JOHANNES KEPLER UNIVERSITÄT LINZ Altenberger Straße 69 4040 Linz, Österreich jku.at DVR 0093696

Eingereicht von Nico S. Spindler, BSc Angefertigt am Institut für betriebliche Finanzwirtschaft – Abteilung Asset Management Beurteiler / Beurteilerin Dr. Teodoro D. Cocca Mitbetreuung Andreas Göttfert, MSc August 2020 DYNAMISCHE ASSET ALLOCATION

MITTELS STIMMUNGSINDIKATOREN IM UNTERNEHMENSANLEIHEMARKT

Masterarbeit

zur Erlangung des akademischen Grades Master of Science

im Masterstudium Finance and Accounting

I

EIDESSTATTLICHE ERKLÄRUNG

Ich erkläre an Eides statt, dass ich die vorliegende Masterarbeit selbstständig und ohne fremde Hilfe verfasst, andere als die angegebenen Quellen und Hilfsmittel nicht benutzt bzw. die wörtlich oder sinngemäß entnommenen Stellen als solche kenntlich gemacht habe. Die vorliegende Masterarbeit ist mit dem elektronisch übermittelten Textdokument identisch. Linz, 10. August 2020 Nico Spindler

II

INHALTSVERZEICHNIS Abbildungsverzeichnis ................................................................................................................... IV 1. Einleitung .................................................................................................................................. 1

1.1. Problemstellung ................................................................................................................. 2 1.2. Zielsetzung & Forschungsfragen ...................................................................................... 2 1.3. Vorgehensweise ................................................................................................................ 3

2. Aktueller Forschungsstand ....................................................................................................... 3 2.1. Theoretischer Bezugsrahmen ............................................................................................ 3

Kapitalmarkttheorie vs Behavioral Finance ........................................................... 4 Sentiment-indikatoren ............................................................................................ 7 Dynamische Asset Allocation ................................................................................ 7

2.2. Literaturanalyse zu Sentiment im Anleihemarkt ............................................................. 13 Darstellung der Publikationen .............................................................................. 13 Design der Sentiment-indikatoren ....................................................................... 17

2.2.2.1. Marktbasierte Sentiment-Indikatoren ................................................... 18 2.2.2.2. Umfragebasierte Sentiment-Indikatoren ............................................... 20 2.2.2.3. Suchbasierte Sentiment-Indikatoren ..................................................... 21

Theoretische Konzepte ......................................................................................... 22 2.2.3.1. Passung der Daten ................................................................................. 22 2.2.3.2. Forschungsschwerpunkte ...................................................................... 23

Quantitative Resultate .......................................................................................... 24 2.2.4.1. Flight-to-quality und Asset Korrelation ................................................ 25 2.2.4.2. Anleihespreads ...................................................................................... 26

3. Empirische Untersuchung ....................................................................................................... 33 3.1. Formulierung der Variablen ............................................................................................ 33

Anleihedaten ........................................................................................................ 33 Europäische Sentiment-indikatoren ..................................................................... 33 Modellierung der Sentiment-indikatoren ............................................................. 41

3.2. Dynamische Regressionsanalyse ..................................................................................... 41 Modellbildung ...................................................................................................... 41 Verfahrensweise ................................................................................................... 42

3.3. Ergebnisse Regressionsanalyse ....................................................................................... 46 Euro Stoxx 50 Volatilität ..................................................................................... 46 ESI ........................................................................................................................ 50 BCI ....................................................................................................................... 52 CCI ....................................................................................................................... 54 Credit Spread ....................................................................................................... 56

III

Résumé ................................................................................................................. 58 4. Asset Allocation ...................................................................................................................... 60

4.1. Benchmark ...................................................................................................................... 60 4.2. Erstellung der Handelsstrategie ....................................................................................... 61

VSTOXX ............................................................................................................. 62 ESI ........................................................................................................................ 65 BCI ....................................................................................................................... 67 CCI ....................................................................................................................... 70 Credit Spread ....................................................................................................... 72

5. Fazit ........................................................................................................................................ 74 6. Literaturverzeichnis ................................................................................................................ 76

IV

ABBILDUNGSVERZEICHNIS ABBILDUNG 1: PERFORMANCE (VGL. STEINER ET AL., 2017) .............................................................................. 8 ABBILDUNG 2: STANDARDISIERTE BENCHMARK INDIZES .................................................................................... 9 ABBILDUNG 3: SHARPE-RATIO (VGL. SHARPE, 1966) ........................................................................................ 9 ABBILDUNG 4: DIVERSIFIKATIONSEBENEN DER ASSET ALLOCATION I.W.S. (STEINER ET AL., 2017) .................... 11 ABBILDUNG 5: ASSETKLASSEN (VGL. STEINER ET AL., 2017) ............................................................................ 12 ABBILDUNG 6: KLASSIFIZIERUNG VON PORTFOLIO-MANAGEMENT-STRATEGIEN BEI ANLEIHEN ........................... 12 ABBILDUNG 7: DARSTELLUNG DER AUSGEWÄHLTEN PUBLIKATIONEN ................................................................ 15 ABBILDUNG 8: DESIGN DER SENTIMENT-INDIKATOREN ..................................................................................... 17 ABBILDUNG 9: MONATLICHE ANLEIHERENDITEN (VGL. HUANG ET AL., 2017) ..................................................... 24 ABBILDUNG 10: SENTIMENT AND YIELD SPREADS (VGL. HUANG, ROSSSI UND WANG 2015) ............................... 27 ABBILDUNG 11: EFFECT OF SENTIMENT BY RATING (VGL. HUANG, ROSSI UND WANG 2015) ............................... 28 ABBILDUNG 12: BOND YIELD SPREADS IN LOW AND HIGH SENTIMENT REGIMES (NAYAK, 2010) ........................... 30 ABBILDUNG 13: SENTIMENT AND CORPORATE BOND RETURNS (VGL. HUANG, ROSSI UND WANG, 2015) ............. 31 ABBILDUNG 14: ESI ZEITREIHE (THOMSON REUTERS) ..................................................................................... 35 ABBILDUNG 15: BCI ZEITREIHE (THOMSON REUTERS) ..................................................................................... 36 ABBILDUNG 16: CCI ZEITREIHE (THOMSON REUTERS) .................................................................................... 37 ABBILDUNG 17: VSTOXX ZEITREIHE (THOMSON REUTERS) ............................................................................ 39 ABBILDUNG 18: MOODY'S CREDIT SPREAD ZEITRIEHE (FEDERAL RESERVE BANK OF ST. LUIS) ........................ 40 ABBILDUNG 19: REGRESSIONSMODELL ........................................................................................................... 42 ABBILDUNG 20: RENDITE-BERECHNUNG ANLEIHEN ......................................................................................... 42 ABBILDUNG 21: AUSWERTUNG STATIONARITÄT ............................................................................................... 43 ABBILDUNG 22: FESTLEGUNG DER LAGS ........................................................................................................ 44 ABBILDUNG 23: DESKRIPTIVE STATISTIK ......................................................................................................... 45 ABBILDUNG 24: LINE HIGH YIELD ................................................................................................................... 46 ABBILDUNG 25: ERGEBNISSE VSTOXX ......................................................................................................... 49 ABBILDUNG 26: ERGEBNISSE ESI .................................................................................................................. 51 ABBILDUNG 27: ERGEBNISSE BCI .................................................................................................................. 53 ABBILDUNG 28: ERGEBNISSE CCI .................................................................................................................. 55 ABBILDUNG 29: ERGEBNISSE MOODY'S CREDIT SPREAD ................................................................................. 57 ABBILDUNG 30: BENCHMARK, BUY-AND-HOLD ................................................................................................ 61 ABBILDUNG 31: ÜBERSICHTSTABELLE VSTOXX VOL 50 - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE ......... 62 ABBILDUNG 32: ERGEBNISSE HANDELSSTRATEGIE VSTOXX VOLATILITÄT ....................................................... 64 ABBILDUNG 33: ÜBERSICHTSTABELLE ESI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE ........................... 65 ABBILDUNG 34: ERGEBNISSE HANDELSSTRATEGIE ESI ................................................................................... 66 ABBILDUNG 35: ÜBERSICHTSTABELLE BCI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE ........................... 67 ABBILDUNG 36: ERGEBNISSE HANDELSSTRATEGIE BCI ................................................................................... 69 ABBILDUNG 37: ÜBERSICHTSTABELLE BCI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE ........................... 70 ABBILDUNG 38: ÜBERSICHTSTABELLE CREDIT SPREAD - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE ........ 72 ABBILDUNG 39: ERGEBNISSE HANDELSSTRATEGIE MOODY‘S CREDIT SPREAD ................................................. 73

1/83

1. EINLEITUNG

Der Anleihemarkt ist aufgrund seiner Größe und der damit verbundenen finanzwirtschaftlichen

Tragweite von großem Interesse. Staaten, Unternehmen sowie Kreditinstitute finanzieren sich zu

einem substantiellen Teil durch die Emission von Anleihen. Die mediale Berichterstattung rund

um Anleihen rückt zunehmends in den Mittelpunkt der medialen Präsenz, zumal jüngst

Rekordwerte beim Anleihevolumen verzeichnet wurden. Die durch die Coronakrise

prognostizierte Rezession der Wirtschaft beeinträchtigt die Liquidität vieler Unternehmen. Um

dem Liquiditätsproblem entgegenzuwirken, werden im europäischen Raum im Wochenrhythmus

Unternehmensanleihen im mittleren zweistelligen Milliardenbereich gezeichnet (vgl. AFME).

Auch die Euro-Staaten verzeichneten eine erhöhte Nachfrage nach Anleihen in Folge der durch

die Coronakrise belasteten Haushalte. In Europa stieg das tägliche Handelsvolumen der Euro-

Staatsanleihen im ersten Quartal des Jahres 2020 – im Vergleich zum Vorjahresquartal – um über

25% (vgl. AFME). In den Vereinigten Staaten sind die gleichen Entwicklungen zu beobachten.

Die durch die Rezession losgelöste wirtschaftliche Belastung führte zu einer Herabstufung der

Bonität der Unternehmen durch die Ratingagenturen.

Die aktuellen Entwicklungen zeigen, dass der Anleihemarkt zunehmenden Fluktuationen

unterliegt. Durch die ansteigenden Volumina bei den Emissionen im Anleihemarkt wird –

aufgrund der gesamtwirtschaftlichen Auswirkungen - der Unternehmensanleihemarkt noch weiter

ins Zentrum der medialen Aufmerksamkeit rücken und für das Asset Management wird die

Kontrolle des Risikos und der damit verbundenen Verlustbeschränkung wesentlich sein.

Der Fokus dieser Masterarbeit liegt auf der Prognose der Unternehmensanleiherenditen und der

Erweiterung des Verständnisses für Sentiment-Indikatoren im Bereich der

Unternehmensanleihen. Hierfür wird nach Zusammenhängen zwischen Sentiment-Variablen und

Risikoprämien im Anleihemarkt gesucht. Konkret wird nach einem Zusammenhang zwischen

Sentiment und erwarteten Überrenditen von Anleihen gesucht. Die Prognose von

Anleiheüberrenditen ist für jeden Investor bei der optimalen Allokation des Portfolios und bei der

Verwaltung von festverzinslichen Wertpapieren maßgeblich.

Bei der Analyse der vorherrschenden Faktoren, welche Anleiheüberrenditen prognostizieren,

kann festgestellt werden, dass sich nur eine sehr geringe Anzahl wissenschaftlicher Publikationen

dem Thema Investoren-Sentiment im Anleihemarkt widmet.

Der empirischen Analyse liegt ein großer Datensatz zugrunde. Die Auswahl beinhaltet

Monatsdaten der Jahre 2003 bis 2020 von europäischen Indizes des High Yield und High Grade

Marktes.

2/83

1.1. PROBLEMSTELLUNG

Der (Unternehmens)-Anleihemarkt ist im Vergleich zum Aktienmarkt in der Behavioral Finance

Forschung unterrepräsentiert. Die Integration von Behavioral Finance und Anleihemarkt ist

vergleichsweise gering, da im Anleihemarkt weniger Papers vorliegen und der empirische Fokus

am US-Markt ausgerichtet ist.

Der Anleihemarkt ist von großer ökonomischer Relevanz, dies kann am Beispiel der Wiener

Börse demonstriert werden: Im Jahr 2019 betrug das Anleihemarktvolumen bei rund 3500

Anleihen über 470 Mrd. €, die Marktkapitalisierung lag vergleichsweise bei nur über 118 Mrd. €

(vgl. Wiener Börse). Der Anteil der Unternehmensanleihen liegt mit 320 notierten Anleihen bei

157,3 Mrd. € (Stand 25.11.2019, vgl. Wiener Börse). Auf europäischer Ebene sind gleiche

Gegebenheiten zu beobachten (vgl. ICMA). Der Anleihemarkt verzeichnete auch einen Anstieg

des Volumens mit einem Spitzenwert in 2019 (vgl. ICMA), so ist dieser Markt von immer

größerer Relevanz und es besteht hier ein Bedarf, eine Integration der Ansätze von Behavioral

Finance mit dem Anleihebereich vorzunehmen. Die wissenschaftliche Literatur weist nur wenige

Studien auf, welche den Anleihemarkt mit dem Gebiet der Behavioral Finance verknüpft. Es

stellt sich die Frage, inwieweit Sentiment-Indikatoren im Unternehmensanleihebereich genutzt

werden können und wieweit das von der Behavioral Finance suggerierte Potenzial von Sentiment

für Anlageentscheidungen reicht. Zudem stellt sich die Frage, welche Sentiment-Indikatoren im

Anleihemarkt zum Einsatz kommen und welche Auswirkungen diese auf ein Anleiheportfolio

haben können.

1.2. ZIELSETZUNG & FORSCHUNGSFRAGEN

Die Masterarbeit erörtert zuerst, welche Sentiment-Indikatoren in der wissenschaftlichen

Literatur im Anleihebereich untersucht werden. Die Untersuchung wird anhand eines Systematic

Literature Reviews durchgeführt. An die Aufarbeitung der Literatur knüpft die Untersuchung an,

welche möglichen Sentiment-Indikatoren für eine empirische Untersuchung des europäischen

Raums zum Einsatz kommen können. Für die Überprüfung der Prognosefähigkeit von

Anleiherenditen durch Sentiment-Indikatoren werden schließlich Regressionsanalysen

durchgeführt. Die empirische Analyse soll Aufschluss darüber geben, inwiefern Sentiment-

Indikatoren die Rendite-/Risikobeschaffenheit von Anleihen beeinflussen. Es soll die

Optimierungsfähigkeit von Anleiheportfolios mittels Sentiment-Indikatoren hinsichtlich Rendite-

3/83

und Risikoaspekte demonstriert werden. Der empirischen Analyse ist ein Backtesting

verschiedener Handelsstrategien nachgestellt.

Aus der Zielsetzung lassen sich folgende Forschungsfragen ableiten:

Welche Stimmungsindikatoren werden in der wissenschaftlichen Literatur im

Anleihebereich untersucht?

Sind Stimmungsindikatoren in der Lage, ein Anleiheportfolio in Bezug auf

Rendite- und Risikoaspekte zu optimieren?

1.3. VORGEHENSWEISE Die Gliederung der Arbeit sieht folgendermaßen aus: Die Einleitung ist im ersten Abschnitt

dargestellt. Im zweiten Abschnitt wird der aktuelle Forschungsstand beleuchtet, womit ein

Fundament für die darauf aufbauende empirische Untersuchung geschaffen wird. In Abschnitt 3

wird eine empirische Untersuchung zum High Yield und High Grade Bereich durchgeführt. In

Abschnitt 4 wird ein dynamisches Asset Allocation Modell erstellt. Eine Schlussfolgerung wird

in Abschnitt 5 gezogen.

2. AKTUELLER FORSCHUNGSSTAND Vorliegende Masterarbeit knüpft an die wichtigsten Erkenntnisse aus den Strängen der

Fachliteratur an. Im Folgenden wird eine Literaturanalyse des Anleihebereichs vorgenommen. Im

Zuge der Literaturanalyse soll herausgefunden werden, welche Sentiment-Indikatoren für die

Bewertung von Anleihen zur Anwendung kommen.

Die Datenbasis bilden Journalartikel der Anbieter von EBSCO, Scopus und Web of Science. Bei

der Auswahl der Artikel wird auf entsprechende Qualitätskriterien geachtet, indem ein Abgleich

mit den Rankings von Academic Journal Guide von Chartered ABS vorgenommen wird.

2.1. THEORETISCHER BEZUGSRAHMEN Dem theoretischen Bezugsrahmen liegt die für die Arbeit wesentliche Literatur zugrunde und

dient als wissenschaftliche Forschungsbasis für die Beantwortung der Forschungsfragen. Es

werden auch die zentralen Schlüsselbegriffe der Arbeit erläutert.

4/83

KAPITALMARKTTHEORIE VS BEHAVIORAL FINANCE

Psychologie findet im Kapitalmarktgeschehen vermehrt Zuspruch und Investmentabteilungen

investieren in die Entwicklung von verhaltenswissenschaftlichen Modellen, welche dem

Forschungszweig der Behavioral Finance zuzurechnen sind. Shiller (1981) zeigt, dass

Fundamentaldaten und Kurse nur einen geringen Zusammenhang aufweisen, ungeachtet dessen

ist jedoch die Kapitalmarkttheorie und deren Instrumente in der Praxis vorherrschend. Die

Grundsätze der Kapitalmarkttheorie gründen auf der Theorie des erwarteten Nutzens, dass dieser

von den Faktoren Risiko und Rendite abhängig ist und schließlich für die Preisbildung

verantwortlich ist (vgl. Perridon und Steiner, 1995). Der Zahlungsanspruch des Investors ist dabei

abhängig vom eingegangenen Risiko. Die Prämie des Risikos, die dem Investor zusteht, ist

abhängig von anderen Anlagemöglichkeiten. Es wird angenommen, dass nur das Risiko vergütet

wird und da Investoren die Möglichkeit der Diversifikation haben, wird nur das systematische

Risiko vergütet. Die Erwartungsnutzentheorie ist aus den zuvor entwickelten Theorien der

Informationseffizienz der Kapitalmärkte (vgl. Fama, 1970) und der rationalen Erwartungen

(Muth, 1961) hervorgegangen. Famas Theorie der Informationseffizienz besagt, dass alle

Informationen zu jeder Zeit in den Kursen berücksichtigt sind und die Renditen dem

entsprechenden Risiko unterliegen – somit können keine Überrenditen erreicht werden, da der

Markt informationseffizient ist und nur höhere Renditen möglich sind, wenn eine höhere

Risikoexposition eingegangen wird.

Das Kapitalmarktmodell Capital Asset Pricing Model (CAPM) suggeriert, dass die erwartete

Rendite eines Wertpapiers eine lineare Funktion der Risikoprämie des Marktportfolios ist und

höhere Renditen bei gleichem Risiko nicht erreichbar sind. Die Rendite ist laut CAPM definiert

durch Verzinsung aus der risikolosen Anlage zuzüglich einer Risikoprämie, welche durch das

Risikomaß Beta erklärt wird. Laut CAPM ist der die Preise beeinflussende Faktor lediglich das

Marktportfolio, jedoch wurde diese stringente Auffassung von Fama und French (1992)

weitgehend widerlegt.

Das Kapitalmarktmodell Arbitrage Pricing Theorie (APT) von Ross postuliert die

Arbitragefreiheit des Kapitalmarkts, liefert jedoch keine verwertbaren Aussagen über die

Faktoren, die die Preise bestimmen (vgl. Steiner und Bruns, 1994).

Die Kapitalmarkttheorie versucht die ökonomischen Zusammenhänge und das Finanzgeschehen

zu erklären, jedoch liefern die Modelle oft nur eine unzureichende Beschreibung. Aufgrund der

5/83

Komplexität der Systeme ist eine allumfassende, unfehlbare Theorie nicht denkbar – die Modelle

liefern jedoch Instrumente, die Bewertungen und Entscheidungen möglich machen, weshalb sie

in der Praxis von großer Bedeutung sind (vgl. Roßbach, 1991).

In Anbetracht der Empirie muss festgestellt werden, dass die den Modellen zugrunde liegenden

Hypothesen eine hohe Abstraktionsstufe besitzen. Es stellt sich die Frage, ob die

Informationseffizienz-These von Fama zutreffend ist und tatsächliche keine Strategien möglich

sind, die Renditen über der Risikoäquivalenz liefern. Die These der Kapitalmarkteffizienz wird

durch die bekannt gewordenen Kapitalmarktanomalien versucht zu widerlegen (vgl. Eustermann,

2010). Die Kapitalmarktanomalien beziehungsweise Kursanomalien widersprechen den

bisherigen Kapitalmarkttheorien und diese treten dann auf, wenn sich Investoren am Markt

irrational verhalten (vgl. Schwarzer, 2003). Fama und French versuchten in das

Kapitalmarktmodell Faktoren einfließen zu lassen, die den Preis bestimmen, und haben mit dem

Drei-Faktoren-Modell eine Erweiterung des CAPM präsentiert (vgl. Fama und French, 1996).

Das CAPM wurde um die erklärenden Faktoren des Verhältnisses von Buchwert/Marktwert und

Marktkapitalisierung erweitert und so versuchte man das Problem der Kennzahlenanomalien

einzuschränken.

Um der zum Teil vorhandenen Realitätsferne der Kapitalmarkttheorie zu entgegnen, wurden die

Restriktionen in den Hypothesen aufgebrochen und so wurden Versuche unternommen, die

Modelle zu erweitern. Die Erweiterungen betreffen die Erschließung von empirisch

beobachtbaren Abweichungen zu vorherrschenden Kapitalmarktmodellen. Eine zentrale

Erweiterung ist die des Noise Trader (vgl. Gerke, 1997). Ein Noise Trader ist ein irrational am

Markt agierender Investor, der ein Abweichen vom fundamental gerechtfertigten Preis induziert.

Black (1993) behauptet, dass Noise Trader den Preis nur kurzfristig vom gerechtfertigten

Marktpreis zum Abweichen bringen und dieser zum Gleichgewichtspreis zurückkehrt. Die

Erweiterungen orientieren sich an der Kapitalmarkttheorie und stellen eine Ausweitung dieser

dar, ordnen sich aber grundsätzlich unter und sind nur als kurzfristige Abweichungen zu

verstehen. In der Forschung kündigt sich zunehmend ein Ordnungswechsel an, worunter

beispielsweise der Ansatz des Neoinstitutionalismus (vgl. Schmidt und Terberger, 1996) und die

Chaostheorie (vgl. Vaga, 1990) einzuordnen sind. Der Neoinstitutionalismus widerspricht

vorherrschenden Kapitalmarkttheorien grundlegend, indem suggeriert wird, dass die Verteilung

der Informationen unter den Marktteilnehmern nicht symmetrisch ist. Ferner spricht sich die

Chaostheorie dafür aus, dass die Kapitalmärkte nichtlineare Verlaufskurven haben (vgl.

