[…] misst“. Mathematisch gesehen, ist die Sharpe-Ratio der Quotient aus der Überrendite eines Portfolios und dessen Standardabweichung. Das Sharpe-Maß kann als Risikoprämie für die Übernahme einer Einheit Gesamtrisiko interpretiert werden. Da die Sharpe-Ratio die Überrendite in Beziehung mit dem systematischen Risiko setzt, eignet sie sich besser für die Performancemessung großer Portfolios. Zur Performancemessung von Subportfolios ist dagegen Alpha zu bevorzugen.
Alpha im Arbitragepreismodell
Alpha wird durch ein Mehrfaktor Arbitragemodell ermittelt. Der Vorteil von Arbitragemodellen besteht darin, dass die Annahmen bezüglich des Marktes und der Anleger weniger restriktiv sind, als im Capital Asset Pricing Model (CAPM). Das Arbitragepreismodell setzt statt des Marktgleichgewichts, lediglich Arbitragefreiheit voraus. Zudem erlaubt die Arbitrage Pricing Theory (APT) die Zerlegung des systematischen Risikos in einzelne Komponenten; dadurch ist eine genauere Analyse des Risikos und der Rendite möglich.
Angesichts der Entdeckung von Renditeanomalien auf dem Aktienmarkt, ist das CAPM starker Kritik ausgesetzt. Multifaktormodelle werden daher als „Weiterentwicklung“ des CAPMs angesehen. In diesem Kontext ist das Arbitragemodell von Fama und French hervorzuheben. Erst 1995 wurde ein entsprechendes Arbitragemodell für den Anleihenmarkt entwickelt.
„Rm -Rf“, auch im weiteren Verlauf als „BOND“-Variable bezeichnet, dient als Benchmark des Investment-Grade Anleihenmarktes der Vereinigten Staaten. „BOND“ entspricht der Überrendite des Barclays Investment-Grade U.S. Aggregate Bond Index. Der Index umfasst sowohl Unternehmens-, Kommunal-, Staats- als auch verbriefte Anleihen.
„STOCK“ misst die Überrendite des Aktienmarktes. Die Variable dient als Indikator für die Erwartungen der Marktteilnehmer an die wirtschaftliche Entwicklung der Vereinigten Staaten. Anders als Elton/Gruber/Blake wird zur Messung der Variable nicht der S&P 500 Index, sondern der Fama und French Faktor „ “ für die USA verwendet. Unter der Annahme, dass ein größerer Marktindexes die Erwartungen der Wirtschaftssubjekte besser abgebildet, sollte der Fama und French Faktor zu besseren Schätzergebnisse führen.
Da diese Arbeit mit monatlichen Zeitreihen arbeitet, entspricht der risikolose Zinssatz Rf der amerikanischen Staatsanleihen mit einmonatiger Laufzeit.
Ein wesentlicher Faktor zur Erklärung der Anleihen Rendite ist das Zinsniveau. Wenn das Zinsniveau sinkt, steigt ceteris paribus der Preis der Anleihen. Ein steigendes Zinsniveau hat genau den gegenteiligen Effekt zur Folge. Um einen möglichst großen Zeitraum abzudecken, wird das Zinsänderungsrisiko „TERM“ durch die Differenz des Barclays Capital U.S. 20+ Year Treasury Bond Index und des Barclays Capital U.S. 1-3 Treasury Bond Index gemessen.
Bei Anleihen, die über ein Kündigungsrecht für den Emittenten verfügen, muss zusätzlich noch das Optionsrisiko berücksichtigt werden. Das Optionsrisiko bezeichnet das Risiko, dass eine Anleihe oder eine Hypothek vor Laufzeitende abbezahlt wird. Besonders anfällig hierfür, sind durch Hypotheken gesicherte Kredite. Zu den Motiven für eine vorzeitige Rückzahlung zählen vor allem stark sinkendes Zinsen, und Immobilienpreise. Die Variable „OPTION“ wird analog zu Elton/Gruber/Blake (1995) aus der Differenz eines Index bestehend aus verbrieften Immobilienkrediten (Barclays Capital U.S. Aggregate Securitzed Bond Market Index) und eines Markindexes (Barclays Capital U.S. Credit Index) gebildet.
