Glättung von Private Markets

Die Herausforderung: Illiquide Anlagen weisen künstlich geglättete Renditen auf

Die Glättung von Renditen in privaten Märkten ergibt sich aus strukturellen und operativen Besonderheiten dieser Anlageklassen. Anders als in öffentlichen Märkten, wo Preise laufend durch Echtzeittransaktionen angepasst werden, erfolgt die Bewertung privater Fonds meist nur vierteljährlich oder bei bestimmten Kapitalereignissen. Diese verzögerte Bewertung führt zu scheinbar stabilen Renditen, die das tatsächliche Risiko verzerren.

‍

Zudem nutzen Fondsmanager interne Modelle, Vergleichswerte oder externe Gutachten zur Schätzung des Marktwerts. Diese Verfahren sind zwar notwendig, verteilen jedoch Preisschwankungen über mehrere Perioden und verstärken so den Glättungseffekt. Ein zentrales Merkmal ist die serielle Korrelation: Renditen hängen stark von vorherigen Werten ab, was die Illusion geringer Volatilität erzeugt. Tests auf Autokorrelation helfen, geglättete Renditeserien zu identifizieren.

‍

Die Folgen für die Portfoliokonstruktion und das Risikomanagement sind erheblich. Geglättete Renditen unterschätzen systematisch die Volatilität, was wiederum wichtige risikobereinigte Performance-Kennzahlen wie die Sharpe-Ratio verzerrt und die scheinbaren Korrelationen mit öffentlichen Märkten verringert. Dies kann zu übermäßig optimistischen Einschätzungen des Risiko-Rendite-Verhältnisses von Privatvermögen führen und letztlich Entscheidungen zur Vermögensallokation in einer Weise beeinflussen, die die wirtschaftliche Realität nicht vollständig widerspiegelt.

‍

Die Lösung: Ein effizienter und zugleich unkomplizierter Ansatz zur Korrektur geglätteter Renditen

Um das Problem der Renditeglättung zu adressieren, wählten wir zunächst zentrale Anlageklassen des Privatmarktes aus, für die vierteljährliche Daten über einen Zeitraum von mehr als 20 Jahren vorlagen. Diese stammen von renommierten Datenanbietern (siehe Anhang für Details) und ermöglichen eine robuste statistische Analyse der Glättungseffekte über verschiedene Marktzyklen hinweg.

‍

Im ersten Schritt führten wir Tests auf serielle Korrelation über unterschiedliche Verzögerungen (Lags) durch, um den Grad der Glättung innerhalb jeder Anlageklasse zu quantifizieren. Unter den analysierten Klassen wiesen Immobilien die höchste und zugleich stabilste serielle Korrelation über alle getesteten Lags hinweg auf. Private Equity und Private Debt zeigten ebenfalls signifikante Autokorrelationen, jeweils auf dem 5 %-Niveau.

‍

Bei Hedgefonds lag die serielle Korrelation knapp unterhalb der Signifikanzschwelle, was auf ein geringeres Maß an Glättung hindeutet. Zum Vergleich wurden auch öffentliche Staatsanleihen analysiert, die – erwartungsgemäß – keine signifikante Autokorrelation aufwiesen, was ihre hohe Liquidität widerspiegelt. Die Ergebnisse bestätigen, dass der Glättungsgrad je nach privater Anlageklasse stark variiert – mit den deutlichsten Effekten bei Immobilien und Private Equity, zwei zentralen Bausteinen institutioneller Portfolios.

‍

Die statistische Analyse zeigt, dass die Glättungseffekte auf dem Privatmarkt je nach Anlageklasse sehr unterschiedlich sind, wobei Immobilien am stärksten betroffen sind.

