Saisonale Effekte am Aktienmarkt und deren historische Evidenz als Grundlage für eine Anlagestrategie

INHALTSVERZEICHNIS

EXECUTIVE SUMMARY

ABBILDUNGSVERZEICHNIS

TABELLENVERZEICHNIS

1. PROBLEMSTELLUNG UND ZIELSETZUNG

2. THEORETISCHE GRUNDLAGEN
2.1. Klassische Finanzierungslehre
2.2. Neoklassische Finanzierungstheorien
2.3. Neoinstitutionalistische Finanzierungstheorien
2.4. Theorie der Rationalität und Informationseffizienz
2.5. Die Theorie der Behavioral Finance

3. KALENDEREFFEKTE IN DER BEHAVIORAL FINANCE
3.1. Wochentags-Effekt
3.1.1. Erklärungen für den Wochentags-Effekt
3.1.2. Empirische Untersuchung des Wochentags-Effekts
3.2. Feiertags-Effekt
3.2.1. Erklärungen für den Feiertags-Effekt
3.2.2. Empirische Untersuchung des Feiertags-Effekt
3.3. Monatswechsel-Effekt
3.3.1. Erklärungen für den Monatswechsel-Effekt
3.3.2. Empirische Untersuchung des Monatswechsel-Effekt
3.4. Jänner-Effekt
3.4.1. Erklärungen für den Jänner-Effekt
3.4.2. Empirische Untersuchung des Jänner-Effekt
3.5. Sommer-Effekt
3.5.1. Erklärungen für den Sommer-Effekt
3.5.2. Empirische Untersuchung des Sommer-Effekt
3.6. Weitere beobachtete Effekte
3.6.1. US Presidential Election Cycle
3.6.2. Moonlight Effect
3.7. Kritische Würdigung der erwähnten Effekte

4. ENTWICKLUNG EINER AUF KALENDEREFFEKTEN BASIERENDEN ANLAGESTRATEGIE
4.1. Verwendbarkeit der untersuchten Effekte in einer Anlagestrategie
4.2. Marktanalyse für saisonale Investmentprodukte
4.2.1. DAXplus Seasonal Strategy - Saisonaler Index
4.2.2. Zertifikate
4.2.2.1. Saisonale Zertifikate von ABN Amro
4.2.2.2. Saisonale Zertifikate von Credit Suisse
4.2.2.3. Saisonale Zertifikate der HypoVereinsbank
4.2.2.4. Saisonale Zertifikate der Landesbank Berlin
4.2.2.5. Saisonale Zertifikate der Commerzbank
4.2.2.6. Vergleich der vorgestellten Zertifikate
4.3. Implementierung der Strategie
4.3.1. Grundsätzliche Ausrichtung der Strategie
4.3.1.1. Anlagemärkte
4.3.1.2. Anlageinstrumente
4.3.2. Sommereffekt-Strategie
4.3.3. Kurzfristige Trading-Strategie
4.3.3.1. Kurzfristige Trading-Strategie für den SP 500
4.3.3.2. Kurzfristige Trading-Strategie für den EURO STOXX 50
4.3.3.3. Kurzfristige Trading-Strategie für den NIKKEI 225
4.3.3.4. Generelle Trading-Richtlinien
4.4. Historischer Test der Strategie
4.4.1. Test der Sommereffekt-Strategie
4.4.2. Test der Kurzfristigen Trading-Strategien
4.4.3. Zusammenfassung der Testergebnisse
4.4.4. Kritische Würdigung der Testergebnisse
4.4.5. Überlegungen für die Praxis

5. LITERATURVERZEICHNIS

6. ANHANG

Executive Summary

„Sell in May and go away“ ist eine unter Investoren weit verbreitete Börsenweisheit. In der Behavioral Finance werden dieser und ähnliche Effekte als Kalenderanomalien bezeichnet.

Ziel dieser Diplomarbeit ist es, die wichtigsten dieser Effekte einer Analyse zu unterziehen und die daraus gewonnenen Erkenntnisse in einer Investmentstrategie umzusetzen.

Um einen Überblick über das Thema zu erhalten, wurde zunächst die wissenschaftliche Literatur zu den einzelnen Kalenderanomalien untersucht. In einem zweiten Schritt wurden zwölf Aktienindizes auf fünf saisonale Effekte hin untersucht. Die Beobachtungszeiträume gehen dabei bei einzelnen Indizes bis in die 50er Jahre zurück. Ein Hauptaugenmerk wurde dabei auf die historische Entwicklung der einzelnen Effekte in den jeweiligen Indizes gelegt. Damit wurde überprüft, ob die über lange Zeiträume beobachteten Anomalien auch in der Gegenwart noch evident sind.

Nach dieser eingehenden, theoretischen und empirischen Analyse der jeweiligen Effekte konnte die Relevanz dieser Effekte für eine Investmentstrategie bestimmt werden.

Vor der Entwicklung einer eigenen Investmentstrategie galt es, bereits am Markt befindliche Investmentprodukte zu suchen. Diese Investmentprodukte wurden schließlich hinsichtlich ihrer Performance, ihrer Outperformance und ihrer Ausstattungsmerkmale untersucht und verglichen.

Im Anschluss an die Marktanalyse wurde eine eigene, auf saisonalen Effekten beruhende Anlagestrategie entwickelt. Diese Strategie wurde in zwei Teilstrategien zerlegt um für die verschiedenen Anlegergruppen praktikable Lösungen anzubieten.

In einem letzten Schritt wurden die zuvor entwickelten Strategien mithilfe von historischen Kursdaten hinsichtlich ihrer Outperformance überprüft. Um ein aussagekräftiges Ergebnis zu erhalten wurde ein Zeitraum von 7,25 Jahren (01.01.2001 – 31.03.2008) für diesen historischen Test herangezogen. Bei einer Anwendung beider Teilstrategien konnte mithilfe der saisonalen Strategien im Untersuchungszeitraum eine Outperformance von 362,37% gegenüber einem durchgehenden Investment erzielt werden.

Abbildungsverzeichnis

Abbildung 1: Behavioral Finance

Abbildung 2: Historische Entwicklung der Montagsperformance im NASDAQ Composite

Abbildung 3: Historische Entwicklung der Freitagsperformance im NASDAQ Composite

Abbildung 4: Historische Entwicklung der Mittwochsperformance im NASDAQ Composite

Abbildung 5: Historische Wahrscheinlichkeiten für den Performance stärksten- bzw. schwächsten Wochentag im NASDAQ Composite

Abbildung 6: Durchschnittliche Renditen rund um Feiertage nach Ariel

Abbildung 7: Durchschnittliche Performance einen Tag vor Feiertagen im DAX 30

Abbildung 8: Durchschnittliche Performance zwei Tage nach Feiertagen im DAX 30

Abbildung 9: Durchschnittliche Performance abseits von Feiertagen im DAX 30

Abbildung 10: Durchschnittliche Performance einen Tag vor Monatswechsel im FTSE 100

Abbildung 11: Durchschnittliche Performance einen Tag nach Monatswechsel im FTSE 100

Abbildung 12: Durchschnittliche Performance abseits von Monatswechseln im FTSE 100

Abbildung 13: Durchschnittliche Jänner Outperformance des Kapitalisierungsgewichteten CRSP Index

Abbildung 14: Durchschnittliche Jänner Outperformance eines gleichgewichteten, auf dem CRSP Index basierenden, Portfolios

Abbildung 15: Verteilung der besten und schlechtesten Monate innerhalb der untersuchten Indizes

Abbildung 16: Historische Wahrscheinlichkeiten für den Performance stärksten- bzw. schwächsten Monat im SP 500

Abbildung 17: Jänner Outperformance im SP 500

Abbildung 18: Jänner Outperformance im DJ INDU

Abbildung 19: Jänner Outperformance im SDAX

Abbildung 20: Renditen im Sommer- bzw. Winterhalbjahr entwickelte Märkte

Abbildung 21: Renditen im Sommer- bzw. Winterhalbjahr Entwicklungsmärkte

Abbildung 22: Outperformance der Wintermonate gegenüber den Sommermonaten (Szenario 1) im ATX