Christmann, 1990).

6/83

Es entwickelte sich vor allem im amerikanischen Raum die Forschungsrichtung der Behavioral

Finance. Die Behavioral Finance stellt einen alternativen Erklärungsansatz dar, der die

Schwächen der Kapitalmarkttheorie aufgreift. Die Behavioral Finance will sich das

Finanzmarktgeschehen durch das menschliche Verhalten erklären und bedient sich dabei

soziologischer und psychologischer Grundsätze. Die Marktpreisbildung resultiert laut Shiller

(1997) aus einer Wechselwirkung von Eigenschaften der Ökonomie, Soziologie und Psychologie.

Die Investoren agieren grundsätzlich nicht rational, da sie neuronalen, mentalen und psychischen

Einschränkungen unterliegen und damit das Bild des rationalen Investors negiert werden kann

(vgl. Rapp, 1997).

Für die Behavioral Finance ist es von zentraler Bedeutung, ob eine Überleitung von der

Mikroebene auf die Makroebene möglich ist. Die Mikroebene stellt das nicht-rationale Verhalten

der Individuen dar. Es wird untersucht, ob die Mikroebene einen ausreichend großen Einfluss hat,

um auch auf der Makroebene Auswirkungen herbeizuführen. Wenn sich das Verhalten der

Individuen in Summe nicht ausgleicht, so kann dem Verhalten der Individuen ein systemischer

Einfluss zugerechnet werden. Die Forschung versucht die Marktanomalien zu beschreiben und in

Modelle einfließen zu lassen, die als Instrumente für die Bewertung und Prognose und schließlich

für die Entscheidungsfindung brauchbar sind. Zur Modellbildung haben Shefrin und Statman

(1995) mit der Behavioral Portfolio Theory beigetragen, welches Kognitionsfehler von

Investoren aufgreift. Der Theorie zufolge werden Portfolios weniger nach den stringenten

Grundregeln der Portfoliotheorie von Markowitz konstruiert, sondern Investoren nehmen

Investitionen anhand des Konzepts des Pyramidenmodells vor. Das Pyramidenmodell ist so

aufgebaut, dass die unterste Schicht die meiste Sicherheit bietet und das höchste Risiko in der

obersten Schicht zu finden ist. Investoren verfolgen weniger die Grundregeln der

Risikominimierung und Diversifikation, sondern verschieben die Assets zwischen den Schichten

in Abhängigkeit von der Risikoneigung. Das vorgestellte Modell sowie weitere Modelle

versuchen die Verhaltensweisen der Marktteilnehmer zu erklären, um die Preisbildung am Markt

zu beschreiben, jedoch sind weitere Forschungsbestrebungen nötig, um die Einsetzbarkeit der

Modelle voranzutreiben (vgl. Fama, 1997).

7/83

SENTIMENT-INDIKATOREN

In der Psychologie stellt Sentiment ein organisiertes System von emotionalen Dispositionen dar,

die auf ein Objekt ausgerichtet sind (vgl. McDougall, 2015). In der Finanzwirtschaft beschreibt

Investoren-Sentiment beziehungsweise Markt-Sentiment die Erwartungshaltung der

Marktteilnehmer (vgl. Brown und Cliff, 2004). Eine spezifische Definition kann angesichts der

verschiedenartigen Auslegungen der Autoren jedoch nicht ausgemacht werden.

Sentiment-Indikatoren, welche in der Finanzwirtschaft zur Anwendung kommen, können

methodisch in zwei Kategorien eingeteilt werden: direkte (bottom-up) und indirekte Messung

(top-down) (vgl. Baker und Wurgler (2007). Beim direkten Ansatz werden die Marktteilnehmer

befragt und beim indirekten Ansatz werden ökonomische Variablen herangezogen, welche als

geeignet angesehen werden, Sentiment der Investoren wiederzugeben. Beim direkten Ansatz

können die unmittelbaren Erwartungen und Einstellungen der Marktteilnehmer aus den

Befragungen entnommen werden, jedoch besteht die Gefahr, dass die tatsächlichen Erwartungen

und Einstellungen nicht korrekt hervorgehen, da die Möglichkeit besteht, dass die Befragungen

qualitativ unzureichend durchgeführt wurden. Der indirekte Ansatz liefert eine klare und

reduzierte Form der Erwartungen und Einstellungen, jedoch kann oft den Gründen der

Schwankungen der Investoreneinstellung nicht auf den Grund gegangen werden (vgl. Baker und

Wurgler, 2007).

Ein weiterer Ansatz zur Ermittlung des Sentiments besteht in Form von algorithmischen

Suchverfahren. Hier besteht aufgrund des Fortschritts von künstlicher Intelligenz die

Möglichkeit, Nachrichten in Echtzeit zu durchsuchen und (Sentiment-)Muster darin zu finden.

Die Softwareprodukte von Thomson Reuters Analytics oder Ravenpack seien hier als Beispiel

genannt.

DYNAMISCHE ASSET ALLOCATION

Asset Allocation hat die Anordnung (Allocation) von Kapitalanlagen (Assets) im Fokus. Bei der

Asset Allocation wird eine Auswahl in die zu investierenden Anlageklassen vorgenommen, wie

beispielsweise Anleihen, Aktien, Rohstoffe oder Immobilien. Das Ziel der Asset Allocation ist

es, ein risikoeffizientes Portfolio zu bilden. Ein risikoeffizientes Portfolio kann durch das

Einwirken auf die Zielgrößen Rendite und Risiko erreicht werden. Die Performance des

Portfolios wird dann mit einem Benchmark-Portfolio verglichen (vgl. Zimmermann, 1991).

8/83

Performance-Messung Bei der Performance von Anlagemodellen im engeren Sinne werden Kapitalanlagen anhand von

Renditen untersucht und verglichen. Das heutzutage gängige Modell zur Bewertung von

Kapitalanlagen verwendet ein Modell mit zweidimensionalen Maßgrößen. Die Erfolgsbeurteilung

der Kapitalanlagen erfolgt mittels der Komponenten Rendite und Risiko (vgl. Zimmermann,

1991). Durch die Dimension des Risikos kommt es zu einer Normierung der Rendite, weshalb

man bei Performance von einer risikoadjustierten Rendite spricht (vgl. Zimmermann, 1991). Das

gängigste Risikomaß stellt die Volatilität dar. Die Berechnung der Volatilität - die Streuung um

den Mittelwert - erfolgt mittels der Standardabweichung. Die Volatilität stellt das gesamte Risiko

der Anlage dar. Die Asset Allocation hat schließlich eine höhere Performance der Anlage im

Vergleich zur Benchmark zum Ziel.

ABBILDUNG 1: PERFORMANCE (VGL. STEINER ET AL., 2017)

Festlegung der Benchmark Die Benchmark bezeichnet ein Vergleichsportfolio, welches man dem zu beurteilenden Portfolio

gegenüberstellt (vgl. Fischer, 2010). Sharpe (1992) zufolge muss eine Benchmark vier

Anforderungen erfüllen: Die Benchmark soll real erwerbbar sein (1), sehr gut diversifiziert sein

(2), zu geringen Kosten erwerbbar sein (3) und vor Zusammensetzung des Erwerbs schon

bekannt sein (4). Gemäß Hockmann (1987) werden für die Benchmark oft Marktindizes

herangezogen. Steiner et al. (2017) führen hierfür die gängigsten Benchmark-Indizes für

verschiedene Assetklassen an, welche in untenstehender Grafik illustriert sind.

9/83

ABBILDUNG 2: STANDARDISIERTE BENCHMARK INDIZES

Steiner et al. (2017) merken an, dass jedoch bei einem Portfolio mit mehreren Assetklassen eine

Marktindex-Benchmark von Aktien- oder Bondindezes nicht zielführend ist. Vielmehr werden

sogenannte "customized" oder "tailored" Benchmarks vorgeschlagen, die die Benchmark an

individuelle Vorgaben ausrichtet. Die Wertgewichtung der Asset Allocation des Portfolios sollte

daher auch bei der Benchmark vorgenommen werden.

Performancemaße Die Sharpe-Ratio, auch Reward-to-Variability-Ratio genannt, ist eine wichtige Kennziffer zur

Bewertung der Performance. Die Sharpe-Ratio setzt die erwirtschaftete Rendite abzüglich des

risikolosen Zinssatzes der Volatilität der Portfoliorendite ins Verhältnis (vgl. Sharpe, 1966). Es

wird also dargestellt, wieviel Rendite ein Portfolio pro Risikoeinheit generiert. Da das Sharpe-

Maß eine relative Größe darstellt, ist es möglich, verschiedene Portfolios miteinander zu

vergleichen.

ABBILDUNG 3: SHARPE-RATIO (VGL. SHARPE, 1966)

Weitere Performance-Maße sind Treynor-Ratio, Jensen's Alpha, Omega-Maß und ähnliche.

10/83

Performance-Attribution

Die Untersuchung des erzielten Anlageergebnisses wird als Performance-Attribution bezeichnet

(vgl. Wittrock, 2000). Die Analyse der Erfolgsquellen zur Beurteilung der Portfolioperformance

ist wichtig, um die Faktoren zu verstehen, welche für den Erfolg ursächlich sind. Die

Perfomance-Attribution soll darstellen, welche Faktoren in welchem Ausmaß für die

Performance ausschlaggebend waren (vgl. Wittrock, 2000).

Die Selektivität beziehungsweise Selektionsfähigkeit stellt eine Perfomance-Attribution dar und

deutet auf die Ausnützung von Informationsvorsprüngen hin. Ein Informationsvorsprung kann

zeitlich und inhaltlich auftreten. Bei einem zeitlichen Informationsvorsprung werden

kursrelevante Informationen vor anderen Marktteilnehmern ausgenützt. Ein inhaltlicher

Informationsvorsprung resultiert aus der besseren Auswertung von Informationen im Vergleich

zu den anderen Marktteilnehmern (vgl. Fama, 1972).

Die Timing-Fähigkeit beschreibt hingegen die Fähigkeit, Gesamtmarktentwicklungen

abzuschätzen und nur bei Aufwärtsbewegungen zu investieren. Grundsätzlich wird ein Investor

versuchen, den Markt insofern zu timen, dass bei abwärtsgeneigten Marktentwicklungen eine

Portfolioumschichtung vorgenommen wird, wobei eine Reduktion des risikoreichen Aktienanteils

vorgenommen wird und der weniger risikobehaftete Anlagenanteil - wie Anleihen - erhöht wird.

Umgekehrt werden Investoren versuchen, die Asset Allocation bei Aufwärtsbewegungen

zugunsten des Aktienanteils vorzunehmen.

Bestenfalls antizipiert der Investor den Markt soweit, dass eine Partizipation am Markt nur bei

Aufwärtsbewegungen vorgenommen wird und jeder Abwärtsbewegung durch eine vollständige

Desinvestition zuvorgekommen wird (vgl. Fama, 1972).

Diversifikation Durch die Diversifizierung der Assets lassen sich risikoeffiziente Portfolios bilden. Da

verschiedene Assetklassen nicht perfekt korreliert sind, kann durch Diversifikation eine

Reduktion des Risikos (Senkung der Variabilität der Renditen) bei gleichbleibender erwarteter

Rendite herbeigeführt werden.

Bei der Asset Allocation gibt es mehrere Ebenen, auf denen sich Diversifikationsvorteile

generieren lassen. Es besteht eine Unterscheidung zwischen strategischer und taktischer Asset

Allocation. Bei der strategischen Asset Allocation wird im Portfolio eine Auswahl der

Investitionen hinsichtlich Assetklassen, Währungen und Länder vorgenommen. Der strategischen

Asset Allocation liegt ein Top-Down-Ansatz zugrunde, da Entwicklungen auf

gesamtwirtschaftlicher Ebene betrachtet werden (vgl. Steiner, Bruns und Stöckl, 2017). Gemäß

Brinson et al. (1984) hängt der überwiegende Teil der Portfolioperformance von der strategischen

11/83

Asset Allocation ab und weniger von der taktischen Asset Allocation, weshalb die Diversifikation

zwischen verschiedenen Assetklassen von großer Bedeutung für die Portfoliobildung ist. Die

taktische Asset Allocation beschäftigt sich mit der tatsächlichen Realisierung des Portfolios und

hat daher eher kurzfristigen Charakter. Die unten dargestellte Abbildung veranschaulicht die

Diversifikationsebenen der Asset Allocation.

ABBILDUNG 4: DIVERSIFIKATIONSEBENEN DER ASSET ALLOCATION I.W.S. (STEINER ET AL., 2017)

Die Diversifikation der Assetklassen ist für die Portfolioperformance von entscheidender

Bedeutung (vgl. Steiner, Bruns und Stöckl, 2017). Laut Auckenthaler (1991) sollen alle zur

Verfügung stehenden Assetklassen bei der Portfoliobildung berücksichtigt werden, um ein

Maximum an Diversifikationseffekten zu erreichen. Untenstehende Abbildung veranschaulicht,

welche Assetklassen für Diversifizierung zur Verfügung stehen. Es wird eine Unterscheidung der

Assetklassen in standardisierte und nicht standardisierte Handelbarkeit vorgenommen (vgl.

Ibbotson und Brinson, 1987).

12/83

ABBILDUNG 5: ASSETKLASSEN (VGL. STEINER ET AL., 2017)

Beim Ansatz der dynamischen Asset Allocation wird die Kombination der Anlageklassen häufig

angepasst, um den Marktkonditionen zu entsprechen. Anpassungen betreffen die Reduktion von

schlecht abschneidenden Anlageklassen und Hinzunahme von Anlagen mit starker Performance.

Die Konzeption der dynamischen Asset Allocation ist die Reaktion auf aktuelle Risiken und

Abschwünge und das Erkennen von Trends (vgl. Steiner, Bruns und Stöckl, 2017). Der Vorteil

der dynamischen Asset Allocation liegt zum einen in einer verbesserten Performance, falls die

Umschichtung von unrentablen in rentable Assets gelingt. So können durch die dynamische Asset

Allocation Assetklassen reduziert werden, welche sich schlecht entwickeln, um den Verlust zu

minimieren. Umgekehrt kann in Anlagesegmente investiert werden, welche hohe Renditen

erwarten lassen (vgl. Steiner, Bruns und Stöckl, 2017).

Anleihemanagement

Beim Anleihemanagement wird versucht, ein Anleiheportfolio zu bilden, welches bei

Aufrechterhaltung oder Erhöhung der Renditeerwartung eine Risikoreduktion zum Ziel hat.

Holzer (1990) zufolge ist zwischen aktiven, semiaktiven und passiven Strategievarianten zur

Anleiheportfoliobildung zu unterscheiden.

ABBILDUNG 6: KLASSIFIZIERUNG VON PORTFOLIO-MANAGEMENT-STRATEGIEN BEI ANLEIHEN

13/83

Die vorliegende Arbeit fokussiert sich vornehmlich auf die aktive, prognoseorientiere Strategie.

Anleger, die eine prognoseorientiere Anleihestrategie verfolgen, haben eine überdurchschnittliche

Marktrendite zum Ziel. Die prognoseorientierte Strategie bedingt einen überdurchschnittlichen

Informationsstand, um Prognosen abgeben zu können, wie sich die Anleihe in Zukunft

entwickeln wird. Bei prognoseorientierter Anleihestrategie wird versucht, Anleihen zu timen oder

eine erfolgreiche Selektion der Anleihen vorzunehmen, oder es wird sowohl Timing als auch

Selektion forciert (vgl. Holzer, 1990).

2.2. LITERATURANALYSE ZU SENTIMENT IM ANLEIHEMARKT Im Folgenden wird der aktuelle Forschungsstand zum Thema Sentiment-Indikatoren im

Anleihemarkt vorgestellt. In Kapitel 2.2.1. werden die untersuchten Publikationen präsentiert.

Die Ausgangsbasis der Forschungsliteratur wurde mittels Literature Review geschaffen.

Ergänzend dazu wurde weitere Forschungsliteratur ausgewählt, die sich im Zuge der Auswertung

der Publikationen des Literature Reviews als wichtig erwies (Vorwärts- und

Rückwärtsintegration – gekennzeichnet als „Referenzanalyse“). Der Literature Review wurde

auch einem praktischen Screening unterzogen (Rating, Methode). Die Exklusion von Papers

wurde anhand der Relevanz von Titel und Abstract beurteilt. Die Datenbanksuche wurde in

Scopus, Elsevier Science Direct und Web of Science vorgenommen. Es wurde folgender

bool‘sche Operator gewählt: Title-Abs-Key (Sentiment OR Stimmungsindikatoren AND

„Corporate Bonds“ OR Unternehmensanleihe AND Asset Allocation).

Erläuterungen zum Design der Sentiment-Indikatoren beziehungsweise zur Methode werden

gesondert in Kapitel 2.2.2. behandelt.

DARSTELLUNG DER PUBLIKATIONEN

Im Folgenden wird eine Übersicht der Literatur vorgestellt, welche sich dem Thema Sentiment

im Anleihemarkt nähert. Der Übersichtstabelle der ausgewählten Publikationen folgt die

Dokumentation des Selektionsprozesses der Datenbanksuche.

14/81

No. Autoren Paper Jahr Jounal Ranking (AJG von

ABS) Datenbank

1 Ang und Bekaert International Asset Allocation With Regime Shift 2002 Review of Financial Studies

AJG 2018: 4

Referenzanalyse

2 Baker und Wurgler Comovement and Predictability Relationships Between Bonds and the Cross-section of Stocks

2012 Review of Asset Pricing Studies

AJG 2018: 3

Referenzanalyse

3 Basu et al. When to pick the losers: do sentiment indicators improve dynamic asset allocation?

2006 Electronic Journal - Referenzanalyse

4 Bethke, Sebastian; Gehde-Trapp, Monika; Kempf, Alexander

Investor sentiment, flight-to-quality, and corporate bond comovement

2015 Journal of Banking & Finance

AJG 2018: 3

Elsevier ScienceDirect

5 Chen, Z., Craig, K.A. January sentiment effect in the US corporate bond market

2018 Review of Behavioral Finance

AJG 2018: 1

Scopus

6 Da, Zhi; Engelberg, Joseph; Gao, Pengjie

The Sum of All FEARS Investor Sentiment and Asset Prices

2015 {REVIEW OF FINANCIAL STUDIES}

AJG 2018: 4

Web of Science

7 Demirovic, A., Kabiri, A., Tuckett, D., Nyman, R.

A common risk factor and the correlation between equity and corporate bond returns

2020 Journal of Asset Management

AJG 2018: 2

Scopus

8 Fang, L., Huang, Y. The role of investor sentiment in the long-term correlation between U.S. stock and bond markets

2018 International Review of Economics and Finance

AJG 2018: 2

Referenzanalyse

9 Freybote, J. Real estate sentiment as information for REIT bond pricing

2016 Journal of Property Research

- Scopus

10 Huang, Dashan; Jiang, Fuwei; Tu, Jun; Zhou, Guofu

Investor Sentiment Aligned: A Powerful Predictor of Stock Returns

2015 {REVIEW OF FINANCIAL STUDIES}

AJG 2018: 4

Web of Science

11 Huang, J.-Z., Rossi, M., Wang, Y.

Sentiment and corporate bond valuations before and after the onset of the credit crisis

2015 Journal of Fixed Income

AJG 2018: 2

Scopus

15/83

12 Laborda und Olmo Investor sentiment and bond risk premia 2014 Journal of Financial Markets

AJG 2018: 3

Referenzanalyse

13 Li, Lifang; Galvani, Valentina Market states, sentiment, and momentum in the corporate bond market

2018 Journal of Banking & Finance

AJG 2018: 3

Elsevier ScienceDirect

14 Liu, S. The impact of textual sentiment on sovereign bond yield spreads: Evidence from the Eurozone crisis

2014 Multinational Finance Journal

AJG 2018: 1

Referenzanalyse

15 Nayak, S. Investor sentiment and corporate bond yield spreads

2010 Review of Behavioral Finance

AJG 2018: 1

Scopus

16 Spyrou, S. Are sovereign bond yield spreads affected by investor sentiment? Evidence from the Greek budget crisis

2011 Electronic Journal - Referenzanalyse

17 Tang und Yang Market conditions, default risk and credit spreads 2008 Journal of Banking and Finance

AJG 2018: 3

Referenzanalyse

ABBILDUNG 7: DARSTELLUNG DER AUSGEWÄHLTEN PUBLIKATIONEN

16/83

Dokumentation der keyword-basierten Datenbanksuche und dem Selektionsprozess

Phase Subphase # Keyword-basierte hits # entfernt aufgrund #

hinzugefügte Artikel

Titel/Abstract Gesamttext Duplikate

Datenbankanalysea Insgesamt (+179)

a. Scopus (+11) (-2) (-2) (-2) 5

b. Elsevier ScienceDirect

(+75) (-71) (-1) (-1) 2

c. Web of Science (+93) (-90) (-1) (-0) 2 Referenzanalyse 8 Total 17 a Suche mit Titel, Abstract und Keywords

17/81

DESIGN DER SENTIMENT-INDIKATOREN

Es soll die Frage beantwortet werden, welche Sentiment-Indikatoren im Anleihebereich

untersucht werden. Es wird zuerst eine Übersicht der identifizierten Sentiment-Indikatoren

dargestellt. Anschließend folgt in Kapitel 2.2.2.1. 2.2.2.2. und 2.2.2.3. eine nähere Erläuterung.

No. Autoren Paper Sentiment-Indikator

1 Ang und Bekaert International Asset Allocation With

Regime Shift

△ Zinsrate

2 Baker und Wurgler Comovement and Predictability

Relationships Between Bonds and the

Cross-section of Stocks

Baker-Wurgler-Index

3 Basu et al. When to pick the losers: do sentiment

indicators improve dynamic asset

allocation?

University of Michigan Consumer

Sentiment survey data

4 Bethke, S., Gehde-

Trapp, M., Kempf,

A.

Investor sentiment, flight-to-quality, and

corporate bond comovement

Chicago Board Options Exchange (CBOE) daily market

volatility index. Alternative Proxys: AAI von Thomson

Reuters, ECRI, EPU, FSI und SENTIX

5 Chen, Z., Craig, K.A. January sentiment effect in the US

corporate bond market

Index of Consumer Sentiment and the Index of Investor

Sentiment

6 Da, Z., Engelberg, J.,

Gao, P.

The Sum of All FEARS Investor Sentiment

and Asset Prices

FEARS Index

7 Demirovic, A.,

Kabiri, A., Tuckett,

D., Nyman, R.