‍

‍

‍

Methodologie und Anwendung

Um Verzerrungen durch geglättete Renditen in den Privatmärkten zu korrigieren, nutzen wir einen quantitativen Ansatz, der die serielle Korrelation in den Zeitreihen direkt bereinigt. Grundlage ist das bewährte AR(1)-Modell (autoregressiv erster Ordnung), das die beobachteten Renditen wie folgt beschreibt:

‍

‍

Dabei bezeichnet Rt​-1 die gemeldete (potenziell geglättete) Rendite, und ρ gibt die Persistenz oder das „Gedächtnis“ der Renditen von einer Periode zur nächsten an. Ein hohes ρ deutet auf eine starke Glättung hin, da die aktuellen Renditen stark von den vergangenen Renditen abhängen.

Durch Umstellen der AR(1)-Gleichung oder – falls erforderlich – durch Anwendung einer erweiterten Multi-Lag-Regression entfernen wir die historische Abhängigkeit der Bewertungen. Diese Anpassung ermöglicht die Schätzung einer „ungeglätteten“ Renditereihe, die wie folgt berechnet wird:

‍

‍

Diese entglättete Renditereihe zeigt eine höhere Volatilität, realistischere Drawdowns und stärkere Korrelationen mit den öffentlichen Märkten. Dadurch entsteht ein wirtschaftlich aussagekräftigeres Bild von Risiko und Rendite.

‍

‍

Die Auswirkung von Unsmoothing auf die Performance und das Risiko von Anlageklassen

1. ‍Die Volatilität steigt: Das wahre Risiko wird sichtbar‍
2. Sharpe Ratio korrigiert sich nach unten: spiegelt realistische risikoadjustierte Rendite wider

‍

‍

3. Diversifikationsvorteile bleiben bestehen: Korrelationen mit öffentlichen Märkten tragen weiterhin zur Portfoliodiversifikation bei

‍

Die Abbildungen 7-8 zeigen, dass die gemeldeten Korrelationen vor der Glättung die für die Portfoliooptimierung wünschenswerten Eigenschaften aufweisen. Diese Korrelationen sind jedoch den Auswirkungen der Renditeglättung unterworfen. Auf der rechten Seite ist das Delta nach der Glättung dargestellt, was die Auswirkungen der Entfernung der seriellen Korrelation aus den Zeitreihen zeigt.

‍

Während die Korrelationen in einigen Fällen zunehmen, bleibt die insgesamt niedrige Korrelation bestehen, was weiterhin einen positiven Beitrag zur Portfoliodiversifizierung leistet. Dies geht jedoch auf Kosten eines volatileren Renditeprofils, das das tatsächliche Risiko von Privatmarktanlagen widerspiegelt.

‍

‍

Praktische Auswirkungen der Glättung auf die Portfoliobasis

Unsere Analyse zeigt, dass sich die Portfolioallokationen bei korrekt bereinigten Inputdaten automatisch zugunsten von Vermögenswerten mit geringerer serieller Korrelation verschieben. Entgegen gängiger Annahmen behalten alternative Anlagen dabei ihre starken Diversifikationseigenschaften und ihre Fähigkeit zur Erfassung von Illiquiditätsprämien bei. Dadurch sinkt das Risiko, dass Renditeziele – trotz höherer Volatilität – verfehlt werden.

‍

Abbildung 9 verdeutlicht, dass Vermögenswerte mit starkem Glättungseffekt, wie Private Equity, nach der Korrektur geringere Allokationen erhalten. Grund dafür sind ihre höhere Volatilität und der geringere Beitrag zur Sharpe Ratio. Dennoch bleiben sie signifikant im Portfolio vertreten, wobei die Umschichtung vor allem innerhalb der alternativen Anlageklassen erfolgt. Die Allokationen liquider Anlagen bleiben weitgehend stabil und werden daher nicht separat ausgewiesen.

‍

Mit anderen Worten: Bei Verwendung eines Mean-Variance-Ansatzes mit realistischen Volatilitätsschätzungen sinken die Allokationen für stark geglättete Vermögenswerte – sofern keine anlagepolitischen Vorgaben entgegenstehen. So behält etwa Private Debt aufgrund geringerer Glättungseffekte eine stärkere Gewichtung als Private Equity. Immobilien hingegen bleiben aufgrund ihres geringen risikoadjustierten Renditebeitrags unberücksichtigt.

