II

Inhaltsverzeichnis

Abk  ürzungsverzeichnis  IV

Symbolverzeichnis   V

Tabellenverzeichnis   VIII

Abbildungsverzeichnis   IX

1  Einleitung  1

2  Theoretische, empirische und statistische Basis  3

2.1  Einfluss auf Aktienrenditen - Beobachtungen zu konditionierten Modellen,  

Abh  ängigkeiten von der Marktstimmung und Querschnittmustern  3

2.1.1  Aufdecken von Beziehungen mit Hilfe von Konditionierungen  4

2.1.2  Frühere Erkenntnisse zu Abhängigkeiten von Aktienrenditen gegenüber der  

Marktstimmung   5

2.1.3  Querschnittmuster in Aktienrenditen und mögliche Erklärungen  7

2.2  Investor Sentiment und theoretische Effekte  9

2.2.1  Irrationale Investoren und Investor Sentiment  10

2.2.2  Begrenzte Arbitragemöglichkeiten  12

2.2.3  Zusammenhang von Investor Sentiment und Arbitragebegrenzungen  13

2.3  Statistische Grundlagen  15

2.3.1  Hauptkomponentenanalyse  16

2.3.2  Regression und Orthogonalisierung  21

3  Grundlagen der empirischen Studien und verwendete Kennzahlen  24

3.1  Aussagen zu angewandten Modellen und Methoden  24

3.1.1  Bottom-up- versus Top-down-Ansatz  24

3.1.2  Conditional characteristics model und indirekter Nachweis von  

Fehlbewertungen   25

3.2  Verwendete Indikatoren und konstruierte Kennzahlen für die empirischen Studien  26

3.2.1  Unternehmens- und Renditedaten  26

3.2.2  Erfassung des Investor Sentiments über Kennzahlen  30

III

4  Empirische Analyse durch das Sentiment konditionierter Querschnitteffekte  

auf  dem US-Aktienmarkt  35

4.1  Konstruktion eines Sentimentindex.  35

4.2  Einfluss des Investor Sentiments auf den Querschnitt von US-Aktienrenditen -  

Interpretation  über Dezil-Portfolios  38

4.2.1  Größe, Alter und Risiko  39

4.2.2  Profitabilität und Dividendenzahlungen  42

4.2.3  Sachanlagen  43

4.2.4  Wachstumsmöglichkeiten und finanzielle Notlagen  43

4.3  Regressionsanalyse mit Long-Short-Portfolios  45

4.3.1  Vorgehensweise  45

4.3.2  Ergebnisse und Interpretation  47

4.3.3  Betrachtung einer out-of-sample-Periode und Zwischenfazit  49

4.4  Systematisches Risiko als Erklärung  50

4.5  Einfluss der Veröffentlichung von Quartalsberichten  51

5  Empirische Analyse durch das Sentiment konditionierter Querschnitteffekte auf dem  

deutschen  Aktienmarkt  53

5.1  Verwendete Daten und Vorgehensweise  53

5.1.1  Renditen und Unternehmensmerkmale  53

5.1.2  Marktstimmungsindikatoren  55

5.2  Indexerstellung, Ergebnisse und Interpretationen  56

5.2.1  Ermittlung eines Sentimentindex für den deutschen Aktienmarkt  56

5.2.2  Einfluss des Investor Sentiment auf den deutschen Aktienmarkt -  

Interpretation  über Dezilportfolios  58

5.2.3  Long-Short-Portfolios für den deutschen Aktienmarkt  61

6  Schlussbemerkung  63

Anhang   65

Literaturverzeichnis   74

IV

Abkürzungsverzeichnis

BE Buchwert des Eigenkapitals

BMV Buchwert-Marktwert-Verhältnis

CAPM capital asset pricing model

CDAX Composite DAX (Deutscher Aktienindex)

CEFD closed-end fund discount

CRSP Center for Research in Securities Prices

F&E Forschung und Entwicklung

HK Hauptkomponenten

HKA Hauptkomponentenanalyse

IPO initial public offering (Börsengang)

