Was hat Sie dazu inspiriert, sich dem Bereich Quant Investing zuzuwenden?
„Mein Interesse dafür wurde schon während meines Studiums und meiner Promotion geweckt. Es fasziniert mich, ökonometrische Theorie mit realen Investments zusammenzuführen. An der Universität ist der Ansatz naturgemäß akademisch. Dabei liegt der Schwerpunkt auf theoretischen Aspekten und weniger auf deren praktischer Anwendung. Quant-investing schafft im Grunde eine Verbindung zwischen beiden Welten – oder eine Mischung daraus. Es bietet eine Plattform, um wirklich interessante Forschung zu betreiben, die für Investoren einen spürbaren Unterschied machen kann.“
Warum haben Sie sich entschieden, zu Robeco zu gehen?
„Als ich 2014 nach meiner Promotion in der Branche anfing, wusste ich, dass Robeco im Bereich Quant-Investing zu den Vorreitern zählt. Ich habe natürlich viele Publikationen von Robeco gelesen und festgestellt, dass das Unternehmen auf dem neuesten Stand und der Zeit voraus ist. Als mir angeboten wurde, im Robeco-Team für quantitative Fixed Income-Investments zu arbeiten, habe ich mich daher sehr gefreut. Einige meiner jetzigen Kollegen hatte ich schon auf Konferenzen kennengelernt, und diese Begegnungen haben einen bleibenden Eindruck bei mir hinterlassen. Sie wirkten auf mich nicht nur intelligent, sondern auch sympathisch – ganz normale Menschen eben. Ich hatte also vorher schon gespürt, dass Robeco beruflich gut zu mir passen würde.“
„Diese Einschätzung hat sich in der kurzen Zeit, in der ich bei Robeco bin, bestätigt. Vor allem beeindrucken mich die flachen Hierarchien, da Entscheidungen von unten nach oben getroffen werden. So können Sie als Einzelperson, aber genauso als Team, erheblichen Einfluss auf den gesamten Investitionsprozess nehmen. In der kurzen Zeit, in der ich Teil des Teams bin, habe ich festgestellt, dass die Robeco-Mitarbeiter durch die Unternehmenskultur ermutigt werden, selbst Verantwortung zu übernehmen, da sie nicht durch Entscheidungen von oben nach unten eingeschränkt werden.“
Trägt dies zu einem innovationsfördernden Umfeld bei?
„Zweifellos. Beispielsweise wurden die wichtigsten Projekte unserer Forschungsagenda für 2022 per Mehrheitsentscheid ausgewählt. Mit diesem Ansatz können die Teammitglieder ihre eigenen Ideen einbringen, und wenn sie das Team von deren Wertpotenzial überzeugen können, stehen die Chancen gut, dass sie auf die Agenda kommen. Entscheidungen, die mit einer Mehrheit getroffen werden, fördern nicht nur Innovationen, sondern sorgen auch für Zustimmung des ganzen Teams. Das ist bei der Umsetzung von Projekten natürlich ein erheblicher Vorteil.“
Wie sehen Sie die Zukunft des Quant Investing?
„Quantitatives Investieren entwickelt sich ständig weiter. Dabei hält der allgemeine, grundlegende Rahmen für faktorbasiertes Investieren alles zusammen, während sich einige der einzelnen Elemente häufig ändern oder neue Elemente hinzukommen. So interessieren sich die Investoren zum Beispiel immer mehr für die Möglichkeiten, die sich durch neuartige Datenquellen oder Techniken eröffnen. Zudem wird nachhaltiges Investieren für die Anleger immer wichtiger. Wenn man der Zeit voraus ist, fortschrittliche Forschung betreibt, eine hochmoderne Infrastruktur nutzt und kluge Leute im Boot hat, dann macht es wirklich Spaß, all die Fragen zu lösen, die der allgegenwärtige Wandel aufwirft. In der Tat ist es das, was bestimmten Quant-Investoren einen Vorteil verschafft, um mit den schnellen Entwicklungen Schritt zu halten. Wenn Sie die künftigen Bedürfnisse der Anleger nicht berücksichtigen, werden Sie ziemlich sicher den Anschluss verlieren.“
„Gerade wegen des ständigen Wandels müssen sich Quant-Investoren aber auch immer neu aufstellen. Sie müssen bisherige Erkenntnisse auf den Prüfstand stellen, neue Ideen entwickeln und vielleicht auch andere Schlussfolgerungen ziehen. Das macht unsere Arbeit als Quant-Investoren bei Robeco anspruchsvoll, aber auch spannend. Zudem glaube ich, dass Robeco alle Voraussetzungen hat, um sich erfolgreich auf dem sich verändernden Terrain zu behaupten. Denn Robeco verfügt nicht nur über eine innovationsfördernde Kultur und die richtige Infrastruktur, sondern hat auch das erforderliche institutionelle Wissen über quantitatives und nachhaltiges Investieren – und eine großartige Mischung von Mitarbeitern, die den Status quo immer wieder hinterfragen.“
Bleiben Sie in Bezug auf Einsichten zu Quantitative Investing auf dem Laufenden.
