To know is to grow | CFA Society VBA Netherlands

Het grote belang van tactische asset allocatie

Terug naar laatste publicaties
in VBA Journaal door

In een studie van Brinson cs. uit 1986 bleek dat 93% van de variabiliteit van de kwartaalrendementen van 91 grote beleggers wordt bepaald door de gekozen asset allocatie, dus de keuze hoeveel in obligaties, aandelen en andere assetcategorieën wordt belegd. Stockpicking zou maar enkele procenten aan het rendement bijdragen. Het onderzoek van Brinson cs. maakte – het zal niet verbazen – veel reacties en tegenonderzoeken los, waarna vele beleggers uiteindelijk in verwarring achterbleven. Tijd voor een overzicht, aangevuld met eigen onderzoek.

 

Brinson, Hood en Beehower (Financial Analysts Journal 1986, 1991) toonden aan dat asset allocatie een dominante rol speelt bij de bepaling van de performance van een beleggingsportefeuille. Stockpicking zou minder dan 10% aan het resultaat toevoegen. Een vermogensbeheerder als Vanguard, de grootste in de wereld, met meer dan duizend miljard onder beheer, heeft in zekere zin min of meer zijn gehele business model opgehangen aan de vermeende conclusies van onderzoeken als Brinson cs. Kies de asset allocatie en de benchmarks die daarbij horen en volg die benchmarks vervolgens met behulp van goed kope passieve beleggings- of indexfondsen. Het kopen van dure, actief beheerde fondsen zou geen zin hebben, omdat de eventuele outperformance of alpha die zij zouden boeken (als ze die al kunnen boeken door de hogere kosten), toch in het niet valt bij de allesbepalende initiële asset allocatie.

Maar zo eenvoudig is het natuurlijk niet. Ten eerste is het onderzoek van Brinson cs., onder andere door partijen als Vanguard, al dan niet bewust, op de voor hun commercieel gunstige wijze geïnterpreteerd. Brinson cs. constateerden met hun onderzoek niets anders dan dat de ontwikkeling van de individuele assetcategorieën waarin wordt belegd op kwartaalbasis (voor 91%) de ontwikkeling van het rendement van de totale portefeuille bepaalt. Je zou bijna zeggen dat dit gelijk staat aan ‘stating the obvious’. Het onderzoek zegt niets over hoe de ene belegger uiteindelijk meer of minder rendement kan (of had kunnen) boeken door enerzijds van te voren de juiste asset allocatie te vinden en anderzijds door tussentijds de allocatie aan de veranderende omstandigheden aan te passen. Ibbotson en Kaplan (FAJ, 2000) hebben aangetoond dat Brinson cs. weliswaar gelijk hebben met hun bewering dat meer dan 90% van de resultaatsfluctuaties in een kwartaal worden bepaald door de asset allocatie, maar dat eveneens 40% van de resultaatsfluctuaties tussen de verschillende fondsen/portefeuilles kan worden afgeleid door verschillen in de asset allocatie en dat de resterende 60% van de variatie in de resultaten afkomstig is van factoren als de timing van de bewegingen tussen de assetcategorieën, stijlbeleggen binnen assetcategorieën (bijvoorbeeld wanneer in waarde- en wanneer in groeiaandelen), stockpicking en kosten.

