Small-Caps, verbesserte Signale: Unser neuer NextGen ETF

Da die Performance der Indizes von Large-Cap-Aktien dominiert wird, blicken Anleger zunehmend über das Offensichtliche hinaus – auf die allgemein große Vielfalt an Möglichkeiten.

Während Small-Caps über 20 Jahren lang Large-Caps übertroffen haben (siehe Abbildung 1), hinken sie seit 2018 hinter. Abbildung 1 veranschaulicht aber auch, dass Veränderungen in den relativen Bewertungen zwischen diesen Segmenten der wesentliche Grund für ihre unterdurchschnittliche Performance waren.

In der Vergangenheit wurden Small-Caps mit Bewertungsaufschlägen von bis zu 30 % gegenüber Large-Caps gehandelt. Heute werden sie mit einem Abschlag von 30 % gehandelt – einen solchen Abstand gab es in den letzten 20 Jahren nicht. Aus Sicht der Allokation wirkt dies sowohl zyklisch als auch strukturell attraktiv.

„Small-Caps wesien ganz andere Renditetreiber als Large-Caps auf“, bemerkt Nick King, Head of ETFs. „Dadurch dienen sie besonders gut der Diviersifizierung, insbesondere wenn sie als Teil einer breiteren Aktienallokation eingesetzt werden.“ Außerdem befinden sie sich in der Regel schon eher in ihrem Wachstumszyklus und werden weniger von globalen makroökonomischen Faktoren bestimmt, wodurch sie als ergänzende Allokation zu Large-Caps geeignet sind.

Strukturell wurden Small-Caps als Bestandteil der globalen Aktienmärkte bisher am wenigsten erforscht. Mit mehr als 4.000 Aktien weltweit und einer deutlich geringeren Analystenabdeckung als bei Large-Caps kombiniert das Universum Breite mit ineffizienten Informationen – eine starke Kombination für das Quant Investing.

„Ein datengestützter Ansatz ist angesichts der schieren Größe des Marktes sinnvoll“, sagt King. Für quantitative Strategien werden große Datenmengen verarbeitet, konsistente Definitionen angewendet und Signale diszipliniert aktualisiert, wodurch das Problem der „Nadel im Heuhaufen“ bei Small-Caps in einen wiederholbaren Auswahlprozess verwandelt wird.

Mike Chen, Head of NextGen Quant, erläutert dazu: „Small-Caps sind ein sehr reichhaltiges und spezifisches Jagdrevier für das Quant Investing und außerdem das perfekte Umfeld für maschinelles Lernen, um zu glänzen.“

Der NextGen Global Small Cap Equities ETF baut auf jahrzehntelangem Quant-Research auf und verwendet eine Reihe etablierter und neuartiger quantitativer Signale als Input. Er geht sogar noch einen Schritt weiter, indem er selektiv maschinelles Lernen und alternative Daten einsetzt, um komplexere Marktdynamiken zu erfassen.

Maschinelles Lernen hilft in zweierlei Hinsicht:

• Erkennung nicht-linearer Beziehungen, bei denen sich Signale je nach Kontext unterschiedlich verhalten

• Erfassung von Interaktionseffekten, bei denen Kombinationen wichtiger sind als einzelne Signale

„Wir lassen durch maschinelles Lernen bestimmen, wie die Merkmale für jede Aktie kombiniert werden sollen“, kommentiert Chen. „Manche Unternehmen sind eher durch Value, andere durch Quality angetrieben. Das Modell passt sich dynamisch an.“

Diese Flexibilität ist vor allem bei Small-Caps von Bedeutung, da hier die Treiber der Unternehmen vielfältiger und weniger korreliert sind. „Mithilfe des maschinellen Lernens können wir nicht-lineare Dynamiken höherer Ordnung extrahieren, die mit herkömmlichen linearen Modellen einfach nicht erfasst werden können“, fügt er hinzu.

Während KI die Aktienauswahl verbessert, bleibt die Umsetzungsdisziplin entscheidend. Die Strategie wird innerhalb klarer Grenzen für alle Sektoren, Länder und Regionen mit kontrollierter Umschlagshäufigkeit und einer Beaufsichtigung durch die Unternehmensführung umgesetzt. Sie ist so konzipiert, dass sie benchmarkorientiert bleibt und gleichzeitig eine Überschussrendite anstrebt.

Entscheidend ist, dass das Modell vollständig interpretierbar ist. „Wir sehen das nicht als Blackbox. Alles dreht sich um Transparenz“, so Chen. „Wir verfügen über Instrumente, um die Performance zu bewerten und genau zu verstehen, welche Signale die Portfolioentscheidungen beeinflussen.“ Diese Transparenz erstreckt sich sowohl auf die Positionierung auf Aktienebene als auch auf die Ergebnisse auf Portfolioebene und stellt sicher, dass die Strategie für Anleger und Risikoteams gleichermaßen erklärbar bleibt.

Selbst die fortgeschrittensten Modelle bewegen sich innerhalb der Grenzen ihrer Annahmen, weshalb die menschliche Beaufsichtigung unabdingbar bleibt. „Modelle sind Vereinfachungen der Realität“, so Chen. „Portfoliomanager überprüfen ständig ihre Annahmen – vor allem bei extremen Ereignissen wie der COVID-19-Pandemie, bei denen sich die Marktbedingungen plötzlich ändern.“

Beaufsichtigung soll nicht bedeuten, sich in die täglichen Modellergebnisse einzumischen. Stattdessen wird überprüft, ob die strukturellen Annahmen, die dem Modell zugrunde liegen, intakt sind. Dieses Gleichgewicht bewahrt die Stärken systematischer Anlagen, wie Disziplin, Skalierbarkeit und weniger Verzerrungen, und gewährleistet gleichzeitig Stabilität in Zeiten struktureller Veränderungen.

Die Strategie wird über ein aktives ETF-Paket umgesetzt, der eine Research-gestützte Aktienauswahl mit Liquidität zum Tageskurs, Transparenz und operativer Effizienz kombiniert. Aus Sicht des Portfolioaufbaus ist der ETF als diversifizierende Small-Cap-Allokation mit kontrolliertem aktivem Risiko konzipiert.

Mit einem Tracking Error von etwa 3-4 % liegt er im aktiven Risikospektrum zwischen Enhanced Indexing und thematischen Engagements und bietet strukturiertes Alpha-Potenzial ohne konzentrierte Anlagen.

„Anleger wünschen sich Innovationen, die nutzbar sind“, bemerkt King. „Eine Strategie, die erklärbar ist, sauber in die Portfolios passt und effizient gehandelt wird. Hier bietet ein ETF-Paket einen echten Mehrwert.“

Er fügt hinzu: „Small-Caps werden häufig zur Diversifizierung innerhalb der globalen Aktienmärkte eingesetzt. Die Bereitstellung dieses Engagements über einen ETF erleichtert, es in eine breitere Allokation zu integrieren.“