A common risk factor and the correlation

between equity and corporate bond

returns

Reuters, VIX-Index und Baker-Wurgler-Index

8 Fang, L., Huang, Y. The role of investor sentiment in the long-

term correlation between U.S. stock and

bond markets

Baker-Wurgler-Index

9 Freybote, J. Real estate sentiment as information for

REIT bond pricing

Umfrage-basierter Proxy in Form von RERC-Sentiment

10 Huang, Dashan;

Jiang, Fuwei; Tu,

Jun; Zhou, Guofu

Investor Sentiment Aligned: A Powerful

Predictor of Stock Returns

Adaptierter Baker-Wurgler-Index

11 Huang, Rossi und

Wang

Sentiment and Corporate Bond

Valuations before and after the Onset of

the Credit Crisis

Baker-Wurgler-Index

12 Laborda und Olmo Investor sentiment and bond risk premia Baker-Wurgler-Index iVm single-return forecasting

factors von Cochrane and Piazzesi (2005) und Ludvigson

and Ng (2009)

13 Li, L., G, V. Market states, sentiment, and

momentum in the corporate bond market

Momentum

14 Liu, S. The impact of textual sentiment on

sovereign bond yield spreads: Evidence

from the Eurozone crisis

Textueller Sentiment-Indikatoren (Medienpessimismus)

15 Nayak, S. Investor Sentiment and Corporate Bond

Yield Spreads

Baker-Wurgler-Index

16 Spyrou, S. Are sovereign bond yield spreads affected

by investor sentiment? Evidence from the

Greek budget crisis

University of Michigan Consumer Sentiment Index und

Greek Economic Sentiment Indicator

17 Tang und Yang Market conditions, default risk and credit

spreads

Conference Board Consumer Confidence Index

ABBILDUNG 8: DESIGN DER SENTIMENT-INDIKATOREN

18/83

2.2.2.1. MARKTBASIERTE SENTIMENT-INDIKATOREN

Baker und Wurgler (2006) haben einen Investoren Sentiment-Index konstruiert, welcher in der

wissenschaftlichen Literatur großen Anklang gefunden hat und folglich vielfach von Forschern

herangezogen wurde, um Investorensentiments zu überprüfen (von Ang und Bekaert (2015),

Demirovic et al. (2015), Fang et al. (2018), Huang, Rossi und Wang (2015), Laborda und Olmo

(2014), Nayak S. (2010) und weitere). Der Sentiment-Indikator erfasst das Sentiment des Marktes

mittels top-down Ansatz. Der Baker/Wurgler-Index basiert auf folgenden sechs Proxys von

Marktdaten:

- Handelsvolumen TURN: TURN ist definiert als natürlicher Logarithmus der

Umschlagshäufigkeit der Aktien der NYSE, trendbereinigt mittels 5-jährigem gleitendem

Durchschnitt. Der NYSE Aktienumschlag ist definiert als Verhältnis von Aktienvolumen zu

durchschnittlich gelisteten Aktien.

Baker und Stein (2004) behaupten, dass Aktienumsatz bzw. Liquidität als Sentiment-Index

herangezogen werden kann. Liquidität ist dort zu verorten, wo Optimismus vorherrscht – folglich

ist hohe Liquidität ein Zeichen für Überbewertung. Diese Annahme untermauert Jones (2001) mit

seiner Untersuchung, die hohen Absatz mit niedrigen Marktrenditen in Verbindung setzt.

- Closed-end fund discount (CEFD): CEFD ist definiert als durchschnittliche Differenz zwischen

dem netto Vermögensvolumen der closed-end stock fund shares und ihrem Marktpreis.

Andere Publikationen suggerieren, dass CEFD eine inverse Beziehung zu Sentiment hat. Zweig

(1973) zieht CEFD heran, um eine Preisumkehr bei Dow Jones Aktien zu prognostizieren und

Lee et al. (1991) argumentieren, dass Sentiment dem CEFD zugrundeliegt.

- NIPO und RIPO: Summe (number) der IPOs – NIPO - und durchschnittliche Rendite am ersten

Handelstag nach dem IPO – RIPO.

Stigler (1964) und Ritter (1991) argumentieren, dass der IPO-Markt sensitiv für Sentiment ist und

hohe Renditen bei IPOs als Zeichen für Enthusiasmus gesehen werden können.

- Equity issues: EIT ist definiert als das Verhältnis von Eigenkapitalausgabe zur totalen

Eigenkapitalausstattung plus Schuldausgaben aller Unternehmen.

- Dividend premium: DP ist definiert als Differenz zwischen durchschnittlichem Markt-

Buchwert-Verhältnis von Dividende zahlenden Unternehmen und jenen, die keine Dividende

auszahlen.

Die sechs verwendeten Proxys von Baker und Wurgler zeigen hohe Korrelationen und manche

beinhalten idiosynkratische Komponenten, die mit Sentiment nicht in Verbindung stehen. Auch

spiegeln einige Sentiment-Proxys ökonomische Fundamentaldaten wider, so beispielsweise IPO-

19/83

Volumen, da es von Investmentmöglichkeiten abhängig ist. Um die Einflüsse zu verringern,

werden die Proxys mit einer Reihe von makroökonomischen Indikatoren regressiert – mit dem

Wachstum der Industrieproduktion, Realwachstum bei Ge- und Verbrauchsgütern sowie

Dienstleistungen, Wachstum der Beschäftigung und einem NBER-Rezessionsindikator – die

Residuen dieser Regressionen werden als Sentiment-Proxys herangezogen.

Der Sentiment-Index wird gebildet, um Renditevorhersehbarkeit zu testen und herauszufinden. Es

wird auch ein Sentiment-Veränderungsindex gebildet, um Bewegungen von Renditen zu testen,

die mit Veränderungen des Sentiments verbunden sind.

Variablen die positiv assoziiert sind mit dem Grad des Senitments inkludieren Börsenumsatz

(TURN), IPO-Volumen (NIPO), IPO-Renditen des ersten Tags (RIPO) und Eigenkapitalanteil

bei Neuemissionen (S). Negativ assoziiert mit dem Grad des Sentiments sind Preisnachlässe bei

geschlossenen Investimentfonds (CEFD) und Dividendenprämien (PDND).

Bethke et al. (2015) haben als Sentiment-Indikator den Chicago Board Options Exchange

(CBOE) daily market volatility index (VIX) herangezogen und analysiert. Der marktbasierte

Sentiment-Indikator misst die Volatilität der Optionen des S&P 500, was die Erwartungen der

Investoren hinsichtlich zukünftiger Marktvolatilität reflektiert. VIX misst die Befürchtung der

Investoren und wird weitbekannt als Investoren-Sentiment-Proxy verwendet. Da VIX nicht pures

Investoren-Sentiment darstellt, wird VIX mit makroöknomischen Faktoren orthogonalisert, um

Investoren-Sentiment um den Wert des Markt-Sentiments zu bereinigen. Diese Bereinigung und

Verwendung des Risiduenwerts wird auch bei Baker und Wurgler (2006) durchgeführt.

Von der Industrie sind Sentiment-Indikatoren entwickelt worden, die oft zitiert werden. Als

Beispiele sind folgende zu nennen: Fear and Greed Index von CNNMoney, Panik/Euphorie-

Modell von Citigroup und Love/Panic-Index von BNP. Diese Indizes arbeiten mit folgenden

Proxys:

Fear and Greed Index von CNNMoney mit den öknomischen Variablen Aktienpreismomentum,

Aktienpreisstärke, Aktienpreis-Breite, Put/Call-Optionen, Junk Bond-Nachfrage, Marktvolatilität

und Nachfrage nach sicheren Anlagemöglichkeiten. Das Panik/Euphorie-Modell von Citigroup

arbeitet mit den ökonomischen Variablen put/call ratios, short interest, retail money market

funds, margin debt, the average of American Association of Individual Investors and Investors

Intelligence bullishness, gasoline prices, NASD trading volume relative to NYSE volume, the

CRB commodity price index, and the premiums paid for puts and calls.

Der Love/Panic-Index von BNP arbeitet mit den ökonomischen Variablen Flow into high growth

equities, US Fundflows into Global and International Equities, Position of commercial traders on

20/83

US indices, Small Caps outperformance over large caps, AAII bullish less bearisch %,

Commodity composite bullish index, CBOE VIX Index, CBOE Put/Call Ratios, NYSE short

interest ratio, State Street Investor Confidence, ISE Sentiment Index, Nasdaq to NYSE Monthly

Trading Volume, Sentix Expectation to S&P 500, AA7 - 10Y ($) - Redemption Yield, Fund flow

into equities, US Economic Surprise Indicator.

Marktbasierte Messungen haben den Vorteil, dass die benötigten Daten in großer Anzahl

verfügbar sind (Dao et al., 2014). Sibley et al. (2012) kritisieren am Sentiment-Indikator von

Baker-Wurgler (2006), dass dieser stark mit den Wirtschaftszyklusvariablen korreliert und damit

Sentiment nur das Gleichgewicht von vielen ökonomischen Kräften darstellt. Sie kommen zum

Ergebnis, dass 63% des Sentiment-Indikators durch Wirtschaftszyklus-Variablen erklärt wird.

2.2.2.2. UMFRAGEBASIERTE SENTIMENT-INDIKATOREN

Der Literaturanalyse zufolge bedient sich eine Reihe von Autoren der umfragebasierten

Sentiment-Indikatoren. Basu et al. (2006), Chen et al. (2018) oder Spyrou (2011) nutzen als

Sentiment-Indikator den bekannten University of Michigan Consumer Sentiment Index (MCSI),

welcher die finanzielle Lage der Privathaushalte in den USA abfrägt. Der Indikator gilt als

Frühindikator der wirtschaftlichen Entwicklung in den USA. 500 ausgewählte Personen werden

zur Bewertung der aktuellen wirtschaftlichen Entwicklung und zur Einschätzung der weiteren

Entwicklung befragt. Thomson Reuters und die Universität von Michigan führen die

Auswertungen dazu durch.

Tang und Yang (2008) nutzen hingegen den Konsumklimaindex US Consumer Confidence Index

(CCI) vom Forschungsinstitut “The Conference Board”, der neben dem MCSI ein weiterer

wichtiger Frühindikator der wirtschaftlichen Entwicklung ist. Beim CCI wird das Vertrauen

abgefragt und gemessen, dass die Konsumenten in die amerikanische Wirtschaft haben. Die

Daten werden auf monatlicher Basis veröffentlicht.

Die Herausforderung und Hürde bei umfragebasierten Sentiment-Indikatoren liegt im Generieren

von brauchbaren Daten. Um brauchbare Umfragedaten zu haben, muss für die Analyse ein

Datensatz vorhanden sein, welcher repräsentativ ist. Um aber Prognosen zu machen, wie sich

Preise in Zukunft entwickeln werden, braucht es ein standardisiertes Panel, die Daten müssen

repräsentative Investoren enthalten und notwendigerweise aktuell sein. Diese Datensätze liegen

vorwiegend Institutionen vor. Institutionen wie JP Morgan (vgl. Investor Confidence Index),

21/83

UBS (vgl. Investor Optimism Index), Barclays (vgl. UK Logistics Confidence Index) oder Bank

of Japan (vgl. Tankan Sentiment Index) verfügen über die Mittel beziehungsweise

Investorenbasis und erstellen regelmäßig Sentiment-Indikatoren, die auch im

Unternehmensanleihebereich zum Einsatz kommen.

Singer (2002) meint, dass such-basierte Messungen die Einstellungen konkreter messen, weil

Investoren durch Suchabfragen ihre Einstellung viel direkter offenbaren, als dies mittels Umfrage

möglich ist. Umfragemessungen zum Sentiment sind zudem meist lediglich monatlich oder

quartalsweise verfügbar.

2.2.2.3. SUCHBASIERTE SENTIMENT-INDIKATOREN

Suchbasierte Sentiment-Indikatoren sind mittlerweile in großer Anzahl vorhanden. Eine

fortgeschrittene Methode von suchbasierten Sentiment-Indikatoren stellt maschinelles Lernen

dar. Maschinelles Lernen, also aus großen Datensätzen Strukturen zu erkennen beziehungsweise

Gesetzmäßigkeiten abzuleiten und damit wichtige Erkenntnisse zu erlagen, gewinnt zunehmend

auch im wirtschaftlichen Umfeld an Bedeutung. Thomson Reuters‘ MarketPsych nutzt

beispielsweise maschinelles Lernen und automatisierte Textanalyseverfahren. Maschinelles

Lernen mittels Big Data zeichnet sich dadurch aus, dass große unstrukturierte Datenmengen

verarbeitet werden können, die einen Trend identifizieren.

Huang et al. (2017) und auch Demirovic et al. (2020) nutzen zur Messung von Sentiment die

Sentiment-Daten von Thomson Reuters, welche Tausende von Nachrichten erfassen. Thomson

Reuters‘ MarketPsych Indizes (TRMI) beinhalten Nachrichtenquellen oder auch Auswertungen

von Social Media-Einträgen und Unternehmensnachrichten. TRMI evaluiert, zu welchen

Einheiten (Unternehmen, Staaten, Währung, Rohstoffe) die Daten zugerechnet werden können.

Das Volumen und der Ton der Phrasen und Worte wird schließlich in messbare Daten übersetzt.

Hinsichtlich des Anleihemarktes steht auch ein Anleihe-Sentiment-Index zur Verfügung.

Thomson Reuters‘ MarketPsych Indizes sind auch auf der Ebene von Unternehmen, Asset-

Klassen und des Gesamtmarktes verfügbar. Die Indizes werden täglich um 20:30 GMT

gemessen.

Vergleichsweise weniger sophistiziert erscheint der Ansatz von Dao, Engelberg und Gao (2014),

deren Sentiment-Indikator konstruiert wird, indem Suchanfragen wie "recession", "bankruptcy"

22/83

und "depression" aggregiert werden und damit den Financial and Economic Attitudes Revealed

by Search (FEARS) Index erstellen. Sie benutzen dazu Google's Search Volume Index (SVI),

welcher das Suchverhalten der Menschen veröffentlicht (http://www.google.com/trends/). Der

FEARS Index ist so konstruiert, dass Suchbegriffe identifiziert werden, die so relevant sind, dass

sie Sentiment offenbaren. Die Suchbegriffe werden mit negativer und positiver Konnotation

unterteilt. Es wurden mittels Ausschlussverfahren schließlich 30 Begriffe identifiziert, die mit

den Anlagepreisen in Verbindung gesetzt wurden.

Der Ansatz von Dao, Engelberg und Gao (2014) oder auch die Vorgehensweise von Liu (2014) –

das Downloaden von Nachrichtenbeiträgen mittels Suchbegriffen auf Datenbanken ohne

sophistizierte Gewichtung auf Basis des Volumens der Nachrichten - erscheint im Vergleich zur

Thomson Reuters MarketPsych Software weniger detailreich, da mit Thomson Reuters die

Möglichkeit besteht, große Datensätze zu analysieren und es zudem möglich ist,

Einschränkungen auf verschiedene Einheiten vorzunehmen und so den Detailierungsgrad zu

erhöhen.

Suchbasierte Sentiment-Indikatoren sind mit hoher Häufigkeit in Verwendung. Der Trend zeigt in

Richtung suchbasierter Sentiment-Indikatoren, allen voran Modellen aus dem Bereich des

maschinellen Lernens, wie Ravenpack oder Thomson Reuters Analytics – die jedoch im

wirtschaftlichen oder akademischen Bereich noch keiner umfassenden kritischen Würdigung

unterzogen wurden.

THEORETISCHE KONZEPTE

Nachfolgend wird die notwendige Passung der Daten und Schwerpunkte der Forschungsarbeiten

hinsichtlich Sentiment und Anleihemarkt vorgestellt.

2.2.3.1. PASSUNG DER DATEN

Die Anleihetransaktionen stammen zum großen Teil von TRACE (Trade Reporting and

Compliance Engine) und von FISD (Mergent Fixed Investment Securities Database). TRACE

stellt Informationen wie Preise, Renditen und Volumen der Anleihen zur Verfügung. FISD

enthält quantitative und qualitative Informationen zu Anleihemerkmalen (Kuponrate,

Fälligkeit, Emissionsbetrag, Rückstellungen) und Anleihebonitäten. Zusätzlich enthält der

Datensatz von FISD das Bonitätsranking der drei großen Bonitätsprüfer: Fitch, Moody’s und

23/83

Standard & Poor‘s. Alternativ ist auch der Thomson Reuters Datastream geeignet, um

Anleihecharakteristiken zu generieren.

Der Datensatz wird gefiltert, um Fehler zu vermeiden. Dafür kann der Dick-Nielsen Algorithmus

verwendet werden (vgl. Dick-Nielsen, 2009). Es erfolgt damit eine Festlegung der Kriterien für

die Auswahl der Stichproben. Dieser Algorithmus ist allgemein gebräuchlich und die

Anwendung ist notwendig, da die Berichte des TRACE Datensets laut Dick-Nielsen zu 7,7%

fehlerbehaftet sind. Fehler in den Berichten gehen auf Korrekturen und Stornierungen der

Transaktionen zurück.

Die Datensätze von TRACE und FISD werden dann zusammengefügt, um ein Panel von

Anleihecharakteristiken und -transaktionen zu erzeugen.

Der Anleihedatensatz muss dem Sentiment-Datensatz entsprechen. Der oft verwendete Baker und

Wurgler Sentiment-Indikator arbeitet mit monatlichen Messungen und so müssen auch die Daten

der Anleihetransaktionen der monatlichen Basis entsprechen.

2.2.3.2. FORSCHUNGSSCHWERPUNKTE

In der Literatur sind mehrere Schwerpunkte der Forschungsarbeiten hinsichtlich Sentiment und

Anleihemarkt auszumachen. Ein großer Teil der Literatur prüft marktübergreifende Mechanismen

und misst konkret die Korrelation zwischen Ländern und Asset-Klassen. Inter-Markt-Studien

zeigen die zunehmende finanzielle Integration der Asset-Klassen auf internationaler Ebene (vgl.

Franzoni et al., 2011). Es konnte die Integration von Staatsanleihen und Aktien, (vgl. Baker und

Wurgler, 2012) als auch die Integration von Unternehmensanleihen, Staatsanleihen und Aktien

(vgl. Brière et al., 2012) gezeigt werden. Die Integration manifestiert sich, indem bei

Marktrückgängen flight-to-quality Verhalten zu beobachten ist. Auf der Ebene einzelner

Wertpapiere zeigen Archarya et al. (2013), dass in Zeiten von Marktrückgängen eine höhere

Korrelation zwischen notleidenden Aktien und Unternehmensanleihen besteht.

In der Literatur werden die ökonomischen Mechanismen untersucht, die hinter flight-to-quality

Verhalten der Investoren und der einhergehenden hohen Korrelation der Vermögenswerte steht.

Das Herdenverhalten der Investoren wird durch Marktunsicherheiten beziehungsweise durch sich

veränderndes Sentiment ausgelöst (vgl. Kumar und Lee, 2006; Conolly et al. 2007). Es stellt sich

folglich die Frage, ob und inwieweit Sentiment die Risikofaktorenkorrelation im

Unternehmensanleihemarkt beeinflusst. Eine Fülle an Autoren untersucht diesen Zusammenhang

(vgl. z.b. Baker und Wurgler, 2012; Ang und Bekaert, 2002; Bethke et al., 2015).

24/83

Es werden auch die Auswirkungen des Sentiments auf Unternehmensanleihe-Spreads untersucht.

Hier werden Kontrollvariablen auf drei Ebenen angewandt: Anleihespezifische Charakteristiken

(wie Zeit bis zur Fälligkeit, Größe der Anleiheemission, Zinskupon, Kreditrating etc.),

unternehmensspezifische Variablen (wie Aktienvolatilität, Einkommen zum Verkauf etc.) und

makroökonomische Variablen (wie CPI-Wachstum, Wachstum der industriellen Produktion,

Arbeitslosigkeit oder auch Term Spread, TED Spread und VIX) werden kontrolliert.

Makroökonomische Variablen – die ebenfalls auf die Spreads wirken können - werden

kontrolliert, um Wirtschaftszykluseffekte zu bereinigen.

In der Literatur wird auch der Frage nachgegangen, inwieweit Sentiment-Indikatoren die

Renditen von Unternehmensanleihe-Portfolios beeinflussen. Dafür werden die monatlichen

Renditen von Anleihen berechnet und dann werden Anleiheportfolios entsprechend der Bonität

gebildet. Zur Berechnung der monatlichen Anleiherenditen wird folgende Formel veranschlagt

(vgl. Huang et al., 2017).

ABBILDUNG 9: MONATLICHE ANLEIHERENDITEN (VGL. HUANG ET AL., 2017)

Pt stellt den Anleihetransaktionspreis zum Ende des Monats t dar, AIt sind die angesammelten

Zinsen und Ct steht für die Kuponzahlung im Monat t. Es werden Anleiheportfolios gemäß den

Anleihebonitäten AAA bis A, BBB und Speculative-Grade Rating gebildet. Um zu beobachten,

ob Investoren-Sentiment Anleiherenditen voraussagen kann, werden zur Renditemessung zeitlich

verzögerte Sentiment-Werte herangezogen (vgl. Huang et al., 2017). Um für

unternehmensspezifische Faktoren zu kontrollieren, wird auf die häufig angewandten

Kontrollvariablen von Fama und French (1993) verwiesen. Hiernach sind folgende sechs

Risikofaktoren zu berücksichtigen: Ausfallrisikoprämie, Laufzeitprämie, Marktfaktor, SMB,

HML und Momentum-Faktor.

QUANTITATIVE RESULTATE

Eine Vielzahl an Autoren kamen bei ihren Untersuchungen zu dem Schluss, dass Sentiment ein

zentraler Faktor bei der Bestimmung von Unternehmensanleihe-Spreads ist und somit die

dynamische Asset Allocation hinsichtlich Rendite/-Risikoprofil des Portfolios verbessern kann

(vgl. Baker und Wurgler, 2012; Basu et al. (2006); Bethke et al. (2015); Huang, Rossi und Wang

25/83

(2015); Laborda und Olmo (2014); Liu, S (2014); Li, L., G, V. (2018); Nayak, S. (2010); Maltritz

et al. (2013)).

In Kapitel 2.2.4.1. wird zunächst der Mechanismus des Flight-to-quality und der damit

verbundenen erhöhten Risikofaktorenkorrelation vorgestellt. In Kapitel 2.2.4.2. werden die

Literaturergebnisse zu den Anleihe-Spreads besprochen, wobei die Spread-Unterschiede

zwischen High-Yield- und High-Grade Anleihen demonstriert wird und die Renditeauswirkungen

durch Sentiment bei Unternehmensanleihen vorgestellt wird.

2.2.4.1. FLIGHT-TO-QUALITY UND ASSET KORRELATION

Bei einem Rückgang des Investoren-Sentiments führt die erhöhte Risikoaversion zu einer

Umschichtung des Portfolios, wobei eine Umschichtung von unsichereren zu sichereren Assets

erfolgt (vgl. Baker und Wurgler (2006); Bethke et al. (2015); Huang et al. (2015)). Die

Verschiebung der Assets von unsicheren zu Assets mit hoher Qualität wird flight-to-quality

bezeichnet. Weil die Investoren ängstlich sind und nach Sicherheit suchen, werden riskante

Anlagemöglichkeiten vermieden.