Anders als Elton/Gruber/Blake (1995) wird auf eine Variable zur Modellierung des Kreditausfallrisiko verzichtet, da die Ausfallwahrscheinlichkeit von Anleihen mit Investment-Grade-Rating als gering einzuschätzen ist. Ebenso werden keine makroökonomischen Faktoren zur Messung unerwarteter Änderungen des Bruttoinlandsproduktes und der Inflationsrate in das Modell integriert. Der Ausschluss dieser Faktoren hat keinen Einfluss auf die Güte der Schätzung.
Empirische Ergebnisse
Durchschnittliche Rendite, Standardabweichung und Sharpe-Ratio
Die durchschnittliche jährliche Rendite aller Portfolios ist relativ gleich verteilt. Auffällig sind nur die höhen Werte für die maximale und minimale Durchschnittsrendite des Portfolios „G-Low“. Außerdem auffällig: Unternehmen mit hohem Sozialrating erzielen, in allen Kategorien höhere Durchschnittsrenditen als der Markt.
Die Analyse der Standardabweichung ergibt besonders hohe Werte für die maximale Standardabweichung der Portfolios „E low“, „WIC G“ und „WIC Total“. Im Vergleich zu dem Marktportfolio weisen Unternehmen mit hohem Rating im Bereich Umwelt- und Governance geringere Volatilität auf. Ein Branchenscreening nach den entsprechenden Kriterien kommt zu demselben Ergebnis. Unternehmen mit schlechtem Umweltrating schneiden dagegen relativ schlecht ab und ebenso Unternehmen, die in allen ESG-Kategorien zu der Branchenschlussgruppe gehören.
Aus den durchschnittlichen Renditen und Standardabweichungen werden nun die Sharpe-Ratios aller Portfolios berechne.
Die Sharpe-Ratios der Portfolios liegen im Bereich von 0.34 und 0.54. Vergleicht man sie mit der Sharp-Ratio des Marktportfolios, sind die Unterschiede bis auf eine Ausnahme sehr gering. Einzig das Portfolio „E high“, das aus den Anleihen der Unternehmen mit den höchsten Umweltratings besteht, weist eine um 15 Basispunkte höhere Sharpe-Ratio als der Markt auf.
Zur genaueren Analyse, wird zusätzlich einer Long-Short-Anlagestrategie aus Anleihen besonders nachhaltigen Unternehmen (long) und Anleihen weniger nachhaltigen Unternehmen (short), gebildet. Im Falle der Exklusionsstrategie verkauft der Anleger in beiden Fällen das Portfolio „Sin“ und kauft das jeweils negativ gescreente Portfolio.
Unternehmen mit hoher ESG-Wertung haben höhere Sharpe-Ratios gegenüber Unternehmen mit schlechter Wertung erzielen. Die Unterschiede sind jedoch sehr gering. Ein Anleihenportfolio aus besonders umweltfreundlichen Unternehmen generiert auch in einer Long-Short-Anlagestrategie eine besonders hohe Sharpe-Ratio.
Aus der Analyse kann geschlussfolgert werden, dass Unternehmen mit hoher Umweltstandards ein geringeres gesamtwirtschaftliches Risiko tragen. Die Sharpe-Ratio der anderen Portfolios, unterscheidet sich nur schwach vom Marktportfolio. SRI Anleger müssen demnach auf den Kreditmarkt nicht mit Gewinneinbußen rechnen.
