Warum Aktienrenditen nur in kurzen Zeitfenstern vorhersehbar sein können

Aktienrenditen können vorhersehbar sein, jedoch nur in kurzen Zeitfenstern

Investoren haben jahrzehntelang nach Indikatoren gesucht, die Aktienrenditen zuverlässig vorhersagen. Bewertungskennzahlen, Zinssätze, Kreditspreads, Inflation, Marktvolatilität und Messgrößen der wirtschaftlichen Aktivität haben zu verschiedenen Zeiten vielversprechend gewirkt. Das Problem besteht darin, dass ein Indikator in einer Periode nützlich erscheinen kann, in der nächsten jedoch wirkungslos wird.

Eine neue Studie, veröffentlicht im Journal of Econometrics¹, argumentiert, dass diese Instabilität eher ein kennzeichnendes Merkmal der Marktvorhersagbarkeit ist als ein Mangel in den Daten. Aktienrenditen könnten vorhersehbar sein, jedoch nur während vorübergehender Phasen, die durch Rezessionen, finanzielle Schocks, politische Änderungen oder Veränderungen in der Art und Weise, wie Investoren Informationen verarbeiten, entstehen.

Die Forschenden entwickelten statistische Überwachungsverfahren, die darauf abzielen, diese Episoden zu erkennen, sobald sie auftreten. Ihre Arbeit stellt die praktische Fragestellung neu. Anstatt zu fragen, ob eine Variable über die gesamte historische Stichprobe Renditen vorhersagt, sollten Investoren fragen, ob sie kürzlich begonnen hat, nützliche Informationen zu enthalten.

Warum dauerhafte Marktsignale so schwer zu finden sind

Traditionelle prognostische Forschung schätzt häufig eine einzige Beziehung über Jahrzehnte von Daten. Ein Analyst könnte beispielsweise prüfen, ob Dividendenrenditen die Eigenkapitalprämie vorhersagen, also die Rendite, die Aktien über einem risikofreien Asset erwirtschaften. Dies setzt voraus, dass die Beziehung über die gesamte Stichprobe hinweg hinreichend stabil bleibt.

Märkte kooperieren selten. Geldpolitische Änderungen, regulatorische Entwicklungen und breit bekannte Strategien ziehen Kapital an. Ein Signal kann während einer Krise an Stärke gewinnen und wieder verschwinden, sobald Investoren es erkennen. Ein Modell, das den gesamten Zeitraum abdeckt, kann daher eine nützliche Episode mit vielen Jahren, in denen keine Beziehung bestand, verwässern.

Dies erklärt, warum finanzielle Variablen in einer Studie statistisch signifikant erscheinen können, in einer anderen jedoch nicht. Die Uneinigkeit bedeutet nicht zwangsläufig, dass ein Ergebnis falsch war. Die Studien könnten unterschiedliche Marktregime untersucht haben.

Die Herausforderung wird schwieriger, weil viele gängige Prädiktoren stark persistent sind. Dividendenrenditen, Buch‑zu‑Markt‑Verhältnisse und Zinsmaßzahlen können über lange Zeiträume hinweg erhöht oder gesenkt bleiben. Sie können sich zudem parallel zu denselben Schocks bewegen, die die Renditen beeinflussen. Konventionelle statistische Tests können diese Merkmale fälschlicherweise als Vorhersagekraft interpretieren.

Wie Echtzeit‑Überwachung das Problem verändert

Das Papier schlägt vor, eingehende Daten sequenziell zu überwachen, nachdem eine anfängliche Trainingsphase ohne festgestellte Vorhersagbarkeit etabliert wurde. Der bevorzugte Ansatz verwendet ein kumulatives Summen‑Verfahren (CUSUM), das auf IVX‑Instrumentvariablen‑Bedingungen basiert.

Einfacher ausgedrückt verfolgt das System, ob die Beziehung zwischen einem potenziellen Indikator und den nachfolgenden Renditen so stark von ihrem historischen Ausgangspunkt abweicht, dass ein Signal gerechtfertigt ist. Es ist so konzipiert, dass der Nutzer nicht im Vorfeld wissen muss, ob der Prädiktor schwach persistent, nahe einer Einheitswurzel oder irgendwo dazwischen liegt.

Das Überwachungs‑Framework adressiert mehrere Probleme gleichzeitig:

• Prädiktive Beziehungen können ohne Vorwarnung beginnen und enden.
• Wiederholte Tests können Fehlalarme erzeugen, selbst wenn kein Signal vorhanden ist.
• Veränderungen der Volatilität können dazu führen, dass gewöhnliche Tests Beziehungen entdecken, die nicht real sind.
• Prädiktoren können persistent sein und mit unerwarteten Marktrenditen korrelieren.