Bethke et al. (2015) erforschen die Verbindung von Investoren-Sentiment,

Risikofaktorenkorrelation und Anleihekorrelation. Korrelationen sind für das Aufsetzen

effizienter Portfolios wichtig, jedoch gibt es einen ökonomischen Mechanismus, welcher

ausgelöst wird, wenn sich das Investoren-Sentiment verändert. Weil Investoren riskante Anlagen

bei niedrigem Sentiment vermeiden, werden vermehrt risikolosere Anlagemöglichkeiten gesucht.

Bei niedrigem Sentiment sind Investoren weniger geneigt, in Anleihen mit hohem Kreditrisiko zu

investieren. Diese Anleihen sind bei niedrigem Sentiment dann weniger liquide. Folglich erhöhen

sich die Liquiditätsprämien bei gleichzeitigem Anstieg der Kreditrisikoprämien. Es kommt zu

einer höheren Korrelation dieser Risikofaktoren und dies bedeutet gleichzeitig höhere

Anleihekorrelation zwischen High-Yield und High-Grade Anleihen. Diversifikationsvorteile sind

somit reduziert.

Baker und Wurgler (2012) kommen ebenso zu dem Resultat, dass durch niedriges Investoren-

Sentiment losgelöstes flight-to-qualilty zu einer höheren Korrelation von Kreditrisiko und

Liquiditätsrisiko im Unternehmensanleihebereich führt und damit die Diversifikationsvorteile

verringert.

Ang und Bekaert (2002) halten dem entgegen, dass die Diversifikationsvorteile groß sind, welche

durch Investitionen in risikofreie Anlagen generiert werden können. Vor allem bei

Veränderungen der Zinsrate sollte reagiert werden, da diese Aktienrenditen vorhersagen, eine

26/83

negative Korrelation zwischen Aktienrenditen und Zinsraten besteht und damit folglich weniger

risikobehaftete Anlagen sehr wertvoll werden.

2.2.4.2. ANLEIHESPREADS

Basu et al. (2006) zufolge haben Investoren falsche Erwartungshaltungen hinsichtlich Renditen

und begehen so systematisch Fehler, die zu Fehlbewertungen führen. Sie konnten zeigen, dass

Sentiment-Indikatoren Überreaktionen am Markt feststellen können und die dynamische Asset

Allocation mit Sentiment-Indikatoren keine signifikanten Verluste während des Crash im

Oktober 1987 und der dot.com Blase im Jahr 2000 erlitten hätte. Standardmäßige

Wirtschaftszyklen-Indikatoren hätten diese Ereignisse nicht voraussagen können und Investoren,

die sich nur auf diese Indikatoren berufen, tragen große Verluste. Investmentstrategien mit

Sentiment-Indikatoren hingegen erschließen die Überreaktion der Investoren und haben hohe

Alpha und niedrig Beta-Werte (Basu et al., 2006).

Wie untenstehender Modellberechnung von Huang, Rossi und Wang (2015) zu entnehmen ist,

zeigen die Resultate eine signifikante Korrelation des Baker/Wurgler Sentiment-Indikator und

Anleihespreads. Unternehmensanleihen werden auf anleihespezifische-, firmenspezifische- und

Makro-Variablen regressiert. Eine Veränderung um eine Standardabweichung des Baker/Wurgler

Sentiment Index führt zu einer Veränderung des Spreads um 17 Basispunkte.

27/83

ABBILDUNG 10: SENTIMENT AND YIELD SPREADS (VGL. HUANG, ROSSSI UND WANG 2015)

Der negative Koeffizient des Baker/Wurgler Sentiment-Indikators gibt an, dass wenn der

Sentiment-Indikator ansteigt, die Spreads im nächsten Monat sinken beziehungsweise die Preise

der betrachteten Anleihen steigen werden. Dies weist auf eine Überbewertung der

Unternehmensanleihen bei hohem Sentiment hin.

28/83

High Yield Bonds und Low Yield Bonds

Huang, Rossi und Wang (2015) dokumentieren die Effekte des Baker/Wurgler Sentiment-

Indikators auf Rendite-Spreads von Investment-Grade und Speculative-Grade Anleihen. Die

Ergebnisse sind in untenstehender Darstellung angeführt.

Sie kommen zum Ergebnis, dass Sentiment des Baker/Wurgler Index im Bereich der Speculative-

Grade-Anleihen eine größere Rolle spielt als bei Investment-Grade-Anleihen. Der Koeffizient für

Sentiment im High-Yield Bond Bereich ist mehr als 86% größer als der Koeffizient von

Investment-Grade-Anleihen (Der Koeffizient bewegt sich von -0,4652 beim Modell 2 zu -0,8649

beim Modell 4, was einer absoluten Steigerung von 86% entspricht). Anleihen mit einer Bonität

Aaa bis Baa3 bei Moody's oder AAA bis BBB- bei Standard & Poor's sind demzufolge weniger

anfällig für Sentiment.

ABBILDUNG 11: EFFECT OF SENTIMENT BY RATING (VGL. HUANG, ROSSI UND WANG 2015)

29/83

Nayak (2010) geht auch der Frage nach, welche Anleiheattribute (Rating, Industry, Maturity,

Duration) nun größere Sensitivität für Sentiment aufweisen. High-yield Anleihen (Anleihen mit

niedrigem Rating, Industrieunternehmen, kurze Duration) sind Nayak zufolge sensitiver für

Veränderungen des Baker/Wurgler Sentiment-Indikators. Low-Yield Anleihen (Anleihen mit

gutem Rating, mittlere Laufzeiten) sind weniger sensitiv für Sentiment-Veränderungen.

Nayak (2010) zeigt, dass Rendite-Spreads nach hohem und niedrigem Sentiment stärker bei High

Yield Anleihen ausgeprägt sind – also bei niedrig bewerteten Anleihen, Industrials und Utilities,

hoher Laufzeit oder bei Emissionen mit niedriger Duration (Differenz beim Spread sind 61

Basispunkte für BBB Anleihen, 69 Basispunkte bei Industrials und 69 Basispunkte bei

Emissionen mit sehr geringer Laufzeit). Low Yield Anleihen (mittelfristige Laufzeit, Financials,

hoch bewertete Anleihen) sind weniger sensitiv für Fehlbewertungen (Spread Differenzen nach

hohem oder niedrigem Sentiment betragen 15 Basispunkte für AA Anleihen, 22 Basispunkte für

Financials, 24 Basispunkte für mittelfristige Laufzeiten).

Der Artikel zeigt, dass Anleihen mit niedriger Bewertung anfälliger für Fehlbewertungen sind.

Die Betrachtung der übrigen Anleihe-Attribute macht deutlich, dass Renditedifferenzen der

Anleihen einen positiven Zusammenhang mit dem vorangegangenem Sentiment aufzeigen und

High Yield Anleihen (Industrials and Utility, lange Laufzeit, hohe Duration) sensitiver für

Sentiment-Indikatoren sind und anfälliger für Fehlbewertungen sind.

In untenstehender Grafik (Nayak, 2010) wird die Relation des verzögerten Sentiments des

Baker/Wurgler Sentiment-Indikators und der Rendite-Spreads der zukünftigen Periode

veranschaulicht.

30/83

ABBILDUNG 12: BOND YIELD SPREADS IN LOW AND HIGH SENTIMENT REGIMES (NAYAK, 2010)

Unternehmensanleihen

In untenstehender Abbildung von Huang, Rossi und Wang (2015) wird der Einfluss des

Sentiment-Indikators von Baker/Wurgler auf die monatlichen Renditen von

Unternehmensanleihen nach Bonitätsrating untersucht. Die Ergebnisse zeigen, dass, wenn

Sentiment hoch ist, die Unternehmensanleiherenditen in der Zukunft niedrig sein werden. Der

negative Einfluss von Sentiment ist bei AAA-A nicht signifikant, bei BBB signifikant am 10%-

Level und die höchste Signifikanz zeigen Junk Bonds mit Signifikanzwerten am 1%-Level.

Die Berechnungen zeigen auch, dass der Baker/Wurgler Sentiment-Indikator auf

Unternehmensanleiherenditen am stärksten während und nach der Krise (2007) wirkt. Vor der

Krise von 2007 zeigt Sentiment gemäß Regressionsanalyse einen positiven, aber statistisch

insignifikanten Zusammenhang für Investment-Grade Anleihen und einen negativen, jedoch nur

geringfügig signifikanten Koeffizienten für hochverzinsliche Anleihen.

31/83

ABBILDUNG 13: SENTIMENT AND CORPORATE BOND RETURNS (VGL. HUANG, ROSSI UND WANG, 2015)

Overreaction-bias

Nayak (2010) geht weiters der Frage nach, ob es vorhersehbare Muster der Renditespreads gibt,

die von einem Sentiment-System abhängig sind. Auf Fehlbewertungen folgt eine verzögerte

Umkehr, deshalb weisen Sentiment zu Periodenbeginn und nachfolgende Spreads eine starke

32/83

positive Korrelation auf. Wenn das Sentiment hoch ist, so fordern optimistische Investoren

sentiment-sensitive High Yield Anleihen. Diese Anleihen sind jedoch überbewertet (relativ zu

stabilen Anleihen) und weisen unterdurchschnittliche Spreads auf. Folglich kommt es zu einer

Korrektur der Fehlbewertungen aufgrund von Reduziertem Optimismus und die Preise der

spekulativen Anleihen werden nach unten berichtigt und zugrundeliegende Spreads sind dezidiert

höher.

Wenn Sentiment niedrig ist, so präferieren pessimistische Investoren stabile Low Yield Anleihen.

Spekulative High Yield Anleihen sind vergleichsweise unterbewertet und weisen höhere Spreads

als normalerweise auf. In nachfolgenden Perioden kehren die Preise der Anleihen nach oben

zurück und die zugrundeliegende Spreads sind auffallend niedriger.

Kurz gefasst folgt Perioden von hohem Sentiment eine Divergenz der Spreads zwischen High

Yield und Low Yield Anleihen und umgekehrt folgt auf Perioden von niedrigem Sentiment eine

Konvergenz dieser Spreads.

Investoren-Sentiment nimmt eine symmetrische Rolle im Kapitalmarkt und Schuldenmarkt ein.

Wenn zu Beginn der Periode das Sentiment hoch ist, so verzeichnen sowohl High Yield Anleihen

als auch notleidende Aktien niedrige Renditen in der nachfolgenden Periode. Wenn das

Marktsentiment der vorangegangenen Periode niedrig ist, so verzeichnen beide Wertpapiere hohe

Renditen.

33/83

3. EMPIRISCHE UNTERSUCHUNG

In der Literatur wird bei der Prognose von Anleiherenditen mittels Sentiment-Indikatoren vor

allem auf den US-Raum fokussiert. Beim in der Literatur häufig untersuchten VIX Index und

Baker-Wurgler Index (2006) handelt es sich um für den US-Raum konstruierte Sentiment-

Indizes. Die empirische Untersuchung wird mittels Regressionsanalyse die Prognosefähigkeit

von Stimmungsindikatoren für Anleiherenditen des europäischen Raums beleuchten. Als

Sentiment-Indikatoren kommen der Euro Stoxx 50 Volatilitätsindex, ESI, BCI, CCI und Moody‘s

Credit Spread zur Anwendung. Die Datengrundlage der Anleihepreise bilden Samples von

europäischen High-Yield und High-Grade Indizes.

Zur Analyse wurde die Statistik-Software Stata verwendet. Sämtliche im Projekt dargestellte

Graphiken und Berechnungen wurden mithilfe des obig erwähnten Programmes und Thomson

Reuters generiert.

3.1. FORMULIERUNG DER VARIABLEN

ANLEIHEDATEN

Bei den in der vorliegenden Arbeit untersuchten Anleihen handelt es sich um europäische Indizes

der Firma Markit, wobei der Index „iBoxx € Corporates“ die Stichprobe des High-Yield Bereichs

darstellt und als High-Grade Index „iBoxx € High-Yield ex crossover“ herangezogen wurde. Der

Untersuchungszeitraum der Anleihen reicht von Februar 2003 bis Mai 2020.

EUROPÄISCHE SENTIMENT-INDIKATOREN

Die in der Literatur vorkommenden Sentiment-Indikatoren beziehen sich zumeist auf den US-

amerikanischen Raum. Es sollen an dieser Stelle Sentiment-Indikatoren herangezogen werden,

welche für den europäischen Raum Gültigkeit besitzen, um diese folglich einer empirischen

Untersuchung zu unterziehen.

Zunächst ist nochmal hervorzuheben, dass die direkte, umfragebasierte Abfrage von zukünftigen

Einstellungen und Emotionen der Investoren sich, wie eingangs erwähnt, als schwierig gestaltet.

Ein Sentiment-Indikator, welcher direkt gemessen wird, spiegelt das tatsächliche Sentiment der

Investoren wider, was ein gewisses Potenzial birgt – aber hat auch die Gefahr, dass eine

34/83

statistische Verzerrung bei der Auswahl von Stichprobeneinheiten begangen wird. Zudem ist es

grundsätzlich schwierig, Umfragen durchzuführen, die anspruchsvolle Investoren und

Marktverhalten komplett erschließen. Aufgrund der Hürde, Investoren repräsentativ zu erreichen,

ist der umfragebasierte Ansatz eher dem Industriebereich vorbehalten und weniger geeignet im

akademischen Bereich, womit dieser Ansatz nicht geeignet ist, um in diesem Rahmen neue

Sentiment-Indikatoren zu entwickeln. Institutionen wie JP Morgan (vgl. Investor Confidence

Index), UBS (vgl. Investor Optimism Index), Barclays (vgl. UK Logistics Confidence Index)

oder Bank of Japan (vgl. Tankan Sentiment Index) ermitteln hingegen regelmäßig Sentiment-

Indikatoren, da diese auch das dafür benötigte Panel besitzen. Diese erweisen sich für Analysen

als geeignet.

Im europäischen Raum bieten sich vor allem Economic Sentiment Indicator (ESI), Business

Climate Index (BCI) und der Consumer Confidence Index (CCI) an, um Sentiment zu messen.

Diese werden allesamt von der Europäischen Kommission erhoben und herausgegeben.

Economic Sentiment Indicator

Der Economic Sentiment Indicator (ESI) spiegelt die Erwartung und Einschätzung der Industrie

und der Verbraucher auf EU-Ebene wider. Der EU-Gesamtindikator besteht aus fünf

Branchenindikatoren mit jeweils unterschiedlichen Gewichtungen: Vertrauensindikator für die

Industrie [40%]; Vertrauensindikator für den Dienstleistungssektor [30%]; Vertrauensindikator

für die Verbraucher [20%]; Vertrauensindikator für die Bauwirtschaft [5%]; Vertrauensindikator

für den Einzelhandel [5%]. (vgl. Europäische Kommission, Eurostat)

"Die Salden werden als Differenz zwischen dem prozentualen Anteil der Befragten mit positiven

und negativen Antworten berechnet. Die Aggregate für die EU und das Euro-Währungsgebiet

werden auf der Grundlage der nationalen Ergebnisse berechnet und saisonbereinigt. Der ESI wird

auf ein langfristiges Mittel von 100 und eine Standardabweichung von 10 skaliert. Werte über

100 deuten also auf eine überdurchschnittliche wirtschaftliche Einschätzung hin und umgekehrt.

Die Daten sind saisonbereinigt (SA)." (vgl. Europäische Kommission, Eurostat)

In der nachfolgenden Abbildung sind die generierten Konsumenten- und Industrie-Sentiment des

ESI in der Zeitreihe dargestellt und Wendepunkte gekennzeichnet.

35/83

ABBILDUNG 14: ESI ZEITREIHE (THOMSON REUTERS)

Die Zeitreihe des Economic Sentiment Indikators zeigt, dass im Februar 2003 der ESI bei 90,7

Punkten liegt und bis Juni 2007 auf 112,3 Punkte ansteigt. Aufgrund der Wirtschaftskrise wird

ein enormer Abschwung des ESI induziert, wobei im März 2009 der Tiefpunkt erreicht ist (65,5

Punkte). Ab März 2009 findet eine Erholung und ein starker Anstieg des ESI statt, wodurch im

März 2011 ein Höchstwert von 107,1 Punkte zu vermerken ist. Der ESI fällt bis Oktober 2012

auf 83,1 Punkte und steigert sich anschließend kontinuierlich bis Ende 2017 (115 Punkte). Im

Februar 2020 liegt der ESI bei 103,4 Punkten, ehe dieser anschließend aufgrund der Corona-

Krise abstürzt und im April 2020 bei nur mehr 64,8 Punkten liegt.

Business Climate Indicator

Beim Business Climate Indicator (BCI) - auch Geschäftsklimaindex - werden die

Geschäftsbedingungen des verarbeitenden Gewerbes in der Eurozone durch monatliche

Auswertungen der führenden Vertreter der Branche erhoben. Die Stichprobengröße der Umfrage

beträgt rund 20.000 Unternehmen aus allen Dienstleistungssektoren. Der BCI besteht aus fünf

Variablen: Ergebnisse einer Erhebung über die Produktionsmengen, die Anzahl der

Auftragseingänge für den Inlandsverbrauch und den Export, die Lagerbestände der letzten drei

Monate und die Aussichten für die Produktionsmengen. Die Befragten sollen bei qualitativen

36/83

Erhebungen bewerten, ob sich die Situationen verschlechtert hat, verbesserte oder unverändert

blieb (vgl. Europäische Kommission, Eurostat).

In der nachfolgenden Abbildung sind die generierten Geschäftsklimata des BCI in der Zeitreihe

dargestellt und die wesentlichen Wendepunkte gekennzeichnet.

ABBILDUNG 15: BCI ZEITREIHE (THOMSON REUTERS) Bei einem Vergleich der graphischen Darstellung des BCI mit dem ESI können die gleichen

strukturellen Verläufe beobachtet werden. Im April 2007 ist ein vorläufiger Höchststand mit 1,57

Punkten erreicht, wobei auch wie beim ESI im März 2008 der in der Gesamtzeitbetrachtung

niedrigste Wert erreicht ist (-3,72). Das Wirtschaftsklima entwickelt sich in den folgenden zwei

Jahren äußerst positiv, so dass im März 2011 der Höchststand von 1,41 erreicht wird. Es folgt

abermals eine Verschlechterung des Wirtschaftsklimas und der Indikator erreicht im Oktober

2012 das niedrige Niveau von -1,53. Es folgt ein kontinuierlicher Anstieg des Wirtschaftsklimas

bis zum Jänner 2018 mit einer Plateaubildung in den Jahren 2014 bis 2016. Dem hohen Niveau

des Jänners 2018 (1,63) folgt ein starker und kontinuierlicher Abstieg des Geschäftsklimas, so

dass sich im Februar 2020 vor Ausbruch der Corona-Krise der BCI um den Nullpunkt bewegt. Im

April 2020, nach Ausbruch der Corona-Krise, liegt der Business Climate Indicator nur noch bei -

1,97 und fällt im Mai weiter auf -2,41 (der Economic Sentiment Indicator verzeichnet im Mai

hingegen eine Aufwärtsbewegung).

37/83

Consumer Confidence Indicator

Der Consumer Confidence Indicator misst, wie optimistisch die Konsumenten des Euroraums

bezüglich der wirtschaftlichen Entwicklung sind. Die Umfrage wird mittels Telefonbefragung

durchgeführt und umschließt 23.000 Haushalte. Die Fragen beziehen sich auf die derzeitige

finanzielle Situation, Ersparnisvorhaben und erwartete Entwicklungen hinsichtlich des

Verbraucherpreisindex, generelle wirtschaftliche Entwicklung und größere geplante Ausgaben

für Verbrauchsgegenstände. Der "Konsumenten-ESI" misst das Sentiment der Verbraucher auf

einer Skala von -100 bis 100, wobei -100 den Extremwert der mangelnden Zuversicht darstellt, 0

auf Neutralität hindeutet und 100 extremes Verbrauchervertrauen darstellt.

In der nachfolgenden Abbildung sind die generierten Konsumenten-Sentiments des CCI in der

Zeitreihe dargestellt und wiederum die zentralen Wendepunkte gekennzeichnet.

ABBILDUNG 16: CCI ZEITREIHE (THOMSON REUTERS)

38/83

Bei der graphischen Betrachtung der CCI-Zeitreihe kommt zum Vorschein, dass ESI

beziehungsweise BCI sich nach der Wirtschaftskrise 2007 in kurzer Zeit erholen und zum

Februar/März 2011 bereits beinahe Vor-Krisenwerte erreicht werden, wohingegen das

Konsumenten-Sentiment CCI noch weit zurück liegt. Beim BCI beginnt der Abschwung der

Wirtschaftskrise 2007 schon im April, der Abschwung des CCI setzt erst verzögert im Juli ein.

Wie bei ESI und BCI erreicht der CCI im März 2009 den Tiefststand mit -23,9, erholt sich davon

aber in nur geringem Ausmaß im Vergleich zu ESI und BCI.

Zum Ende des Jahres 2012 wird ein neuerlicher Tiefststand erreicht, dieser wird bei ESI und BCI

im Oktober erreicht, der Tiefststand des Konsumenten-Sentiment folgt im Dezember (-22,2). In

den darauffolgenden 5 Jahren steigt das Konsumenten-Sentiment CCI und erreicht im Dezember

2017 den vorläufigen Höchststand von -2,8 (Höchststand ESI im Dezember 2017, Höchststand

BCI Jänner 2018), ehe CCI wieder abfällt. Der Unterschied zu ESI und BCI seit Anfang 2018

besteht darin, dass die Werte der beiden von Anfang 2018 an kontinuierlich abfallen, wohingegen

CCI im Jahr 2019 eine Plateau-Bildung verzeichnet, ehe im März und April 2020 der Einbruch

des CCI in Folge der Corona-Krise begonnen hat. Im Mai 2020 ist bereits ein leichter Anstieg des

CCI zu verzeichnen.

Volatilitätsindex VSTOXX

Der Volatilitästindex VSTOXX zeigt die implizite Volatilität des Euro Stoxx 50 an. Der

Betrachtungszeitraum beträgt 30 Tage. Ein hoher Indexstand zeigt einen unruhigen Markt an,

wobei oft vom "Angstbarometer" gesprochen wird.

In der Literatur wird, wie in Kapitel 2.2.1. dargestellt, der im US-Raum gebräuchliche CBOE

Volatility Index (VIX) häufig herangezogen, um die Prognosefähigkeit von Anleiherenditen zu

testen. In der vorliegenden empirischen Untersuchung wird die implizite Volatilität des Euro

Stoxx 50 verwendet, um Regressionen auf europäische Anleiherenditen durchzuführen. Der Euro

Stoxx 50 Index ist ein Aktienmarktindex der Eurozone, welcher von STOXX Ltd. entwickelt

wurde. Das Ziel des Index ist es, einen repräsentativen Index zu konstruieren, der die 50

profitabelsten und qualifiziertesten Unternehmen der Wirtschaftssektoren zusammenfasst.