Vervolgens is er nog een tweede reden waarom we moeite hebben met de allesbepalende stelling dat men alleen maar passief hoeft te beleggen in de index. Is het, als we er goed over nadenken, namelijk niet merkwaardig dat de samenstellers van een index, zijnde doorgaans uitgevers of beurzen, eigenlijk bepalen in welke fondsen of instrumenten wordt belegd? Alsof de samenstellers van de index, en dat zijn dus geen beleggers, weten wat goed is voor de belegger. We weten allemaal dat veel indices de neiging hebben tot ‘survivorship bias’: in een index worden na verloop van tijd de populaire of goed presterende aandelen opgenomen, maar dat zegt geenzins iets over de toekomst en de resultaten die een belegger zelf nodig heeft. Daarnaast impliceert indexbeleggen feitelijk dat de markt niet verslagen kan worden, althans niet zodanig dat dit opweegt tegen de kosten. We willen hier verder niet op ingaan gezien het onderwerp van dit artikel, maar willen volstaan met de opmerking dat er tegenwoordig ook grote hoeveelheden studies verschijnen waarin markt efficiency niet meer als 100% zekerheid wordt geaccepteerd. Het voorbeeld van een asset allocatiemodel dat we later in dit artikel bespreken lijkt eveneens aan te tonen dat het mogelijk is een gedeelte van het rendement te verklaren uit een model dat niet volledig op efficiency gebaseerd is.

 

Soorten asset allocatie

De verwarring over asset allocatie, vooral na het onderzoek van Brinson cs. ligt hem in het feit dat er meerdere vormen van asset allocatie zijn. Laten we ze even op een rijtje zetten:

  1. Strategische asset allocatie. De hoogste of overkoepelende vorm van asset allocatie is de strategische asset allocatie (SAA). Kleine beleggers voeren die doorgaans niet uit, maar instituten bepalen eens in de zoveel jaar aan de hand van een (ALM2-)studie naar de verplichtingen die ze in de toekomst moeten voldoen uit de opbrengsten van de beleggingen en hun risicopreferentie en andere randvoorwaarden wat hun SAA is, bijvoorbeeld 40% in obligaties, 40% in aandelen, 5% in vastgoed en 15% in alternatieve beleggingen. Op dit niveau staat met name ook de link tussen beleggingen en verplichtingen – de kern van zogenaamde ALM (asset liability management) studies – centraal.
  2. Tactische asset allocatie. Door veranderende koersen op de beurzen gaan de allocaties in de verschillende assetcategorieën vanzelf wijzigen. De tactische allocatie kan, afhankelijk van de actuele ontwikkelingen op de beurzen, een indicatie bieden of en in hoeverre een bepaalde assetcategorie al dan niet tijdelijk mag afwijken van de oorspronkelijk gekozen strategische allocatie.
  3. Stijlallocatie en/of sectorrotatie. Binnen een bepaalde assetcategorie kan men dan daarna bijvoorbeeld een keuze maken om tijdelijk meer of minder binnen een bepaalde subcategorie te doen. Bij aandelen zou men er bijvoorbeeld tijdelijk voor kiezen om meer of minder in grote of kleine danwel waarde- of groei-aandelen te beleggen. Bij obligaties heeft men bijvoorbeeld de keuze tussen langlopende obligaties of obligaties met kortere looptijden.

Tot slot is er natuurlijk nog een vierde dimensie van beleggen en dat is het uiteindelijke stockpicking zelf. Hoe belangrijk zijn nu de individuele vormen van asset allocatie voor het uiteindelijke rendement van de portefeuille? Gebaseerd op de onderzoeken van Ibbotson en Kaplan en N. Amenc en L. Martelinni van Edhec-Risk3 zou een verdeling zoals afgebeeld in Figuur 1 afgeleid kunnen worden. De tactische allocatie bepaalt dan voor 45,5% het totaalresultaat. Daarna is de strategische allocatie het belangrijkst 40%. Stockpicking kan een bijdrage leveren van ruim 10%. In feite bepaalt de asset allocatie dus inderdaad heel veel van het rendement en blijft stockpicking relatief onbelangrijk. Het voordeel van deze uiteenrafeling van resultaatsbepalers (ten opzichte van het onderzoek van Brinson cs.) is dat we nu meer grip hebben op het totaalbegrip asset allocatie, waarna hopelijk de verwarring die ontstond na het onderzoek van Brinson cs. wordt weggenomen. Overigens blijft stockpicking met een belang van zo’n 11% in onze ogen nog steeds belangrijk. Dit verwaarlozen kan dus al snel enkele procenten rendement kosten, hetgeen, als dit jaren aanhoudt, natuurlijk op de lange termijn grote negatieve implicaties heeft voor het rendement van de portefeuille. We veronderstellen dat die 11% een gemiddeld percentage is. Als beleggers echter in staat zijn de goede stockpicks te doen, dan wel de goede fondsmanagers te selecteren, dan kunnen zij meer waarde toevoegen aan de portefeuille. Hetzelfde geldt voor beleggers die verstandig met de kosten overweg gaan, bijvoorbeeld door goed te onderhandelen met brokers en asset managers.