KQ-Methode Methode der kleinsten Quadrate

LSP Long-Short-Portfolio

MBV Marktwert-Buchwert-Verhältnis

NAV net asset value (Nettoinventarwert)

NYSE New York Stock Exchange

PPE property, plant and equipment (Sachanlagen)

ROE Return on Equity (Eigenkapitalrentabilität)

S&P 500 Standard & Poor’s 500 (Aktienindex)

V

Symbolverzeichnis

Betafaktor eines Wertpapiers gegenüber dem Marktportfolio

Regressionskoeffizienten

B/M Buch-Marktwert-Verhältnis

BE/ME logarithmiertes Buch-Marktwert-Verhältnis

C Kovarianzmatrix

durchschnittliche kumulierte abnormale Rendite eines nach Un-

CEFD Marktstimmungsindikator closed-end fund discount

D/BE

D > 0

e Eigenkapitalabsatz

Störgröße

in erwartete Risikoprämie für Aktien von Unternehmen i in Jahr t

E+/BE

E > 0

EF/A Quotient aus Außenfinanzierung und Assets

VI

FMP Marktstimmungsindikator first month performance

GS relatives Umsatzwachstum

und Null- und Alternativhypothese

HML Fama-French-Faktor (high minus low)

Skalar

logNIPO Marktstimmungsindikator logarithmierte Anzahl IPOs

ME logarithmierte Marktkapitalisierung

Erwartungswert

NIPO Marktstimmungsindikator Anzahl IPOs Marktstimmungsindikator dividend premium

PPE/A Quotient aus Sachanlagen und Assets

PVOL Marktstimmungsindikator Volatilitätsaufschlag

R Korrelationsmatrix

R²

Korrelationskoeffizient

RD/A

RIPO Marktstimmungsindikator durchschnittliche Zeichnungsrendite

RMRF Kontrollvariable Marktrisikoprämie

S

SENTIMENT Sentimentindex auf Grundlage der Marktstimmungsindikatoren

SMB Fama-French-Faktor (small minus big)

Standardabweichung der Monatsrenditen

T Schätzung für die Investorenstimmung

t Zeitfaktor

VII

TURN Marktstimmungsindikator Handelsvolumen

transponierter Vektor u

UMD Kontrollvariable Momentum-Strategie

x Vektor von Unternehmensmerkmalen

Elemente eines Vektors x = ( ,…, )

z Fremdkapitalabsatz

Weitere Symbole:

Hinweis auf einen Schätzer

c, d, g, h, f, m, s

VIII

Tabellenverzeichnis

IX

Abbildungsverzeichnis

1

1 Einleitung

Als Folge der Rede des damaligen Vorsitzenden der US-Notenbank, Alan Greenspan, am 5. Dezember 1996 wurden deutliche Verluste zwischen zwei und vier Prozent auf den Aktienmärkten in aller Welt vermeldet. Greenspan hinterfragt an diesem Tag die Möglichkeit, durch irrational ausgelassenes Anlegerverhalten beeinflusste Assetwerte erkennen zu können. ¹ Die Formulierung der „irrational exuberance“ schreckte scheinbar einige Marktteilnehmer ab und ist heute noch in vielen Beiträgen zur Behavioral Finance zu finden. Tatsächlich geschieht diese Aussage in einer Zeit des Anwachsens der „dot-com-Blase“ der 1990er Jahre.

Der Dow Jones Industrial Average hat sich von 1994 mit etwa 3.600 Punkten bis Anfang 2000 mit ca. 11.700 Punkten mehr als verdreifacht, während Pro-Kopf-Einkommen und Brut-toinlandsprodukt der USA in dieser Periode nur um 30%, etwa die Hälfte davon inflationsbedingt, und Unternehmensgewinne um 60%, ausgehend von einer zuvor stattgefundenen Rezession, erhöhten. Der Verlauf des inflationsbereinigten Standard & Poor’s 500 Index (S&P 500) sowie die Entwicklung der realen Gewinne der enthaltenen Unternehmen in Abbildung 1 betonen dies. Ähnliche Phänomene traten damals auf vielen Kapitalmärkten Europas, Asiens, Südamerikas, in Kanada und Australien auf. Es scheint realistisch, dass dieser Anstieg auf der Fehleinschätzung der Investoren beruht, fundamentale Änderungen in der Wirtschaft würden den vorhandenen schwachen Wachstumstrend der Gewinne auf ein höheres Niveau führen. 2