Alpha im Mehrfaktormodell
Das Gauß-Markov-Theorem
Die risikoadjustierte Rendite Alpha wird mit Hilfe der Methode der kleinsten Quadrate ermittelt. Um den bestmöglichen Schätzer für die Koeffizienten zu erhalten, müssen folgende Annahmen erfüllt sein:
- Das Regressionsmodell ist parameterlinear
- Die stochastischen Störterme sind nicht mit sich selbst, oder mit der erklärenden Variable korreliert und weisen eine konstante Varianz und einen Erwartungswert von Null auf
- Die Anzahl der Beobachtungen ist größer als die Zahl der zu schätzenden Parametern
Die erste Annahme impliziert, dass sich die Beziehung der abhängigen und unabhängigen Variable durch ein lineares Gleichungssystem der folgenden Form beschreiben lässt:
Der stochastische Fehlerterm bildet alle Faktoren ab, die außer der unabhängigen Variable, noch die abhängige Variable beeinflussen. Nach der zweiten Annahme, müssen sich die statistischen Fehlerterme im „Durchschnitt gegeneinander aufheben“. Ist diese Annahme verletzt, führt dies zu einer Verzerrung der Koeffizenten.
Eine Verletzung der Annahme der Varianzkonstanz der Fehlerterme dagegen, führt „nur“ zu ineffizienten Schätzungen. Mit steigenden Grad an Heteroskedastizität steigt also die Wahrscheinlichkeit, dass der Koeffizient vom wahren Wert der Grundgesamtheit abweicht.
Bei Zeitreihen, ist die Annahme der Unabhängigkeit der Störterme von besonderer Bedeutung. Ist die Annahme verletzt, wirkt sich eine einmalige Änderung des Störterms auch auf die nachfolgende Fehlerterme aus. Zeitlich nah beieinander liegende Beobachten ähneln sich dadurch stärker, als zeitlich entfernte Beobachtungen.
Bei multiplen Regressionsmodellen muss eine weitere Annahme erfüllt sein:
- Es besteht keine vollkommende Multikollinearität der erklärenden Variablen
Vollkommene Multikollinearität besteht, wenn bei mindestens drei erklärenden Variablen, eine Variable die perfekte Linearkombination einer anderen Variable ist. Aber auch unvollkommene Multikollinearität kann in der Praxis zu einer Verzerrung der Schätzung führen. Dies hat zur Folge, dass Veränderungen der zu erklärenden Variable dem falschen Faktor zugeschrieben werden.
Sind alle Annahmen erfüllt, handelt es sich bei dem Schätzer um einen „best linear unbiased estimator“ (BLUE) und hat damit folgende Eigenschaften: Linearität, Konsistenz, Unverzerrtheit und Effizienz.
Regressionsdiagnostik und korrektive Maßnahmen
Die zentrale Annahme des Gauß-Markov-Theorems ist, dass der Erwartungswert der Residuen Null ist. Ist diese Annahme nicht erfüllt, weichen die Koeffizienten von ihrem wahren Wert ab. Diese Abweichung kann nicht unerheblich sein und sogar zu entgegengesetzten Schätzergebnissen führen. Eine Annahmeverletzung kann folgende Ursachen haben:
- Einflussreiche Beobachtungen
- Nicht-Linearität
- Übersehene Einflussfaktoren
Einflussreiche Beobachtungen sind Beobachtungen, deren Ausschluss die Steigung der Regressionsgeraden deutlich ändert. Ein geeignetes Maß einflussreiche Beobachtungen zu identifizieren, ist die „Cook´s Distance“. Es handelt sich dabei um „eine Maßzahl […], die den Einfluss einer Beobachtung auf alle Regressionskoeffizienten gleichzeitig abschätzt“. Damit ein Punkt die Regression stark beeinflussen kann, muss er sowohl von der x-Variable (Leverage), als auch von allen y-Variablen (Diskrepanz) außergewöhnlich abweichen. Die Cook´s Distance wird deswegen aus den Produkt beider Werte gebildet. Bei mehreren unabhängigen Variablen „wird der Abstand zwischen einer Beobachtung und dem Schwerpunkt der unabhängigen Variable der Korrelations- und Varianzstruktur der unabhängigen Variable verwendet“Nach Kohler/Kreuter (2008), sind Werte größer als n/4, als kritisch anzusehen.