 

Vormen van tactische asset allocatie

Tactische asset allocatie (TAA) speelt dus een belangrijke rol in het beleggingsproces. Feitelijk zijn er globaal drie methoden om tactische asset allocatie uit te voeren:

  1. Pure rebalancing: het tamelijk ‘visieloos’, periodiek (bijvoorbeeld eens per kwartaal of jaar) bijsturen van de portefeuille, terug naar de strategische gewichten die uit de ALM-studie en/of afgesproken strategische asset allocatie kan worden afgeleid. De enige tactische beslissing is hier dus de vraag wanneer en/of hoeveel te herbalanceren.
  2. Guided allocation: het maandelijks of op kwartaalbasis tactisch bijsturen van de portefeuille waarbij binnen een van te voren afgesproken bandbreedte van de strategische allocatie en de daaruit afgeleide benchmarks mag worden afgeweken.
  3. Free allocation: het min of meer zonder enige belemmering van strategische allocatie uitvoeren van de (tactische) asset allocatie, ofwel het op basis van een bepaalde visie min of meer vrij bepalen hoeveel en in welke assetcategorieën wordt belegd.

Laten we vooropstellen dat alle hier boven geschetste methoden – mits uitgevoerd binnen een gestructureerd kader (en in de gevallen 2 en 3 op basis van een systeem met in ieder geval enige mate van bewezen significantie) beter zijn dan de zogenaamde ‘vrije drift’ van de portefeuille. Uit verschillende onderzoeken komt naar voren dat regelmatige ‘rebalancing’ beter is dan de ontwikkeling van de assetcategorieen volledig vrij op z’n beloop te laten. We verwijzen hier naar bijvoorbeeld de onderzoeken van Arnott en Plaxco (JPM, 2002) en Buetow, Sellers, Trotter, Hunt en Whipple (JPM, 2002). Buetow cs. zijn stellig in hun conclusie dat zeer regelmatige rebalancing leidt tot betere risicogecorrigeerde resultaten. De conclusie van Arnott en Plaxco kan als volgt wordt samengevat: ‘Ons onderzoek toont aan dat de strategie van rebalancing niet altijd betere absolute rendementen genereert in vergelijking tot een drifting strategie, maar een rebalancing strategie domineert wel altijd als we uitgaan van risicogecorrigeerde rendementen. De superioriteit van de strategie is vooral op de lange termijn significant. Rebalancing vermindert het risico van de portefeuille en geneneert gedurende de meeste tijd alpha voor de portefeuille.’ Zie ook Figuur 2 waarin een en ander wordt gevisualiseerd.

Zowel in Arnott en Plaxco (2002) alsook in Buetow, Sellers, Trotter, Hunt en Whipple (2002) worden verschillende methoden van herallocatie getest. Zo werden kalender- (op vaste tijden), interval- (als de koers buiten een bandbreedte komt) en tactische rebalancing onderzocht. Uit het onderzoek van Arnott en Plaxco bleek dat over de periode 1980-2000 tactische allocatie het beter deed dan op kwartaalbasis te herbalanceren.