Abbildung 23: Historische Wahrscheinlichkeiten für den Performance stärksten- bzw. schwächsten Monat im ATX

Abbildung 24: Durchschnittliche kumulierte Erträge während einer US-Legislaturperiode

Abbildung 25: Durchschnittliche Performance während Voll- und Neumondperioden in amerikanischen Indizes

Abbildung 26: Durchschnittliche Renditen während Voll- und Neumondperioden in kleineren Märkten

Abbildung 27: Outperformance des DAXplus Seasonal Strategy gegenüber dem DAX

Abbildung A 1: Jänner Outperformance im DAX

Tabellenverzeichnis

Tabelle 1: Wesentliche Unterschiede zwischen der klassischen Kapitalmarkttheorie und der Behavioral Finance

Tabelle 2: Durchschnittliche Rendite der Handelstage an internationalen Märkten

Tabelle 3: Wochentags-Effekt - Untersuchungsergebnisse

Tabelle 4: Holiday Effekt - Untersuchungsergebnisse

Tabelle 5: Internationale Evidenz des Intramonth Effects

Tabelle 6: Betrachtung des Turn-of-Month-Effect unter Ausschluss des Monats Jänner

Tabelle 7: Turn-of-Month Effekt (Performance vor Monatswechsel) - Untersuchungsergebnisse

Tabelle 8: Turn-of-Month Effekt (Performance nach Monatswechsel) - Untersuchungsergebnisse

Tabelle 9: Jänner Effekt - Untersuchungsergebnisse

Tabelle 10: Summer Effekt (Szenario 1) - Untersuchungsergebnisse

Tabelle 11: Summer Effekt (Szenario 2) - Untersuchungsergebnisse

Tabelle 12: Wertpapierdetails zum DAX Best Seasons Zertifikat

Tabelle 13: Wertpapierdetails zum DAX Seasonal Strategy Open End Zertifikat

Tabelle 14: Wertpapierdetails zu Saison Strategie Protect Zertifikat

Tabelle 15: Wertpapierdetails zu HVB Open End Indexzertifikat auf den HVB Europa Saison Index

Tabelle 16: Wertpapierdetails zu HVB Bonus Zertifikat auf den HVB Europa Saison Index 63 Tabelle 17: Wertpapierdetails zu SOFIA Saison Strategie 2011-Zertifikate

Tabelle 18: Wertpapierdetails zu SOFIA Saison Strategie 2011 plus-Zertifikate

Tabelle 19: Wertpapierdetails zu Strategie Zertifikate auf Dow Jones EURO STOXX 50

Tabelle 20: Vergleich von saisonalen Investmentprodukten - Teil 1

Tabelle 21: Vergleich von saisonalen Investmentprodukten - Teil 2

Tabelle 22: Simulationsergebnisse - Sommereffektstrategie Simulation von 01.01.2001 - 31.03.2008

Tabelle 23: Simulation Sommereffekt für den NIKKEI 225

Tabelle 24: Sommereffekt-Strategie im Musterdepot

Tabelle 25: Simulationsergebnisse für die kurzfristigen Handelsstrategien im EURO STOXX 50

Tabelle 26: Simulationsergebnisse für die kurzfristigen Handelsstrategien im SP 500

Tabelle 27: Simulationsergebnisse für die kurzfristigen Handelsstrategien im NIKKEI 225 .

Tabelle 28: Kurzfristige Handelsstrategien im Musterdepot

Tabelle 29: Kumulierte Simulationsergebnisse im Musterdepot

Tabelle A 1: Sell in May Effect - Performance pro Land und Monat

Tabelle A 2: Monatsperformance (Jan-Jun) - Untersuchungsergebnisse

Tabelle A 3: Monatsperformance (Jul-Dez) - Untersuchungsergebnisse

1. Problemstellung und Zielsetzung

Ausgehend von den Theorien der Behavioral Finance, können Auffälligkeiten an den weltweiten Aktienmärkten beobachtet werden, die die klassische Kapitalmarkttheorie in Frage stellt.

Empirische Untersuchungen von historischen Indexverläufen haben Vermutungen hervorgebracht, dass die positive aber auch negative Performance nicht gleichmäßig über das Jahr verteilt ist. Bei näherer Betrachtung lassen sich bestimmte Auffälligkeiten bzw. Effekte erkennen, die zusammengefasst als Kalenderanomalien bezeichnet werden können. Diese Anomalien lassen sich häufig nicht auf ein rationales Anlageverhalten zurückführen und werden somit im Bereich der Behavioral Finance untersucht.

Ziel ist es nun eine Anlagestrategie zu entwickeln, die sich diese Effekte zunutze macht und eine Outperformance im Vergleich zu anderen Strategien erreicht, die zwar dieselbe Basisstrategie verwendet, aber keine Rücksicht auf diese Kalenderanomalien nimmt.

Um dieses Ziel zu erreichen, müssen zunächst die in der Literatur beschriebenen bzw. vermuteten Anomalien näher betrachtet werden. Anschließend sind die in der Literatur beschriebenen Effekte selbst zu analysieren. Die Analyse erfolgt durch eine empirische Zeitreihenuntersuchung von historischen Kurs- bzw. Performanceverläufen von Indizes.

Entscheidend dabei ist vor allem die Ausprägung der jeweiligen Effekte. Zudem stellt sich die Frage wie sich die Anomalien im historischen Verlauf verändert haben. Eine weitere entscheidende Frage, die mittels der empirischen Analyse geklärt werden soll ist, ob die Effekte auch aktuell ihre Gültigkeit haben oder ob die Effekte rein statistische Erscheinungen sind.

Vor der Entwicklung einer eigenen Investmentstrategie werden bereits am Markt befindliche Finanzmarktinstrumente die ebenfalls auf saisonalen Investmentstrategien beruhen untersucht. Die gewonnenen Erkenntnisse über die einzelnen Anomalien sollen schließlich in einer Sammlung von Handlungsanweisungen gebündelt werden, welche als Grundlage für eine kalenderoptimierte Anlagestrategie dienen.

2. Theoretische Grundlagen

Die Finanzierung als Teil der Betriebswirtschaftslehre wird in der Disziplin der Finanzierungsforschung wissenschaftlich untersucht. Allgemein gilt die Finanzierungsforschung als relativ junge wissenschaftliche Disziplin.^[1]

Insgesamt wird die Finanzierungsforschung in drei Theorien unterteilt welche in folgenden Abschnitt kurz erläutert werden um einen Überblick über das Forschungsgebiet zu vermitteln.

2.1. Klassische Finanzierungslehre

Die folgenden Darstellungen orientieren sich an Perridon und Steiner.^[2] Die Konzepte der klassischen Finanzierungslehre sehen die Tätigkeiten der Finanzierung lediglich als Unterstützungsfunktion für die Leistungsprozesse einer Unternehmung. Finanzierung als Aufbringung von Kapital wird getrennt von der Investition als Verwendung Kapital betrachtet. Die „deskriptive Formenlehre“ als Teilgebiet der klassischen Finanzierungslehre beschäftigt sich damit, für vorgegebene Investitionsvorhaben die jeweils günstigste Form der Finanzierung zu finden. Kriterien für die Bestimmung einer optimalen Finanzierung sind unter anderem die Fristigkeit des Kapitals, die Kapitalkosten bzw. Rendite, die Transaktionskosten, die Risiken, die Kontroll- und Mitsprachemöglichkeiten für die Kapitalgeber und die steuerliche und finanzielle Behandlung des Kapitals.

Der projektorientiere Ansatz ist ein weiterer Forschungsschwerpunkt der klassischen Finanzierungslehre, der sich mit den Rechtsfolgen von außergewöhnlichen finanztechnischen Maßnahmen wie Änderungen der Rechtsform, „Mergers and Acquisitions“, Kapitalmaßnahmen oder Liquidation beschäftigt.

Mithilfe der Methoden der Finanzanalyse, die ein weiterer Schwerpunkt der klassischen Finanzierungslehre ist, sollen aus den Daten der Unternehmensbilanz Informationen über die finanzwirtschaftliche Stabilität und Bonität des Unternehmens gewonnen werden. Grundlage dafür ist die Ermittlung von Kennzahlen und Kennzahlenkombinationen.

