Past performance is not… (helpful!)

Anlegen hat manchmal Ähnlichkeit mit dem Autofahren – der Blick in den Rückspiegel allein genügt nicht, um unfallfrei ans Ziel zu kommen. So gelingt es Aktienfonds, die sich in der Vergangenheit gut entwickelt haben, nur äusserst selten dauerhaft überdurchschnittliche Resultate zu erzielen. Auch bei Private-Equity-Fonds sagen historische Renditen wenig über die zukünftige Performance aus. Künstliche Intelligenz könnte Finanzanalysten beim Aufspüren künftiger Outperformer Hilfe leisten.

Berechtigter Disclaimer

„Past performance is no guarantee of future results” – diese oder eine ähnliche Warnung steht auf dem Beipackzettel von nahezu jedem Anlageprodukt. Im Gegensatz zu manch anderen vielleicht übertriebenen Disclaimern ist der obige aber nicht als rechtliche Absicherung (des Anbieters) gegen den denkbar unwahrscheinlichsten Fall zu verstehen. Eher kann man ihn als gut gemeinten – und vor allem faktenbasierten – Ratschlag interpretieren, sowohl für möglicherweise etwas zu naive Anleger als auch für vermeintliche Anlageprofis. Die statistische Evidenz ist nämlich eindeutig: Aktienfonds, die in der Vergangenheit gut performt haben, gelingt es nur äusserst selten dauerhaft überdurchschnittliche Resultate zu erzielen. S&P Global liefert jedes Jahr von Neuem entsprechendes Zahlenmaterial. Gemäss der im Mai publizierten „U.S. Persistence Scorecard“ konnten sich von den besten 25% (Top-Quartil) der US-Aktienfonds aus dem Jahr 2018 ein Jahr später nur 48.6% im obersten Viertel aller Fonds halten. Vier Jahre später war bereits kein einziger der ehemaligen Top-Performer mehr im obersten Quartil. Selbst wenn man die Anforderungen deutlich herunterschraubt, sind die Ergebnisse ernüchternd. Von den Fonds, die 2018 zu den besten 50% aller Fonds gehörten, waren drei Jahre später noch 16.8% und vier Jahre nur noch 2.7% in der oberen Hälfte. Dass diese Zahlen auch nicht durch die für Fondsmanager schwierigen Pandemiejahre verzerrt sind, zeigt die längerfristige Betrachtung: Von den Aktienfonds, die im Zeitraum 2013-2017 zu den Top-50% gehörten, schafften es nur 37% auch im anschliessenden 5-Jahreszeitraum in der oberen Hälfte zu bleiben. Wenn die Leistung der Fondsmanager völlig zufällig wäre, würde man erwarten, dass 50% der Gewinner in den ersten fünf Jahren auch in den zweiten fünf Jahren überdurchschnittlich abschneiden; wenn deutlich mehr als 50% der Gewinner im zweiten Intervall erneut gewinnen, könnte dies gar ein Beweis für die Existenz von beständigen Managerfähigkeiten sein. Letzteres muss angesichts der Ergebnisse allerdings klar verneint werden.

„I don’t know any investors who shouldn’t act as if markets are efficient.” | Eugene Fama

Performance-Persistenz von US-Aktienfonds (ausgehend von Top-25%- bzw. Top-50%-Positionierung in 2018)

Quellen: S&P Dow Jones Indices, Kaiser Partner Privatbank

Die Evidenz in Private Equity

Im Gegensatz zur Situation bei klassischen Aktienfonds war es für Investoren von Private-Equity-Fonds lange Zeit gängige Praxis auf die Gewinnerfonds (bzw. -Manager) der Vergangenheit zu setzen. Noch heute ist es weit verbreitet möglichst ausschliesslich sogenannte Top-Quartile-Fonds zu selektieren – in der Hoffnung, dass diese auch in der Zukunft „top“ bleiben. Lange Zeit wurde diese allgemeingültige Weisheit der Performance-Persistenz von Private-Equity-Managern auch von akademischen Studien gestützt¹. Jedoch basierten frühere Analysen oft auf Daten aus den 1980er und 1990er Jahren. Diese entpuppten sich inzwischen nicht nur als qualitativ minderwertig. Auch widerspiegelt das heute bereits veraltete Research weder die seit der Jahrtausendwende massiv gewachsene Grösse der Private-Equity-Welt noch deren deutlich gestiegenen Professionalisierungsgrad. Neueres Research aus den letzten Jahren hat die früheren Annahmen mittlerweile widerlegt. So zeigt die Studie “Has Persistence Persisted in Private Equity? Evidence from Buyout and Venture Capital Funds” ² auf der Grundlage aktueller Daten (bis Ende 2020) der hochqualitativen Datenbasis von Burgiss auf, dass es im Bereich klassischer Private-Equity-Buyouts praktisch keine Performance-Persistenz gibt. Insbesondere wenn man die dem Investor zum Zeitpunkt der Anlageentscheidung vorliegende Datenbasis als Grundlage nimmt, sagt die vergangene Performance nichts über die zukünftige (Out)Performance aus. Da es bis zur vollständigen Rückzahlung eines Private-Equity-Fonds – und damit auch bis zur Feststellung der endgültigen Performancezahlen – in der Regel 12 bis 15 Jahre dauern kann, können Anleger nur die vorläufige „Live“-Performance von Private-Equity-Fonds in ihre Überlegungen einbeziehen. Eine Ausnahme bildet der Bereich Venture-Capital. Hier finden die Autoren der Studie auch heute noch (starke) Evidenz für Performance-Persistenz – Top-Venture-Manager bleiben häufiger als es der reine Zufall will überdurchschnittlich erfolgreich.