Ook logisch redenerend moet men met een goede tactische allocatie tot betere uitkomsten komen. Nieuwe marktomstandigheden kunnen het namelijk noodzakelijk maken dat al dan niet tijdelijk van de strategische verdeling moet worden afgeweken. Denk aan Japan eind jaren tachtig. Veel grote beleggers zaten, mede op basis van hun strategische gewichten afgeleid uit bijvoorbeeld de ALM-studie, toen onder invloed van de sterk gestegen koersen in de lange Japanse groeiperiode daarvoor, met relatief grote allocaties in Japanse aandelen. Zeker vanuit tactisch oogpunt ontstonden in het begin van de jaren negentig indicaties dat dit belang moest worden afgebouwd.

Is methode 3 – de vrije (tactische) asset allocatie – dan een optie? Voor particuliere beleggers waarschijnlijk wel. Maar voor institutionele beleggers veel minder als gevolg van de zeer directe link die bestaat tussen de beleggings- en verplichtingenzijde van de balans. Een pensioenfonds moet ook kijken naar zijn ‘liability’-structuur. Als het met name verplichtingen heeft in de ver weg gelegen toekomst dan zouden volatielere assetklassen gebruikt kunnen worden, dan wel assetklassen met een langere duration. Heeft een pensioenfonds veel verplichtingen op de korte termijn, dan moet de portefeuille zeker op korte termijn een groter percentage assets bevatten die min of meer ‘absolute’ returns genereren of althans assets, die op korte termijn niet een grote kans lopen door fluctuaties even tijdelijk minder goed te renderen (danwel assets met een kortere duration). Kortom, er moet afhankelijk van de verplichtingenstructuur een strategische allocatie worden opgezet die het beste past bij de toekomstige verplichtingen. Daar kan men dan tactisch binnen een bepaalde bandbreedte van afwijken om meer rendement te boeken. De omvang van deze bandbreedte zelf is daarbij weer een functie van de speelruimte die de belegger heeft en van de kwaliteit van zijn tactische allocatiesysteem. Hoe groter het surplus van de waarde van de bezittingen ten opzichte van de waarde van de verplichtingen, des te groter kan ze zijn. En hoe beter (qua voorspelkracht en track record) het tactische asset allocatiesysteem, des te groter de bandbreedte. Omdat tactische asset allocatie per definitie gaat om een relatief gering aantal ‘bets’ (het aantal beleggingsmogelijkheden is beperkt) met in veel gevallen onderliggende databanken met een historie die niet veel verder gaat dan zo’n 40 jaar maandgegevens voor de ontwikkelde markten en circa 20 (maximaal) voor emerging markets, moet vooral niet te snel worden geconcludeerd dat de bandbreedte wel heel groot mag zijn ‘vanwege getoonde voorspelkracht’. De eerstgenoemde bandbreedte-bepaler (omvang van het surplus) lijkt dus dominant te zijn.

 

De opzet van een TAA-model

Nu zo langzamerhand het belang en de verschillende manieren van tactische asset allocatie duidelijk zijn geworden wordt het tijd concreter stil te staan bij hoe zo’n model er dan uit kan zien. Wij gaan hierbij uit van een puur kwantitatieve benadering, en wel vanwege een aantal redenen:

  • TAA bevat vele facetten (risicopreferenties en allocatievraagstukken tussen vaak vele assetcategorieën, maar ook tussen subcategorieën en landen); vanwege de mate van complexiteit en de noodzaak van structurering (immers: de geringe hoeveelheid beschikbare ‘bets’ maakt dit een absolute must) lijkt kwantitatieve incorporatie van factoren additionele veiligheid op te leveren (uiteraard op voorwaarde dat het systeem voldoende vaak geupdate wordt, want markten veranderen).
  • Kwantitatieve analyse heeft als voordeel dat het meetbaar is; we kunnen de voorspelkracht van de modellen uitrekenen en we kunnen ieder moment teruggaan waarom we bepaalde beslissingen hebben genomen en of dit achteraf terecht was. Dit bevordert ‘dynamic learning’.