Der Volatilitätsindex misst die implizierte Volatilität der Marktpreise der Optionen des Euro

Stoxx 50. In der Literatur ist dokumentiert, dass implizierte Volatilität die Befürchtung der

Investoren wiederspigelt (vgl. Baker und Wurgler, 2007). Ein hoher Wert des VSTOXX weist auf

niedriges Investoren-Sentiment hin. In der Literatur wird oftmals der VIX (implizierte Volatilität

des S&P 500) als Sentiment-Indikator verwendet und untersucht (vgl. Da et al. 2015; Bethke et

al., 2017), der VSTOXX hingegen ist in der Literatur vergleichsweise weitgehend

unterrepräsentiert. Die Daten des VSTOXX wurden durch Thomson Reuters EIKON generiert.

39/83

In der nachfolgenden Abbildung sind die generierten Volatilitäten des VSTOXX in der Zeitreihe

dargestellt:

ABBILDUNG 17: VSTOXX ZEITREIHE (THOMSON REUTERS)

Die VSTOXX Vola-Zeitreihe ist durch hohe kurzfristige Anstiege im Oktober 2002, Dezember

2008, Oktober 2011, Juni 2012, September 2015 und April 2020 gekennzeichnet.

40/83

Credit Spread (Moody’s Seasoned Baa Corporate Bond Yield relative on 10-Year Treasury

Constant)

In der Literatur wird darauf verwiesen (vgl. Lopez-Salido et al, 2018), dass auf erhöhtes

Kreditmarkt-Sentiment (mit geringen Spreads) ein Absinken der Wirtschaftsaktivität folgt und es

damit zu einem Mean-Reversion-Effekt des Kreditmarkts kommt und die Spreads dabei wieder

ansteigen. Für die empirische Untersuchung wird der Moody’s Credit Spread herangezogen.

In der nachfolgenden Abbildung sind die generierten Credit Spreads von Moody’s in der

Zeitreihe dargestellt:

ABBILDUNG 18: MOODY'S CREDIT SPREAD ZEITRIEHE (FEDERAL RESERVE BANK OF ST. LUIS)

41/81

MODELLIERUNG DER SENTIMENT-INDIKATOREN Für die Regressionsanalyse wurde für die Sentiment-Indikatoren jeweils das Delta gebildet. Das

Delta der Sentiment-Indikatoren ist definiert als das Ausmaß der Veränderung des Wertes der

aktuellen Periode im Vergleich zum Vormonat.

Für die Regressionsanalyse wurde der VSTOXX und ESI so modelliert, dass die prozentuelle

Veränderung zur Vorperiode ausgegeben wird. Beim CCI, BCI und Moody’s Credit Spread ist

das Ergebnis der Differenzbildung ein absoluter Wert. Bei CCI und BCI kann man aufgrund

negativer Werte bei den Zeitreihen keine logarithmischen Differenzen bilden und muss auf

einfache Differenzen zurückgreifen.

3.2. DYNAMISCHE REGRESSIONSANALYSE

Mittels der dynamischen Regressionsanalyse soll nun untersucht werden, ob die definierten

Sentiment-Indikatoren geeignet sind, Anleiherenditen zu prognostizieren. Ziel der

Regressionsanalyse ist es, statistisch signifikante Zusammenhänge zu finden, um auf Basis der

Erkenntnisse eine verbesserte Asset Allocation durchzuführen und folglich höhere Renditen

beziehungsweise eine verbesserte Sharpe Ratio zu generieren. Eine höhere Rendite wird durch

verbesserte Timing-Fähigkeit und Selektionsfähigkeit angestrebt, wie in Kapitel 2.1.3. angeführt

wurde. In der Regressionsanalyse wird die Rendite der Anleihen durch die Preisveränderungen

der Anleihekurse untersucht.

MODELLBILDUNG

Mittels einer multiplen linearen Regression wird eine statistische Analyse vorgenommen, in der

die Rendite der Anleihe zum Zeitpunkt t durch die Vergangenheitswerte der Anleiherendite und

durch Vergangenheitswerte der Sentiment-Indikatoren erklärt wird. Das VAR-Modell wird auf

die zeitliche Verzögerung getestet, damit bestimmt werden kann, welche vergangenen Perioden

der Regressoren am besten dazu geeignet sind, die abhängige Variable zu prognostizieren. Es

wird das Schwarz-Bayesianische Informationskriterium (SBIC) und Akaikes

Informationskriterium (AIC) herangezogen, um die optimale Lag-Ordnung zu finden. Bei der

Bestimmung der Lag-Ordnung wird auf das Verhältnis von AIC/SBIC und Bestimmtheitsmaß

abgestellt, um eine Überanpassung des Modells vorzubeugen (vgl. Kuha, 2004).

42/83

Das multiple lineare Regressionsmodell wird folgendermaßen beschrieben:

!!" = α#!#,!%# + β#'()*#,!%# +⋯+⋯+ α&!&,!%& + β&'()*&,!%& + ε!"

ABBILDUNG 19: REGRESSIONSMODELL

Y = Variable 1 (Anleiherendite)

sent = Variable 2 (Sentiment-Indikator)

α,β = Koeffizienten

-= Residuen im Zeitpunkt t0

t-n = Lags in Monaten

Hinsichtlich der Anleihepreise liegen Daten für den Kurs zum Anfang und Ende eines Monats

vor. Die Umschichtung der Anleihen erfolgt zum Ende des Monats. Konkret wird also für die

Rendite eines Monats der Endkurs des Monats mit dem Endkurs des vorangegangenen Monats

verglichen. Die Berechnung der Anleiherendite ist unten angeführt:

!!" = . /!"/!%#− 12 ∗ 100

ABBILDUNG 20: RENDITE-BERECHNUNG ANLEIHEN

VERFAHRENSWEISE

Zuerst wird die Stationarität beziehungsweise die Grundstruktur der Zeitreihen untersucht, da

keine systematischen Veränderungen im Gesamtbild der Zeitreihe (stochastischer Trend)

vorherrschen sollten. Hierfür wird der Dickey-Fuller Test angewandt. Im zweiten Schritt werden

die Modellparameter (Verzögerung der Variablen) mithilfe der Informationskriterien eruiert.

Hierfür wird das Akaike-Informationskriterium (AIC), das Schwartz-Informationskriterium (BIC)

und das Hannan-Quinn-Informationskriterium (HQ) herangezogen. Im dritten Schritt wird die

Güte der Modelle untersucht, wonach die Koeffizienten anhand des t-Tests beurteilt werden.

Dickey-Fuller-Test

Bevor die Regressionsanalyse durchgeführt werden kann, müssen die Zeitreihen auf Stationarität

überprüft werden. Die Zeitreihen müssen durch Stationarität charakterisiert sein, so dass diese

keinen Trend haben. Um Vorhersagen treffen zu können, werden zeitinvariante Serien benötigt,

wobei hiernach Mittelwert und Varianz im Zeitverlauf gleichbleibend sind. Es kann zwischen

einem schwachen und einem starken stationären Prozess unterschieden werden. Ein schwach

43/83

stationärer Prozess besteht aus konstantem Erwartungswert für Mittelwert und Varianz und es

existiert eine Autokorrelation. Bei einem stark stationären Prozess besteht ebenfalls ein

konstanter Erwartungswert für Mittelwert und Varianz, es herrscht jedoch keine Autokorrelation

vor, wonach keine inneren Abhängigkeitsstrukturen vorherrschen. Stationarität ist eindeutig

definiert, insofern die Daten entweder stationär sind oder nicht.

Die Stationarität von Zeitreihen wird mithilfe des Dickey-Fuller-Tests überprüft. Der Dickey-

Fuller-Test ist ein Einheitswurzeltest zur Überprüfung der Nullhypothese des Vorhandenseins

einer Einheitswurzel, sprich der Nicht-Stationarität. Es werden nun die Zeitreihen der

Anleiherenditen und Sentiment-Indikatoren auf Stationarität mittels Stata 13 überprüft.

Bei den Zeitreihen High Yield (|10,991|), Low-Yield (|13,889|), Euro Stoxx 50 Volatility

(|16,011|), ESI (|5,111|), CCI (|12,061|), BCI (14,056|) und Credit Spread (|5,661|) ist der absolute

Wert der Test-Statistik größer als der kritische Wert. Die Nullhypothese kann demnach

verworfen werden und die Zeitreihe ist durch Stationarität determiniert. Letzteres lässt sich ferner

anhand des p-Wertes, welcher kleiner als 0,05 ist, feststellen.

Zeitreihe Absolutwert

Test-Statistik

1% Critical

Value

5% Critical

Value

10% Critical

Value

p-Wert Stationarität

High Yield -10,991 -3474 -2883 -2.573 0,0000 Ja

High Grade -13,889 -3474 -2883 -2.573 0,0000 Ja

Euro Stoxx 50

Volatilität

-16,011 -3474 -2883 -2.573 0,0000 Ja

ESI -9.754 -3.475 -2.883 -2.573 0,0000 Ja

CCI -12.061 -3.475 -2.883 -2.573 0,0000 Ja

BCI -14.056 -3.475 -2.883 -2.573 0,0000 Ja

Credit Spread -5.661 -3474 -2883 -2.573 0,0000 Ja ABBILDUNG 21: AUSWERTUNG STATIONARITÄT

Informationskriterien

Die Informationskriterien stellen ein Kriterium für die Auswahl des Modells dar. Im Zuge der

Modellaufstellung treten zwei entgegengesetzte Probleme auf, die es auszubalancieren gilt:

Eine zu starke Modellvereinfachung führt zu einer unzureichenden Erklärung der Effekte und

dieses „Underfitting“ kommt einer Verzerrung gleich.

44/83

Eine hohe Komplexität der Parameter führt zu genauen Darstellung, dieses „Overfitting“

verursacht jedoch Schwankungen und statistische Fehler.

Die Informationskriterien sind so formuliert, dass entweder maximale Plausibilität oder minimale

Varianz der Residuen angestrebt wird. In Stata werden mittels der Syntax „varsoc“ die vier

Informationskriterien FPE, AIC, BIC und HQIC kalkuliert. Die unten angeführte Auswertung

zeigt, dass die optimale Verzögerung der Sentiment-Indikatoren bei einem Monat,

beziehungsweise beim Credit Spread bei drei Monaten liegt. Es ergeben sich keine Unterscheide

bei der Hinzunahme der Anleiherendite als erklärende Variable. Im High Grade Bereich beim

BCI wird die Regression mit der Verzögerung von 1 Monat vorgenommen.

Variablen Optimale-Lag-Ordnung

High Yield x VSTOXX 1 High Grade x VSTOXX 1 High Yield x ESI 1 High Grade x ESI 1 High Yield x BCI 1 High Grade x BCI 0 High Yield x CCI 1 High Grade x CCI 1 High Yield x Credit Spread 3 High Grade x Credit Spread 3 ABBILDUNG 22: FESTLEGUNG DER LAGS

Modellgüte der Regressionsanalyse

Die dynamische Regressionsanalyse wurde mit Stata 13 durchgeführt und die Ergebnisse sind in

Kapitel 3.3. angeführt. An dieser Stelle wird definiert, welche Kriterien herangezogen werden,

um die Qualität der Beziehungen im Modell zu bestimmen.

Anhand des p-Wertes zur F-Statistik wird zuerst definiert, ob die untersuchte Beziehung der

Stichprobe auch für die Grundgesamtheit Gültigkeit besitzt. Die Nullhypothese des F-Tests sagt

aus, dass alle Koeffizienten gleich 0 sind. Die Alternativhypthese besagt, dass mindestens ein

Koeffizient nicht gleich 0 ist und damit mindestens eine unabhängige Variable einen

signifikanten Einfluss auf die abhängige Variable ausübt. Unterschreitet der p-Wert der F-

Statistik das Signifikanzniveau, so wird die Nullhypothese abgelehnt und die Alternativhypothese

angenommen. Das Signifikanzniveau ist mit 0,05 festgelegt.

Das empirische Bestimmtheitsmaß R2 ist als Quotient von erklärender Varianz und

Gesamtvarianz definiert. Das R2 liefert Werte zwischen 0 und 1. Beim Extremwert von 0 kann

durch das Modell 0% der Varianz der abhängigen Variable durch die unabhängigen Variablen

45/83

erklärt werden, beim Extremwert von 1 ist die vollständige Varianz der unabhängigen durch die

abhängige Variable erklärt. Durch das R2 wird demnach untersucht, wie viel Prozent der

Veränderung der Renditen durch die unabhängigen Variablen – Sentiment-Indikator und

vergangene Anleiherendite - erklärt werden. Das adjustierte R2 fügt der Berechnungsweise des

R2 einen Strafterm hinzu. Das R2 kann durch das Hinzufügen von Kovariaten nicht sinken, das

adjustierte R2 sanktioniert hingegen die Beimischung von inflationären Kovariaten mittels

Strafterm, womit das adjustierte R2 nur wächst, wenn die Variable zu einer deutlichen

Verbesserung des Modells beiträgt.

Mit dem p-Wert zur T-Statistik wird schließlich jede unabhängige Variable auf einen

signifikanten Einfluss überprüft. Wenn der p-Wert das Signifikanzniveau 0,05 unterschreitet, übt

der jeweilige Koeffizient einen signifikanten Effekt auf die Anleiherendite aus und kann sie mit

statistischer Signifikanz prognostizieren. Anhand des Koeffizienten kann auch die

Durchschnittsveränderung der abhängigen Variable, bei einer Veränderung der unabhängigen

Variable um eine Einheit - bei Konstanthaltung der anderen unabhängigen Variablen - abgelesen

werden.

Deskriptive Analyse

Bevor die Ergebnisse der Regressionsanalyse vorgestellt werden, werden an dieser Stelle die

Daten durch Lage- und Streuungsmaße beschrieben, um Aussagen über den Datensatz treffen zu

können beziehungsweise erste Eigenschaften und Trends der Zeitreihen festzustellen.

Variable N Mittelwert Standardabweichung Minimum Maximum High Yield Rendite 208 .0059434 .0301651 -.2030068 .1306291 High Grade Rendite 208 .0031892 .0116728 -.069188 .0371508 VSTOXX 208 .0183922 .2194132 -.4029857 146.219 ESI 208 -.0010361 .0281794 -.3044397 .0578947 CCI 208 -.0158654 1.29592 -11.1 3.9 BCI 208 .014122 .886746 -4.5 8.666667 Credit Spread 208 -.0151923 .313954 -3.28 1.45 ABBILDUNG 23: DESKRIPTIVE STATISTIK

Teilperioden

In der Literatur wird beschrieben, dass vorherrschende Regime die Sensitivität der Anleihe-

Spreads verstärken (vgl. Nayak, 2010; Huang et al. 2015). Nayak (2010) dokumentiert, dass vor

allem die Tech-Bubble von 1994 bis 1999 und der post-bubble Crash 2000-2004 die Sensitivität

der Anleihe-Spread grundlegend beschleunigte. Huang et al. (2015) dokumentierten dazu, dass

Sentiment stärker nach dem Ausbruch der Kreditkrise auf die Anleihepreise wirkte.

46/83

Die graphische Linie der Anleiherenditen im Zeitverlauf zeigt, dass mit Ausbruch der

Wirtschaftskrise im Jahr 2007 hohe Schwankungen verzeichnet wurden. Untenstehende

Abbildung der High Yield Renditen der vorliegenden Stichprobe verdeutlicht dies.

ABBILDUNG 24: LINE HIGH YIELD

Es wird nun ein Regressionsmodell mit zwei Teilperioden präsentiert: In der ersten

Teilstichprobe werden die Anleiherenditen von März 2003 bis zur Krise im März 2007

untersucht. In der zweiten Teilstichprobe werden die Daten von April 2007 bis Mai 2020

untersucht. Die Standardabweichung beträgt im High-Yield-Bereich .0108709 (erste Teilperiode)

und .0339415 (zweite Teilperiode) beziehungsweise .0077354 (erste Teilperiode) und .0126863

(zweite Teilperiode) im High-Grade-Segment.

3.3. ERGEBNISSE REGRESSIONSANALYSE

Es werden nun die Ergebnisse der dynamischen Regressionsanalyse vorgestellt. Die Gliederung

der Analyse wurde anhand der Sentiment-Indikatoren vorgenommen. In der Regressionsanalyse

werden die zuvor erwähnten Zeithorizonte untersucht und es werden je Sentiment-Indikator

unterschiedliche Grenzwerte gebildet, um unterschiedliche Ausprägungen eines Sentiment-

Indikators und dessen Auswirkungen auf die Anleiherenditen vergleichen zu können. Die

Interpretation ist in Analogie zum Regressionsoutput aufgebaut.

EURO STOXX 50 VOLATILITÄT

-.2-.1

0.1

.2High-Yield

2002m12004m12006m12008m12010m12012m12014m12016m12018m12020m1time

47/83

In Anbetracht der Ergebnisse der Regressionsanalyse kann festgestellt werden, dass die

Nullhypothese verworfen werden kann und sowohl im High Yield als auch im High Grade

Bereich ein statistisch signifikanter Zusammenhang zwischen verzögerter Anleiherendite

beziehungsweise Sentiment-Indikator VSTOXX (exogene Variable) und Anleiherenditen

(endogene Variable) besteht. Mittels des Sentiment-Indikators VSTOXX kann die Varianz der

Anleiherendite im High Yield Bereich besser beschrieben werden (R2 18,22%) als im High-

Grade Bereich (R2 9,55%). Der Zeitraum der Periode von April 2007 bis Mai 2020 ist bedeutend

besser geeignet als der Zeitraum von März 2003 bis bis März 2007 (R2 HY-Bereich 1. vs 2.

Teilperiode: 4,94% und 19,71%).

Weiters wurde untersucht, wie sich unterschiedliche Ausprägungen der Werte des Sentiment-

Indikators VSTOXX auf die Anleiherenditen auswirkten. Die Regression wurde bei

Überschreiten verschiedener unten ersichtlicher Grenzwerte vorgenommen.

Im High-Yield Bereich können durch die exogenen Variablen rund 48% der Variation der

Anleiherenditen im Zeitpunkt t0 vorhergesagt werden, wenn der verzögerte Sentiment-Indikator

eine implizite Volatilität von 5% überschreitet, was bei 69 von 207 Observationen der Fall war.

Bei einem Anstieg der impliziten Volatilität um ein Prozent sinkt die Anleiherendite um rund

0,12%. Bei den ausschließlich betrachteten Volatilitäten von > 5% liegt der Mittelwert der

impliziten Volatilität bei 29,24%. Der hohe Mittelwert und der hohe Koeffizient (rund -0,12) des

VSTOXX sowie die hohe Anzahl an Observationen schließen auf ein hohes

Risikobegrenzungspotential, welches in der Asset Allocation in Kapitel 2.1.3. bestätigt wird.

Schränkt man im High Yield Bereich die Regression für Volatilitäten > 10%, > 20% bzw. >30%

ein, so steigt das Bestimmtheitsmaß R2 von rund 50,5% auf 55,9% bzw. 67,7%. Der Koeffizient

steigt von rund -0,121 (> 10%) auf -0,139 (>20 %) und -0,176 (>30%).

Im High-Grade Bereich sind durch Einschränkung der Observationen durch die

Schrankensetzung bei der impliziten Volatilität ebenso hochsignifikante Zusammenhänge (p-

Wert 0,0000 bei allen vier untersuchten Schranken) und hohe Werte beim

Determinationskoeffizienten R2 auszumachen. Die Variation der endogenen Variable lässt sich

im High Grade Bereich sowohl auf den Sentiment-Indikator VSTOXX als auch auf die

verzögerten Anleiherenditen zurückführen. Der Koeffizient des Sentiment-Indikators VSTOXX

ist im High Grade Bereich geringer als im High Yield Bereich (rund -0,042 bei Vol. >5% und -

0,065 bei Vol. >30%).

48/83

Bei der Einschränkung der impliziten Volatilitäten auf negative Werte konnte nur im High Yield

Bereich die Nullhypothese verworfen werden. Es kann bei dieser Einschränkung nur noch ein

kleiner Teil der Varianz der endogenen Variable beschrieben werden (9,3% bzw. 15,1%), der

VSTOXX kann die Anleiherenditen dabei nicht mehr vorhersagen, jedoch besteht eine signifikant

positive Beziehung zwischen verzögerter Anleiherendite und der zu erklärenden Variable.

49/81

Index, Einschränkung N Signifikanz (Modell) R-Quadrat P>|t| (VSTOXX) Koeff. VSTOXX Lag1 P>|t| (Anleiherendite) Koeff. Anleiherendite

Lag1 Gesamtzeitraum High Yield 207 0.000 0.1822 0.000 -.0512796 0.163 .0991114 High Grade 207 0.0000 0.0955 0.000 -.0171306 0.335 -.0675494 Teilperioden HY, 2003-2007 49 0,3120 0,0494 0.380 -.0088565 0.312 .1487838 HY, 2007-2020 158 0.0000 0.1971 0.000 -.0584105 0.365 .0739998 HG, 2003-2007 49 0.0212 0.1543 0.009 -.0180082 0.253 .1575775 HG, 2007 - 2020 158 0.0004 0.0949 0.000 -.0176638 0.238 -.0966391 High Yield, positive Veränderung HY, Vol>5% 69 0.0000 0.4789 0.000 -.1205476 0.883 -.0149693 HY, Vol>10% 55 0.0000 0.5045 0.000 -.1295281 0.883 -.0161177 HY, Vol>20% 33 0.0000 0.5589 0.000 -.1386425 0.274 .1732925 HY, Vol>30% 15 0.0011 0.6769 0.000 -.1763332 0.310 2263095 High Grade, positive Veränderung HG, Vol>5% 69 0.0000 0.4951 0.000 -.042069 0.001 -.2908771 HG, Vol>10% 55 0.0000 0.5232 0.000 -.0449818 0.002 -.2872626 HG, Vol>20% 33 0.0000 0.5996 0.000 -.0529772 0.047 -.2998289 HG, Vol>30% 15 0.0000 0.8120 0.000 -.0654971 0.244 -.2069959 High Yield, negative Veränderung HY, Vol<0% 114 0.0043 0.0934 0.218 .0334372 0.001 .3287952 HY, Vol<-10% 59 0.0103 0.1508 0.274 .0470056 0.003 .3691047 HY, Vol<-20% 23 0.2106 0.1442 0.707 .0196637 0.100 -.2646724 High Grade, negative Veränderung HG, Vol<0% 114 0.1143 0.0383 0.965 .0005353 0.042 .2239112 HG, Vol<-10% 59 0.3218 0.0397 0.476 .0128194 0.166 .1823125 HG, Vol<-20% 23 0.2426 0.1321 0.919 .0044712 0.111 -.4003711

ABBILDUNG 25: ERGEBNISSE VSTOXX

50/81

ESI

In der Gesamtstichprobe konnten im High Yield Bereich 7,13% der Varianz erklärt werden,

wohingegen das Modell im High Grade Bereich keine statistisch signifikanten Werte erzielt. Für

den Zeitraum Februar 2003 bis März 2007 kann im High Yield Bereich die Nullhypothese des

Regressionsmodells nicht verworfen werden, im Zeitraum April 2007 bis Mai 2020 kann diese

jedoch verworfen werden. Im High Grade Bereich müssen in beiden untersuchten Zeiträumen die

Nullhypothesen angenommen werden, womit die Prognosefähigkeit mittels des Sentiment-

Indikators ESI zu negieren ist.