Abbildung 1: Verlauf des realen S&P 500 und Entwicklung der realen Gewinne enthaltener Unternehmen von

1871-2004, Quelle: Shiller (2005), S. 3.

¹ Vgl. Federal Reserve Board (1996).

² Vgl. Shiller (2005), S. 1ff.

2

Immer wieder sind Ereignisse in der Geschichte der Finanzmärkte zu finden, die so außergewöhnlich sind, dass sie einen eigenen Namen verdienen. Vom ersten dokumentierten Börsencrash 1637 im Zusammenhang mit der großen Tulpenmanie in Holland bis in das letzte und aktuelle Jahrhundert. Die Weltwirtschaftskrise 1929, der Tronicsboom in den 1960er Jahren, der Schwarze Montag im Oktober 1987, die dot-com-Blase in den 90er Jahren und der Immobilen-, Banken-, Finanz-, mittlerweile Weltwirtschaftskrise genannte Einbruch der Kapitalmärkte in den letzten Jahren sind nur einige Beispiele. 3

Trotz der Vielzahl derartiger Ereignisse lässt die traditionelle Finanzmarkttheorie keinen Raum für Investor Sentiment. Vielmehr steht die Diversifikation unsystematischer Risiken im Zentrum des Strebens rationaler Investoren. Die Verschiedenheit von Renditen, so letztlich die Aussage des capital asset pricing models (CAPM), basiert ausschließlich auf der Kompensation unterschiedlicher systematischer Risiken. Auch Weiterentwicklungen dieser Modelle vernachlässigen mögliche Effekte der Marktstimmung auf Aktienrenditen und bieten nur ungenügende Erklärungen für beobachtete Marktanomalien, wie den Größeneffekt gemäß Banz (1981) oder den book-to-market-effect nach Rosenberg, Reid und Lanstein (1985).

In dieser Arbeit soll der signifikante Einfluss des Investor Sentiments auf den Querschnitt von Aktienkursen auf dem US-Markt dargelegt und eine entsprechende Untersuchung für den deutschen Aktienmarkt durchgeführt werden. Bedeutend dafür sind unter anderem die Beiträge von De Long et al. (1990), Daniel, Hirshleifer und Subrahmanyman (1998) sowie Barberis, Shleifer und Vishny (1998) zum Investor Sentiment und den psychologischen Grundlagen, die Arbeit von Daniel und Titman (1997) hinsichtlich des hier angewandten conditional characteristics model und natürlich die umfangreichen Untersuchungen von Baker und Wurgler (2006, 2007) sowie Baker, Wurgler und Yu (2009) durch das Sentiment bedingter Effekte von Unternehmenseigenschaften auf Aktienrenditen.

Der zentrale Ansatz dieser Studie besteht im indirekten Nachweis durch die Marktstimmung erzeugter Fehlbewertungen mit Hilfe der Identifikation von Kurskorrekturen in den Folgeperioden. Dazu stehen neben der Ermittlung potenzieller Sentimentindikatoren auch Überlegungen zu besonders von der Investorenstimmung abhängigen Aktien im Vordergrund.

Im anschließenden Kapitel dieser Arbeit werden zunächst theoretische, empirische und statistische Grundlagen geschaffen, wobei frühere wissenschaftliche Erkenntnisse zu systemati-

³ Vgl.Baker/Wurgler (2007), S. 129.