Het is belangrijk van te voren te bepalen hoeveel het tactische model mag afwijken van de strategische allocatie. De grootte van deze afwijking hangt ons inziens van drie zaken af:

  1. de risicopreferentie van het pensioenfonds, ook wel ‘λ’ genoemd4;
  2. de voorspelkracht van het model dat gebruikt wordt voor het voorspellen van een bepaalde assetklasse;
  3. de beweeglijkheid van de assetklasse, want dat bepaalt in hoge mate hoe ‘kostbaar’ een fout of tegenvaller is.

In formulevorm zouden we dat als volgt kunnen opschrijven:

Δi(TAA-ALM) = f (λ; R2 TAAi; σ2(Ri))

Ofwel de afwijking tussen het strategische en tactische gewicht van assetcategorie ‘i’ is een functie van de risicopreferentie (λ), verklaringskracht (R2 TAAi) van het TAA-model voor assetklasse ‘i’ en de beweeglijkheid, ofwel de variantie (σ(Ri)) van de rendementen in assetklasse ‘i’. Hoe groter de voorspelkracht van een model is, des te groter in principe de afwijking van de strategische allocatie mag zijn. Weten we geen goed model te construeren, dan zouden we feitelijk moeten concluderen dat we het niet zo goed weten met betrekking tot die (sub)assetklasse en dat we dus dicht op het strategische gewicht moeten blijven (= lagere of geen bandbreedte toestaan). Weten we het wel (heel) goed, dan mag de afwijking groter zijn. Op deze manier wordt indirect ook aan risicobeheersing gedaan. Immers we nemen alleen grotere ‘bets’ als we daar ‘zekerder’ van zijn. Daarnaast speelt ook de beweeglijkheid een rol. Een assetklasse die beweeglijker is moet eigenlijk bij een bepaalde mate van voorspelkracht een ruimere bandbreedte rond de strategische allocatie hebben dan een minder beweeglijke (met vergelijkbare voorspelkracht), omdat anders teveel moet worden gehandeld. Dat laatste leidt dan tot onnodige transactiekosten. Voor alle duidelijkheid gaat het om een procentuele band uitgedrukt in een percentage (boven en onder de strategische allocatie). Het zou in theorie kunnen dat, als de verklaringskracht van het model, de risicopreferentie van de belegger en de volatiliteit van het model voor een bepaalde assetcategorie of land alledrie erg hoog zijn, de tactische allocatie erg kan gaan afwijken van de strategische. Als je bijvoorbeeld een goed aandelenmodel voor Turkijë hebt ontwikkeld (een van de meest volatiele aandelenmarkten in de wereld), en je bent bovendien een risicozoekende belegger, dan zou je in theorie een grote exposure in Turkse aandelen kunnen opbouwen als het model op een bepaald moment erg positief is. Aan de andere kant moeten we ook ‘nederig’ zijn: zoals onderstaande Tabel laat zien geldt vrijwel altijd dat wat we weten minder is dan wat we niet weten. Zeker ook bij meer gevaarlijke en volatiele beleggingsmogelijkheden is het daarbij niet verkeerd om een maximale bandbreedte (‘cap’) af te spreken.

 