Schränkt man die Stichprobe nun insoweit ein, als dass die Regression nur bei bestimmten

Grenzwerten des verzögerten Sentiment-Indikators vorgenommen wird, so verändert sich das

Bild im Vergleich zum Gesamtbetrachtungszeitraum. Ohne Setzung von Schranken beim

Economic Sentiment Indicator beträgt die Erklärungskraft der Variation der High Yield

Anleiherenditen 7,13%, bei der ersten vorgenommenen Einschränkung (ESI > 0%) steigt das R2

auf 23,09% und weiter auf 47,89% bei ESI > 1%. Die Interpretation ist folgende: Wenn

Sentiment positiv ist (ESI > 0%), so wird die Anleiherendite bei einem Anstieg der verzögerten

Anleiherenditen um 1% um rund 0,41% ansteigen. Im Vergleich dazu steigen die Renditen der

High-Grade Anleihen bei positivem Sentiment (ESI > 0%) nur um rund 0,25%, wenn die

verzögerte Anleiherendite um 1% steigt und alle anderen Faktoren konstant gehalten werden.

Der ESI- Sentiment-Indikator besitzt Prognosefähigkeit, jedoch nur im High-Grade Bereich. Bei

der Schranke ESI>0% beziehungsweise ESI>1% beträgt der ESI-Koeffizient 0,3026792 bzw.

0,4044603. Bei einem Anstieg des ESI um 1 Prozent steigt folglich die Anleiherendite um rund

0,30% bzw. 0,40%.

51/81

Index, Einschränkung N Signifikanz (Modell) R-Quadrat P>|t| (ESI) Koeff. ESI Lag1 P>|t| (Anleiherendite) Koeff. Anleiherendite Lag1

Gesamtzeitraum High Yield 207 0.0005 0.0713 0.722 .0266637 0.000 .2593792 High Grade 207 0.5403 0.0060 0.300 .030046 0.702 .026863 Teilperioden HY, 2003-2007 49 0.1340 0.0837 0.118 -.2161666 0.150 .2047811 HY, 2007-2020 158 0.0037 0.0698 0.721 .0308214 0.002 .2554409 HG, 2003-2007 49 0.6982 0.0155 0.929 -.0092425 0.432 .120311 HG, 2007 - 2020 158 0.6035 0.0065 0.325 .0317948 0.863 .0139016 High Yield, positive Veränderung HY, ESI > 0% 112 0.0000 0.2309 0.109 .3951692 0.001 .4063577 HY, ESI > 1% 49 0.0000 0.4789 0.127 .6126458 0.017 .3459542 HY, ESI > 2,5% 11 0.0868 0.4572 0.059 2,521711 0.965 -.0127274 High Grade, positive Veränderung HG, ESI > 0% 112 0.0001 0.1567 0.003 .3026792 0.030 .2525449 HG, ESI > 1% 49 0.0009 0.2641 0.008 .4044603 0.211 .1689213 HG, ESI > 2,5% 11 0.4246 0.1928 0.440 .3548736 0.573 .2303736 High Yield, negative Veränderung HY, ESI < 0% 86 0.4336 0.0199 0.554 -.066869 0.234 .1274717 HY, ESI < 1% 43 0.9449 0.0028 0.805 -.0312981 0.813 .0288506 HY, ESI < 2,5% 12 0.6596 0.0883 0.521 .1565898 0.415 .2272001 High Grade, negative Veränderung HG, ESI < 0% 86 0.2579 0.0321 0.956 .0020865 0.104 -.1551083 HG, ESI < 1% 43 0.1037 0.1071 0.836 .0094426 0.039 -.2841719 HG, ESI < 2,5% 12 0.0939 0.4089 0.738 .0199259 0.064 -.3589278

ABBILDUNG 26: ERGEBNISSE ESI

52/81

BCI Beim Business Climate Index ist laut Regressionsanalyse durchwegs keine Prognosefähigkeit

durch den Sentiment-Indikator möglich, weder im Gesamtzeitraum noch in den Teilperioden oder

bei der Testung von Grenzwerten des BCI. Im High Yield Bereich können anhand des

Regressionsmodells rund 9% der Anleiherenditen erklärt werden, die Prognosefähigkeit ist dabei

auf die verzögerte Anleiherendite zurückzuführen.

Bei der Einschränkung auf eine positive Veränderung des BCI zeigt das Regressionsmodell eine

erhöhte Modellgüte und einen erhöhten Koeffizienten der verzögerten Anleiherendite. Bei einem

positiven Delta des BCI können durch das Regressionsmodell rund 23% der Anleiherenditen

erklärt werden. Im High Grade Bereich können bei einer Einschränkung auf ein positives Delta

rund 10% der Anleiherenditen bestimmt werden. Bei einem negativen Delta können keine

signifikanten Werte erzielt werden.

53/81

Index, Einschränkung N Signifikanz (Modell) R-Quadrat P>|t| (BCI) Koeff. BCI Lag1 P>|t| (Anleiherendite) Koeff. Anleiherendite Lag1

Gesamtzeitraum

HY 205 0.0043 0.0903 0.343 .0113659 0.000 .261759 HG 205 0.3643 0.0322 0.865 -.0008194 0.603 .0367105 Teilperioden

HY, 2003-2007 47 0.6231 0.0208 0.570 .0012139 0.499 .103626 HY, 2007-2020 158 0.0035 0.0703 0.646 -.0013091 0.001 .2657507 HG, 2003-2007 47 0.3602 0.0444 0.277 .0016482 0.380 .1289361 HG, 2007 - 2020 158 0.9621 0.0005 0.844 .0002167 0.856 .0147293 High Yield, positive Veränderung

HY, BCI > 0 108 0.0000 0.2330 0.581 -.0130629 0.000 .6158883 HY, BCI > 0.1 52 0.0565 0.1107 0.511 .0328113 0.025 .4213463 High Grade, positive Veränderung

HG, BCI > 0 108 0.0036 0.1015 0.971 -.0003965 0.001 .3751344 HG, BCI > 0.1 52 0.1793 0.0678 0.182 .0321275 0.170 .2687863 High Yield, negative Veränderung

HY, BCI < 0 93 0.3328 0.0242 0.655 .0075081 0.177 .129149 HY, BCI < -0.1 51 0.5411 0.0253 0.637 .0113374 0.323 .1355323 High Grade, negative Veränderung

HG, BCI < 0 93 0.1301 0.0443 0.592 .0031388 0.061 -.1728478 HG, BCI < -0.1 51 0.0876 0.0965 0.188 .0081949 0.130 -.1424788

ABBILDUNG 27: ERGEBNISSE BCI

54/81

CCI

Die Regressionsanalyse des Consumer Confidence Indicators ergibt keine Prognosefähigkeit des

Sentiment-Indikators im Gesamtzeitraum und in den Teilperioden – Prognosefähigkeit entsteht

jedoch, wenn die Regressionsanalyse beim Erreichen von Grenzwerten des Sentiment-Indikators

durchgeführt wird. Im High Yield Bereich können anhand des Regressionsmodells im

Gesamtzeitraum rund 7% der Anleiherenditen erklärt werden, die Prognosefähigkeit ist wiederum

auf die verzögerte Anleiherendite zurückzuführen.

Sowohl im High Yield- als auch im High Grade Segment ist durch den Business Confidence

Indicator eine Prognosefähigkeit möglich, wenn die Regressionsanalyse bei Überschreiten von

Grenzwerten des BCI durchgeführt wird. Bei einer positiven Veränderung des Delta des

Sentiment-Indikators ist ein starker Anstieg des R2 festzustellen. Bei einem CCI größer 0 beträgt

das R2 rund 29%, bei einem CCI größer 1,7 hingegen rund 89%. Prognosefähigkeit durch den

CCI ist ab einem Grenzwert von größer 1,5 gegeben, wobei die Anleiherendite um 15

Basispunkte (CCI größer 1,7 mit 17 BP) steigt, wenn CCI um einen Punkt ansteigt.

Auch im High Grade Bereich ist bei einer positiven Delta-Veränderung des CCI eine hohe

Modellgüte des Regressionsmodells möglich: Bei CCI größer 0 beträgt das R2 rund 7%, bei CCI

größer 1 rund 22% und CCI größer 1,5 steigt die Modellgüte auf rund 71%. Im High Grade

Segment ist eine Prognosefähigkeit durch den CCI ab einem Grenzwert des CCI von größer 1,5

möglich, die Anleiherendite steigt um rund 6 Basispunkte bei einem Anstieg des CCI um einen

Punkt.

Bei der Einschränkung der Regressionsanalyse auf negative Veränderung des CCI konnte keine

Prognosefähigkeit durch den Sentiment-Indikator festgestellt werden, weder im High Yield- noch

im High Grade Segment. Die Prognosefähigkeit des Modells bei negativer Delta-Veränderung

des CCI im High Grade Bereich ergibt sich lediglich durch vergangene Renditen.

55/81

Index, Einschränkung N Signifikanz (Modell) R-Quadrat P>|t| (CCI) Koeff. CCI Lag1 P>|t| (Anleiherendite) Koeff. Anleiherendite Lag1

Gesamtzeitraum

HY 207 0.0004 0.0734 0.443 -.0012706 0.000 .2789443 HG 207 0.9119 0.0009 0.861 -.0001131 0.685 .0286391 Teilperioden

HY, 2003m3-2007m3 49 0.1682 0.0746 0.158 -.0035205 0.118 .2289828 HY, 2007m4-2020m5 158 0.0032 0.0714 0.525 -.0012288 0.001 .2750213 HG, 2003m3-2007m3 49 0.2500 0.0585 0.153 -.0025119 0.287 .1560027 HG, 2007m4 - 2020m5 158 0.9805 0.0003 0.980 .0000187 0.847 .015675 High Yield, positive Veränderung

HY, CCI > 0 112 0.0000 0.2849 0.228 -.0065227 0.000 .7161837 HY, CCI > 1 28 0.0002 0.4928 0.239 .0347763 0.000 .9661516 HY, CCI > 1,5 12 0.0009 0.7912 0.003 .1544212 0.079 .3375801 HY, CCI > 1,7 9 0.0012 0.8927 0.003 .1718815 0.016 .4992726 High Grade, positive Veränderung

HG, CCI > 0 112 0.0251 0.0654 0.920 .0002292 0.007 .2839888 HG, CCI > 1 28 0.0480 0.2157 0.563 .0072046 0.028 .5558174 HG, CCI > 1,5 12 0.0040 0.7062 0.005 .0572396 0.754 .0548893 High Yield, negative Veränderung

HY, CCI < 0 87 0.9757 0.0006 0.860 -.0004058 0.869 .0142555 HY, CCI < -1 26 0.7258 0.0275 0.638 .0016501 0.521 .0825166 High Grade, negative Veränderung

HG, CCI < 0 87 0.0347 0.0769 0.733 -.0002893 0.010 -.2425003 HG, CCI < -1 26 0.0136 0.3118 0.603 .0004927 0.004 -.3101825

ABBILDUNG 28: ERGEBNISSE CCI

56/81

CREDIT SPREAD Betrachtet man die Ergebnisse des Gesamtzeitraums, so kann die hohe Modellgüte (High Yield

R2 rund 57%, High Grade R2 rund 27%) festgestellt werden. Im High Grade Bereich kann zudem

eine Overreaction-Anomalie beobachtet werden: Der Koeffizient des Credit Spreads bei Lag 1 ist

negativ, Lag 2 ist positiv und Lag 3 wiederum negativ.

Bei Betrachtung der Ergebnisse auf Ebene der Teilperioden ist abermals das ungleiche Verhältnis

zwischen erster und zweiter Teilperiode festzustellen, wobei wiederum die zweite Teilperiode für

Prognosen der Anleiherenditen durch Sentiment besser geeignet ist als die erste Teilperiode.

Bei der Einschränkung auf eine positive Delta-Veränderung des Moody’s Credit Spreads steigt

die Modellgüte auf R2 73,7% (Credit Spread > 0) bzw. 81,5% (Credit Spread > 0,2). Die

Anleiherendite sinkt im High Yield Bereich um 14 Basispunkte bei einer Delta Veränderung des

Credit Spreads größer 0, wenn der Anstieg des Moody’s Credit Spreads bei diesen

Regressionspaaren einen Punkt beträgt. Im High Grade Bereich sinkt die Anleiherendite bei einer

Delta Veränderung größer 0 um 4 Basispunkte bei einem Anstieg des Credit Spreads um einen

Punkt.

Durch die Regression bei negativen Veränderungen des Moody’s Credit Sprads kann die

Prognosefähigkeit im High Yield Bereich nicht gesteigert werden, im High Grade Bereich steigt

die Anleiherendite um rund 10 Basispunkte bei einem Rückgang des Credit Spreads um einen

Punkt.

57/81

ABBILDUNG 29: ERGEBNISSE MOODY'S CREDIT SPREAD

Index, Einschränkung N Signifikanz (Modell)

R-Quadrat

P>|t| (Credit S.)

Koeff. Credit S. Lag1

P>|t| (Credit

S.)2

Koeff. Credit S.

Lag2

P>|t| (Credit S.)L3

Koeff. Credit S.

Lag3

P>|t| (Anleiherendite)

Koeff. Anleiherendite

Lag1

P>|t| (Anleiherendite)4

Koeff. Anleiherendite

Lag2

P>|t| (Anleiherendite)5

Koeff. Anleiherendite Lag3

Gesamtzeitraum

HY 205 0.0000 0.5682 0.000 -.1195708 0.178 .0157762 0.181 -.0157892 0.031 -.1736576 0.500 -.0548588 0.278 .0718343

HG 205 0.0000 0.2635 0.000 -.0285246 0.001 .0149749 0.025 -.009326 0.627 -.03486 0.277 -.0779454 0.062 .1431482

Teilperioden

HY, 2003-2007 47 0.2744 0.1644 0.904 -.0024215 0.065 .0354797 0.589 -.0110225 0.377 .1342793 0.023 .3457664 0.605 -.0840738

HY, 2007-2020 158 0.0000 0.6001 0.000 -.1243267 0.289 .0142613 0.269 -.0149842 0.034 -.195012 0.440 -.0719072 0.225 .090134

HG, 2003-2007 47 0.3455 0.1485 0.618 .0081738 0.927 .0014744 0.898 .0017908 0.135 .2337048 0.166 -.2464557 0.112 .2853028

HG, 2007 - 2020 158 0.0000 0.3133 0.000 -.0308589 0.001 .0159414 0.063 -.0086711 0.380 -.0723562 0.678 -.0341313 0.120 .1366732

High Yield, positive Veränderung

HY, Spread Lag1 > 0% 84 0.0000 0.7371 0.000 -.1419478 0.002 -.216079

HY, Spread Lag1 > 0.2% 18 0.0000 0.8151 0.000 -.1387723 0.194 -.1721707

High Grade, positive Veränderung

HG, Spread Lag1 > 0% 84 0.0000 0.4198 0.000 -.041561 0.000 -.380034

HG, Spread Lag1 > 0.2% 18 0.0050 0.5065 0.001 -.055685 0.039 -.7548969

High Yield, negative Veränderung

HG, Spread Lag1 < 0% 111 0.0383 0.0586 0.053 -.0146342 0.319 .0988498

High Grade, negative Veränderung

HY, Spread Lag1 < 0% 111 0.0000 0.2008 0.000 -.0976458 0.030 -.2319916

58/81

RÉSUMÉ

Den Ergebnissen und Interpretationen der dynamischen Regressionsanalyse folgt ein Résumé,

das die zentralen Erkenntnisse zusammenfasst und beschreibt.

High Yield vs High Grade Der High Yield Bereich ist im Vergleich zum High Grade Segment besser geeignet,

Anleihepreise mittels Sentiment-Indikatoren zu prognostizieren. Im High Yield Segment des

Gesamtbetrachtungszeitraums konnte die Nullhypothese bei allen untersuchten Sentiment-

Indikatoren verworfen werden, wonach Sentiment-Indikatoren einen Teil der Variation der

Anleiherenditen erklären können. Im High Grade Segment des Gesamtbetrachtungszeitraums

konnte die Nullhypothese nur bei zwei von fünf untersuchten Sentiment-Indikatoren verworfen

werden, womit nur dem VSTOXX und dem Credit Spread von Moody‘s im

Gesamtbetrachtungszeitraum des High Grade Segments Prognosefähigkeit zuzuschreiben ist.

Die Erklärungsfähigkeit des Modells (Bestimmtheismaß R2) ist bei allen untersuchten Sentiment-

Indikatoren im High Yield Bereich höher als im High Grade Bereich, sowohl auf Basis des

Gesamtzeitraums als auch auf Basis der Teilperioden.

Im Gesamtbetrachtungszeitraum konnten im High Yield Bereich die Modelle mit ESI, BCI und

CCI, welche als Datengrundlage Umfragewerte verwenden, 7,13% (ESI), 7,34% (CCI) und

9,03% (BCI) der Variation der High Yield Anleihepreise erklären. Die höchsten

Bestimmtheitsmaße lieferten VSTOXX (R2 18,22%) und Credit Spread (R2 56,82%). Die

Erklärungsfähigkeit des Modells im High Grade-Segment ist vergleichsweise gering: VSTOXX

mit einem R2 von 9,55% und Credit Spread mit einem R2 von 26,35%. ESI, BCI und CCI

lieferten im High-Grade Segment keine signifikanten Werte.

Teilperioden In Anbetracht der zwei Teilperioden lässt sich feststellen, dass dem Betrachtungszeitraum

Februar 2003 bis März 2007 keine Prognosefähigkeit durch Sentiment-Indikatoren zuzuschreiben

ist, da der p-Wert bei allen Observationen das Signifikanzniveau überschreitet. Im

Betrachtungszeitraum April 2007 bis Mai 2020 ist im High Yield Bereich bei allen fünf

untersuchten Sentiment-Indikatoren Prognosefähigkeit gegeben, im High-Grade Bereich

hingegen nur bei den Sentiment-Indikatoren VSTOXX und Credit Spread.

59/83

Positive und negative Grenzen

Die Erklärungsfähigkeit des Regressionsmodells konnte deutlich erhöht werden, indem die

Regression bei Erreichen bestimmter Grenzwerte durchgeführt wurde. Für alle Sentiment-

Indikatoren gilt, dass das Bestimmtheismaß nur gesteigert werden kann, indem der Regressor auf

positive Differenzen eingeschränkt wurde. Bei einer Einschränkung der Regression auf negative

Differenzen der Sentiment-Indikatoren konnte bei allen untersuchten Sentiment-Indikatoren - mit

Ausnahme der implizierten Volatilität im High Yield Bereich - keine Erhöhung der

Erklärungsfähigkeit des Modells erzielt werden.

Bei der Analyse der Koeffizienten der verzögerten Sentiment-Indikatoren ist zu beobachten, dass

bei VSTOXX und Credit Spread eine statistisch negative Beziehung zwischen verzögertem

Sentiment-Indikator und Anleihepreisen vorherrscht, während bei CCI, BCI und ESI eine

positive Relation gegeben ist. Dies ist dadurch zu begründen, dass ein Anstieg des VSTOXX

oder Credit Spread mit unsicheren Marktbedingungen in Verbindung zu bringen ist, wogegen ein

Anstieg des BCI, CCI oder ESI durch positive Zukunftsaussichten gekennzeichnet ist.

Overreaction-bias

Betrachtet man die Koeffizienten der unterschiedlichen Verzögerungen beim Credit Spread, so

lässt sich feststellen, dass dem negativen Koeffizienten ein positiver folgt und damit auf eine

Überreaktion der Marktteilnehmer geschlossen werden kann. Die Reaktion der Investoren auf die

Veränderung des Sentiments führt zu einer Überreaktion der Anleihepreise und bewirkt einen

Mean-Reversion Effekt der Anleihepreise.

60/81

4. ASSET ALLOCATION Die Vorgehensweise der Asset Allocation ist so ausgestaltet, dass in Kapitel 4.1. die Performance

der Benchmark (passive Buy-and-Hold Strategie) dargestellt ist, in Kapitel 4.1. wird die

Erstellung der Handelsstrategie und anschließend die Ergebnisse der taktischen Asset Allocation

(aktive Strategie) vorgestellt.

Prämissen Der Untersuchungszeitraum erstreckt sich von Februar 2003 bis Mai 2020. Das Rebalancing wird

auf monatlicher Basis durchgeführt. Den Renditen liegen keine Transaktionskosten zugrunde, da

diese beispielsweise bei Überführung der Strategie in einen ETF bei ausreichend großem

Investitionsvolumen zu vernachlässigen wären. Es erfolgt eine laufende Reinvestition der

Kapitalerträge (thesaurierte Renditen).

4.1. BENCHMARK

Die Benchmark verfolgt eine passive buy-and-hold Strategie, womit zum Februar 2003 gekauft

wird und das Portfolio bis zum Mai 2020 gehalten wird. Als Benchmark dient der High Yield

Index, der High Grade Index sowie ein Mischportfolio bestehend aus 50% High Yield Index und

50% High Grade Index.

Die passive buy-and-hold Strategie des High Yield Index (links dargestellt in Abbildung 30:

Benchmark, Buy-and-hold) generiert für den Betrachtungszeitraum von Februar 2003 bis Mai

2020 eine Rendite von 211,37%, was einer annualisierten Rendite von 12,19% entspricht. Die

Standardabweichung des Portfolios beträgt 10,45 %. Die Sharpe Ratio liegt - bei

Berücksichtigung der risk-free-rate der deutschen 10-jährigen Bundesanleihe von 0,0070%

(Stand 12. Juni 2020) - bei 1,10.

Der High Grade Index erzielte im Betrachtungszeitraum eine Gesamtrendite von 91,20%, was

einer jährlichen Rendite von 5,26% entspricht. Durch die vergleichsweise niedrige

Standardabweichung von 4,04% konnte der High Grade Index die höchste Sharpe Ratio (1,13)

erzielen.

Betrachtet man das Mischportfolio, so wurde im Betrachtungszeitraum eine Rendite von

147,90% erzielt. Die jährliche Rendite liegt bei 8,73%, die Standardabweichung bei 7,25% - was

einer Sharpe Ratio von 1,11 entspricht.