3

schen Mustern von Aktienrenditen und mögliche im Investor Sentiment liegende Gründe ebenso im Fokus der Betrachtung stehen wie die hier angewandten statistischen Methoden, vor allem die Hauptkomponentenanalyse zur Konstruktion eines Sentimentindex. In Kapitel drei folgen dann Erläuterungen zum conditional characteristics model und dem indirekten Nachweis von Fehlbewertungsmustern sowie die Vorstellung besonders sentimentanfälliger Aktien und Marktstimmungsindikatoren, auf deren Basis im vierten Kapitel ein Index ermittelt wird und eine empirische Analyse durch das Sentiment konditionierter Querschnitteffekte auf dem US-Aktienmarkt erfolgt. Abschließend wird versucht diese Methodik für den deutschen Markt anzuwenden und Ergebnisse entsprechend zu interpretieren.

2 Theoretische, empirische und statistische Basis

In diesem Kapitel soll zunächst auf mögliche Einflussfaktoren von Aktienrenditen eingegangen werden. Ein breites Spektrum wissenschaftlicher Beiträge geht über Abweichungen im systematischen Risiko als Erklärung für unterschiedliche Durchschnittsrenditen hinaus und bildet somit auch die Grundlage für diese Arbeit. Nachdem die früheren Erkenntnisse erläutert wurden, stehen die beiden wichtigsten Prämissen eines auf dem Behavioral-Finance-Ansatz basierenden Modells zur Erklärung des Querschnitts von Aktienkursen durch das Investor Sentiment im Zentrum der Betrachtung. Im abschließenden Teil des Kapitels erfolgen Ausführungen zu den, von Baker und Wurgler (2006, 2007) sowie Baker, Wurgler und Yu (2009) angewandten und auch für die Untersuchung des Einflusses der Marktstimmung auf den deutschen Aktienmarkt benötigten statistischen Methoden.

Einfluss auf Aktienrenditen - Beobachtungen zu konditionierten Modellen, Ab-2.1

hängigkeiten von der Marktstimmung und Querschnittmustern

Der folgende Abschnitt bietet einen Überblick über die für diese Arbeit wichtigsten wissenschaftlichen Erkenntnisse zur Beeinflussung von Aktienrenditen. Er soll zudem die Komponenten des später für die empirische Studie verwendeten conditional characteristic-based model vorstellen und ihre Beiträge zur Erzielung signifikanter Ergebnisse aufzeigen. Es sei erwähnt, dass hierbei die Hinweise zu den Theorien der einzelnen Autoren bewusst stark gekürzt sind und eine umfassende Erläuterung der originären Zielrichtung der diversen Ansätze nicht angestrebt wird.

4

2.1.1 Aufdecken von Beziehungen mit Hilfe von Konditionierungen

Das Verwenden von Bedingungen (im Weiteren auch als Konditionen bezeichnet) in einer Vielzahl von Modellen, veröffentlicht in Papers und Beiträgen in Fachzeitschriften sowie akademischen Arbeiten, weist auf die große Bedeutung dieser Methode hin, Wirkungsmuster zu identifizieren. Statische Kapitalmarktmodelle, wie auch das klassische CAPM, erklären Unterschiede in den Durchschnittsrenditen zweier Assets (z.B. zweier diversifizierter Portfolios) anhand des unterschiedlich großen systematischen Risikos. Darüber hinaus wird von einer Konstanz, sowohl des Risikos als auch der Risikoprämie im Zeitverlauf ausgegangen. Diverse, in späteren wissenschaftlichen Arbeiten als „Anomalien“ bezeichnete, Abweichungen von tatsächlichen Renditen und den gemäß CAPM erwarteten Renditen weisen allerdings systematische Muster auf, was die Erklärungskraft des Betafaktors für Durchschnittsrenditen erheblich reduziert. Im Gegensatz dazu versuchen konditionierte Kapitalmarktmodelle zeitvariable Beziehungen zu identifizieren und damit die empirisch nachgewiesene zeitliche Variabilität der Risikoprämien zu erklären.