Een casestudie van een tactisch (aandelen-) model

Als afsluiting willen we een onderdeel van ons eigen Compendeon GTAA-model bespreken teneinde een en ander meer concreet te krijgen. Het Compendeon GTAA-model werkt zowel top-down als bottom-up. Voor de belangrijkste assetcategorieën als aandelen, obligaties, valuta’s en cash hebben we individuele landen- (of regio-)modellen ontwikkeld, zowel voor de korte termijn (maandmodel) als ook de lange termijn (jaarmodel). Naarmate bijvoorbeeld bij aandelen meer landen positief worden (eventueel zowel lang als kort), dan dringt de assetcategorie aandelen bottom-up aan op een grote allocatie in de portefeuille, mits dat natuurlijk hetzelfde tegelijkertijd ook niet gebeurt bij de andere assetcategorieën. Daarnaast hebben we ook een top-down macro-economisch model, maar dit model gaat in zekere zin in competitie met de bottom-up signalen, waarbij bevestiging weer leidt tot extra verklaringskracht en tegengestelde signalen tot een mitigering (neerwaartse bijstelling van de afwijking (absoluut)) tussen TAA en ALM signaal. In de modellen gebruiken we verschillende variabelen: fundamentele (zowel waarderings- als financiële ratio’s), technische variabelen (voornamelijk momentum en overreactie), risico-variabelen (volatility, bèta, duration), monetaire variabelen en overige variabelen (als bijvoorbeeld ‘insider trading’). De bottom-up en top-down modellen kunnen verschillende (groepen) variabelen in zich hebben. Een belangrijke rol van de top-down modellen is ook te garanderen dat in voldoende mate rekening wordt gehouden met internationale correlaties (vergelijk bijvoorbeeld ook het werk van de Franse hoogleraar Bruno Solnik), iets dat niet goed mogelijk is als uitsluitend wordt gewerkt met bottom-up landenmodellen.

Ter illustrie is Tabel 1 opgenomen die de uitkomsten van 49 landenmodellen weergeeft (data per eind december 2006), zowel op maandbasis als op jaarbasis. We kijken hierbij naar de multipele correlatiecoëfficient R2 die de verklaringskracht van het model aangeeft en naar de vraag of een bepaalde variabele uiteindelijk een rol in het (bottom-up) regressiemodel heeft gekregen.

Belangrijke variabelen die in de bottom-up aandelenmodellen voor individuele landen zitten zijn:

  • het 3-, 6-, en 12-maands momentum (een sterk opwaarts momentum zou volgens de theorie moeten duiden op continuering van de opwaartse trend en vice versa);
  • de 36-maands overreactiecyclus (volgens de wetenschappers DeBondt en Thaler bewegen koersen zich in trends van zo’n drie tot vijf jaar waarna de markt weer tegendraads corrigeert);
  • het januari-effect (januari is volgens de wetenschap de beste beursmaand van het jaar)
  • het part-of-the year effect (de maanden mei tot en met oktober zouden weer de mindere maanden zijn);
  • de volatiliteit van de markt in zijn geheel (hogere volatiliteit zou in principe rendementsverhogend moeten werken);
  • het dividendrendement van de markt (hoog dividendrendement is volgens de theorie een mooi instapmoment en een laag dividendrendement een mooi uitstapmoment);5
  • inter-market flow variabelen, waarbij de invloed van bijvoorbeeld obligatierendementen en valutakoersbewegingen op de aandelenmarktreturns wordt weergegeven.

In Tabel 1 analyseren we in welke mate rendementen op aandelen een functie zijn van andere variabelen die betrekking hebben op aandelen. Met andere woorden: we laten de flow-componenten buiten beschouwing. Deze zijn wel meegenomen bij de bepaling van de R2. Als we naar de inhoud van Tabel 1 kijken, dan valt op dat de verklaringskracht van de jaarmodellen over het algemeen licht hoger is dan die van de maandmodellen. Dit is zeker zo wanneer we ons bedenken dat de maanduitkomsten in een aantal gevallen een opwaartse bias vertonen bij landen die nog een relatief korte dataset hebben. Daar kunnen uitschieters in bepaalde maanden tot extremen leiden. Indien we hiervoor zouden corrigeren dan wordt het gat tussen maand- en jaarmodel groter. In de uiteindelijke strategie die wij binnen het Compendeon GTAA model voeren, wordt gewerkt met een gemiddelde van het maand- en jaarmodel, waarbij tevens risicomodellen in ogenschouw worden genomen, zodat de mogelijke negatieve effecten die uitgaan van de instabiliteit bij sommige emerging market modellen verder worden afgezwakt. De succesvolle performance over de periode 1994-heden indiceert dat deze benadering, die voor wat betreft de portefeuilleoptimalisatietechniek voortbouwt op het werk van Markowitz en Van Dijk (2003), goed functioneert.6 Markowitz en Van Dijk (2006) bepleiten daarbij dat met name de integratie van rendement en risico hierbij van groot belang is: juist als het aantal ‘bets’ klein en de gemiddelde ‘bet size’ groot is.

