ist langjähriger Experte für quantitative Fragestellungen und leitet das Robo Advisory Quant-Team. Neben Robo Advisory managte er zahlreiche Projekte im Kontext der Implementierung und Validierung von Bewertungs- und Risikomodellen und deren aufsichtsrechtlichen Schnittstellen. Zu seinen Kunden gehören die großen deutschen Banken.
Dr. Mikhail Beketov ist Manager bei Deloitte. Seine Arbeit konzentriert sich auf die ökonometrischer Modelle, quantitativer Handelsstrategien und Modelle für das Portfoliomanagement. Er hat 37 Artikel in internationalen wissenschaftlichen Zeitschriften und zwei R-Pakete veröffentlicht. Seit 2016 ist er Lektor für Ökonometrie an der Frankfurt School of Finance und Management.
Kevin Lehmann arbeitet seit seinem Masterabschluss in Wirtschaftsmathematik als Consultant bei Deloitte. Seine Schwerpunkte sind die Themen Robo Advisory und Stresstesting.