Receive our Robeco newsletter and be the first one to get the latest insights, or build the greenest portfolio.
Können neuartige Techniken wie maschinelles Lernen in den Investitionsprozess integriert werden?
„Es ist wichtig zu wissen, dass die Techniken des maschinellen Lernens (ML) ursprünglich nicht für Finanzdaten entwickelt wurden. Diese Methoden funktionieren üblicherweise prima, wenn man viele unabhängige Datenbeobachtungen und ein hohes Signal-Rausch-Verhältnis hat. Beim Versuch, künftige Renditen zu analysieren, hat man jedoch das Problem, dass man nicht unbedingt über eine große Anzahl unabhängiger Beobachtungen verfügt. Wertpapiere bewegen sich aufgrund ihrer Korrelationen in der Regel in dieselbe Richtung, und auch die Zeitreihen der Renditen einzelner Wertpapiere korrelieren normalerweise stark miteinander. Außerdem weisen die Datensätze in der Regel viel Rauschen und wenig Signale auf.“
„Dennoch sind ML-Techniken für spezifische Anwendungen wie Liquiditäts- oder Risikomessung sowie Rendite- oder Volatilitätsprognosen nützlich. Sie müssen diese Techniken aber mit den traditionellen statistischen Ansätzen kombinieren und wirtschaftliche Erkenntnisse in die Modelle einbeziehen, um die Dimensionalität der Probleme zu reduzieren, damit sie einfacher zu lösen sind. Daher kommt es darauf an, ML-Techniken nicht blindlings anzuwenden, sondern auch die eigene Finanzexpertise einzubeziehen.“
Sind traditionelle Faktoren altmodisch oder überholt?
„Keinesfalls. Faktoren, die durch traditionelle Daten und Methoden definiert werden, bilden nach wie vor die Grundlage der Finanzmärkte. Sie sind die Rendite- und Risikotreiber für Staats- und Unternehmensanleihen, Aktien und viele andere Finanzinstrumente. Aber neue Techniken wie ML helfen uns, besser zu verstehen, wie die Faktoren funktionieren und miteinander interagieren. Sie können Informationen aus großen Datenbeständen extrahieren, die bei der Verwendung herkömmlicher Techniken verborgen bleiben“.
„Diese zusätzlichen Informationen können mehr Klarheit darüber verschaffen, wie sich die Faktoren effektiver nutzen lassen, um die risikobereinigte Performance zu verbessern. Zudem lassen sich dadurch Unzulänglichkeiten von Faktorinvestitionen entdecken. Auch wenn Faktoren langfristig eine Prämie liefern, sind sie doch anfällig für Phasen einer unterdurchschnittlichen Performance. Daher können diese Methoden einige der weniger bekannten Risiken im Zusammenhang mit Faktoren aufdecken.“
Warum werden neue Datenquellen nur langsam in die Quant-Modelle integriert?
„Alternative Datensätze sind noch relativ neu und müssen sorgfältig geprüft werden. Sie haben in der Regel keine lange Historie, sodass es sehr schwierig ist, zu untersuchen, ob sie nützlich sind oder nicht. Wir benötigen mindestens einen vollständigen Investitionszyklus, um zu bewerten, ob neue Datensignale als eigenständige Faktoren funktionieren oder als Ergänzung in einem Modell infrage kommen. Zudem ist wichtig zu verstehen, ob diese Signale bei unterschiedlichen wirtschaftlichen Bedingungen besser oder schlechter funktionieren und warum dies möglicherweise der Fall ist. Auch bieten viele Datensätze nur eine begrenzte Breite, da sie nur für kleine Teile des Anlageuniversums relevant sind. Das ist beispielsweise bei Satellitenbildern der Fall. Solche Datensätze sind daher weniger geeignet für quantitative Modelle, die eine breite und langfristige empirische Evidenz erfordern. Letztlich ist es immer besser, vorsichtig zu sein, als falsche Schlüsse zu ziehen.“