Die wissenschaftliche Literatur bietet ein breites Spektrum von möglichen Zustandsvariablen. Campbell und Cochrane (1999) entwickeln beispielsweise ein dynamisches Modell auf Grundlage von Konsumdaten und stellen somit auch einen direkten Bezug von Assetrenditen und makroökonomischen Ereignissen her. ⁴ Die aussagekräftigen Ergebnisse dieses Ansatzes schreiben die beiden Autoren dem zeitvariablen Informationsstand der Investoren zu. Sie stellen zudem die These auf, dass Asset-Pricing-Modelle, die eine entsprechende Konditionierung vornehmen, eine bessere empirische Rechtfertigung finden können als unkonditionierte. ⁵ Auch Lettau und Ludvigson (2001) erklären Marktanomalien, wie den Größen-oder book-tomarket-Effekt ⁶ mit Hilfe konditionierter Kapitalmarktmodelle und weisen nach, dass eine Konditionierung vom klassischen und dem konsumbasierten CAPM zu einer weitaus größeren empirischen Fundierung der Modelle führt als die unkonditionierten Versionen sie besitzen. ⁷ Menzly, Santos und Veronesi (2004) identifizieren die Geschwindigkeit des meanreversion-Prozesses als konditionierende Variable und stellen hierüber eine Verbindung zur Ermittlung von Renditen mit Hilfe verschiedener erklärender Größen her. 8

⁴ Vgl. Campbell/Cochrane (1999), S. 206.

⁵ Vgl. Campbell/Cochrane (2000), S. 2877.

⁶ Im weiteren Verlauf dieser Arbeit werden die genannten Anomalien näher erläutert.

⁷ Vgl. Lettau/Ludvigson (2001), S. 1240f.

⁸ Vgl. Menzly/Santos/Veronesi (2004), S. 4.

5

Offensichtlich ermöglicht eine Konditionierung also das Erkennen von Beziehungen, die ansonsten verborgen geblieben wären. Zumindest teilweise können so die beispielhaft vorgestellten Ansätze aufgetretene Marktanomalien über Effekte bedingten systematischen Risikos erklären. Von besonderem Interesse ist diese Vorgehensweise, da auch in dieser Arbeit ein konditioniertes Modell, mit der konditionierenden Variable Investor Sentiment, hilft signifikante Ergebnisse zu erlangen und das conditional im entwickelten conditional characteristics model begründet.

2.1.2 Frühere Erkenntnisse zu Abhängigkeiten von Aktienrenditen gegenüber der Marktstimmung

Der Einfluss von Investor Sentiment auf Aktienrenditen ist schon lange Zeit Gegenstand wissenschaftlicher Untersuchungen. Hardy entwickelt bereits 1939 eine Theorie auf Grundlage der häufig fehlerhaften Einschätzungen von Kleinanlegern. ⁹ Unter Berücksichtigung einer odd-lot-ratio sei es somit möglich, geeignete Voraussagen über Kurse von Aktien zu treffen, die vorwiegend von Privatanlegern gehalten werden. ¹⁰ Der Ansatz basiert auf der bis dato weitverbreiteten Annahme, dass es sinnvoll sei, Unternehmensanteile zu kaufen, wenn Privatanleger negativ eingestellt sind und zu verkaufen, wenn sie Aktien euphorisch nachfragen.

Malkiel (1977) verwendet für eine Studie zur Erklärung der discounts geschlossener Fonds (closed-end fund discounts CEFD) Netto-Kapitalflüsse offener Investmentfonds, zur Darstellung einer allgemeinen Einstellung von Investoren bezüglich Investmentgesellschaften. ¹¹ Er kommt zu dem Ergebnis, dass die Struktur der CEFD zwar teilweise rational erklärt werden kann, ihre Größe aber nicht und sieht hierbei ein Zeichen für eine Marktunvollkommenheit sowie den Einfluss psychologischer Komponenten. 12

Auch Shiller (1981) sowie Kothari und Shanken (1997) formulieren Zweifel an grundsätzlich effizienten Kapitalmärkten. Shiller (1981) zeigt, dass Aktienkurse zu volatil sind, als das jede Änderung durch neue Informationen erklärt werden könnte, wie es in einem efficient markets model der Fall sein müsste. Abbildung 2 stellt den Verlauf des S&P 500 (p) und einen hypothetischen Verlauf des Index auf Basis einer Barwertberechnung nach Dividendenzahlung

⁹ Vgl. Neal/Wheatley (1998), S. 523.