Hilfe durch Künstliche Intelligenz

Dass die historische Fondsperformance in der Private-Equity-Welt eine so wichtige Rolle spielt, liegt nicht zuletzt an der bis dato bestehenden Intransparenz der Branche. Während es für klassische Aktienfonds riesige Datenbanken und für börsennotierte Unternehmen meist sehr viel Research gibt, sieht die Datenlage an den Privatmärkten deutlich schlechter aus. Zwischen Anlegern und Private-Equity-Managern besteht eine grosse Informationsasymmetrie und die Manager haben gehörigen Spielraum, ihren Track Record in einem für sie günstigen Licht erscheinen zu lassen. Die Selektion von Private-Equity-Fonds ist daher ein besonders schwieriges Unterfangen. Abhilfe könnte in Zukunft die Künstliche Intelligenz schaffen. Denn zwar kann ChatGPT den Private Banker in absehbarer Zeit nicht ersetzen, intelligente Algorithmen könnten zukünftig aber durchaus eine hilfreiche Unterstützung für Finanzanalysten sein. Ein Akademiker-Quintett rund um Oxford-Professor Ludovic Phalippou hat ebensolche Machine-Learning-Algorithmen auf die Fondsprospekte von Private-Equity-Fonds angewendet³. In der Studie “Limited Partners versus Unlimited Machines; Artificial Intelligence and the Performance of Private Equity Funds” gelang es der Künstlichen Intelligenz überaus erfolgreich aus dem Teil des Fondsprospekts, in dem die Manager ihre Anlagestrategie beschreiben, performancerelevante Erkenntnisse zu ziehen und Prognosen zu potentiell out- und underperformenden Fonds zu machen. Ein auf den Daten von 2003 bis 2013 trainierter Algorithmus sortierte die Fonds der Jahre 2014 bis 2016 nach der Wahrscheinlichkeit ihrer Outperformance. Das oberste Viertel der Fonds (höchste Wahrscheinlichkeit für Outperformance) erzielte bis Ende 2022 einen Multiplikator von 2.09 – 0.23 Punkte besser als der Durchschnitt aller Fonds. Da Private-Equity-Fonds ihre Investments in der Regel im Schnitt fünf Jahre lang halten, lässt sich dies in eine jährliche Outperformance von 4% umrechnen – eine beträchtliche Überrendite. Die Künstliche Intelligenz konnte aus den qualitativen Informationen also tatsächlich einen performancerelevanten Mehrwert herauslesen und Aussagen über den künftigen Erfolg der Fonds machen. Quantitative Fakten wie beispielsweise das Anlegerinteresse beim Fundraising, wiesen hingegen deutlich weniger stark auf künftig gute Performance hin. Die historische Fondsperformance, welche in der Studie ebenfalls auf den Prüfstand kam, brachte zwar auch einen Informationsmehrwert. Dies aber anders als vielleicht gedacht:  Die (ehemaligen) Top-Quartile-Fonds haben nämlich deutlich underperformt und schlechter als der Median aller Fonds abgeschnitten. Auch für Private-Equity-Fonds gilt also „past performance is not indicative of future returns”. “Big is beautiful” gilt währenddessen weitaus weniger als von manchem Anleger womöglich vermutet.

Fazit: Bei Privatmarktanlagen ist die Zusammenarbeit mit Experten – in Zukunft womöglich unterstützt durch Künstliche Intelligenz – besonders wichtig. Zudem gilt es gerade in dieser Anlageklasse den Ratschlag der Diversifikation zu beherzigen und nicht alle Eier in einen Korb zu legen.

Performance-Rückspiegel hilft nicht | Qualitative Informationen und Machine Learning helfen durchaus

Performance selektierter Fonds

Quellen: R. Braun et al (2023), Kaiser Partner Privatbank

1) u.a. Steven N. Kaplan, Antoinette Schoar (2005): “Private Equity Returns: Persistence and Capital flows”

2) Robert S. Harris, Tim Jenkinson, Steven N. Kaplan, Ruediger Stucke (2022): “Has Persistence Persisted in Private Equity? Evidence from Buyout and Venture Capital Funds”

3) Reiner Braun, Borja F. Tamayo, Florencio López-de-Silanes, Ludovic Phalippou, Natalia Sigrist (2023): “Limited Partners versus Unlimited Machines; Artificial Intelligence and the Performance of Private Equity Funds”