Der vierte und letzte Forschungsbereich der klassischen Finanzierungslehre, die Finanzplanung, gilt zudem als modernster. Die Finanzierung entwickelt sich weg von der reinen Unterstützungsfunktion hin zu einem eigenen Aufgabenbereich, der die ständige Zahlungsfähigkeit des Unternehmens und damit den Fortbestand des Unternehmens gewährleistet.

2.2. Neoklassische Finanzierungstheorien

Grundlage für die neoklassischen Finanzierungstheorien, oft auch als Kapitalmarkttheorien bezeichnet, bildet das Werk „Portfolio Selection“ von Harry M. Markowitz aus dem Jahr 1952.^[3] Diese von Markowitz entwickelte Portfoliotheorie beschäftigt sich mit dem Zusammenhang von Rendite und Risiko von Anlageinstrumenten und der Bildung von Portfolios. Ziel ist die Bildung effizienter Portfolios, die hinsichtlich Risiko und Return unübertroffen sind.^[4]

Aufbauend auf der Grundlage der Portfoliotheorie wurden mehrere weitere Theorien entwickelt, die in das Gebiet der der neoklassischen Finanzierungstheorien einzuordnen sind.^[5] So haben etwa William F. Sharpe, John Lintner und Jan Mossin unabhängig von einander das Capital Asset Pricing Model entwickelt, welches kurz auch als CAPM bezeichnet wird.^[6] Zusammen mit der Arbitrage Pricing Theory von Stephen A. Ross und der Optionspreistheorie von Fischer Black und Myron Scholes bildet das CAPM die theoretische Basis für die neoklassische Finanzierungstheorie.^[7] Die Theorien werden auch als Kapitalmarkttheorien bezeichnet.

Ziel des Portfoliomodells ist es, das Gesamtrisiko des Investments durch Diversifizierung in einzelne Anlagen zu minimieren. Grund für diesen Effekt ist die Tatsache, dass verschiedene Anlagen und vor allem verschiedene Anlageklassen nicht vollständig positiv miteinander korrelieren.

Dem Modell liegen jedoch gewisse Annahmen zugrunde die erfüllt sein müssen:^[8]

- Die erwarteten Anlagerückflüsse am Ende der Periode werden mit subjektiven Wahrscheinlichkeiten unterlegt, wobei eine Normalverteilung unterstellt wird.
- Als Risikomaß gilt die Standardabweichung (σ) um den Erwartungswert (µ).
- Zielgrößen sind entsprechend.
- Die Anleger sind risikoavers.
- Wertpapiere lassen sich beliebig teilen.
- Es werden keine Transaktionskosten berücksichtigt. (Anm. d. Verf.: Und auch keine Steuern)

Zusätzlich zu den Prämissen des Portfoliomodell verlangt das CAPM-Modell noch nach folgenden Voraussetzungen:^[9]

- Bei den Anlegern bestehen homogene Erwartungen bezüglich der Rendite und des Risikos aller Wertpapiere.
- Ex existiert ein risikoloser, für alle Anleger identischer Zinssatz, zu dem jederzeit Finanzmittel in beliebiger Höhe aufgenommen und angelegt werden können.

Aus der Voraussetzung der homogenen Erwartungen bezüglich Rendite und Risiko ergibt sich die Anforderung an einen informationseffizienten Kapitalmarkt.^[10] Die Thematik der Informationseffizienz wird in Kapitel 2.4 dieser Arbeit näher behandelt.

2.3. Neoinstitutionalistische Finanzierungstheorien

Verschiedenste Finanzintermediäre und zahlreiche Finanzierungs- und Rechtsformen kommen in der Praxis der Kapitalmärkte täglich zum Einsatz. In einem vollkommenen Kapitalmarkt hätten diese Marktteilnehmer keine Existenzgrundlage, da Informationen kostenlos und frei zugänglich sind und keine Transaktionskosten und Steuern existieren. Diese Marktteilnehmer und Rechtskonstrukte werden in der Neoinstitutionalistischen Finanzierungstheorie als Institutionen bezeichnet.^[11]

Die folgenden Darstellungen orientieren sich an Perridon und Steiner.^[12] Aufgrund der strengen Annahmen innerhalb der Neoklassischen Finanzierungstheorien kommt es immer wieder zu Divergenzen mit den realen Marktzuständen. Die neoinstitutionalistische Sichtweise soll als verbindendes Glied zwischen den neoklassischen Finanzmarkttheorien und der Praxis der Finanzmärkte wirken.

Die Fortschritte in der Informations- und Kommunikationstechnologie helfen dabei die Informationsverbreitung und Transparenz ständig zu verbessern. So gibt es Teilmärkte die in gewisser Hinsicht sehr nahe am perfekten Markt sind. Auch in der Theorie ist es die vorherrschende Meinung, dass der Kapitalmarkt in seiner Gesamtheit als unvollkommen gilt. Die Unvollkommenheit und Intransparenz der Märkte sind Grundlage diverser Finanzierungsprobleme. Diese Störfaktoren für einen perfekten Markt entstehen vor allem durch eine asymmetrische Informationsverteilung und sind damit Forschungsgebiet der neoinstitutionalistischen Finanzierungstheorien.^[13]

Akerlof beschreibt das Thema der asymmetrischen Informationsverteilung in seinem „Lemon- Beispiel“. Der Verkäufer weiß besser Bescheid über die Ware die er anbietet, als der Käufer. Gründe dafür sind, dass der Besitzer die Ware länger kennt oder Einblicke und Zugang zu Informationen hat, die nur dem Besitzer möglich sind.^[14]

Die Problematik der asymmetrischen Informationsverteilung wird im Rahmen der Pricipal- Agent-Theorie näher untersucht. Dabei erfolgt eine Unterscheidung in folgende Teilproblematiken:

- „Adverse Selection“: Bezeichnet jene Situation, in der der Principal nicht genau über die Eigenschaften oder Verhältnisse eines zukünftigen Agents bescheid weiß. Der Agent verfügt also über einen Informationsvorsprung was seine eigenen Absichten betrifft und kann damit besser die Vorteilhaftigkeit eines vorliegenden Vertrags besser abschätzen. Der Agent wird damit versuchen schlechte Eigenschaften von ihm zu verbergen. So werden vermutlich genau all jene eine Versicherung abschließen deren Risiko höher ist als die zu zahlende Prämie, was darin resultiert, dass hauptsächlich unerwünschte Vertragspartner ausgewählt werden.^[15]

- „Moral Hazard“: Diese Situation tritt im Gegensatz zu „Adverse Selection“ erst nach eingehen einer Principal-Agent-Beziehung auf. Der Principal kann dabei nach Vertragsabschluss nicht mehr beobachten oder beurteilen ob sich der Agent so verhält wie er es bei Vertragsabschluss zugesichert hat. Es besteht die Gefahr dass der Agent den Informationsnachteil des Principals zu seinem eigenen Vorteil ausnutzt.^[16]

2.4. Theorie der Rationalität und Informationseffizienz

Im Allgemeinen geht die moderne Finanzierungstheorie von rational handelnden Marktteilnehmern aus. Grundlage für dieses Idealbild ist der „homo oeconomicus“ dessen Ziel die Maximierung des eigenen Nutzens ist.^[17]

Rationalität wird dabei von Unser wie folgt definiert: „bewusste, überlegte, begründbare und verstehbare Entscheidungen für diejenige Handlung aus einer Menge von Handlungsalternative …, durch die ein angestrebtes Ziel realisiert zu werden verspricht“.^[18] Abweichungen von diesem rationalen Verhalten können als irrationales Verhalten oder allgemein als Anomalien bezeichnet werden.^[19]

Basis für alle Entscheidungen des „homo oeconomicus“ bilden die Informationen. Dieses Informationsverhalten ist daher auch Grundlage für die Modelle der Neoklassischen Finanzierungstheorien.^[20]

Die folgende Darstellung orientiert sich an Rapp.^[21] Die Theorie der rationalen Erwartungen wurde 1961 von John F. Muth entwickelt und basiert auf den Überlegungen der Informationseffizienz. Der Zugang zu allen Informationen welche für die Bewertung eines Objekts relevant sind ist kostenlos. Zusätzlich sind alle Teilnehmer mit dem erforderlichen ökonomischen Wissen ausgestattet um die verfügbaren Informationen zu verarbeiten, korrekt zu interpretieren und die Auswirkungen der Informationen auf den zukünftigen Kursverlauf zu prognostizieren. Gilt die Theorie der rationalen Erwartungen und der Informationseffizienz stellt sich in Folge auf den Märkten genau jener Preis ein, der die Erwartungen der Akteure reflektiert. Da alle Marktteilnehmer rational, und damit gleich, handeln werden neue Informationen sofort verarbeitet und es stellt sich ein neuer Preis ein, der die neuen Informationen impliziert.