‍

Die deutlichste Auswirkung zeigt sich in der Verschiebung der Effizienzgrenze nach rechts – ein Hinweis auf ein realistischeres Verhältnis von Rendite zu Risiko. Abbildung 10 vergleicht die beiden Allokationsansätze auf Gesamtportfolioebene.

‍

Zur Validierung dieser Ergebnisse führten wir zwei Optimierungsszenarien durch – eines mit geglätteten, eines mit entglätteten Daten. Beide berücksichtigten die Standard-Investitionsziele und -restriktionen des Kunden und folgten einem typischen Total-Return-Ansatz ohne LDI-Komponente, wie er bei europäischen Pensionsfonds üblich ist.

‍

Trotz der Vorteile dieses Ansatzes bei der Behandlung alternativer Anlagen sollten Anleger zusätzliche Aspekte berücksichtigen – etwa die Form der Renditeverteilungen, Modellvarianten, Anpassungen bei nicht konstanter Volatilität sowie die Heterogenität innerhalb einzelner Strategien. Für vertiefende Analysen stehen wir gerne zur Verfügung.

‍

Die Korrektur von Glättungseffekten ist entscheidend für eine präzise Kapitalallokation – auch wenn die grundlegenden Stärken und Vorteile privater Märkte für institutionelle Portfolios weiterhin bestehen. Anlagen in den Privatmärkten tragen nach wie vor zur Reduktion der Ausfallwahrscheinlichkeit bei und bieten gleichzeitig wertvolle Diversifikationseffekte durch geringe Korrelationen mit liquiden Märkten.

‍

‍

‍

‍

Für weitere Informationen zur technischen Analyse, auf deren Grundlage dieser Artikel verfasst wurde, wenden Sie sich bitte an  info@klarphos.com.

‍

‍

Fußnoten

Datenquelle: Preqin, Albourne, Klarphos, Bloomberg, vierteljährliche Daten von 2002Q1-2024Q3. Die Anlageklasse Infrastruktur wurde aufgrund unzureichender historischer Daten ausgeschlossen.

1. Bei diesem Ansatz berechnen wir die Stichprobenautokorrelation jedes Vermögenswerts mit Verzögerung 1 und bewerten ihre Signifikanz mithilfe eines Student's t-Tests (5 %-Niveau). Wenn die Lag-1-Autokorrelation aussagekräftig ist, behandeln wir die gemeldeten Reihen so, als seien sie durch einen Ein-Perioden-Filter geglättet worden. Anschließend wird dieser Filter invertiert, indem der Einfluss des Vorquartals entfernt und die Reihe renormiert wird, so dass ihre Volatilität dem ursprünglichen Niveau entspricht. Schließlich werden alle Performance-Kennzahlen (annualisierte Rendite, Volatilität, Sharpe Ratio) anhand der bereinigten, „ungeglätteten“ Renditen neu berechnet. Diese Methode ist algorithmisch einfach und eignet sich gut für begrenzte Quartalsdatensätze, bei denen Autokorrelationen höherer Ordnung vernachlässigbar sind.
2. Die Portfolio-Optimierung wurde unter Verwendung einer Mittelwert-Varianz-Optimierung und einer Reihe von Beschränkungen durchgeführt, die typisch für Investitionspläne europäischer Pensionsfonds sind, die keine LDI-Allokation aufweisen. Die Übung wurde zweimal mit zwei verschiedenen Datensätzen durchgeführt: einmal mit Standarddatenpunkten und einmal mit angepassten Zeitreihen, die die Autokorrelationsanpassung enthalten.
3. Investing in Private Markets. The Journal of Portfolio Management 50, no. 7 (Juni 2024).
4. CFA Institute. CFA Program Curriculum 2024 Level III: Core Volume 2. CFA Institute, 2024.

‍