Op zich is het natuurlijk niet onlogisch dat het gemiddeld genomen makkelijker is om aan te geven wat er qua richting in de komende 12 maanden gaat gebeuren dan aan te geven hoe de komende maand er uit ziet. Volatiliteiten en daarmee ook de kans op voorspelfouten zijn op de korte termijn relatief groter dan op de langere termijn. Daarnaast is er een groter verschil in R2-niveau’s wanneer we de maandmodellen vergelijken dan wanneer we ons concentreren op de jaarmodellen.

In het algemeen kunnen we stellen dat een R2 van 5-10% al krachtig is om in ieder geval een reële kans te hebben alpha toe te voegen. Met name voor de emerging markets heeft ons model in deze vorm een substantiële toegevoegde waarde. Natuurlijk zijn er ook landen waarvoor de verklaringskracht substantieel slechter is.

Ten tweede valt op dat ieder land zo zijn eigen variabelen belangrijk lijkt te vinden. Zo komt het bekende januari-effect in lang niet alle landen naar voren (slechts 11 van de 49 maandmodellen). Het part-ofthe-year-effect is als rendementsverklarer in meer landen van belang (23 van de 49 maandmodellen). Het dividendrendement blijkt verreweg de belangrijkste variabele te zijn, vooral bij de verklaring en voorspelling van de jaarrendementen. Bij sommige landen blijkt dit een extreem goede voorspeller te zijn (39 van de 49 jaarmodellen).7

Ook risico – gemeten door volatiliteit – speelt een belangrijke rol. Dit geldt met name voor de jaarmodellen, waar de volatiliteit in 39 van de 49 jaarmodellen opduikt als belangrijke, statistisch-significante variabele. Voor wat betreft de importantie van technische analyse blijkt dat ook het korte (kwartaal-) momentum (MOM3) in het jaarmodel een relatief belangrijke rol vervult.

Tot slot zien we ook duidelijk dat de inter-market flow component van substantieel belang is. Spin-off effecten vanuit de obligatie- en valutamarkt naar de aandelenmarkt toe spelen een belangrijke rol. Dit wordt bijvoorbeeld het meest duidelijk in het geval van Israel (maandmodel) en Hongarije (jaarmodel), waar de volledige verklaringskracht wordt gerealiseerd via de inter-market flowcomponent van het bottom-up model. De aandelenmarktvariabelen zijn alle niet significant.

 

Tot besluit

De juiste asset allocatie is de belangrijkste rendementsbepaler van de portefeuille. Asset allocatie bestaat uit verschillende facetten, waarbij met name onderscheid kan worden gemaakt tussen strategische en tactische asset allocatie. Beide zijn ongeveer even belangrijk en bepalen tezamen zo’n 90% van het rendement van de totale portefeuille. De meeste beleggers gebruiken een ad-hoc TAA-benadering waarbij de ‘risk control gap’ wijd open staat. In het licht van ‘pension fund governance’ verwachten we grotere vraag met betrekking tot transparantie van het beleggingsproces. TAA-modellen bestaan er in vele gedaanten, waarbij de ene meer top-down en de andere meer bottom-up werkt, waarbij in onze ogen een bottom-up benadering een belangrijke rol moet spelen. In dit artikel hebben we met een eenvoudig landenmodel, als onderdeel van een totaal TAA-model, laten zien dat we al veel verklarings- en voorspelkracht – en dus potentieel voor alpha – kunnen blootleggen.