Die zuvor beschriebene Verhaltensweise der Marktteilnehmer wird auch als „efficient market hypothesis“ bezeichnet. Die Effizienz bezieht sich dabei lediglich auf die Informationsverarbeitung und wird in der deutschen Literatur auch als „Informationseffizienz“ beschrieben.^[22]

Entwickelt wurde die Theorie eines informationseffizienten Markts von Eugene Fama im Jahr 1970: „A market in which prices always fully reflect all available information is called efficient.“^[23]

Die Annahme der Theorie der informationseffizienten Märkte hat weitreichende Folgen. Da sämtliche Informationen stets eingepreist sind ist es keinem Anleger möglich aufgrund von subjektiven Überlegungen einen Wissensvorsprung und damit einen Wettbewerbsvorteil zu erzielen. Der individuelle Anleger kann den Markt nicht schlagen.^[24]

Einziger Grund für eine Veränderung des Preises einer Aktie oder sonstigen Anlage besteht im Eintreffen einer neuen, noch nicht in den Kurs eingepreisten Nachricht bzw. Information. Aufgrund der Tatsache dass neue Informationen mit gleicher Wahrscheinlichkeit positiv wie negative Auswirkungen auf den Kurs haben können ist eine Vorhersage weiterer Kursverläufe nicht möglich. Der Kurs folgt einem zufälligen Pfad, einem „Random Walk“.^[25]

Fama unternimmt dabei eine Klassifizierung der Informationseffizienz in drei Stufen:^[26]

- Schwache Informationseffizienz: Informationen über vergangene Kursentwicklungen sind vollständig berücksichtigt. Konsequenz daraus ist, dass mithilfe von technischen Analysen sind keine Marktvorteile zu erzielen ist.
- Halbstrenge Informationseffizienz: Informationen die öffentlich zugänglich sind, sind vollständig in den Kursen eingepreist. Konsequenz daraus ist, dass Mithilfe von fundamentalen Analysen keine Marktvorteile zu erzielen sind.
- Strenge Informationseffizienz: Sowohl öffentliche als auch nicht öffentliche Informationen sind vollständig in den Kursen eingepreist. Als nicht öffentliche Informationen gelten vor allem Insiderinformationen. Konsequenz daraus ist, dass durch keinerlei neue Informationen ein Marktvorteil zu erzielen ist.

Fama selbst geht davon aus dass die halbstrenge Informationseffizient am Markt gegeben ist. Daraus ergibt sich die Schlussfolgerung, dass durch ein aktives Portfoliomanagement keine Outperformance dem Markt gegenüber erreicht werden kann. Lediglich Insiderinformationen würden einen Wettbewerbsvorteil schaffen.^[27]

2.5. Die Theorie der Behavioral Finance

Die Idee der Behavioral Finance entstand daraus, dass in immer mehr empirischen Studien Anomalien des Kapitalmarkts nachgewiesen wurden, die mit den Modellen der neoklassischen Finanzierungstheorie nicht erklärbar waren, bzw. diesen teilweise sogar wiedersprachen. Die folgende Aufzählung soll nur einige wenige Anomalien aufzeigen, die im Gegensatz zu den Vorhersagen der neoklassischen Kapitalmarkttheorien stehen:

- Overreaction, Underreaction: Aktuelle Informationen werden häufig nicht adäquat berücksichtigt während historischen Informationen zu viel Relevanz beigemessen wird.^[28]
- Size Effect: Niedrig kapitalisierte Unternehmen weisen längerfristig eine höhere Gesamtrendite auf als höher kapitalisierte Unternehmen.^[29]
- Kalenderanomalien: Verschiedene Assets, wie beispielsweise Aktien, erzielen in gewissen Perioden mit höherer Wahrscheinlichkeit höhere Renditen als im Durchschnitt.^[30] Diese saisonalen Effekte sollen auch in dieser Arbeit untersucht werden.

Basis der Überlegungen der Behavioral Finance ist das menschliche Verhalten an den Kapitalmärkten. Goldberg und Nitzsch geben dazu folgende Definition: „Die Behavioral Finance befasst sich also zum einen mit der Aufnahme, Auswahl und Verarbeitung von Information und konsequenterweise mit den daraus resultierenden Entscheidungen. Auf der anderen Seite beschäftigt sie sich mit den Anomalien im menschlichen Verhalten.“^[31] Rapp bezeichnet den Forschungszeig auch als verhaltenswisschenschaftlich fundierte Finanzmarkttheorie.^[32]

Die Grundlage für diesen Forschungszeig schufen 1979 die beiden Psychologen Daniel Kahnemann und Amos Tversky mit ihrer Prospect Theory, die sich mit Entscheidungen unter Ungewissheit befasste.^[33]

Rüdiger Götte hat die wesentlichen Unterschiede zwischen den Modellen der neoklassischen Finanzierungstheorien und den Ansichten der Behavioral Finance in Tabellenform herausgearbeitet.

Tabelle 1: Wesentliche Unterschiede zwischen der klassischen Kapitalmarkttheorie und der Behavioral Finance

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Götte R. 2006, S. 8.

Die soziale Interaktion zwischen den Individuen bzw. Marktteilnehmern mit dem Gesamtmarkt stehen im Zentrum der Darstellung von Rapp (siehe Abbildung 1). Dabei zeigen Aktionen der Individuen Auswirkungen am Markt, welche wieder Reaktionen bei den Individuen hervorrufen. Rapp beschreibt das in seiner Darstellung als „Dynamik realer Marktprozesse“.^[34]

Abbildung 1: Behavioral Finance

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Rapp H. W. 2000, S. 94.

3. Kalendereffekte in der Behavioral Finance

Folgt man den Modellen der neoklassischen Finanzierungstheorien müssten die Kurse einen zufälligen Verlauf haben, infolge ergibt sich die sogenannte „Random Walk Hypothese“. Durch empirische Untersuchungen konnten jedoch Regelmäßigkeiten in der Performanceverteilung festgestellt werden. Die Beobachtungsfenster sind dabei sehr verschieden. Anomalien lassen sich sowohl „Intraday“ als auch in mehrjährigen Perioden wie zum Beispiel Legislaturperioden feststellen.

Zusammengefasst werden diese Anomalien als Kalendereffekte bezeichnet und im Rahmen der Behavioral Finance untersucht. Das folgende Kapitel sollen die einzelnen Effekte näher untersucht werden. Dazu wird in einem ersten Schritt die bestehende Literatur zu den einzelnen Effekten genauer beleuchten. In einem zweiten Schritt wird der jeweilige Effekt eigenen empirischen Untersuchungen unterzogen.

Besonderes Augenmerk bei diesen empirischen Untersuchungen gilt dabei der historischen Evidenz der Effekte und der Frage wie stark die Ausprägung der Effekte aktuell ist.

Basis für die Untersuchungen sind Zeitreihen von 13 Indizes, die mithilfe von Thomson DataStream ermittelt wurden. Methodisch wurde dabei so vorgegangen dass diese 13 Indizes jeweils hinsichtlich ihrer Performance auf Tagesbasis als auch auf Monatsbasis untersucht wurden. Die Tagesperformance bildete schließlich die Datenbasis für die Untersuchungen hinsichtlich des Wochentags-Effekt, des Monatswechsel-Effekt, und des Feiertags-Effekt. Mithilfe der Daten der Monatsperformance wurden der Sommer- und der Jänner-Effekt untersucht.