Besonders das 4-Faktor Modell weist starke Ausreißer auf, 75% der Portfolios sind betroffen. Im Gegensatz dazu, zählt das 3-Faktor Modell nur zwei einflussreiche Beobachtungen; 1- und 2-Faktormodelle sind frei von Ausreißern. Dies lässt vermuten, dass die Variable „STOCK“ Beobachtungen enthält, die sich stark von den Beobachtungen der restlichen Variablen unterscheiden. Laut Kohler/Kreuter (2008) sind extreme Werte oft eine Folge eines nicht ausreichend spezifizierten Modells. Es stellt sich daher die Frage, ob „STOCK“, „T high“ und „WIC S“ durch weitere, nicht im Modell integrierten Faktoren, beeinflusst werden. Da ein Messfehler auszuschließen ist, können die Beobachtungen nicht aus dem Datensatz entfernt werden.
Um die Güte der Schätzung zu gewährleisten, wird für Portfolios mit auffälligen Werten eine Medianregression durchgeführt. Im Gegensatz zur OLS-Schätzung minimiert die Medianregression nicht die Summe der quadrierten, sondern der absoluten Residuen . Aus diesen Grund ist die Medianregression robuster gegenüber extremen Werten.
Weiterhin muss geprüft werden, ob ein linearer Zusammenhang zwischen der unabhängigen der abhängigen Variable besteht. Um dies zu beurteilen, wird für jedes Portfolio ein partieller Residuenplot erstellt. Es handelt sich dabei um ein Streudiagramm, auf der x-Achse ist die Summe aus Residuum und dem linearen Anteil der unabhängigen Variable und auf der y-Achse ist die unabhängige Variable abgetragen ist. Zusätzlich enthält die Grafik die Regressionsgerade und die „Median-Spline“. Die Median-Spline, verbindet die Mediane, der in Streifen unterteilten x-Variable. Stimmt die Regressionsgerade annähernd mit der Median-Spline überein, so ist die Linearitätsannahme erfüllt.
Die Annahme der Parameterlinearität kann für die Faktormodelle 1-3 nicht verworfen werden. Jedoch scheint STOCK nicht der linearen, sondern der quadratischen Form zu besitzen. Besonders auffällig sind die partiellen Residuen Plots der Portfolios „E low“, „WIC E“, „WIC G“, „WIC Total“ und „Negativ“. Damit ist die Linearitätsanahme für das 4-Faktor Modell nicht erfüllt.
Der vorausgegangene Teil beweist, dass die Schätzer der Regressionsmodelle linear, unverzerrt und konsistent sind. Zusätzlich muss ein Schätzer, um das Gauß-Markov-Theorem zu erfüllen, auch die geringste Varianz aller möglichen Schätzer aufweisen. Ineffiziente Schätzer können sowohl durch abhängige, als auch heteroskedastische Fehlerterme verursacht werden.
Zur Aufdeckung der Heteroskedastitzität wird der Breusch-Pagan LM Test hinzugezogen. Der Test geht folgendermaßen vor: Dafür Zunächst wird der Fehlerterm üblicherweise mit dem Koeffizienten der linearen Regression regressiert. Im Anschluss wird untersucht ob die Koeffizienten der Residuen Null sind. Ist dies nicht der Fall, so muss die Nullhypothese verworfen werden.
Die Analyse kommt zu dem Schluss, dass bei einem 95% Konfidenzintervall die Best-in-class Portfolios im 3 und 4-Faktor Modell keine identische Varianz aufweisen. Die restlichen Portfolios wurden negativ auf Heteroskedastizität getestet.
Die Unabhängigkeitsannahme der Residuen wird über den Durbin-Watson-Test d-Test ermittelt. Der Test ist nur zur Identifikation von Autokorrelationen erster Ordnung geeignet, formal:
Wobei ρ für den Korrelationskoeffizienten und ut den nicht korrelierten Anteil des Störterms stehen. Somit wird für jede Beobachtung überprüft, ob der Korrelationskoeffizient ρ sich signifikant von Null unterscheidet.