61/83

High Yield Index

High Grade Index

Misch- Portfolio (50/50)

Misch- Portfolio Anteil

High Yield

Misch- Portfolio Anteil

High Grade

Kummulierte Rendite 211,37% 91,20% 147,90% 105,69% 45,60%

Annualisierte Rendite 12,19% 5,26% 8,73% 6,10% 2,63%

Annualized SD 10,45% 4,04% 7,25% 5,22% 2,02%

Annualized Sharpe 1,10 1,13 1,11 1,03 0,95

Max Loss -20,30% -6,92% -11,37% -10,15% -3,46%

Max Win 13,06% 3,72% 7,82% 6,53% 1,86%

Average Loss -2,12% -0,71% -1,23% -1,06% -0,35%

Average Win 1,75% 0,97% 1,28% 0,87% 0,49%

Profit Ratio 0,82 1,38 1,04 0,41 0,69

Maximum Drawdown -37,63% -7,95% -22,11% -18,81% -3,98%

Calmar Ratio 0,32 0,67 0,39 0,16 0,33 ABBILDUNG 30: BENCHMARK, BUY-AND-HOLD

4.2. ERSTELLUNG DER HANDELSSTRATEGIE Die Erkenntnisse der empirischen Untersuchung aus Kapitel 3.3. werden nun in

Handelsstrategien übergeführt, die jeweils für die Sentiment-Indikatoren formuliert werden. Die

Zielsetzung der Handelsstrategien besteht darin, die passive buy-and-hold Strategie hinsichtlich

des Rendite-Risiko Profils zu übertreffen. Es wird angenommen, dass den Sentiment-Indikatoren

Informationen zugrundeliegen, die in der Zukunft zu veränderten Marktentwicklungen führen.

Kenntnisse über die Wirkung der Sentiment-Indikatoren auf die Entwicklung der Anleihen sind

von entscheidender Bedeutung, um Prognosen zu treffen. Die untersuchte Wirkungsbeziehung

der Regressionsanalysen wird nun in Handelsstrategien übergeführt.

62/83

VSTOXX

Die empirische Untersuchung zeigte, dass die Anleihepreise bei einem Anstieg der verzögerten

impliziten Volatilität umso stärker sinken, je höher Wertveränderung der impliziten Volatilität ist.

Die High-Yield Anleihepreise sinken - bei einem Anstieg der verzögerten impliziten Volatilität

um einen Prozent - um 12 Basispunkte, bei einer Veränderung der verzögerten impliziten

Volatilität um 5%. Die High Yield Anleihepreise sinken um 17 Basispunkte, wenn die

Veränderung der impliziten Volatilität größer als 30% ist. Die verzögerte implizite Volatilität

weist auch im High Grade Segment auf ein Verlustrisiko hin, welches jedoch im Vergleich zum

High Yield Bereich vergleichsweise gering ist. Überschreitet die Veränderung der impliziten

Volatilität die 5%-Marke, so führt der Anstieg der impliziten Volatilität zu einem Rückgang von

rund 4 Basispunkte des High-Grade Index. Der Rückgang der Rendite beträgt rund 7 Basispunkte

beim High-Grade Index, wenn die Veränderung der impliziten Volatilität die 30%-Grenze

überschreitet.

Die Handelsstrategie zum Sentiment-Indikator VSTOXX Volatilität 50 gestaltet sich

folgendermaßen: Wenn die Veränderung der impliziten Volatilität des VSTOXX 50 unter den

definierten Grenzen (5%, 10%, 20%, 30%) liegt, so wird zu 100% in den Index investiert. Wenn

die Veränderung des VSTOXX 50 Volatilität oberhalb des Grenzwerts liegt, so erfolgt eine

vollständige Desinvestition. Die Handelsstrategien werden auf den High Yield Index, High Grade

Index und das Mischportfolio angewandt. Untenstehende Übersichtstabelle demonstriert jeweils

pro Handelsstrategie, bei welchen Grenzwerten des VSTOXX Volatilität 50 der Kauf und

Verkauf des Anleiheindex vorgenommen wird.

Kauf Verkauf

Strategie 1 VSTOXX Vol 50 < 5% VSTOXX Vol 50 > 5%

Strategie 2 VSTOXX Vol 50 < 10% VSTOXX Vol 50 > 10%

Strategie 3 VSTOXX Vol 50 < 20% VSTOXX Vol 50 > 20%

Strategie 4 VSTOXX Vol 50 < 30% VSTOXX Vol 50 > 30%

ABBILDUNG 31: ÜBERSICHTSTABELLE VSTOXX VOL 50 - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE

Die Ergebnisse zeigen, dass die Strategien für alle durchgeführten Grenzwerte eine höhere

Sharpe Ratio als die Benchmark aufweisen. Die Strategien sind durch einen geringen maximalen

Verlust, geringen durchschnittlichen Verlust und einem geringen maximalen Drawdown

gekennzeichnet. Die Abwärtsbewegungen konnten durch die implizite Volatilität des VSTOXX

50 hinreichend prognostiziert werden. Im High Yield Bereich liegt der maximale Verlust der

63/83

Handelsstrategie bei Veränderung der Volatilität größer 5% bzw. größer 10% bei nur -4,92%

(Benchmark -20,30%), im High Grade Bereich - bei Veränderung VSTOXX Volatilität größer

5% - bei nur -1,76% (Benchmark -6,92%) und im Mischportfolio - bei Veränderung Volatilität

größer 5% - ebenfalls bei nur geringen -1,92% (Benchmark -11,37%).

64/81

Benchmark High Yield

Index

HY VSTOXX Vol>5%

HY VSTOXX Vol>10%

HY VSTOXX Vol>20%

HY VSTOXX Vol>30%

Benchmark High Grade

Index

HG VSTOXX Vol>5%

HG VSTOXX Vol>10%

HG VSTOXX Vol>20%

HG VSTOXX Vol>30%

Benchmark 50/50-

Portfolio

50/50 VSTOXX Vol>5%

50/50 VSTOXX Vol>10%

50/50 VSTOXX Vol>20%

50/50 VSTOXX Vol>30%

Kummulierte Rendite 211,37% 521,19% 547,28% 472,39% 414,60% 91,20% 98,68% 95,88% 92,67% 108,62% 147,90% 254,04% 258,93% 235,14% 230,87%

Annualisierte Rendite 12,19% 30,07% 31,57% 27,25% 23,92% 5,26% 5,69% 5,53% 5,35% 6,27% 8,73% 14,66% 14,94% 13,57% 13,32%

Annualized SD 10,45% 7,25% 7,35% 8,34% 8,61% 4,04% 2,84% 3,00% 3,60% 3,68% 7,25% 4,66% 4,77% 5,58% 5,73%

Annualized Sharpe 1,10 4,05 4,20 3,19 2,70 1,13 1,76 1,61 1,29 1,51 1,11 2,99 2,99 2,31 2,20

Max Loss -20,30% -4,92% -4,92% -14,32% -14,32% -6,92% -1,76% -3,06% -6,92% -6,92% -11,37% -1,92% -3,66% -10,62% -10,62%

Max Win 13,06% 13,06% 13,06% 13,06% 13,06% 3,72% 3,72% 3,72% 3,72% 3,72% 7,82% 7,82% 7,82% 7,82% 7,82%

Average Loss -2,12% -1,34% -1,38% -1,59% -1,63% -0,71% -0,47% -0,50% -0,60% -0,61% -1,23% -0,64% -0,71% -0,89% -0,95%

Average Win 1,75% 2,00% 1,93% 1,84% 1,76% 0,97% 1,03% 1,01% 1,01% 0,98% 1,28% 1,47% 1,40% 1,35% 1,28%

Profit Ratio 0,82 1,49 1,39 1,15 1,08 1,38 2,18 2,01 1,67 1,61 1,04 2,29 1,98 1,51 1,36

Maximum Drawdown -37,63% -7,66% -7,66% -14,32% -14,32% -7,95% -3,63% -4,07% -8,14% -7,05% -22,11% -3,91% -3,91% -10,62% -10,62%

Calmar Ratio 0,324 1,41 1,45 0,73 0,69 0,662 1,11 0,97 0,47 0,61 0,39 1,90 1,92 0,67 0,67

∑ Trades

1 105 91 59 29 1 105 91 59 29 1 105 91 59 29

ABBILDUNG 32: ERGEBNISSE HANDELSSTRATEGIE VSTOXX VOLATILITÄT

65/81

ESI

Der negativen Veränderung des Sentiment-Indikators ESI ist laut empirischer Untersuchung

keine Prognosefähigkeit zuzuschreiben. Aus der empirischen Untersuchung ist hervorgegangen,

dass eine positive Veränderung des ESI mit einer positiven Renditeveränderung korreliert. Die

Anleiherendite steigt mit der Höhe des Wertes des Sentiment-Indikators ESI.

Eine Long-Position wird eingegangen, wenn die Veränderung des Economic Sentiment Indicator

die jeweiligen Grenzwerte 0%, 1% und 2,5% überschreitet. Der Index wird jeweils verkauft,

wenn ESI die Grenzwerte unterschreitet. In der folgenden Übersichtstabelle sind die jeweiligen

Kauf- und Verkaufssignale der drei getesteten Handelsstrategien des Economic Sentiment

Indicators dargestellt.

Kauf Verkauf

Strategie 1 ESI > 0% ESI < 0%

Strategie 2 ESI > 1% ESI < 1%

Strategie 3 ESI > 2,5% ESI < 2,5% ABBILDUNG 33: ÜBERSICHTSTABELLE ESI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE

Die Ergebnisse des High Yield Bereichs zeigen, dass bei einer positiven Veränderung des ESI

eine deutlich geringere kummulierte Rendite die Folge ist, dies jedoch bei einer im Vergleich zur

Benchmark merklich geringeren Standardabweichung. Die Sharpe Ratio der High Yield-

Handelsstrategie „ESI größer 0%“ verfügt über eine geringfügig bessere Sharpe Ratio (1,14), da

der maximale Verlust und der durchschnittliche Verlust gesenkt werden konnten, jedoch ist bei

der Strategie auch der durchschnittliche Gewinn vergleichsweise geringer.

Der High Grade Bereich zeigt, dass die ESI-Strategie deutlich hinter der Benchmark

zurückbleibt. Die Ursache dafür liegt bei der geringen kummulierten Rendite der Strategie. Da

der Sentiment-Indikator in der Gesamtzeitbetrachtung eine Vielzahl an negativen Veränderungen

aufweist (N=86), bleibt somit häufig ein Aufwärtspotenzial durch den geringen

Partizipationsanteil ungenützt.

Auch das 50/50-Portfolio zeigt bei der Strategie „ESI größer 0%“ eine geringfügig bessere

risikoadjustierte Rendite im Vergleich zur Benchmark. Wiederum ergibt sich eine

vergleichsweise geringe kummulierte Rendite (ESI größer 0%: 102,59%) bei einer

vergleichsweise geringen Standardabweichung (ESI größer 0%: 4,58%).

66/81

ABBILDUNG 34: ERGEBNISSE HANDELSSTRATEGIE ESI

Benchmark High Yield

Index

HY ESI > 0%

HY ESI > 1%

HY ESI > 2,5%

Benchmark High Grade

Index

HG ESI > 0%

HG ESI > 1%

HG ESI > 2,5%

Benchmark 50/50-

Portfolio

50/50- ESI > 0%

50/50- ESI > 1%

50/50- ESI > 2,5%

Kummulierte

Rendite 211,37% 102,59% 104,78% 34,78% 91,20% 43,91% 30,06% 15,21% 147,90% 102,59% 63,69% 24,75%

Annualisierte

Rendite 12,19% 5,92% 6,05% 2,01% 5,26% 2,53% 1,73% 0,88% 8,73% 5,92% 3,67% 1,43%

Annualized SD 10,45% 4,58% 5,04% 3,44% 4,04% 3,03% 1,94% 1,34% 7,25% 4,58% 3,30% 2,33%

Annualized Sharpe 1,10 1,14 1,06 0,38 1,13 0,61 0,53 0,13 1,11 1,14 0,90 0,31

Max Loss -20,30% -10,62% -4,21% -4,21% -6,92% -6,92% -1,66% -0,57% -11,37% -10,62% -2,39% -2,39%

Max Win 13,06% 7,82% 13,06% 9,18% 3,72% 3,66% 3,66% 3,66% 7,82% 7,82% 7,82% 6,42%

Average Loss -2,12% -1,08% -1,63% -4,21% -0,71% -0,68% -0,55% -0,34% -1,23% -1,08% -1,12% -2,39%

Average Win 1,75% 1,15% 2,03% 3,51% 0,97% 0,96% 1,18% 1,67% 1,28% 1,15% 1,44% 2,50%

Profit Ratio 0,82 1,07 1,25 0,83 1,38 1,41 2,13 4,91 1,04 1,07 1,29 1,04

Maximum

Drawdown -37,63% -11,74% -4,21% -4,21% -7,95% -7,28% -1,74% -0,57% -22,11% -11,74% -2,39% -2,39%

Calmar Ratio 0,32 0,36 1,01 0,42 0,67 0,30 0,88 1,44 0,39 0,36 1,21 0,54

∑ Trades 1 56 48 11 1 56 48 11 1 56 48 11

67/81

BCI Die Handelsstrategie des Business Climate Index wurde so konstruiert, dass eine Long-Position

beim Überschreiten der Grenzwerte eingegangen wird. Wird der jeweilige Grenzwert

unterschritten, so wird ein vollständiger Verkauf vorgenommen. Im Gesamtbetrachtungszeitraum

konnte durch die Regressionsanalyse keine direkte Prognosefähigkeit durch den Sentiment-

Indikator BCI nachgewiesen werden, jedoch konnte durch die Grenzwertbildung des BCI gezeigt

werden, dass eine positive Veränderung des BCI mit einem Anstieg des Anleiherendite-

Koeffizienten korreliert. Die Kauf- und Verkaufssignale der getesteten Handelsstrategien des

Business Climate Index sind in untenstehender Übersichtstabelle aufgeführt.

Kauf Verkauf

Strategie 1 BCI > -0,2 BCI < -0,2

Strategie 2 BCI > -0,1 BCI < -0,1

Strategie 3 BCI > 0 BCI < 0

Strategie 4 BCI > 0,1 BCI < 0,1 ABBILDUNG 35: ÜBERSICHTSTABELLE BCI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE

Die Anwendung der Strategie erzielt eine deutliche Verbesserung der risikoadjustierten Rendite

beim 50/50-Portfolio und beim High Yield Index. Die Handelsstrategie beim High Yield-Index

und 50/50-Portfolio ist durch einen vergleichsweise geringen durchschnittlichen Verlust und

geringen maximalen Verlust gekennzeichnet.

Die höchste Sharpe Ratio ergibt sich bei der Strategie „BCI größer -0,2“, da hier die wesentlichen

Abwärtsbewegungen vermieden werden und am Großteil der Aufwärtsbewegungen partizipiert

wird. Die High Yield Strategie erzielt hierbei einen maximalen Verlust von -14,32%, die

Benchmark hingegen -20,30%. Der durchschnittliche Verlust der High Yield Strategie beträgt nur

-1,70%, die der Benchmark -2,12%. Die kummulierte Rendite der High Yield-Strategie liegt mit

235,53% über jener der Benchmark (211,37%) bei einer vergleichsweise geringeren

Standardabweichung der High Yield-Strategie (7,98%; 10,45%). Aus der Handelsstrategie

„Long-Position bei BCI größer -0,2“ resultiert eine annualisierte Sharpe Ratio von 1,61 (Sharpe

Ratio Benchmark bei 1,10). Auch die Strategien „Long-Position bei BCI größer -0,1

beziehungsweise größer 0“ konnte eine höhere Sharpe Ratio im Vergleich zur Benchmark erzielt

werden. Die Gründe der verbesserten risikoadjustierten Rendite sind auch hier in der

erfolgreichen Verlustbeschränkung zu finden. Die Ergebnisse der Strategien beim High Grade

Index zeigen, dass der Sentiment-Indikator BCI sich hier als ungeeignet erweist. Die

risikoadustierte Rendite bleibt jeweils weit hinter der Benchmark zurück.

68/83

69/81

Benchmark High Yield

Index

HY BCI > -0,2

HY BCI > -0,1

HY BCI > 0

HY BCI > 0,1

Benchmark High Grade

Index

HG BCI > -0,2

HG BCI > -0,1

HG BCI > 0

HG BCI > 0,1

Benchmark - 50/50-

Portfolio

50/50 BCI > -0,2

50/50 BCI > -0,1

50/50 BCI > 0

50/50 BCI > 0,1

Kummulierte Rendite 211,37% 235,53% 189,49% 179,83% 36,86% 91,20% 75,66% 48,69% 38,55% 7,12% 147,90% 145,29% 111,61% 97,97% 21,38%

Annualisierte Rendite 12,19% 13,59% 10,93% 10,38% 2,13% 5,26% 4,37% 2,81% 2,22% 0,41% 8,73% 8,38% 6,44% 5,65% 1,23%

Annualized SD 10,45% 7,98% 7,53% 6,82% 4,86% 4,04% 3,73% 3,56% 2,95% 2,24% 7,25% 5,48% 5,20% 4,64% 3,41%

Annualized Sharpe 1,10 1,61 1,36 1,42 0,29 1,13 0,98 0,59 0,52 -0,13 1,11 1,40 1,10 1,07 0,16

Max Loss -20,30% -14,32% -14,32% -14,32% -14,32% -6,92% -6,92% -6,92% -6,92% -6,92% -11,37% -10,62% -10,62% -10,62% -10,62%

Max Win 13,06% 13,06% 13,06% 13,06% 7,15% 3,72% 3,66% 3,66% 3,66% 1,87% 7,82% 7,82% 7,82% 7,82% 4,32%

Average Loss -2,12% -1,70% -1,68% -1,72% -2,46% -0,71% -0,70% -0,73% -0,62% -0,80% -1,23% -1,06% -1,05% -0,94% -1,53%

Average Win 1,75% 1,58% 1,57% 1,67% 1,58% 0,97% 0,93% 0,93% 0,94% 0,89% 1,28% 1,18% 1,17% 1,24% 1,10%

Profit Ratio 0,82 0,93 0,93 0,97 0,64 1,38 1,32 1,26 1,52 1,11 1,04 1,11 1,12 1,31 0,72

Maximum Drawdown -37,63% -18,96% -17,59% -17,39% -16,79% -7,95% -7,48% -8,32% -8,27% -8,55% -22,11% -12,72% -12,16% -12,60% -12,50%

Calmar Ratio 0,32 0,39 0,37 0,36 0,12 0,67 0,44 0,28 0,23 0,05 0,39 0,42 0,37 0,32 0,09

∑ Trades 1 30 62 90 54 1 30 62 90 54 1 30 62 90 54

ABBILDUNG 36: ERGEBNISSE HANDELSSTRATEGIE BCI

70/81

CCI Die empirische Untersuchung ergab eine Prognosefähigkeit des Consumer Confidence Indicators

bei positiver Delta-Veränderung des Sentiment-Indikators. Eine positive Veränderung des

Sentiment-Indikators korreliert laut Untersuchung mit positiven Anleiherenditen. Bei einer

negativen Veränderung des Sentiment-Indikators CCI konnte keine Prognosefähigkeit durch CCI

nachgewiesen werden. Die Handelsstrategie ist folglich so konstruiert, dass eine Long-Position

eingegangen wird, wenn die jeweiligen Grenzwerte überschritten werden und ein Verkaufssignal

wird bei unterschreiten der Grenzwerte vorgenommen. Es wurden die Grenzwerte auch bei dieser

zugrundeliegenden Handelsstrategie um negative Werte erweitert, da die empirische

Untersuchung keine eindeutige Korrelation bei negativen Grenzwerten des CCI und

Anleiherenditen vorhersagte und damit ein höherer Partizipationsgrad am Markt durch eine

geringere Anzahl an Verkaufssignalen ermöglicht wird. Die jeweiligen Grenzwerte der Kauf- und

Verkaufssignale der Handelsstrategien des Consumer Confidence Indicators werden in

untenstehender Übersichtstabelle vorgestellt.

Kauf Verkauf Strategie 1 CCI > -1,5 CCI < -1,5 Strategie 2 CCI > -1 CCI < -1 Strategie 3 CCI > 0 CCI < 0 Strategie 4 CCI > 1 CCI < 1 Strategie 5 CCI > 1,5 CCI < 1,5 Strategie 6 CCI > 1,7 CCI < 1,7 ABBILDUNG 37: ÜBERSICHTSTABELLE BCI - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE

Die Ergebnisse der Strategien mittels Sentiment-Indikator CCI zeigen eine deutlich verbesserte

Performance im Vergleich zur Benchmark aufgrund der Vermeidung von negativen

Anleiherenditeentwicklungen. Die Sharpe Ratio kann so im High Yield Bereich auf 3,23

gesteigert werden, wenn das Verkaufssignal bei CCI-Werten von kleiner 1,5 gesetzt wird. Im

High Grade Bereich ist beim gleichen Grenzwert als Verkaufssignal eine Sharpe Ratio in Höhe

von 1,44 möglich, beim 50/50-Portfolio beträgt diese 2,46. Die stark verbesserte risikoadjustierte-

Rendite ist auf ein erfolgreiches Risikomanagement zurückzuführen. Dies ist an der Reduktion

des maximalen und durchschnittlichen Verlusts zu beobachten. Gleichzeitig sinkt der

durchschnittliche Gewinn der Strategien bei den Grenzwerten von kleiner -1,5 und kleiner -1 um

nur 2-3 Basispunkte und der maximale Gewinn der Sentiment-Strategie bleibt im Vergleich zur

buy-and-hold Strategie gleich.