Ziel dieser empirischen Untersuchungen ist es, jene Effekte ausfindig zu machen, die sich für den Einsatz in einer auf Kalendereffekten basierenden Anlagestrategie eignen.

3.1. Wochentags-Effekt

Als einer der am besten untersuchtesten Effekte innerhalb der Kalenderanomalien gilt der Wochentags-Effekt. Synonym wird diese Anomalie häufig auch als Day-of-Week-Effect, Monday-Effect oder Weekend-Effect bezeichnet. Als erstes festgestellt wurde der Effekt von Osborne 1962.^[35] In weiterer Folge beschäftigten sich zahlreiche Ökonomen wie Cross^[36], French^[37], Gibbons und Hess^[38], Lakonishok und Levi^[39], Keim und Stambaugh^[40] oder Rogalski^[41] mit diesem Phänomen.^[42] Basis all dieser Beobachtungen ist, dass die durchschnittliche Rendite nicht gleichverteilt über die Wochentage ist.

Kenneth French, der sich sehr intensiv mit der Anomalie des Wochentags-Effekt beschäftigt hat, stellte zunächst zwei Hypothesen auf:^[43]

- „calendar-time-hypothesis“: Annahme dieser Hypothese ist es, dass die Renditen an jedem Kalendertag erwirtschaftet werden. Da zwischen dem Handelsschluss am Freitag und dem Handelsschluss am Montag drei Kalendertage verstrichen sind, sollten die Renditen am Montag dreimal so hoch sein wie an den üblichen Handelstagen.
- „trading-time-hypothesis“: Annahme dieser Hypothese ist es, dass die Renditen nur an Handelstagen erwirtschaftet werden. Die handelsfreien Wochenenden erwirtschaften damit keine Renditen. Resultat ist, dass die Renditen an Montagen durchschnittlich genauso hoch sind wie an den restlichen Handelstagen.

Die trading-time-hypothesis wird unter anderem von Thaler kritisiert. Er stellt ein Gedankenexperiment auf indem während der Sommermonate nur an einem Wochentag ein Handel statt findet. Dazu stellt er die Frage ob während dieser Handelstage die durchschnittliche Rendite jener von normalen Handelstagen entspricht und verneint gleichzeitig diese Frage.^[44]

In empirischen Tests konnte jedoch keine dieser beiden Hypothesen bestätigt werden. Obwohl die durchschnittliche Rendite an Montagen überdurchschnittlich oder zumindest gleich wie jene an den anderen Wochentagen sein müsste ist sie schwächer als an den restlichen Handelstagen.

Die empirischen Untersuchungen von Cross bezogen sich auf den von Standard and Poors berechneten SP 500 Index. Dubois und Louvet haben daraufhin die Indizes verschiedener Märkte einer Untersuchung unterzogen und konnten feststellen dass die Intensität des Montagseffekts an den verschiedenen Märkten variiert. Frankreich fällt bei diesen Tests besonders auf, da hier der Freitag negativ abschließt. Mit Ausnahme von Australien konnte in acht von neun Ländern ein Wochentags-Effekt festgestellt werden.^[45]

Tabelle 2: Durchschnittliche Rendite der Handelstage an internationalen Märkten

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Dubois M. / Louvet P. 1996, S. 1470.

Tabelle 2 zeigt die Performanceverteilung über die Wochentage in neun verschiedenen Ländern. Als Datenbasis für die Untersuchung dienten die Preise von 02.01.1969 bis 30.12.1992.^[46]

Weiters konnte ein Zusammenhang zwischen der Performance an Freitagen und jener am darauffolgenden Montag gezeigt werden. Auf einen Freitag mit einer negativen Performance folgt mit großer Wahrscheinlichkeit ein Montag mit einer negativen Performance. Da nur ein Drittel aller Freitage negativ schließt kann dies nicht die alleinige Ursache sein. Betrachtet man aber anstelle der Freitage die Vorhandelswoche von Montag bis Donnerstag kann eine negative Performance dieser Handelstage auch als Indikator für einen schwachen Montag herangezogen werden.^[47]

Der Effekt einer negativen Rendite am Montag tritt außerdem verstärkt in den letzten beiden Wochen eines Monats auf. Während der ersten beiden Wochen liegt die Durchschnittliche Rendite an Montagen in etwa bei Null.^[48]

Weiter konnte festgestellt werden dass die Intensität des Montagseffekts mit der Unternehmensgröße in Zusammenhang steht. Gibbons und Hess zeigten die Unterschiede anhand des Equal- und des Value-weighted CRSP Index. Der Equal-weighted Index, in dem klein kapitalisierte Unternehmen stärkere Berücksichtigung finden konnte an Freitagen wesentlich besser abschließen als der Value-weighted CRSP Index. Diese Indizes werden vom amerikanischen „Center for Research in Security Prices“ (=CRSP) berechnet und spiegeln im Wesentlichen die Entwicklung von amerikanischen Aktien wieder. Die durchschnittlichen Verluste an den Montagen waren hingegen bei beiden Indizes in etwa gleich.^[49] Diese Beobachtung wurde auch von Keim und Stambaugh bestätigt.^[50]

3.1.1. Erklärungen für den Wochentags-Effekt

Miller versucht den Effekt so zu erklären dass viele Investoren unter der Woche zu beschäftigt sind um sich um ihre Investments zu kümmern und ihre Entscheidungen an den Wochenenden treffen, während sie unter der Woche auf ihre Broker vertrauen. Diese Entscheidungen sind dann meist Verkaufsentscheidungen, während die Broker häufig Kaufempfehlungen geben.^[51] Diese Theorie würde auch dadurch unterstützt, dass Broker und Analysten sehr viel mehr Kauf- als Verkaufsempfehlungen geben. Lakonishok und Maberly zitieren eine Studie von Groth, Lewellen, Schlarbaum und Lease die ein Verhältnis von sechs Kaufempfehlungen auf eine Verkaufsempfehlung zeigt.^[52] Weiters zeigt sich, dass die Anzahl von Transaktionen mit geringem Volumen (sog. odd-lot transactions) am Montag höher ist als an anderen Tagen und diese Transaktionen zudem häufiger Verkaufs- als Kaufstransaktionen sind.^[53] Diese Nettoverkäufe in Kombination mit der Tatsache, dass das Handelsvolumen am Montag geringer ist als jenes an den restlichen Tagen könnten einen Teil des Montagseffekts erklären.^[54] Als mögliche Ursache für das Investmentverhalten der Kleinanleger stellen Lakonishok und Maberly die These auf, dass viele zuerst die Abschlüsse ihrer Verkäufe abwarten um sich später neu zu engagieren.^[55]

Eine mögliche Erklärung wurde bereits 1931 von Fields geliefert: Manche Wall-Street Anleger sind nicht gewillt ihre Investments über das Wochenende zu halten und somit den Ungewissheiten der freien Tage auszusetzen.^[56]

Eine weitere mögliche Erklärung lieferten Lakonishok und Levi mit der Betrachtung der Clearing und Settlement Praktiken in den USA. Die Laufzeit für das Clearing und Settlement sowie weitere Banklaufzeiten für das Einlösen der Schecks ergeben in Summe acht Tage.

Diese Untersuchungen beziehen sich jedoch auf die Zeit um 1968.^[57] Inzwischen sind diese Laufzeiten wesentlich kürzer geworden und der Effekt kann immer noch beobachtet werden wodurch diese Hypothese ihre Relevanz verloren hat.