Unter der Annahme, dass die Nullhypothese ab einen Signifikanzniveau von 5% abzulehnen ist, ist für acht Portfolios im 1-Faktor-Modell, für sieben Portfolios im 2-Faktor-Modell, für fünf Portfolios im 3-Faktor Modell und für vier Faktoren im 4-Faktor-Modell die Unabhängigkeitsannahme abzulehnen.
Ineffiziente Schätzer führen zu erhöhten bzw. zu niedrigen Standardfehlern und damit zu falschen t-Werten. Um geeignetes Mittel um sowohl Ineffizienten aufgrund von Autokorrelation und Homoskedastizität zu beseitigen, sind Newey-West Standardfehler. Hierbei bleiben die durch die Methode der kleinsten Quadrate geschätzten Koeffizienten unverändert, lediglich die Standardfehler werden auf eine andere Art geschätzt.
Die Standardfehler aller 28 Portfolios, die sich in einem der beiden vorausgegangenen Tests als problematisch erwiesen haben, wurden durch die Newey-West-Standardfehler ersetzt.
Beurteilung der Schätzung
In Kapitel 4.2.2 wurden, bis auf die Multikollinearitätsannahme alle Annahmen der linearen Regression geprüft. Mit Ausnahme des 4-Faktor Modells, erfüllen alle Faktormodelle nach einigen Korrekturen das Gauß-Markov-Theorem. Damit ist sichergestellt, dass die Regressionsanalyse bestmögliche Schätzergebnisse liefert.
Um jedoch beurteilen zu können, welches der vier Faktormodelle die Daten am besten repräsentiert, muss zu dem Bestimmtheitsmaß auch die Multikollinearität analysiert werden. Das ist notwendig, da das Hinzufügen von Variablen fast immer mit einer Steigerung des Bestimmtheitsmaßes verbunden ist. Die Aufnahme mehrerer X-Variablen, erhöht aber gleichzeitig das Risiko der Multikollinearität. Das ist unbedingt zu vermeiden, da höhere Standardfehlern und falsche Koeffizienten die Folge sind.
Eine einfache Methode Multikollinearität aufzudecken, ist es, eine X-Variable mit den anderen X-Variablen zu regressieren. Ergibt die Regression ein hohes R2, sind die Faktoren höchstwahrscheinlich miteinander korreliert. Die Regression kann jedoch nur in Abhängigkeit aller anderen Variablen durchgeführt werden. Varianzinflationsfakoren lösen das Problem. Sie werden aus dem Bestimmtheitsmaß der Hilfsregressionen gebildet; mathematisch:
Selbstverständlich kann das Problem der Multikollinearität in einem 1-Faktor-Modell nicht auftreten, jedoch erklärt das Modell im Mittel nur 37.5% der Gesamtvarianz der SRI Portfoliorendite.
Das 2-Faktormodell erklärt immerhin schon die Hälfte der Gesamtvarianz; das ist eine Verbesserung des adjustierten R2 um 25%. Obwohl die Faktoren BOND und TERM stark miteinander korreliert sind, kann Multikollinearität ausgeschlossen werden. Die Varianzschwellungsfaktoren betragen lediglich 1.75. Erst Werte über 10 werden als problematisch angesehen.
Ein Blick auf die Varianz-Kovarianz-Matrix zeigt, dass die höchste Korrelation zwischen den Variable OPTION und TERM besteht. Folglich weist Option auch den höchsten Varianzschwellenfaktor auf, jedoch erhöht die Aufnahme dieses Faktors die durchschnittliche Varianzinflation nur geringfügig auf 2.41. Insgesamt liegen die Werten immer noch weit unter der kritischen Schwelle. Die neue Variable verbesserte jedoch die Erklärungskraft des Modells um 28%. Fast 70% der Fluktuation aller SRI Portfolios, kann also durch die Faktoren „BOND“, „TERM“ und „OPTION“ erklärt werden. Damit ist das 3-Faktormodell im Mittel fast doppelt so aussagekräftig wie das Single-Index-Modell.