 

Literatuur:

  • Arnott, R. & L. Plaxco, ‘Rebalancing a Global Policy Benchmark’, Journal of Portfolio Management, Winter 2002;
  • Brinson, G.P., L.R. Hood & G.L. Beebower, ‘Determinants of Portfolio Performance’, Financial Analysts Journal, July/ August 1986;
  • Brinson, G.P., L.R. Hood & G.L. Beebower, ‘Determinants of Portfolio Performance II; An Update’, Financial Analysts Journal, May/June 1991;
  • Buetow, G., R. Sellers, D. Trotter, E. Hunt & W. Whipple, ‘The Benefits of Rebalancing’, Journal of Portfolio Management, Winter 2002;
  • Ibbotson, R. & P. Kaplan, ‘Does Asset Allocation Policy Explain 40%, 90%, or 100% of Performance?’, Financial Analysts Journal, January/February 2000;
  • Markowitz, H.M. & E.L. van Dijk, Single-period Mean Variance Analysis in a Changing World, Financial Analysts Journal, March/April 2003;
  • Markowitz, H.M. & E.L. van Dijk, ‘Risk-Return Analysis’ in Zenios, S.A. & W.T. Ziemba, ‘Handbook of Asset and Liability Management’, North-Holland Science Publishers, 2006.

Noten

  1. Erik L. van Dijk is CIO & partner bij Compendeon Pension & Investment Management en Harry Geels is directeur research bij INMAXXA Research.
  2. ALM staat voor Asset Liability Management ofwel het afstemmen van de rendementen uit de beleggingen op de verplichtingen aan de deelnemers van een pensioenfonds.
  3. Zie verder www.edhec-risk.com
  4. Zoals hier boven ook al aangegeven is bij de inschatting van deze risicopreferentie ook van belang hoe de surplus-situatie van een institutionele belegger is. Wie geconfronteerd wordt met een hogere waarde van de verplichtingen ten opzichte van de bezittingen zal meer risico-avers moeten beleggen.
  5. Daarnaast spelen natuurlijk macro-economische en monetaire variabelen een rol. De macrocomponent is geïncorporeerd in de top-down component van het systeem door middel van een index die het Bruto Binnenlands Produkt (BBP) vergelijkt met de marktkapitalisatie van een land. Op deze wijze wordt een analysecomponent gecreëerd die lijkt op de pricebook ratio die zo’n belangrijke rol speelt in het werk van Fama en French, maar dan op marktniveau. Een andere, belangrijke monetaire variabele, de korte termijn rente (Rf), wordt in een tweetrapsraket meegenomen. Enerzijds kan de allocatie in kasgeld (die in principe 0% is) worden uitgebreid als andere assetcategorieën bottom-up te weinig aandringen op een grote allocatie, anderzijds werken we met risicogecorrigeerde rendementen in onze modellen (ook gecorrigeerd voor de rente).
  6. Over de periode 1994-2004 was de outperformance in een backtest gelijk aan 3.5% op geannualiseerde basis. Voor de ‘live’ periode 2005-heden werd een geannualiseerde alpha van bijna 4% gerealiseerd. Opmerking: de hier genoemde performance betreft het gehele model, bestaande uit de assetcategorieën aandelen, obligaties, cash en valuta’s. In de hier gepresenteerde case study focussen wij ons met name op verschillen tussen aandelenmarkten.
  7. Deze conclusie met betrekking tot het dividendrendement is in lijn met onderzoek van de professoren Campbell Harvey (Duke University) en Geert Bekaert (Columbia University), twee van de meest gerespecteerde TAAspecialisten in de academische gemeenschap. Volgens hen speelt dividendrendement een dominerende rol in TAA-modellen. Zie voor meer informatie Harvey’s persoonlijke website: http://www.duke.edu/~global_ asset_allocation/gtaa.htm.

Noot: de R2 waarden voor de jaarregressies zijn gecorrigeerd voor het feit dat de datasets zogenaamde ‘rolling windows’ omvatten.

 

Download