¹⁰ Ein Odd-lot ist ein Börsenauftrag, der i.d.R. weniger als 100 Aktien umfasst und somit vor allem von Kleinan-

legern in Anspruch genommen wird. Das Verhältnis errechnet sich aus einer Division der Odd-lot-Käufe durch ^- Verkäufe.

¹¹ Vgl. Malkiel (1977), S. 856.

¹² Vgl. Malkiel (1977), S. 857f.

6

(p*) dar. ¹³ Der Autor formuliert mit Hilfe einfacher statistischer Zusammenhänge, dass, unter den Annahmen eines efficient markets models, die Volatilität der ex post berechneten Zeitreihe mindestens so groß sein müsste, wie die des tatsächlichen Verlaufs. Offensichtlich ist dies nicht der Fall. Die Änderungen der Dividenden über die Zeit können, aufgrund der Bestimmung von p* durch einen gleitenden Durchschnitt, keine derart großen Kursbewegungen her-vorrufen. 14

Abbildung 2: Realer und hypothetischer Verlauf des S&P 500 im Zeitraum 1871-1979, Quelle: Shiller (1981), S. 422.

Kothari und Shanken (1997) hingegen verfolgen eine alternative Interpretation bezüglich der Vorhersagbarkeit von Aktienrenditen durch bewährte finanzwirtschaftliche Größen und Kennzahlen, wie z.B. Dividendenrendite oder Buch-Marktwert-Verhältnis. Davon ausgehend, dass die genannten Größen Aktienrenditen abbilden können, existieren zwei mögliche Begründungen. Die erste basiert auf der Annahme effizienter Märkte, wobei eine Änderung der Marktwerte sowie der erwarteten Renditen von Aktien durch geänderte Risiken herbeigeführt wird. Die gemäß Kothari und Shanken (1997) realistischere Erklärung ist, dass finanzwirtschaftliche Kennzahlen darstellen, inwieweit eine Über- bzw. Unterbewertung vorliegt. Ein zu geringer Preis führt dabei zu höheren zukünftigen und daher auch erwarteten Renditen, was das Ausmaß der Unterbewertung reduziert. ¹⁵ Veränderungen der erwarteten Renditen sind

¹³ Beide Zeitreihen sind inflationsbereinigt.

¹⁴ Vgl. Shiller (1981), S. 432ff.

¹⁵ Vgl. Kothari/Shanken (1997), S. 170.

7

damit nicht mehr allein auf eine variierende Risikokompensation zurückzuführen, sondern auch ein Zeichen von Marktineffizienz. 16

Zahlreiche Hinweise auf Ineffizienzen des Kapitalmarktes und potenzielle Maße für das In-vestor Sentiment wurden, wie eben kurz beschrieben, in den vergangenen Jahrzehnten diskutiert. Neal und Wheatley (1998) testen ausgewählte Sentiment-Kennzahlen auf ihre Fähigkeit Zeitreihen von Renditen zu erklären. Sie erkennen, dass der CEFD und die Netto-Kapitalabflüsse offener Investmentfonds helfen den Größeneffekt (oder auch size premium) vorherzusagen. Als size premium sei hier zunächst die Differenz der Renditen eines Portfolios aus Anteilen von Unternehmen mit geringer Marktkapitalisierung (small caps) und eines Portfolios aus Aktien von Firmen mit großer Marktkapitalisierung (large caps) verstanden. Small caps erzielen im Durchschnitt höhere Renditen als large caps. Der odd-lot-ratio kann, trotz ihrer langjährigen Tradition als Vorhersagevariable, keine Prognosefähigkeit für Aktienrenditen nachgewiesen werden. 17

Die vorliegende Arbeit untersucht den Einfluss des Investor Sentiments auf den Querschnitt von Aktienrenditen. Somit werden die zuvor benannten Beiträge, welche die Aufdeckung von Ineffizienzen auf dem Kapitalmarkt und die Erklärung der Zeitreihe von Renditen in den Vor-dergrund stellen, ergänzt. Im Kontext der Vorstellung der Modelldaten dieser Arbeit wird dazu auf weitere Näherungen (im Folgenden auch als Proxies bezeichnet) für das Investor Sentiment eingegangen.

