Preisprognosen an der London Metal Exchange. Qualität und Nutzen

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Formelverzeichnis

Abkürzungsverzeichnis

Symbolverzeichnis

1 Einleitung
1.1 Hintergrund und Problemstellung
1.2 Zielsetzung und Gang der Arbeit

2 Theoretische Grundlagen
2.1 Begriffsdefinitionen
2.2 Naive Prognose
2.3 Aktueller Forschungsstand

3 Methodik
3.1 Beschreibung des Forschungsdesigns
3.2 Prognosegenauigkeit
3.3 Prognoseverzerrung
3.4 Prognosegüte
3.5 Handelsstrategie

4 Empirischer Teil
4.1 Datenbasis der Untersuchung
4.2 Empirische Ergebnisse der Prognosequalität
4.2.1 Prognosequalität in Abhängigkeit vom Prognosehorizont
4.2.2 Prognosequalität in Abhängigkeit vom Kalenderjahr
4.2.3 Prognosequalität in Abhängigkeit vom Prognosejahr
4.2.4 Prognosequalität in Abhängigkeit vom Metall
4.3 Empirische Ergebnisse Handelsstrategie
4.3.1 Auswertung der Handelsstrategie nach Prognosehorizont
4.3.2 Auswertung der Handelsstrategie nach Prognosejahr
4.3.3 Auswertung der Handelssignale nach Metall

5 Diskussion
5.1 Prognosequalität in Abhängigkeit des Prognosehorizonts
5.2 Prognosequalität in Abhängigkeit des Kalender- bzw. Prognosejahres
5.3 Prognosequalität in Abhängigkeit des Metalls
5.4 Nutzen der Preisprognosen

6 Fazit

7 Anhang

Literaturverzeichnis

Internetquellen

Abbildungsverzeichnis

Abbildung 1: Prognosequalität in Abhängigkeit vom Prognosehorizont

Abbildung 2: Prognosequalität in Abhängigkeit vom Kalenderjahr

Abbildung 3: Gleichgewichteter Preisindex LME Metalle

Abbildung 4: Prognosequalität in Abhängigkeit vom Prognosejahr

Abbildung 5: Prognosequalität in Abhängigkeit vom Metall

Tabellenverzeichnis

Tabelle 1: Deskriptive Statistik Preisprognosen

Tabelle 2: Deskriptive Statistik Ursprungsstichprobe und gekürzte Stichprobe

Tabelle 3: Deskriptive Statistik Metalle

Tabelle 4: Prognosequalität in Abhängigkeit vom Prognosehorizont

Tabelle 5: Prognosequalität in Abhängigkeit vom Kalenderjahr

Tabelle 6: Prognosequalität in Abhängigkeit vom Prognosejahr

Tabelle 7: Prognosequalität in Abhängigkeit vom Metall

Tabelle 8: Renditen der Handelsstrategie nach Prognosehorizont

Tabelle 9: Durchschnittlicher Spread Kassa – 3 Monate

Tabelle 10: Renditen der Handelsstrategie nach Prognosejahr

Tabelle 11: Renditen der Handelsstrategie nach Metall

Tabelle 12: Zinn-Renditen nach Prognosejahr in Abhängigkeit vom Quartal

Formelverzeichnis

Formel 1: Berechnung der Basis

Formel 2: Naive Prognose/No-Change Prognose

Formel 3: Mean Absolute Percentage Error Analyst

Formel 4: Mean Absolute Percentage Error Naive Prognose

Formel 5: Mean Percentage Error Analyst

Formel 6: Mean Percentage Error Naive Prognose

Formel 7: Theilscher Ungleichheitskoeffizient „neuer Art“

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Symbolverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

“What we think is … that this recovery in commodity prices will actually be the beginning of a much longer structural bull market for commodities” ¹

Mit diesem Statement eröffnete die Investmentbank Goldman Sachs den jährlichen Rohstoffausblick für das Jahr 2021. Nach Ansicht der Finanzanalysten bei der amerikanischen Großbank könnten ähnliche strukturelle Treiber wie bei dem letzten markanten Aufschwung der Rohstoffmärkte zum nächsten sogenannten „super-cycle“² führen. Anfang der 2000er Jahre sorgte ein rasant steigender Rohstoffbedarf durch eine zunehmende Industrialisierung und Urbanisierung der Entwicklungsländer, allen voran China, zu einem phänomenalen Preisanstieg in vielen Rohstoffmärkten.³

Doch was befähigt Finanzanalysten zu solchen Prognosen? Wie zuverlässig sind diese Voraussagen? Und vor allem: Wie genau sind diese Prognosen?