Die Volatilitätsanpassung ist besonders wichtig. Ein großer Marktschock erzeugt größere Beobachtungen, die eine Überwachungsstatistik über einen Schwellenwert treiben können, selbst wenn die zugrunde liegende prädiktive Beziehung unverändert bleibt. Dies hängt mit dem umfassenderen Problem zusammen, dass bekannte Messgrößen nur einen Teil des Risikoumfelds erfassen, wie in der Untersuchung von Securities.io zu warum der VIX das Marktrisiko nicht vollständig erfasst diskutiert wird.

Was die Simulationen ergaben

Die Autoren prüften ihre Methoden in simulierten Märkten mit unterschiedlicher Prädiktor‑Persistenz, Volatilitätsverläufen, Endogenitätsbeziehungen und Startdaten für prädiktive Episoden. Mehrere vorgeschlagene CUSUM‑Verfahren hielten die Rate falscher Positiver unter vielen dieser Bedingungen in einem vernünftigen Rahmen.

Die stärksten Methoden erkannten die Vorhersagbarkeit im Allgemeinen früher als konkurrierende Roll‑Fenster‑Verfahren, insbesondere wenn der Prädiktor extrem persistent war. Das ist bedeutsam, weil ein kurzlebiges Signal an praktischem Wert verliert, wenn ein Modell es erst gegen Ende der Episode identifiziert.

Allerdings dominierte keine Version unter allen Bedingungen. Ein Verfahren reagierte besonders schnell, erzeugte jedoch nach einer nach oben gerichteten Volatilitätsverschiebung übermäßige Fehlalarme. Ein anderes war konservativer und langsamer. Der im Papier bevorzugte varianz‑adjustierte CUSUM‑Ansatz bot ein nützlicheres Gleichgewicht zwischen Erkennungs‑geschwindigkeit und Kontrolle von Fehlalarmen.

Ein Modell, das zu leicht Signale gibt, fördert kostspielige Fluktuationen und Überconfidence. Ein vorsichtiges Modell erkennt ein Regime möglicherweise erst, nachdem ein großer Teil der Gelegenheit bereits verstrichen ist. Echtzeitsysteme benötigen daher eine explizite Richtlinie, um zwischen verpassten Signalen und Fehlalarmen zu wählen.

Was geschah, als das Modell den S&P 500 beobachtete

Die Forschenden führten eine pseudo‑echtzeitliche Analyse mit monatlichen S&P 500‑Daten und potenziellen Prädiktoren von Januar 1965 bis Dezember 2024 durch. Zu den Prädiktoren gehörten Bewertungskennzahlen, Volatilitätsmaße, technische Indikatoren, Anleihezinsen, Kreditmarktvariablen, Inflation und wirtschaftliche Aktivität.

Tests über die Gesamtdaten zeigten wenig Hinweis darauf, dass die meisten Variablen die Renditen beständig vorhersagen. Dennoch identifizierten die Monitoring‑Verfahren klare Zeitfenster. Mehrere Anleihen‑ und makroökonomische Indikatoren wurden rund um die Marktstörung von 1973‑1975 informativ. Der Zinskurvenspread zeigte Vorhersagekraft im Zeitraum vor dem Black‑Monday. Weitere Signale traten während der globalen Finanzkrise, 2018 und 2022 auf.

Diese Ergebnisse stützen eine regimesbasierte Interpretation. Kredit‑Renditen, Zins‑Spreads, Liquidität, Bewertung und wirtschaftliche Schwäche können besonders wichtig sein, wenn der Markt das Risiko neu bewertet. Sie müssen nicht während normaler Marktbedingungen Renditen vorhersagen, um in Stressphasen nützlich zu sein.

Die zentrale Erkenntnis ist das Management des Signal‑Lebenszyklus

Der wertvollste Beitrag der Studie ist nicht eine Liste von Handelsindikatoren, sondern ein Rahmenwerk zur Verwaltung des Lebenszyklus eines Investment‑Signals.

Ein Produktionsmodell sollte eine Aktivierungsregel, eine Ruhestandsregel und ein Verfahren zur Neukalibrierung nach einem erkannten Ereignis besitzen. Das unterscheidet sich davon, ein Prognosemodell einmal zu bauen und anzunehmen, dass seine Koeffizienten dauerhaft gültig bleiben. Es behandelt Vorhersagbarkeit als einen sich ändernden Systemzustand.

