Smallcaps, verbeterde signalen: Onze nieuwe NextGen ETF

Nu megacaps de indexperformance domineren, kijken beleggers steeds meer voorbij het voor de hand liggende – richting de bredere ‘lange staart’ van kansen.

Smallcaps hebben over de afgelopen ruim 20 jaar beter gepresteerd dan largecaps (zie Figuur 1), maar sinds 2018 blijven ze achter. Figuur 1 laat echter ook zien dat veranderingen in de relatieve waarderingen tussen deze segmenten de belangrijkste reden waren voor deze underperformance.

Historisch gezien worden smallcaps verhandeld tegen een waarderingspremie tot 30% ten opzichte van largecaps. Tegenwoordig hebben ze een korting van 30% – een kloof die in de afgelopen 20 jaar niet is voorgekomen. Vanuit allocatieperspectief creëert dit zowel cyclische als structurele aantrekkingskracht.

“Smallcaps hebben heel andere rendementsbronnen dan largecaps”, legt Nick King, Head of ETFs, uit. “Daardoor zijn ze een krachtig diversificatiemiddel, vooral als onderdeel van een bredere aandelenallocatie.” Ze bevinden zich doorgaans ook eerder in hun groeifase en worden minder gedomineerd door wereldwijde macrofactoren, waardoor ze een complementaire allocatie vormen naast largecaps.

Structureel gezien blijven smallcaps een van de minst efficiënt onderzochte delen van de wereldwijde aandelenmarkten. Met wereldwijd meer dan 4.000 aandelen en een aanzienlijk lagere analistendekking dan largecaps, combineert dit universum breedte met informatie-inefficiëntie – een krachtige combinatie voor quantbeleggers.

“Een datagedreven benadering is logisch, gezien de enorme breedte van de markt”, zegt King. Quantstrategieën verwerken grote datasets, passen consistente definities toe en werken signalen gedisciplineerd bij, wat het ‘speld in een hooiberg’-probleem bij smallcaps verandert in een herhaalbaar selectieproces.

Zoals Mike Chen, Head of NextGen Quant, het verwoordt: “Smallcaps zijn een zeer rijk en idiosyncratisch jachtterrein voor quant, en dus zijn ze ook de perfecte omgeving waarin machine learning kan uitblinken.”

De NextGen Global Small Cap Equities ETF bouwt voort op tientallen jaren quantonderzoek, waarbij ons scala aan gevestigde en next-generation quantsignalen als input dient. Vervolgens gaat de strategie een stap verder door selectief machine learning en alternatieve data toe te passen om te profiteren van een complexere marktdynamiek.

Machine learning helpt op twee belangrijke manieren:

• Identificeren van niet-lineaire relaties, waarbij signalen zich anders gedragen afhankelijk van de context

• Vastleggen van interactie-effecten, waarbij combinaties van signalen zwaarder wegen dan elk signaal afzonderlijk

“We laten machine learning bepalen hoe kenmerken voor elk aandeel moeten worden gecombineerd”, legt Chen uit. “Sommige bedrijven worden meer gedreven door waarde, andere door kwaliteit. Het model past zich dynamisch aan.”

Die flexibiliteit is vooral belangrijk bij smallcaps, waar de drijvende krachten van bedrijven diverser en minder gecorreleerd zijn. “Machine learning stelt ons in staat om niet-lineaire, complexere dynamiek te detecteren die traditionele lineaire modellen simpelweg niet kunnen signaleren”, voegt hij toe.

AI verbetert dus de aandelenselectie, maar implementatiediscipline blijft centraal staan. De strategie wordt opgebouwd binnen duidelijke beperkingen voor sectoren, landen en regio’s, met een gecontroleerde omloopsnelheid en toezicht op het gebied van governance. De strategie is ontworpen om benchmarkbewust te blijven en tegelijkertijd naar excess returns te streven.

Cruciaal is dat het model volledig uitlegbaar is. “We zien dit niet als een zwarte doos, maar als een glazen kist”, zegt Chen. “We beschikken over tools om performance toe te schrijven en precies te begrijpen welke signalen de portefeuilliebeslissingen aansturen.” Deze transparantie geldt zowel voor de posities op aandelenniveau als voor de uitkomsten op portefeuilleniveau, zodat de strategie uitlegbaar blijft voor zowel beleggers als risicoteams.

Zelfs de meest geavanceerde modellen functioneren binnen de grenzen van hun aannames, en daarom blijft menselijk toezicht essentieel. “Modellen zijn vereenvoudigingen van de werkelijkheid”, merkt Chen op. “Portefeuillemanagers monitoren de aannames voortdurend – vooral tijdens extreme gebeurtenissen zoals Covid, wanneer marktregimes plotseling verschuiven.”

Toezicht betekent niet dat er wordt ingegrepen in de dagelijkse modeluitkomsten. In plaats daarvan is het gericht op het toetsen of de structurele aannames waarop het model rust intact blijven. Dit evenwicht behoudt de sterke punten van systematisch beleggen, zoals discipline, schaalbaarheid en het terugdringen van voorkeurzen, en zorgt tegelijk voor veerkracht tijdens perioden van structurele verandering.

De strategie wordt aangeboden via een actieve ETF-structuur, waarbij een onderzoeksgedreven motor voor aandelenselectie wordt gecombineerd met intraday liquiditeit, transparantie en operationele efficiëntie. Vanuit het perspectief van portefeuilleconstructie is de ETF ontworpen als een diversifiërende smallcapallocatie met een gecontroleerd actief risico.

Met een tracking error van ongeveer 3-4% bevindt de ETF zich qua actief risico tussen Enhanced Indexing en meer thematische exposures, waarmee het gestructureerd alphapotentieel biedt zonder geconcentreerde posities.

“Beleggers willen innovatie die bruikbaar is”, zegt King. “Een strategie die uitlegbaar is, naadloos in portefeuilles past en efficiënt handelt. Daarin voegt de ETF-structuur echte waarde toe.”

Hij voegt hieraan toe: “Smallcaps worden vaak gebruikt als diversifiërende bouwsteen binnen wereldwijde aandelen. Door deze exposure via een ETF aan te bieden, wordt het eenvoudig om deze in bredere allocaties te integreren.”