Die Aufnahme von STOCK in das Arbitragemodell erhöht das adjustierte R2 nur auf der dritten Nachkommastelle. Interessant ist, dass gleichzeitig auch die durchschnittliche Kollinearität um 0.05 sinkt. Die Variable bewirkt also, dass besser zwischen dem Einfluss von TERM und OPTION auf die Rendite von SRI Portfolios unterschieden werden kann.
Da das Kriterium der Parameterlinearität für STOCK nicht gegen ist, scheint trotz aller Vorzüge das 3-Faktor Modell zur Ermittlung der risikoadjustierten Renditen besser geeignet zu sein. Im nachfolgenden Teil der Arbeit werden daher nur die Ergebnisse des 3-Faktor Modells analysiert. Die Regressionsergebnisse aller Faktormodelle sind im Anhang angefügt.
Empirische Ergebnisse
Wie man entnehmen kann, sind alle Koeffizienten und die Regressionskonstante hoch signifikant. Es besteht ein starker positiver Zusammenhang zwischen der Rendite der gescreenten Portfolios und dem Marktindex. Die Beziehung der abhängigen Variable und „TERM“ und „OPTION“ ist dagegen negativ. Bei näherer Betrachtung der Regressionskoeffizienten fällt auf, dass das Portfolio „G low“ ein überdurchschnittlich hohes systematisches Risiko trägt. Ausgerechnet das „Sin“- Portfolio erweist sich überdurchschnittlich robust gegenüber Fluktuationen des Marktes und Options- und Zinsänderungsrisiken.
Die Analyse der Alphas zeigt, dass eine positive Inklusionsstrategie in allen Portfolios eine abnormale Rendite erzielt. Davon schneiden Anleihenportfolio mit Bestwertung im Bereich Unternehmensführung mit einer Überrendite von 46 Basispunkten am besten ab. Das Ergebnis ist mit einer Wahrscheinlichkeit von 1% signifikant. Die positive Inklusionsstrategie im Bereich Soziales erzielt ebenfalls eine stochastisch signifikante, risikobereinigte Rendite von 36 Basispunkten bei einem Testniveau von 5 %. Das niedrigste Alpha aller Portfolios erzielt die Inklusionsstrategie im Bereich Soziales; die Überrendite beträgt bei einer Irrtumswahrscheinlichkeit von 5,49% lediglich 20 Basispunkte. Ein Portfolio aus Unternehmen mit hoher ESG-Durchschnittswertung schneidet ebenfalls mit einer Wahrscheinlichkeit von 90% unterdurchschnittlich ab. Auch im Rahmen des „Best in Class“-Screenings erzielen Portfolios im Bereich Soziales und der ESG-Durchschnittswertung signifikante risikofreie Überrenditen von knapp unter 40 Basispunkten.
Die höchste risikoadjustierte Überrendite der Untersuchung generiert eine negative Inklusionsstrategie im Bereich Umwelt. Die Überrendite von 55 Basispunkten ist mit einer Irrtumswahrscheinlichkeit von 5% signifikant. Die zweithöchste risikofreie Rendite von 49 Basispunkten erzielt, mit einer Irrtumswahrscheinlichkeit von 5%, ein Portfolio aus Unternehmen mit niedriger ESG-Gesamtwertung. Auch das „Worst-in-Class“-Screening in den Kategorien “Social”, “Governance” und “Total”, liefert positive abnormale Renditen von ungefähr einem halbem Prozentpunkt, bei hoher statistischer Signifikanz. Exklusionsstrategien erwirtschaften dagegen keine statistisch signifikant von Benchmark abweichende Überrendite.
Um die Auswirkungen besser verstehen zu können werden die risikoadjustierten Renditen mit der risikobereinigten Rendite des Portfolios Markt verglichen.
Wenn man die Differenzen der Renditen der Portfolios mit Markt vergleicht, fällt auf, dass Anleihen von Unternehmen mit hoher ESG-Wertung generell niedrigere Alphas im Vergleich zu Unternehmen mit niedriger ESG-Wertung erzielen. Die einzige Ausnahme bildet eine positive Inklusionsstrategie im Bereich Unternehmensführung; sie erzielt eine um 7 Basispunkte höhere Überrendite als das Portfolio Markt. Die Analyse der Exklusionsstrategien dagegen liefert kein eindeutiges Ergebnis. Ein Negatives Screening generiert eine vergleichbare Rendite als der Markt. Negative und positive Screenings und Anleihen von „Sin“-Unternehmen schneiden dagegen schlechter ab.