Ein weiter Erklärungsansatz ist, dass Unternehmen dazu tendieren positive Informationen so schnell wie möglich zu publizieren, während sie negative Informationen eher freitags nach Handelsschluss präsentieren. Damit soll erreicht werden dass diese negativen Informationen untergehen bzw. bis zur Handelseröffnung wieder vergessen werden.^[58] Diese Vermutung gilt als sehr wage und kann laut Kamara höchstens einen sehr kleinen Teil des Montagseffekts erklären.^[59]

3.1.2. Empirische Untersuchung des Wochentags-Effekts

Für die empirische Analyse des Effekts wurde die tägliche Performance der Indizes den einzelnen Wochentagen zugeordnet. Daraus wurde schließlich die durchschnittliche Rendite des jeweiligen Tages ermittelt. Um den historischen Verlauf des Effekts ermitteln zu können wurde diese durchschnittliche Wochentagperformance für jedes Kalenderjahr ermittelt. Um den Einfluss der Gesamtperformance des jeweiligen Jahres auf das Ergebnis zu minimieren wurde zusätzlich die Outperformance des jeweiligen Wochentags gegenüber dem durchschnittlichen Handelstag ermittelt. Tabelle 3 stellt die Ergebnisse in einem Überblick dar. Ein erster Blick auf die Tabelle lässt vermuten dass sich die Ergebnisse die vorhergesagte Performanceverteilung bestätigt. Einen starken statistischen Ausreißer bildet der TecDAX der seinen mit Abstand schlechtesten Wochentag am Mittwoch hat. Dabei ist aber Anzumerken dass der Untersuchungszeitraum für den TecDAX nur 10 Jahre umfasst und sich damit wesentlich von den restlichen Indizes unterscheidet.

Tabelle 3: Wochentags-Effekt - Untersuchungsergebnisse

Abbildung in dieser Leseprobe nicht enthalten

* Untersuchung ab täglicher Indexberechnung 1984

Quelle: Eigene Darstellung

Für einen Einsatz des Effekts in einer Anlagestrategie ist aber vor allem die aktuelle Ausprägung entscheidend. Wird für einen Index die Wochentagperformance über die einzelnen Jahre beobachtet so lässt sich erkennen ob die Intensität des Effektes zu- oder abnimmt. Das Ergebnis dieser Untersuchungen zeigt, dass für nahezu alle beobachteten Indizes die Stärke dieses Effekts abnimmt oder teilweise sogar umkehrt. Die historische Entwicklung soll am Beispiel des NASAQ Composite, der auf den ersten Blick eine starke Ausprägung des Day-of-Week-Effekts vermuten lässt, näher gezeigt werden. Die historische Entwicklung des NASDAQ ist ein repräsentatives Beispiel für die meisten untersuchten Indizes.

Abbildung 2: Historische Entwicklung der Montagsperformance im NASDAQ Composite

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 zeigt sehr deutlich dass die Evidenz des Monatseffekts im historischen Verlauf abgenommen hat. Die blaue Linie in Abbildung 2 stellt die Outperformance des Kalendertages gegenüber der durchschnittlichen Tagesperformance aller Wochentage des jeweiligen Kalenderjahres dar. Während bis 1996 mit nur einer Ausnahme der Montag im Vergleich zu den restlichen Tagen eine Underperformance erzielte, konnten in der jüngeren Vergangenheit auch mehrmals eine Outperformance erzielt werden.

Weiters fiel die Underperformance ab 1990 weniger stark aus als im Zeitraum davor. Die Darstellung zeigt zudem, dass die Volatilität zugenommen hat und sich Under- und Outperformance schneller abwechseln. Die lineare Regressionsgerade dient als Trendlinie und bestätigt das schwächer werden des Effekts.

Der Entgegengesetzte Trend lässt sich an den Freitagen beobachten. Die historische Entwicklung der Freitagsperformance wird in Abbildung 3 dargestellt.

Während in der Periode zwischen 1971 und 1990 an den Freitagen im Durchschnitt eine Outperformance erzielt wurde lässt sich seit 1991 keine eindeutige Tendenz mehr feststellen. Auch an den Freitagen hat die Volatilität zugenommen.

Abbildung 3: Historische Entwicklung der Freitagsperformance im NASDAQ Composite

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Abseits von Montag und Freitag sollte aber auch der Mittwoch betrachtet werden. Bei den amerikanischen Indizes (DJ Industrial, SP 500, NASDAQ Composite) konnte jeweils der Mittwoch als, historisch gesehen, performancestärkster Tag ermittelt gesamten Beobachtungszeitraum hinweg ist der Mittwoch der stärkste werden. Über den Tag im NASDAQ Composite (Vgl. Tabelle 3). Die historische Performance des Mittwochs wird in Abbildung 4 dargestellt. Sieht man vom Jahr 2000 ab, das vom Platzen der Dot-com Blase domiert war und damit den technologielastigen NASDAQ besonders stark traf, wurde in fast jedem Jahr am Mittwoch eine Outperformance gegenüber den restlichen Kalendertagen erzielt. In den wenigen Fällen in denen eine Underperformance auftrat war diese im Vergleich zur Outperformance in den restlichen Fällen minimal. Das Anhalten dieser Outperformance an den Mittwochen zeigt auch die nahezu horizontal verlaufende lineare Regressionsgerade.

Abbildung 4: Historische Entwicklung der Mittwochsperformance im NASDAQ Composite

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

In den empirischen Untersuchungen wurde außerdem ermittelt, in wie vielen Kalenderjahren des Beobachtungszeitraums ein Wochentag Performancebester- bzw. schwächster Wochentag war. Die Ergebnisse für den NASDAQ Composite hinsichtlich dieser Untersuchung werden in Abbildung 5 dargestellt und spiegeln im Wesentlichen die Resultate aus Tabelle 3 wieder.

Während Montage historisch gesehen mit hoher Wahrscheinlichkeit erzielten, konnten an Mittwochen und Freitagen mit hoher negativ Resultate Wahrscheinlichkeit überdurchschnittliche Ergebnisse erzielt werden. Der Fall, dass der Montag im Jahresschnitt der performancestärkste Tag war, trat nur ein einziges Mal im Jahr 2005 auf. Der umgekehrte Fall dass der Mittwoch im Jahresschnitt performanceschwächster Tag war, trat ebenfalls nur ein einziges Mal im Ausnahmejahr 2000 auf.

Abbildung 5: Historische Wahrscheinlichkeiten für den Performance stärksten- bzw. schwächsten Wochentag im NASDAQ Composite

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

3.2. Feiertags-Effekt

Der Feiertags-Effekt, oder auch als Holiday-Effect, beschreibt die anormalen Renditen die an den Tagen vor Feiertagen beobachtet werden können. So beobachtete Merrill 1965 diesen Effekt in Zusammenhang mit dem Dow Jones Industrial Average.^[60] Fosback führt 1976 Untersuchungen hinsichtlich dieses Effekts im Standard Poors 500 Index durch und konnte ebenfalls überdurchschnittliche Renditen vor Feiertagen feststellen.^[61]

Aufgrund der Tatsache dass viele, vor allem amerikanische, Feiertage in das Wochenende fallen und viele Feiertage Ende Dezember sind wurde vermutet, dass der Holiday-Effect nur eine weitere Bestätigung für den Jänner- bzw. den Wochentags-Effekt ist. Diese Vermutung konnte von Ariel 1990 entkräftet werden, der mithilfe von empirischen Studien zeigte, dass es sich beim Feiertags-Effekt um eine weitere eigenständige Anomalie handelt.^[62]

Während bezüglich des Jänner- und Wochentags-Effekts die allgemeine Lehrmeinung besteht, dass diese Effekte vor allem kleine Firmen betreffen, ist die Meinung hinsichtlich des Holiday-Effects nicht eindeutig.

Keim und Stambaugh sind der Meinung dass auch der Holiday-Effect kleine Firmen stärker betrifft.^[63] Auch Pettengill argumentiert, dass kleinkapitalisierte Firmen sowohl vor Jänner- Feiertagen, als auch vor Feiertagen in anderen Monaten, Firmen mit größerem Marktwert hinsichtlich der Rendite übertreffen.^[64]

Ariel hingegen argumentiert, dass der „small-firm-effect“ lediglich aufgrund einer Vermischung von January-Effect und Weekend-Effect mit dem Holiday-Effect auch in diesem zu einem scheinbaren „small-firm-effect“ kommt. Werden die Untersuchungen um jene Feiertage bereinigt die im Jänner stattfinden oder den Freitag als letzten Handelstag vor dem Feiertag haben kann keine „small-firm-effect“ mehr beobachtet werden.^[65]

Ariel unterteilte in seinen Untersuchungen die 5020 Handelstage zwischen 1963 und 1982 in eine Teilgruppe von 160 Vorfeiertags-Handelstage und in eine zweite Teilgruppe bestehend aus den restlichen 4860 Handelstagen. Anschließend untersuchte er die durchschnittlichen Renditen des equal-weighted und des value-weighted CRSP Index. Die Ergebnisse zeigten Signifikante Unterschiede zwischen Vorfeiertags-Handelstagen und den anderen Handelstagen.^[66] Abbildung 6 zeigt die Renditeverteilungen rund um Feiertage nach den Ergebnissen der Untersuchungen von Ariel.