2.1.3 Querschnittmuster in Aktienrenditen und mögliche Erklärungen

Die klassische Finanzmarkttheorie mit einem µ-V-effizienten Marktportfolio impliziert, dass die Betafaktoren von Wertpapieren mit dem Marktportfolio genügen, um den Querschnitt der erwarteten Renditen zu beschreiben. Empirische Untersuchungen lassen allerdings vermuten, dass es über das „Marktbeta“ hinaus Erklärungen für den Querschnitt von Durchschnittsrendi- tengibt. Zwei der bekanntesten Unstimmigkeiten seien hier kurz erläutert.

Banz (1981) beleuchtet die Beziehungen zwischen Renditen und der Firmengröße. Er erkennt, dass die Durchschnittsrenditen der Aktien von Unternehmen mit einer geringen Marktkapitalisierung, unter Berücksichtigung ihrer Beta mit dem Marktportfolio, zu hoch sind und entsprechend die Durchschnittsrenditen großer Unternehmen zu niedrig. Anders ausgedrückt:

¹⁶ Vgl. Kothari/Shanken (1997), S. 200.

¹⁷ Vgl. Neal/Wheatley (1998), S. 534.

8

Small caps erzielen im Durchschnitt größere risikoadjustierte Renditen als large caps. ¹⁸ Häufig wird diese Marktanomalie als Größeneffekt oder size premium bezeichnet. Der Zusammenhang zwischen Größe und Rendite ist nichtlinear und für sehr kleine Firmen besonders ausgeprägt. ¹⁹ Als Marktwert bezeichnet Banz (1981) dabei den Marktwert des Eigenkapitals, oder auch Marktkapitalisierung, also das Produkt von Aktienpreis und -anzahl. Unsicherheit besteht hinsichtlich der Frage, ob der Wert des Eigenkapitals an sich den Größeneffekt bestimmt oder nur ein Schätzer für unbekannte tatsächliche Faktoren ist.

Einen anderen Einfluss auf den Querschnitt von Aktienrenditen, den sogenannten book-tomarket-effect, erkannten Rosenberg, Reid und Lanstein (1985). Sie analysierten die Differenz der Renditen von Unternehmen mit hohem und niedrigem Buchwert-Marktwert-Verhältnis (BMV) und beobachteten dabei, dass die Durchschnittsrenditen amerikanischer Aktien positiv mit diesem Quotienten verbunden sind. ²⁰ Auch hier findet wieder eine alleinige Betrachtung des Eigenkapitals statt. Insofern setzt sich die Relation aus Buchwert des Eigenkapitals je Aktie zu Aktienpreis zusammen.

Fama und French (1992) weisen nach, dass kein positiver Zusammenhang zwischen dem Marktbeta eines Wertpapiers und seiner durchschnittlichen Rendite besteht und somit der bekannte Betafaktor auch nicht hilft, die Verschiedenheit der Renditen unterschiedlicher Aktien zu erklären. ²¹ Im Gegensatz dazu bestätigen die Autoren Beziehungen zwischen der Firmengröße sowie dem Buch-Marktwert-Verhältnis und den durchschnittlichen Aktienrenditen, sowohl auf Basis univariater als auch multivariater Analysemethoden. ²² Fama und French (1992) interpretieren, als Folge ihrer Ergebnisse, die Risiken von Aktien bei rationaler Preisbildung als mehrdimensional. Marktkapitalisierung und der Quotient aus Buch- und Marktwert des Eigenkapitals eines Unternehmens stellen demgemäß Schätzungen für zu Grunde liegende Risikofaktoren dar. Der Querschnitt von Aktienrenditen erklärt sich folglich aus den ungleichen zu kompensierenden systematischen Risiken.