Diese Sichtweise legt zudem nahe, dass Volatilität zwei Rollen erfüllt. Sie kann Informationen über erwartete Renditen enthalten, aber sie kann auch den statistischen Test, der diese Informationen aufdecken soll, verfälschen. Forschungen, die von Securities.io abgedeckt werden, haben ähnlich festgestellt, dass tägliche Renditen können weiterhin wertvoll für die Volatilitätsprognose sein, selbst wenn hochfrequente Datensätze verfügbar sind. Mehr Daten lösen nicht automatisch Modellinstabilität, wenn sich die Beziehungen innerhalb dieser Daten ständig ändern.

Für Investment‑Teams wäre der logische nächste Schritt ein geschichtetes System. Ein Modell würde überwachen, ob ein potenzieller Prädiktor in ein aktives Regime eingetreten ist. Eine separate Prognoseschicht würde die Richtung und das Ausmaß erwarteter Renditen schätzen. Die Portfoliokonstruktion würde dann Handelskosten, Drawdowns, Liquidität und Positionsgrenzen berücksichtigen.

Diese Trennung ist wesentlich, weil statistische Vorhersagbarkeit nicht dasselbe ist wie eine rentable Strategie. Das Papier berechnet keine Portfoliorenditen, Implementierungskosten, Steuern oder risikoadjustierte Performance. Die historische Übung ist pseudo‑echtzeitlich und nicht als Live‑Einsatz gedacht. Behauptungen, die Methode könne den Markt schlagen, würden über die vorliegenden Belege hinausgehen.

Investitionen in die Schicht der Finanzintelligenz

Die Studie weist auf die wachsende Nachfrage nach saubereren Finanzdaten, adaptiven Analysen und Werkzeugen hin, die Regimewechsel erkennen können. Ein Unternehmen, das in dieser Infrastruktur positioniert ist, ist S&P Global. .

S&P Global ist in den Bereichen Benchmarks, Ratings, Rohstoff‑Intelligenz und Marktdaten aktiv. Die Market‑Intelligence‑Division liefert viele der Datensätze und analytischen Workflows, die Institutionen zur Analyse von Unternehmen, Kreditbedingungen und Marktverhalten nutzen. Das Unternehmen hat zudem seine KI‑Fähigkeiten über Kensho ausgebaut, einschließlich Werkzeuge, die komplexe Unternehmensdaten verknüpfen und Finanzdatensätze für Maschinen leichter interpretierbar machen. Im Jahr 2026 beschrieb S&P Global eine erweiterte Version von Kensho Link mit breiterer Abdeckung von Entitäten und verbesserter Erkennung komplexer Unternehmensstrukturen.

Das bedeutet nicht, dass S&P Global die im Papier beschriebene Monitoring‑Methode besitzt oder kommerzialisiert. Die Verbindung zum Investment ist breiter gefasst: Adaptive Finanzmodelle benötigen umfangreiche, standardisierte und zeitnahe Daten. Da quantitative Systeme zunehmend auf Marktregime reagieren, werden Datenqualität und -integration zu einem Teil des Wettbewerbsvorteils.

Das aktuelle Profil von Securities.io zu MSCI und die Infrastruktur hinter den Finanzmärkten hebt denselben zugrunde liegenden Trend hervor. Indexanbieter agieren zunehmend als Daten‑ und Analyseunternehmen statt als reine Herausgeber von Benchmark‑Listen.

Marktvorhersagbarkeit ist ein bewegliches Ziel

Das Papier löst die Debatte um effiziente Märkte nicht, bietet jedoch einen realistischeren Rahmen dafür. Märkte sind im Allgemeinen schwer vorherzusagen, können jedoch kurze Phasen hervorbringen, in denen wirtschaftliche und finanzielle Indikatoren ungewöhnlich aussagekräftig werden.

Für Investoren bedeutet das nicht, jede neu signifikante Variable zu jagen. Stattdessen sollten Signale als bedingt betrachtet, ihre Stabilität überwacht und erkannt werden, dass eine während einer Krise entdeckte Beziehung in der nächsten Expansion möglicherweise nicht Bestand hat. Der dauerhafte Vorteil liegt weniger darin, eine permanente Prognoseformel zu finden, sondern vielmehr darin, zu erkennen, wann sich die Marktregeln vorübergehend geändert haben.

Literatur:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Echtzeitüberwachung der Vorhersagbarkeit von Aktienrenditen in nichtstationären Volatilitätsumgebungen. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341