Abbildung 6: Durchschnittliche Renditen rund um Feiertage nach Ariel

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Ariel R. A. 1990, S. 1616.

Die durchschnittliche Rendite vor Feiertagen ist damit im Fall des equal-weighted CRSPs um den Faktor 14 höher als im Durchschnitt der restlichen Tage. Im Falle des value-weighted CRSPs ist es immerhin noch ein Faktor 9.^[67]

Lakonishok und Smidt zeigten in ihren Analysen über einen Zeitraum von 90 Jahren dass dieser Effekt durchgehend von 1897-1986 beobachtbar war.^[68]

Thaler hält weiters fest, dass 51% der gesamten Kapitalzuwächse in den 90 Jahren des Untersuchungszeitraums von Lakonishok und Smidt in den jeweils ca. 10 Handelstagen vor Feiertagen erzielt wurden.^[69]

3.2.1. Erklärungen für den Feiertags-Effekt

Die Ursprüngliche Vermutung, dass der Holiday Effect nur eine Begleiterscheinung des January- bzw. Weekend Effects ist und diese bestätigt wurde von Lakonishok und Smidt sowie von Ariel wiederlegt, die zeigten, dass der Holiday Effect sehr wohl auch eine eigne Anomalie darstellt.^[70]

Keim versucht den Holiday Effect mit den systematischen Handlungsmustern der Investoren zu erklären. Er ist der Meinung dass das Kauf- und Verkaufsverhalten der Investoren die überdurchschnittlich hohen Gewinne vor Feiertagen erklärt. Für den Fall dass die Schlusskurse zwei Tage vor dem Feiertag an den Bid-Preisen orientieren, einen Tag vor dem Feiertag aber an den Ask-Kursen würde dies die hohen Renditen erklären. Sollte diese Theorie zutreffen würde sich dieses Handelsmuster verstärkt auf klein kapitalisierte Unternehmen auswirken, welche üblicherweise einen größeren Bid-Ask-Spread aufweisen.^[71] Ein weiterer Erklärungsversuch für den Holiday Effect wird über das Verhaltensmuster von Short-Sellern unternommen. Diese stellen ihre risikoreichen Positionen vor Feiertagen glatt um nicht die Risiken über die handelsfreien Feiertage zu halten was in weiter Folge zu einem ansteigen der Kurse führt. Fraglich ist warum nur Short Positionen aufgelöst werden sollten, nicht aber Long Positionen. Diese Hypothese kann außerdem die positiven Renditen zwischen dem Handelsschluss vor dem Feiertag und er Handelseröffnung nach dem Feiertag nicht erklären. Für diese Hypothese existieren keine wissenschaftlichen Untersuchungen und Ariel selbst spricht von „Straßen Weisheiten“.^[72]

Die Erklärung für den Effekt könnte auch in Anlehnung an eine Erklärung für Wochentags- Effekt erfolgen. Ritter geht davon aus, dass das spezifische Anlegerverhalten von Investoren Grund für die Anomalie ist. Auch im Fall des Holiday-Effects könnt ein derartiges Anlegerverhalten vorliegen das Käufe vor Feiertagen bevorzugt bzw. Verkäufe vermeidet.^[73]

3.2.2. Empirische Untersuchung des Feiertags-Effekt

Im Rahmen der empirischen Untersuchungen wies der Holiday Effekt eine starke Ausprägung auf. Auch die Tage vor und nach Feiertagen, sowie die sonstigen Tage, wurden sowohl auf ihrer Gesamtperformance (absolute Performance) als auch auf ihre Outperformance gegenüber dem durchschnittlichen Handelstag hin untersucht. Die Zahlen in mit den Ergebnisses der Untersuchungen in Tabelle 4 bezieht sich auf die Outperformance. Auffällig an den Ergebnissen ist, dass jene Handelstage die nicht von Feiertagen umgeben sind (in Tabelle 4 als „sonst. Tage“ bezeichnet) im Vergleich zur durchschnittlichen Tagesperformance eine leichte Underperformance aufweisen. Da der Euro Stoxx 50 Aktien aus verschiedenen Ländern mit unterschiedlichen Feiertagen beinhaltet können die Ergebnisse der Untersuchungen des Euro Stoxx 50 nur bedingt mit jenen der sonstigen Indizes verglichen werden. Die absoluten Performancezahlen dieser sonstigen Tage ist zwar auch positiv, die Underperformance zeigt jedoch, dass ein spürbarer Anteil der Jahresperformance an den Tagen rund um (und vor allem vor) Feiertagen erwirtschaftet wird.

Da der Euro Stoxx 50 Aktien aus verschiedenen Ländern mit unterschiedlichen Feiertagen beinhaltet, können die Ergebnisse der Untersuchungen des Euro Stoxx 50 nur bedingt mit jenen der sonstigen Indizes verglichen werden.

Tabelle 4: Holiday Effekt - Untersuchungsergebnisse

Abbildung in dieser Leseprobe nicht enthalten

* Berechnung der Holidays Performance beruht auf ausgewählten Feiertagen und deckt nicht sämtliche handelsfreien Tage ab.

** Verwendung ab täglicher Indexberechnung 1984

Quelle: Eigene Darstellung

Bei genauerer Betrachtung der einzelnen Indizes zeigt sich dass der Effekt über die Jahre hinweg besteht. Diese historischen Details sollen im Folgenden am Beispiel des DAX 30 gezeigt werden.

Die durchschnittliche Performance rund um Feiertage (drei Tage zuvor bis drei Tage danach) beträgt im DAX 0,108% und ist damit gut dreimal so hoch wie an den restlichen Tagen.

Abbildung 7 zeigt die durchschnittliche Performance von Handelssitzungen die einen Tag vor Feiertagen statt finden. Ein ähnlicher Verlauf, wenn auch in etwas schwächerer Ausprägung, kann auch zwei und drei Tage vor Feiertagen beobachtet werden. Absolute- und Outperformance verlaufen stark parallel und fast ständig über der Null-Prozent Linie. Auch bei diesem Effekt zeigt sich dass die Volatilität zugenommen hat. Die starke Ausprägung wird auch deutlich wenn man beachtet, dass sich die Kurve im Bereich von -0,5% und +1,0% bewegt während die durchschnittliche Tagesperformance im DAX bei ca. 0,03% liegt! Die lineare Regressionsgerade deutet ebenfalls ein stärker werden des Effekts an.

Abbildung 7: Durchschnittliche Performance einen Tag vor Feiertagen im DAX 30

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Die Outperformance vor Feiertagen kann auch nach Feiertagen beobachtet werden. Dabei ist häufig der zweite und dritte Tag nach einem Feiertag stärker als der erste Tag. Abbildung 8 zeigt diese Anomalie für den zweiten Handelstag nach einem Feiertag. Auch aus diesem Chart wird ersichtlich dass diese Handelstage deutlich öfter eine Out- als eine Underperformance den restlichen Handelstagen gegenüber erzielen. Die Stärke und Volatilität haben auch hier im Laufe der Zeit zugenommen. Die Regressionsgerade bezüglich der

Performance zeigt einen steigenden Verlauf.