Die daraus abgeleitete Ansicht, dass value-Strategien ²³ eine bessere Performance erzielen als das Marktportfolio, weil sie riskanter sind, ist allerdings sehr umstritten. Lakonishok, Shleifer

¹⁸ Vgl. Banz (1981), S. 8.

¹⁹ Vgl. Banz (1981), S. 11f.

²⁰ Vgl. Rosenberg/Reid/Lanstein (1985), S. 9.

²¹ Vgl. Fama/French (1992), S. 438ff.

²² Vgl. Fama/French (1992), S. 441.

²³ Im vorliegenden Zusammenhang wird der Kauf von Aktien mit relativ hohem Buch-zu-Marktwert-Verhältnis

als Value-Strategie bezeichnet.

9

und Vishny (1994) formulieren beispielsweise die Alternative, dass diese Strategien irrationa- leVerhaltensweisen des typischen Investors nutzen. Typische, oder auch „naive“, Investoren fragen vor allem Aktien nach, die sich in der Vergangenheit sehr positiv entwickelt haben und vernachlässigen solche, deren Performance unterdurchschnittlich war. ²⁴ Hierdurch führen sie Über- bzw. Unterbewertungen herbei, welche auch im BMV Ausdruck finden. Die Autoren begründen daher die überdurchschnittliche Performance der value-Strategien damit, dass diese entgegen typischer Investoren handeln und voranging in unterbewertete Titel investieren, ohne dabei einem größeren systematischen Risiko zu unterliegen als andere Strategien. 25

Ebenfalls entgegen der Hypothesen von Fama und French argumentieren Daniel und Titman (1997), welche die Korrelation zwischen Aktien mit hohem BMV nicht auf ein bestimmtes zu Grunde liegendes Risiko zurückführen, sondern auf ähnliche Eigenschaften der Unternehmen, wie Wirtschafts- bzw. Industriezweig oder Regionen. ²⁶ Die Autoren bezweifeln die Existenz eines Risikofaktors und damit auch einer Risikoprämie im Zusammenhang mit dem BMV. Sie untermauern dies durch den Nachweis einer höheren Korrelation von erwarteter Rendite mit dem BMV als zwischen erwarteter Rendite und Faktorladungen gemäß des Fama-French-Modells. ²⁷ Eine höhere erwartete Rendite ist damit nicht als Kompensation für ein höheres systematisches Risiko zu interpretieren.

Das zu diesem Zweck von Daniel und Titman (1997) entwickelte characteristic-based model ist Grundlage für das später in dieser Arbeit betrachtete conditional characteristics model und wird in Kapitel drei genauer erläutert. Mit Hilfe des konditionierten Modells werden dann sentimentbedingte Beziehungen von bestimmten Unternehmenseigenschaften und Aktienrenditen, durch die Identifizierung von Fehlbewertungskorrekturen indirekt nachgewiesen. An dieser Stelle wird das Ziel der vorausgegangenen Teilabschnitte nochmals deutlich. Sie dienen der Vorstellung der Komponenten des in dieser Arbeit verwendeten Modells (Konditionierung mit Investor Sentiment zur Aufdeckung von Querschnittmustern von Aktienrenditen) sowie der Darstellung ihrer Fähigkeiten Beiträge zu signifikanten Ergebnisse zu leisten.

2.2 Investor Sentiment und theoretische Effekte

Im Zuge der größeren Aufmerksamkeit, welche dem Behavioral-Finance-Ansatz, in Folge des offensichtlichen Versagens der traditionellen Finanzmarkttheorie, in den letzten Jahren entge-

²⁴ Vgl.Lakonishok/Shleifer/Vishny (1994), S. 1542.

²⁵ Vgl. Lakonishok/Shleifer/Vishny (1994), S. 1564ff.

²⁶ Vgl. Daniel/Titman (1997), S. 3.

²⁷ Vgl. Daniel/Titman (1997), S. 29.