Insgesamt liegt die Abweichung der risikoadjustierten Renditen der Portfolios im Vergleich zum Marktportfolio zwischen einen bis 19 Basispunkten. Es ist daher mehr als fraglich, ob diese Differenz sich signifikant von Null unterscheidet.
Negativ gescreente Portfolios werden mit dem „Sin“ Portfolio verglichen. Überrenditen der gescreenten Portfolios, die mit einer Wahrscheinlichkeit von 90% von dem Benchmarkindex abweichen, sind wieder in Fettdruck hervorgehoben.
Auch der Vergleich der risikoadjustierten Renditen der gescreenten Portfolios untereinander, lässt denselben Schluss zu: Portfolios, basierend auf positiven Inklusionskriterien schneidet schlechter ab, als Portfolios basierend auf negativen Inklusionskriterien. Der Unterschied der risikoadjustierten Rendite von Unternehmen mit hohem Rating im Bereich Umwelt und in der Gesamtwertung ist dabei besonders hoch.
Die Inklusionsstrategie im Bereich „Governance“ bildet wieder eine Ausnahme. In der Long-Short-Strategie liegt die durchschnittliche Differenz statt fünf, bei immerhin zehn Basispunkten. In der Long-Short-Strategie erzielt das negative Screening ebenfalls eine leicht höhere risikoadjustierte Rendite, das Portfolio „Negativ & Positiv“ schneidet schlechter ab als ein Portfolio aus allen „Sin“-Unternehmen.
Schlussbetrachtung
Zusammenfassung der empirischen Ergebnisse
Die Kernaussagen des empirischen Teils der Arbeit lassen sich wie folgt zusammenfassen: Umweltfreundliche Unternehmen generieren die höchste Sharpe-Ratio von 0.54. Im Vergleich mit dem Portfolio „Markt“ ergibt sich eine Differenz von 15 Basispunkten. Für Portfolios der positiven Inklusionsstrategie werden sowohl im Vergleich zum Markt, als auch im Vergleich zu einer negativen Inklusionsstrategie geringere Sharpe-Ratios ermittelt. Negativ gescreente Portfolios schneiden im Gegensatz zu Portfolios von „Sin“-Unternehmen etwas besser ab. Die Differenzen sind jedoch sehr gering.
Werden sowohl Options- als auch Zinsänderungsrisiken berücksichtigt, erwirtschaftet eine negative Inklusionsstrategie sowohl gegenüber dem Markt, als auch gegenüber einer positiven Inklusionsstrategie leicht höhere risikoadjustierte Renditen. Besonders stark ist diese Outperformance im Bereich Umwelt- und Gesamtwertung. Unternehmen mit hohen Umweltstandards generieren gegenüber Unternehmen mit niedrigen Umweltstandards ein um 35 Basispunkte niedrigeres Alpha. Die einzige Ausnahme bildet eine positive Inklusionsstrategie im Bereich Unternehmensführung. Das Portfolio „G high“ outperformt den Markt um 7 Basispunkten und das Portfolio „E low“ um 17 Basispunkten. Doch wie sind die Ergebnisse hinsichtlich der im Kapitel 4.2 aufgestellten Hypothesen zu deuten?
Interpretation der Ergebnisse hinsichtlich Hypothese 1 und 3
Die No-Effekt Hypothese kann für Portfolios, die auf einer Exklusionsstrategie basieren nicht abgelehnt werden. Negative Screenings erzielen keine abnormalen Renditen; somit sind auch die Hypothesen 4 und 5 abzulehnen.