Speziell am Aktienmarkt standen Finanzanalysten im Laufe der Jahre immer wieder in der öffentlichen Diskussion. Nach dem Platzen der Dotcom Blase im März 2000 verloren viele Investoren das Vertrauen in die zuvor jahrelang gefeierten Stars der Kapitalmärkte. Die Folgen waren ein Reputationsverlust, schärfere Regulierungen durch die Finanzmarktaufsichten sowie ein massiver Stellenabbau unter den Investmentbanken. Im Laufe der Zeit erholte sich das Ansehen dieser Berufsgruppe wieder, doch die Skepsis vieler Marktteilnehmer blieb. Dies führte in der Vergangenheit dazu, dass sich die wissenschaftliche Forschung vermehrt mit der Leistung der sog. Sell-Side-Analysten auseinandersetzte.⁴

Nichtsdestotrotz leisten Finanzanalysten in ihrer Rolle als Informationsintermediäre einen wichtigen Beitrag zur Funktionsfähigkeit der Kapitalmärkte. Sie haben die Aufgabe Informationen zu sammeln, zu verarbeiten und darauf aufbauend Prognosen und Empfehlungen zu erstellen. Diese dienen Marktteilnehmern als Basis für Anlage- und Investitionsentscheidungen.⁵ An den internationalen Rohstoffmärkten haben neben Investoren jedoch vor allem Industrieunternehmen ein großes Interesse an der Preisentwicklung.

Zu Beginn des letzten „super-cyles“ Anfang der 2000er weiteten viele Investmentbanken ihre Geschäftsfelder auch auf die London Metal Exchange (LME) aus und bieten seither ihren Kunden eine Reihe von Researchprodukten an.⁶ Finanzanalysten spielen auch hier eine zentrale Rolle und erstellen Prognosen und Empfehlungen, um die Preisentwicklung der Metallmärkte vorherzusagen.

1.1 Hintergrund und Problemstellung

Die Fachzeitschrift Fastmarkets Metal Bulletin ist in der Metallindustrie ein wichtiger unabhängiger Informationsintermediär. Auf verschiedenen Kanälen bietet die Zeitschrift Preise, Analysen und Nachrichten für eine Vielzahl von Metallmärkten an.⁷ Im Januar 2011 erschien die erste Ausgabe der Rubrik Analyst Price Expectations (APEX). Es handelt sich dabei um eine Umfrage über die Einschätzung der Metallpreisentwicklung verschiedener Marktteilnehmer.⁸ Neben den sechs Industriemetallen Aluminium, Kupfer, Nickel, Blei, Zinn und Zink wurden später auch die Edelmetalle Gold, Silber, Palladium und Platin in die Umfragen mit einbezogen.⁹

Bei den Preisprognosen handelt es sich um Quartalsdurchschnittsschätzungen auf Basis der täglich ermittelten offiziellen Kassapreise. Diese haben in der Metallindustrie auf Grund ihrer häufigen Verwendung in physischen Verträgen eine besondere Bedeutung. Ziel der Befragung ist es, möglichst genaue Preisprognosen für die Marktteilnehmer zur Verfügung zu stellen. Neben der Veröffentlichung der Prognosen werden auch die Schätzgenauigkeiten der Analysten bzw. der verantwortlichen Finanzinstitute für das folgende Quartal berechnet. Diese werden in einem sog. Leaderboard für die einzelnen Metalle sowie für das laufende Kalenderjahr zusammengefasst und in der folgenden Ausgabe des APEX Berichts veröffentlicht. Am Ende eines Kalenderjahres werden die Analysten mit der höchsten Prognosegenauigkeit von Fast Markets Metal Bulletin ausgezeichnet.¹⁰

Grundsätzlich sind alle glaubwürdigen, unabhängigen Analysten bzw. Finanzinstitute berechtigt an der APEX Umfrage teilzunehmen. Pro Finanzinstitut darf jedoch nur eine Prognose abgeben werden. Eine Nennung mehrerer Analysten ist dabei trotzdem möglich. Bei der Abgabe der Schätzung ist zusätzlich zu beachten, dass die Finanzinstitute bzw. die Analysten in allen vier Quartalen eines Kalenderjahres für mindestens vier der sechs Industriemetalle ihre Preisprognosen abgeben müssen. Die Abgabe der Prognose muss spätestens bis zum sechszehnten Tag des ersten Monats des zu schätzenden Quartals abgegeben werden.¹¹ Das bedeutet, dass für das erste Quartal der Durchschnittspreis für nur rund zehn Wochen zu schätzen ist und die Preise für die ersten zwei Wochen des Quartals schon festgestellt wurden.