71/81

Benchmark High Yield

Index

HY CCI > -1,5

HY CCI > -1 HY CCI

> 0 HY CCI

> 1 HY CCI > 1,5

HY CCI > 1,7

Benchmark High Grade

Index

HG CCI > -

1,5

HG CCI > -

1

HG CCI >

0

HG CCI >

1

HG CCI > 1,5

HG CCI > 1,7

Benchmark 50/50-

Portfolio

50/50 CCI > -

1,5

50/50 CCI > -1

50/50 CCI > 0

50/50 CCI >

1

50/50 CCI > 1,5

50/50 CCI > 1,7

Kummulierte Rendite 211,37% 444,25% 410,91% 199,97% 80,27% 44,79% 40,71% 91,20% 97,47% 86,64% 64,01% 19,75% 12,17% 12,64% 147,90% 230,57% 211,25% 122,95% 47,41% 27,66% 26,08%

Annualisierte Rendite 12,19% 25,63% 23,71% 11,54% 4,63% 2,58% 2,35% 5,26% 5,62% 5,00% 3,69% 1,14% 0,70% 0,73% 8,73% 13,30% 12,19% 7,09% 2,74% 1,60% 1,50%

Annualized SD 10,45% 7,72% 7,59% 6,64% 5,74% 4,27% 3,98% 4,04% 3,42% 3,34% 3,00% 2,22% 1,59% 1,49% 7,25% 5,12% 5,04% 4,52% 3,85% 2,87% 2,69%

Annualized Sharpe 1,10 3,23 3,03 1,63 0,69 0,44 0,41 1,13 1,44 1,29 1,00 0,20 0,00 0,02 1,11 2,46 2,28 1,41 0,53 0,31 0,30

Max Loss -20,30% -6,85% -6,85% -6,85% -6,85% -2,81% -0,88% -6,92% -4,79% -4,79% -4,79% -4,79% -1,43% -1,21% -11,37% -5,82% -5,82% -5,82% -5,82% -2,12% -1,00%

Max Win 13,06% 13,06% 13,06% 13,06% 13,06% 10,70% 10,70% 3,72% 3,66% 3,66% 3,66% 3,66% 3,66% 3,66% 7,82% 7,82% 7,82% 7,82% 7,82% 7,04% 7,04%

Average Loss -2,12% -1,35% -1,33% -1,47% -2,42% -1,93% -0,88% -0,71% -0,59% -0,59% -0,70% -1,19% -0,98% -1,17% -1,23% -0,83% -0,82% -0,95% -1,56% -1,23% -0,78%

Average Win 1,75% 1,73% 1,74% 1,70% 2,82% 3,70% 4,04% 0,97% 0,95% 0,95% 1,01% 1,32% 1,66% 1,80% 1,28% 1,25% 1,27% 1,29% 2,10% 2,73% 3,17%

Profit Ratio 0,82 1,28 1,30 1,16 1,17 1,91 4,60 1,38 1,62 1,61 1,44 1,11 1,69 1,55 1,04 1,51 1,55 1,36 1,35 2,21 4,05

Maximum Drawdown -37,63% -11,43% -11,43% -13,67% -6,85% -2,98% -0,88% -7,95% -6,10% -5,77% -4,80% -4,79% -2,78% -1,21% -22,11% -7,34% -7,34% -8,03% -5,82% -2,80% -1,00%

Calmar Ratio 0,32 2,24 2,07 0,84 0,68 0,87 2,68 0,67 0,92 0,87 0,77 0,24 0,25 0,61 0,39 1,81 1,66 0,88 0,47 0,57 1,50

∑ Trades 1 25 41 87 45 25 17 1 25 41 87 45 25 17 1 25 41 87 45 25 17

Abbildung 35: Ergebnisse Handelsstrategie CCI

72/81

CREDIT SPREAD

Die empirische Untersuchung ergab eine Prognosefähigkeit des Credit Spreads von Moody’s, da

eine positive Delta-Veränderung des Credit Spreads mit einer Reduktion der Anleiherendite

korreliert. Die Handelsstrategie wurde demnach so konstruiert, dass bei Überschreiten der

Grenzwerte des Credit Spreads ein Verkaufssignal generiert wird, da mit negativen

Anleiherenditeentwicklungen zu rechnen ist. Eine Long-Position wird hingegen eingenommen,

wenn die definierten Grenzwerte des Credit Spreads unterschritten werden. Die Kauf- und

Verkaufssignale der getesteten Handelsstrategien werden in untenstehender Übersichtstabelle

vorgestellt.

Kauf Verkauf Strategie 1 Credit Spread < 0 Credit Spread > 0 Strategie 2 Credit Spread < 0,2 Credit Spread > 0,2 ABBILDUNG 38: ÜBERSICHTSTABELLE CREDIT SPREAD - GRENZWERTE KAUFSIGNALE/VERKAUFSSIGNALE

Die Ergebnisse zeigen, dass mittels des Credit Spreads ein erfolgreiches Timing des Marktes

möglich ist. Die risikoadjustierte Rendite konnte so jeweils deutlich gesteigert werden. Die hohe

Sharpe Ratio ist durch geringe durchschnittliche Verluste bei gleichzeitig hohen

durchschnittlichen Gewinnen begründet. Die Credit Sprad-Handelsstrategie im High Yield

Bereich erreicht eine kummulierte Rendite von 589,82% und übersteigt so renditemäßig die

VSTOXX-Handelsstrategie. Im High Grade Bereich liegt die kummulierte Rendite bei dem

Grenzwert des Credit Spreads von größer 0,2 bei 124,04%, was den höchsten Wert unter allen

untersuchten Sentiment-Indikatoren des High Grade Bereichs bedeutet – gleiches gilt für das

50/50-Portfolio (kummulierte Rendite bei 296,20%).

73/81

Benchmark -

High Yield Index

HY Credit Spread <

0

HY Credit Spread <

0,2

Benchmark -High Grade

Index

HG Credit Spread <

0

HG Credit Spread <

0,2

Benchmark - 50/50-Portfolio

50/50 Credit Spread <

0

50/50 Credit Spread <

0,2

Kummulierte Rendite 211,37% 467,01% 589,82% 91,20% 74,16% 124,04% 147,90% 216,25% 296,20%

Annualisierte Rendite 12,19% 10,28% 11,46% 5,26% 3,24% 4,71% 8,73% 6,76% 8,09%

Annualized SD 10,45% 6,85% 7,46% 4,04% 2,78% 3,24% 7,25% 4,52% 4,94%

Annualized Sharpe 1,10 3,83 4,47 1,13 1,29 1,99 1,11 2,61 3,32

Max Loss -20,30% -4,26% -4,26% -6,92% -3,06% -3,06% -11,37% -3,66% -3,66% Max Win 13,06% 13,06% 13,06% 3,72% 3,66% 3,72% 7,82% 7,82% 7,82%

Average Loss -2,12% -1,15% -1,17% -0,71% -0,54% -0,53% -1,23% -0,73% -0,73%

Average Win 1,75% 1,93% 1,77% 0,97% 1,00% 0,97% 1,28% 1,39% 1,29%

Profit Ratio 0,82 1,68 1,51 1,38 1,84 1,84 1,04 1,90 1,77

Maximum Drawdown -37,63% -4,26% -6,29% -7,95% -3,06% -3,38% -22,11% -3,66% -3,68%

Calmar Ratio 0,32 2,41 1,82 0,67 1,06 1,40 0,39 1,85 2,20

∑ Trades 1 82 18 1 82 18 1 82 18 ABBILDUNG 39: ERGEBNISSE HANDELSSTRATEGIE MOODY‘S CREDIT SPREAD

74/81

5. FAZIT Der bedeutsame Einfluss der Anleihen auf die Finanzwirtschaft ist durch das hohe Volumen des

Anleihemarktes und durch die zentrale Finanzierungsfunktion begründet. In der Masterarbeit

wurde untersucht, inwieweit mittels Sentiment-Indikatoren die Preisentwicklung von

europäischen High-Grade und High-Yield Anleiheindizes prognostiziert werden können. In der

empirischen Untersuchung konnte gezeigt werden, dass Sentiment-Indikatoren gut geeignet sind,

Anleiherenditen zu prognostizieren, wobei in der Eignung große Unterschiede zwischen den

Sentiment-Indikatoren festzustellen sind. Die Sentiment-Indikatoren CCI, VSTOXX 50

Volatilität und Moody’s Credit Spread ergaben eine hohe Prognosefähigkeit für zukünftige

Anleiherenditen, die Prognosefähigkeit von BCI und ESI ist vergleichsweise als gering

einzuschätzen.

Die Ergebnisse der Regressionsanalysen zeigten, dass positive Delta-Werte bei VSTOXX 50

Volatilität und Moody’s Credit Spread auf zukünftig niedrige Anleiherenditen hinweisen. Die

negative Relation zwischen Sentiment-Indikatoren und Anleiherenditen ist durch die zukünftig

unsicheren Marktaussichten bei einem Anstieg der Sentiment-Indikatoren begründet. Die

Sentiment-Indikatoren CCI und ESI hingegen weisen bei der Einschränkung auf positive Delta-

Werte auf künftige positive Anleiherenditen hin. Die positive Relation ist auf positive erwartete

Marktentwicklungen bei einem Anstieg der Sentiment-Indikatoren zurückzuführen. Beim BCI

kann durch die Einschränkung auf positive oder negative Delta-Werte des Sentiments keine

Prognosefähigkeit festgestellt werden.

Vergleicht man High Yield und High Grade Bereich hinsichtlich der Sensibilität für Sentiment,

so ist eine klar höhere Empfänglichkeit des High Yield-Segments für Sentiment-Veränderungen

zu beobachten, wobei die Ursache in der höheren Varianz der High Yield-Anleihepreise zu

vermuten ist. Im Unternehmensanleihebereich birgt Sentiment somit bei Anleihen mit hoher oder

niedriger Bonität ein Potenzial bei Anlageentscheidungen, dieses ist jedoch bei

Unternehmensanleihen mit geringer Bonität – aufgrund der höheren Sensitivität für Sentiment -

erhöht. Der Zeitraum nach der Finanzkrise 2007 war zudem wesentlich besser geeignet,

Anleiherenditen durch Sentiment-Indikatoren zu prognostizieren, da dieser Zeitraum durch

höhere Volatilitäten der Anleihepreise gekennzeichnet ist.

Die Ergebnisse wurden in Handelsstrategien übergeführt, wobei die Sentiment-Strategien eine

Optimierung der risikoadjustierten Rendite ermöglichen. Den Sentiment-Indikatoren liegen

demnach Informationen zugrunde, die in der zukünftigen Periode zu einer Veränderung des

75/83

Anleihepreises führen. Entgegen der Theorie der Informationseffizienz von Fama gehen diese

Informationen nicht sofort in die Anleihepreise ein, sondern bewirken eine verspätete

Preisveränderung. Wenn die Sentiment-Indikatoren auf eine niedriges Markt-Sentiment

hinweisen, wurde ein Verkaufssignal generiert, wodurch Marktabschwünge antizipiert und Alpha

erzielt wurde. Durch dieses Risikomanagement ist es möglich, hohe Marktabschwünge zu

vermeiden, folglich den durchschnittlichen Verlust zu verringern und den maximalen Drawdown

gering zu halten. Im High Yield Bereich konnte die höchste Sharpe Ratio durch Moody’s Credit

Spread erzielt werden (4,47), gefolgt von VSTOXX Volatilität 50 (4,20), CCI (3,23), BCI (1,61)

und ESI (1,14). Im High Grade Segment konnte wiederum durch Moody’s Credit Spread die

höchste Sharpe Ratio erreicht werden (1,99). Es folgen der VSTOXX 50 Volatilität (1,76), CCI

(1,44), BCI (0,98) und ESI (0,61). Die Wirksamkeit des Risikomanagement durch Sentiment-

Indikatoren kann anhand des geringen maximalen Drawdowns veranschaulicht werden. Im High

Yield Bereich liegt dieser bei VSTOXX 50 Volatilität und Moody’s Credit Spread im mittleren

einstelligen Bereich, wobei der maximale Drawdown der Benchmark -37,63% beträgt. Auch im

High Grade Bereich kann der maximale Drawdown bei VSTOXX 50 Vola und Moody’s Credit

Spread im Vergleich zur Benchmark um mehr als die Hälfte gesenkt werden.

76/83

6. LITERATURVERZEICHNIS AFME. AFME Government Bond Data Report Q1 2020. URL:

https://www.afme.eu/reports/data/AFME-Government-Bond-Data-Report-Q1-2020, abgerufen

am 15. Juli 2020

Ang, A., Bekaert, G. (2002). International Asset Allocation With Regime Shifts. The Review of

Financial Studies, Volume 15, Issue 4, July 2002, Pages 1137–1187.

Auckenthaler, C. (1991). Trust Banking – Theorie und Praxis des Anlagegeschäfts. Bern.

Acharya, V. V., Amihud, Y., Bharath, S. (2013). Liquidity risk of corporate bond returns:

Conditional approach. Journal of Financial Economics, 110(2), 358-386.

Bank of Japan. Tankan Sentiment Index. URL: https://www.boj.or.jp/en/statistics/tk/index.htm/,

abgerufen am 5.5.2010

Barclays. UK Logistics Confidence Index. URL:

https://www.barclayscorporate.com/content/dam/barclayscorporate-

com/documents/insights/industry-expertise/uk-logistics-confidence-2019.pdf, abgerufen am

5.5.2010

Baker, M., Stein, J (2002). Market Liquidity as a Sentiment Indicator. Journal of Financial

Markets. 7. 271-299.

Baker, M., Wurgler J. (2006). Investor Sentiment and the Cross-Section of Stock Returns.

Journal of Finance, American Finance Association, vol. 61(4), pages 1645-1680.

Baker, M., Wurgler J. (2007). Investor Sentiment in the Stock Market. Journal of Economic

Perspectives. 21. 129-152.

Baker, M., Wurgler J. (2012). Comovement and Predictability Relationships Between Bonds and

the Cross-section of Stocks, The Review of Asset Pricing Studies, Volume 2, Issue 1, Pages 57–87

77/83

Basu, D., Hung, C., Oomen, R., Stremme, A. (2006). When to Pick the Losers: Do Sentiment

Indicators Improve Dynamic Asset Allocation?. Edhec Business School, Lille – Nice.

Bethke, S., Gehde-Trapp, M., Kempf, A. (2017). Investor Sentiment, Flight-to-Quality, and

Corporate Bond Comovement. Journal of Banking & Finance.

Bittlingmayer, G., Shane M.. (2014). What Does the Corporate Bond Market Know? Financial

Review 49.1: 1-19.

Brière, M, Chapelle, A., Szafarz, A. (2008). No Contagion, Only Globalization and Flight to

Quality’. Journal of International Money and Finance.

Brinson, G. P., Hood, R., Beebower, G. L. (1986). Determinants of Portfolio Performance.

Financial Analysts Journal, Vol. 42, Nr. 4, S. 39-48.

Brown, G. W., Cliff, M. T. (2004). Investor sentiment and the near-term stock market. Journal of

Empirical Finance, 11(1), 1-27.

Chen, Z., Craig, K. A. (2018). January sentiment effect in the US corporate bond market. Review

of Behavioral Finance.

Christmann, A. (1996). Anwendungen der Synergetik und Chaostheorie in der Ökonomie.

Connolly, R., Stivers, C. (2006). Information content and other characteristics of daily cross-

sectional dispersion in stock returns. Journal of Empirical Finance, 13, 79– 112.

Da, Z. Engelberg, J., Gao, P. (2014). The sum of all FEARS investor sentiment and asset prices.

Review of Financial Studies, pages. 1-32.

Demirovic, A., Kabiri, A., Tuckett, D., Nyman, R. (2020). A common risk factor and the

correlation between equity and corporate bond returns. Journal of Asset Management.

Dick-Nielsen, J. (2004). How to Clean Enhanced TRACE Data.

78/83

Eurex Exchange. URL:

https://www.eurexchange.com/resource/blob/146798/29a67e60c49811de80c7252b627ee738/data

/factsheet_eurex_vstoxx.pdf, abgerufen am 25.5.2020

Europäische Kommission, Eurostat. URL: https://ec.europa.eu/eurostat/de/web/products-

datasets/product?code=teibs010, abgerufen am 4.5.2020

Eustermann, P. (2010). Behavioral Finance, Private Equity and Asset Price Bubbles:

Implikationen für Finanzsystemstabilität und Geldpolitik. Kovac Verlag, Hamburg.

Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical

Work. Journal of Finance, vol. 25, no. 3, S. 383-417.

Fama, E. F. (1972). Components of investment performance. Journal of Finance, Vol. 27, No. 3.

S. 551-567.

Fama, E. F., French, K. R. (1993). Common Risk Factors in the returns on stocks and bonds.

Journal of Financial Economics, Volume 33, Issue 1, Pages 3-56.

Fama, E. F. (1997). Market Efficiency, Long-Term Returns, and Behavioral Finance. Journal of

Financial Economics, pages 283—306.

Fama, E., French, K. R. (1996): Multifactor Explanations of Asset Pricing Anomalies. Journal of

Finance, vol. 51, no. 1, S. 55-84.

Fang, L., Yu, H., Huang, Y. (2018). The role of investor sentiment in the long-term correlation

between U.S. stock and bond markets. International Review of Economics & Finance.

Fischer, B. (2010). Performanceanalyse in der Praxis: Performancemaße, Attributionsanalyse,

Global Investment Performance Standards. Walter de Gruyter GmbH & Co KG.

Franzoni, F. A. and Nowak, E., Phalippou, L. (2011). Private Equity Performance and Liquidity.

Journal of Finance.

79/83

Freybote, J. (2016). Real estate sentiment as information for REIT bond pricing. Journal of

Property Research. 33. 1-19.

Gerke, W. (1997). Herrschaft der Androiden - Konsequenzen der Kapitalmarkttheorie

für das Anlegerverhalten, in: Jünemann, B./Schellenberger, D. (Hrsg.), Psychologie für

Börsenprofis, Stuttgart, S. 19-40.

Shefrin, H. (2002). Beyond Greed and Fear: Understanding behavioral finance and the

psychology of investing. Oxford University Press.

Stigler, G. J. (1964). Public regulation of the securities markets. Journal of Business 37, 117–

142.

Hockmann, H. J. (1987). Performance-Messung von Wertpapier-Portfolios. Die Bank : Zeitschrift

für Bankpolitik und Praxis.

Holzer, C. (1990). Anlagestrategien in festverzinslichen Wertpapieren. Springer Verlag.

Huang, J., Rossi, M., Wang, Y. (2015). Sentiment and Corporate Bond Valuations Before and

After the Onset of the Credit Crisis. Journal of Fixed Income.

Ibbotson, R. G., Brinson, G. P. (1987). Investment markets: gaining the performance

advantage. New York: McGraw-Hill.

ICMA Group. URL: https://www.icmagroup.org/resources/market-data/Market-Data-

Dealogic/#15, abgerufen am 1. 5 2020

Jones, C. (2001). A century of stock market liquidity and trading costs, Working paper,

Columbia University.

JP Morgan. Investor Confidence Index. URL: https://www.jpmorgan.com/global/prime-

services/institutional-investor-survey-2019

Kuha, J. (2004) AIC and BIC: Comparisons of assumptions and performance. Sociological

Methods and Research, 33 (2). pp. 188-229.

80/83

Kumar, A., Lee, C. (2006). Retail Investor Sentiment and Return Comovements. Journal of

Finance. 61. 2451-2486.

Maltritz, D., Molchanov, A. (2013). Analyzing determinants of bond yield spreads with Bayesian

Model Averaging. Journal of Banking and Finance, vol. 37, issue 12, 5275-5284

Laborda, R., Olmo, J. (2014). Investor sentiment and bond risk premia. Journal of Financial

Markets, 18: 206–233.

Lee, C., Shleifer, A., Thaler, R. H. (1991). Investor sentiment and the closed-end

fund puzzle, Journal of Finance 46, 75–109.

Li, L., Galvani, V. (2018). Market States, Sentiment, and Momentum in the Corporate Bond

Market. Journal of Banking & Finance.

Liu, S. (2014). The Impact of Textual Sentiment on Sovereign Bond Yield Spreads: Evidence

from the Eurozone Crisis. Multinational Finance Journal. 18. 215-248.

Lopez-Salido, D., Stein, J. S., Zakrajsek, E. (2015). Credit- Market Sentiment and the Business

Cycle. Finance and Economics Discussion Series.

McDougall, W. (2015). An Introduction to social psychology. Psychology Press.

Nayak, S. (2010). Investor Sentiment and Corporate Bond Yield Spreads. Review of Behavioral

Finance. 2. 59 - 80.

Perridon, L., Steiner, M. (1995): Finanzwirtschaft der Unternehmung, 8. Auflage, München.

Rapp, H.-W. (1997): Der tägliche Wahnsinn hat Methode - Behavioral Finance:

Paradigmenwechsel in der Kapitalmarktforschung, in: Jünemann, B./Schellenberger, D. (Hrsg.).

Psychologie für Börsenprofis, Stuttgart, S. 76-108.

Roßbach, P. (1991). Methoden und Probleme der Performance-Messung bei Aktienportefeuilles,

Frankfurt.

81/83

Ritter, J. (1991). The long-run performance of initial public offerings. Journal of Finance 46, 3–

27.

Schmidt, R. H., Terberger, E. (1996): Grundzüge der Investitions- und Finanzierungstheorie,

3. Auflage, Wiesbaden.

Schwarzer, M. (2003). Kursreaktionen auf Unternehmensmeldungen bei unterschiedlichen

Unternehmenssituationen. Hildesheim, S. 30.

Sharpe, W. F. (1966) Mutual fund performance. The Journal of Business, 39, 119-138.

Sharpe, W. F. (1992). Asset Allocation: Management Style and Performance Measurement.

Journal of Portfolio Management, 18, 7-19.

Shefrin, H., Statman, M. (1995): Behavioral Portfolio Theory. Working paper, Santa

Clara University, Santa Clara.

Shiller, R. J. (1981): Do Stock Prices Move Too Much to be Justified by Subsequent

Changes in Dividends. American Economic Review, vol. 71, no.

3, S. 421-436.

Shiller, R. J. (1997): Human Behavior and the Efficiency of the Financial System,

Working Paper, Yale University.

Sibley, S., Wang, Y., Xing, Y., Zhang, X. (2016). The information content of the sentiment

index. Journal of Banking and Finance, Volume 62, Pages 164-179.

Singer, E. (2002). The use of incentives to reduce nonresponse in household surveys. Working

Paper, University of Michigan.

Spyrou, S. (2011). Are Sovereign Bond Yield Spreads Affected by Investor Sentiment? Evidence

from the Greek Budget Crisis.

Steiner, M., Bruns, C. (1994). Wertpapiermanagement, 2. Auflage, Stuttgart.

82/83

Steiner, M., Bruns, C., Stöckl, S. (2017). Wertpapiermanagement, 11. überarbeitete Auflage,

Stuttgart.

Stigler, G. J. (1964) Public regulation of the securities markets. Journal of Business 37, 117–

142.

Tang, D., Yan, H. (2010). Market Conditions, Default Risk and Credit Spreads. Journal of

Banking & Finance. 34. 743–753.

UBS. Investor Optimism Index. URL:

https://www.google.com/search?client=safari&rls=en&q=ubs+index+of+investor+optimism&ie=

UTF-8&oe=UTF-8, abgerufen am 5.5.2020

Vaga, T. (1990). The Coherent Market Hypothesis. Financial Analysts Journal,

vol. 46, no. 6, S. 36-49.

Wiener Börse, URL: https://www.wienerborse.at/emittenten/anleihe-emission-listing/, abgerufen

am 7. Juni 2020

Wiener Börse, URL: https://www.wienerborse.at/emittenten/neue-und-bestehende-anleihen/,

abgerufen am 7. Juni 2020

Wittrock, C. (2000). Messung und Analyse der Performance von Wertpapierportfolios, 3. Aufl.,

Bad Soden/Ts. (zugl. Diss. Münster).

Zimmermann, H. (1991). Zeithorizont, Risiko und Performance: eine Übersicht. Band 9109 von

Publikationen / Schweizerisches Institut für Banken und Finanzen der Hochschule St. Gallen.

Zweig, M. E. (1973) An investor expectations stock price predictive model using closed-end

fund premiums. Journal of Finance 28, 67–87.

83/83