Für Portfolios, die auf ESG-Wertungen basieren, ist das nicht der Fall. Sowohl die Sharpe-Ratio von Anleihenportfolios aus umweltfreundlichen Unternehmen, sowie die risikoadjustierten Überrendite der Portfolios „E high“, „Total low“ und „G low“, aber auch „Negativ & Positiv“ sprechen gegen die Hypothese. Die abnormalen Renditen von Portfolio „E high“ und „T high“ sowie „Negativ und Positiv“ könnten durch Hypothese 3 erklärt werden.
Die dritte Hypothese besagt, dass es bei ausreichend großen Anzahl von SRI Investoren, zu Nachfrageüberschuss nachhaltiger Wertpapiere kommt. Dadurch werden diese Wertpapiere unter ihrem wahrem Wert gehandelt. Die Risikoprämie von Unternehmen mit hohen ESG-Standards sinkt im Vergleich zu konventionellen Unternehmen. Es gibt eine Reihe von Indizien auf dem amerikanischen Rentenmarkt, die für diese These sprechen.
Der Markt für Unternehmensanleihen in den Vereinigten Staaten, wird von institutionellen Großanlegern dominiert. Eine Studie des Federal Reserve System belegt, dass diese ein relativ gleichgerichteten Verhalten zeigen. Gleichzeitig stehen institutionelle Investoren wie Pensionsfonds unter besonderer Beobachtungen der Öffentlichkeit. Da Unternehmen mit niedrigen ESG-Standards soziale Normen verletzten, werden öffentliche Anleger so veranlasst, diese Wertpapiere mittels entsprechender Screening-Verfahren zu boykottieren. Laut dem USSIF lag Ende 2012 der Anteil des SRI Vermögens, dass nach ESG-Kriterien verwaltet wird, schon bei 88%. Fast 75% davon entfallen auf institutionelle Anleger. Das ergibt ein Marktvolumen von insgesamt 2.48 Billiarden US-Dollar. Auch gehen institutionelle Anleger immer mehr dazu über, Umweltfaktoren, wie Emissionsausstoß in ihren Investitionsentscheidungen einzubinden.
Die Frage ob Unternehmen durch eine nachhaltige Geschäftspraxis einen Wettbewerbsvorteil erzielen soll im nächsten Kapitel genauer behandelt werden. Fest steht jedoch, dass ein möglicher Wettbewerbsvorteil durch den Nachfrageüberschuss im Bereich Umwelt und Gesamtwertung überkompensiert wird.
5.3 Interpretation der Ergebnisse hinsichtlich Hypothese 2
Eng an Hypothese knüpft die Fragestellung an, ob Unternehmen durch eine nachhaltige Geschäftspraxis einen Wettbewerbsvorteil erzielen können, der durch den Markt noch nicht eingepreist wurde. Die „Doing good by doing well“-Hypothese scheint für die Portfolios „G high“ und „E high“ zuzutreffen.
Es kann davon ausgegangen werden, dass Marktmacht von SRI Investoren auf den amerikanischen Markt für Unternehmen ausreichend hoch ist. Bezüglich besonders umweltfreundlicher Unternehmen scheint ein potentieller Wettbewerbsvorteil durch erhöhte Nachfrage überkompensiert worden zu sein. Der Preisabschlag ist also zu hoch, als er dass dieser durch eine erhöhte Ressourceneffizienz gerechtfertigt wäre. Von den 2.48 Milliarden Dollar, die durch institutionelle Anleger unter ESG-Gesichtspunkten verwaltet werden, schließen nur 38% auch Unternehmungsführung ein. Daher ist anzunehmen, dass potentielle Wettbewerbsvorteile einer guter Unternehmensführung vom Markt noch nicht im ausreichend erkannt worden ist.
Fazit
Diese Arbeit liefert Anhaltspunkte dafür, dass CSR im Gegensatz zu dem Aktienmarkt bereits durch den Markt eingepreist wird. Dieser Effekt ist besonders im Bereich Umweltscreening ausgeprägt. SRI Investoren, die neben eines sozialen Mehrwerts an einer risikobereinigte Überrendite gegenüber dem Markt interessiert sin, ist ein positives Screening in Bereich „Governance“ anzuraten.