Abbildung 8: Durchschnittliche Performance zwei Tage nach Feiertagen im DAX 30

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Abbildung 9: Durchschnittliche Performance abseits von Feiertagen im DAX 30

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Bemerkenswert ist der Unterschied zwischen absoluter- und Outperformance an jenen Handelstagen die nicht vor oder nach Feiertagen sind. Die durchschnittliche Performance dieser Tage wird in Abbildung 9 dargestellt. Hier zeigt sich dass die absolute Performance im kleinen Bereich um die Null-Linie pendelt. Die Outperformance Linie von Handelstagen abseits von Feiertagen verglichen mit der durchschnittlichen Performance aller Handelstage bewegt sich jedoch hauptsächlich unter der Null-Linie. Dies ist ein weiteres Zeichen für die Signifikanz des Effekts. Da nur ein geringer Prozentsatz der Handelstage vor bzw. nach Feiertagen statt findet und daher ein Großteil der Handelstage abseits von Feiertagen statt findet, dürfte die Performance der Tage abseits von Feiertagen nur sehr gering von der durchschnittlichen Performance aller Handelstage abweichen. Die Handelstage abseits von Feiertagen erzielen jedoch nur eine durchschnittliche Performance von 0,016%. Im Vergleich zu der durchschnittlichen Performance von 0,0298% an allen Handelstagen im DAX ergibt sich somit eine negative Outperformance von -0,014% an den Tagen abseits von Feiertagen.

Das Faktum dass der Effekt über den Beobachtungszeitraum konstant auftritt und die starke Outperformance an diesen Tagen machen den Effekt auch für eine Anlagestrategie beobachtungswert.

[...]

---

^[1] Vgl. Schneider D. 1987, S. 350ff., zit. in: Perridon L. / Steiner M. 2004, S. 16.

^[2] Vgl. Perridon L. / Steiner M. 2004, S. 17-19.

^[3] Vgl. Olsen R. 1998, S. 13., zit. in: Jurczyk B. 2006, S. 61.

^[4] Vgl. Spremann K. 2000, S. 125.

^[5] Vgl. Jurczyk B. 2006, S. 61.

^[6] Vgl. Spremann K. 2000, S. 208.

^[7] Vgl. Perridon L. / Steiner M. 2004, S. 21.

^[8] Bruns C. / Meyer-Bullerdiek F. 1996, S. 49.

^[9] Unser M. 1999, S. 111f.

^[10] Vgl. Jurczyk B. 2006, S. 65.

^[11] Schmidt R. H. / Terberger E. 1999, S. 65f.

^[12] Perridon L. / Steiner M. 2004, S. 24f.

^[13] Schmidt R. H. / Terberger E. 1999, S. 64f.

^[14] Vgl. Akerlof G. A. 1970, ., zit in: Steiner M. / Bruns C. 1998, S. 66.

^[15] Vgl. Picot A. / Dietl H. / Franck E. 2005, S. 74f.

^[16] Vgl. Picot A. / Dietl H. et al. 2005, S. 75.

^[17] Vgl. Pelzmann L. 2000, S. 5., zit in: Jurczyk B. 2006, S. 70f. 18 Vgl. Unser M. 1999, S. 11f., zit in: Jurczyk B. 2006, S. 71. 19 Vgl. Unser M. 1999, S. 12., zit in: Jurczyk B. 2006, S. 72.

^[20] Vgl. Unser M. 1999, S. 114., zit in: Jurczyk B. 2006, S. 72.

^[21] Vgl. Rapp H. W. 2000, S. 89.

^[22] Vgl. Steiner M. / Bruns C. 1998, S. 41. , zit in: Jurczyk B. 2006, S. 73.

^[23] Vgl. Fama E. 1970, S. 383., zit in: Jurczyk B. 2006, S. 73.

^[24] Vgl. Shleifer A. 2000, S. 1.; Rapp H. W. 2000, S. 89.

^[26] Vgl. Fama E. 1970, S. 388.

^[27] Vgl. Fama E. 1970, S. 388.

^[28] Vgl. DeBondt W. F. M. / Thaler R. 1985, S. 793f., zit in: Roßbach P. 2001, S. 8.

^[29] Vgl. Banz R. W. 1981, S. 3-18., zit in: Roßbach P. 2001, S. 8.

^[30] Vgl. Thaler R. 1987, S. 169-177.; Lakonishok J. / Smidt S. 1988, S. 403-425.; Gibbons M. R. / Hess P. 1981, S. 579-596.

^[31] Goldberg J. / Nitzsch R. v. 2004, S. 27.

^[32] Vgl. Rapp H. W. 2000, S. 93.

^[33] Vgl. Goldberg J. / Nitzsch R. v. 2004, S. 26f.

^[34] Rapp H. W. 2000, S. 94.

^[35] Siehe Osborne M. F. M. 1962, S. 345-379.

^[36] Siehe Cross F. 1973, S. 67-69.

^[37] Siehe French K. 1980, S. 55-70.

^[38] Siehe Gibbons M. R. / Hess P. 1981, S. 579-596.

^[39] Siehe Lakonishok J. / Levi M. 1980, S. 883-889. oder Lakonishok J. / Maberly E. 1990, S. 231-243.

^[40] Siehe Keim D. B. / Stambaugh R. F. 1984, S. 819-835.

^[41] Siehe Rogalski R. J. 1984, S. 1603-1614.

^[42] Vgl. Hansen P. R. / Lunde A. / Nason J. M. 2005, S. 5.

^[43] Vgl. French K. 1980, S. 55-70., zit. in: Lakonishok J. / Levi M. 1982, S. 883.

^[44] Vgl. Thaler R. 1987, S. 170.

^[45] Vgl. Dubois M. / Louvet P. 1996, S. 1470f.

^[46] Vgl. Dubois M. / Louvet P. 1996, S. 1467.

^[47] Vgl. Abraham A. / Ikenberry D. L. 1994, S. 264.

^[48] Vgl. Wang K. / Li Y. / Erickson J. 1997, S. 2172.

^[49] Vgl. Gibbons M. R. / Hess P. 1981, S. 581f.

^[50] Vgl. Keim D. B. / Stambaugh R. F. 1984, S. 825-827.

^[51] Vgl. Miller E. 1988, S. 42-48. zit. in: Fortune P. 1998, S. 3f.

^[52] Vgl. Groth J. C. / Lewellen W. G. / Schlarbaum G. G. et al. 1979, S. 32-40. zit. in: Lakonishok J. / Maberly E. 1990, S. 232f.

^[53] Vgl. Fortune P. 1998, S. 4.

^[54] Vgl. Lakonishok J. / Maberly E. 1990, S. 235f.

^[55] Vgl. Lakonishok J. / Maberly E. 1990, S. 233.

^[56] Vgl. Fields M. J. 1931, S. 415. zit. in: Thaler R. 1987, S. 170f.

^[57] Vgl. Lakonishok J. / Levi M. 1982, S. 883f.

^[58] Vgl. Penman S. H. 1987, S. 199-228. zit. in: Dubois M. / Louvet P. 1996, S. 1464.

^[59] Vgl. Kamara A. 1997, S. 66f.

^[60] Vgl. Merrill A. A. 1966, . zit. in: Kim C.-W. / Park J. 1994, S. 145.

^[61] Vgl. Fosback N. G. 1976, . zit. in: Kim C.-W. / Park J. 1994, S. 145.

^[62] Vgl. Ariel R. A. 1990, S. 1611-1626. zit. in: Kim C.-W. / Park J. 1994, S. 145f.

^[63] Vgl. Keim D. B. / Stambaugh R. F. 1984, S. 819-835. zit. in: Kim C.-W. / Park J. 1994, S. 149.

^[64] Vgl. Pettengill G. N. 1989, S. 57-67. zit. in: Kim C.-W. / Park J. 1994, S. 149.

^[65] Vgl. Ariel R. A. 1990, S. 1621f.

^[66] Vgl. Ariel R. A. 1990, S. 1612-1616.

^[67] Vgl. Ariel R. A. 1990, S. 1615.

^[68] Vgl. Lakonishok J. / Smidt S. 1988, S. 414.

^[69] Vgl. Thaler R. 1987, S. 173.

^[70] Vgl. Ariel R. A. 1990, S. 1611, 1621f.

^[71] Vgl. Keim D. B. / Stambaugh R. F. 1984, S. 819-835. zit. in: Kim C.-W. / Park J. 1994, S. 149.

^[72] Vgl. Ariel R. A. 1990, S. 1625.

^[73] Vgl. Ritter J. R. 1988, S. 701-717. zit. in: Ariel R. A. 1990, S. 1625.