Die Prognosegenauigkeit für die folgenden Quartale wird in den APEX Berichten nicht veröffentlicht. Somit lässt sich keine Aussage über die Prognosefähigkeit der Analysten über längere Zeiträume treffen. Der kurze Prognosehorizont von einem Quartal unterscheidet sich deutlich von dem am Aktienmarkt üblichen Prognosehorizont von i.d.R. 12 Monaten. In dem kurzen Zeitraum von einem Quartal ist es nicht unüblich, dass einzelne Analysten Prognosegenauigkeiten von 98, 99 und manchmal sogar 100% erreichen. Die Genauigkeit der Schätzungen wird außerdem absolut dargestellt. Aus den APEX Berichten geht somit nicht hervor, ob die Finanzanalysten die Metallmärkte über- oder unterschätzen.

Wie schon in der Einleitung beschrieben, leisten Finanzanalysten mit der Veröffentlichung von Informationen einen wichtigen Beitrag an den Kapitalmärkten. Trotzdem stellt sich neben der Frage nach der Prognosequalität auch die nach dem finanziellen Nutzen. Lässt sich auf Basis der Analystenprognosen ein rentables Handelssystem aufbauen? Wie viel Rendite wäre möglich gewesen, wenn die entsprechenden Handelsempfehlungen umgesetzt worden wären?

1.2 Zielsetzung und Gang der Arbeit

Vor diesem Hintergrund soll zunächst die Frage beantwortete werden: „ Wie ist die Qualität der Preisprognosen aus den APEX Berichten für den Zeitraum von Anfang 2011 bis Ende 2020 zu bewerten? “

Um eine Antwort auf diese Frage zu finden, werden im ersten Abschnitt dieser Untersuchung die Analystenprognosen aus den APEX Berichten für den Zeitraum von Anfang 2011 bis Ende 2020 quantitativ überprüft und mit Hilfe eines Random Walk Modells bewertet. Zur vollumfänglichen Beurteilung der Prognosequalität erfolgt eine Untersuchung der Daten in Abhängigkeit unterschiedlicher Faktoren. Auf diese Weise kann der Einfluss der einzelnen Faktoren isoliert betrachtet werden. So zeigt sich bei der Analyse nach Prognosehorizont, ob dieser einen signifikanten Einfluss auf die Genauigkeit und Verzerrung der Analystenprognosen hat. Um die Untersuchung weiter zu vertiefen, werden die Preisprognosen auch nach Kalender- und Prognosejahr analysiert, um eventuelle jahresspezifische Effekte oder Einflüsse durch das aktuelle Marktumfeld aufzudecken. Zuletzt wird die Prognosequalität in Abhängigkeit des Metalls dargestellt. Hiermit soll herausgefunden werden, ob es Unterschiede unter den einzelnen Märkten gibt. Um die Qualität der Analystenprognosen bewerten zu können, werden diese mit den Ergebnissen einer Naiven Prognose verglichen.

Im zweiten Abschnitt wird der Nutzen der Preisprognosen untersucht. Mit einer quantitativen Auswertung der Empfehlungen der Finanzanalysten soll eine Antwort auf die zweite Forschungsfrage g efunden werden: „ Welchen finanziellen Nutzen haben die Analystenempfehlungen für einen Marktteilnehmer?“ Hierfür werden die Ergebnisse beruhend auf den Kauf- und Verkaufsempfehlungen der Analysten ex post berechnet und ausgewertet. Dabei erfolgt auch hier eine Einteilung nach Prognosehorizont, Prognosejahr und Metall, um ein differenziertes Bild der Prognosefähigkeit zu erhalten.

2 Theoretische Grundlagen

In dieser Arbeit werden Schätzungen auf Terminmärkten behandelt. Im Vergleich zu vielen anderen wissenschaftlichen Untersuchungen aus dem Bereich der Preisprognosen von Finanzinstrumenten, sind diese durch einige Besonderheiten gekennzeichnet, auf die im Folgenden hingewiesen wird.

2.1 Begriffsdefinitionen

Die für die vorliegende Untersuchung relevanten Metalle werden an der LME in Form von Futures gehandelt. Futures sind nach Menge und Qualität des Basiswertes standardisierte, börsengehandelte Kontrakte, die eine fest definierte Laufzeit haben und ein sog. unbedingtes Termingeschäft ermöglichen. Futures stellen wechselseitig bindende, rechtsgültige Vereinbarungen zweier Parteien dar, bei denen der Kauf- bzw. Verkaufspreis bei Vertragsabschluss festgelegt wird, Lieferung und Zahlung jedoch zu einem späteren Zeitpunkt stattfinden.¹² Hierbei hat der Verkäufer die Pflicht den zu Grunde liegenden Basiswert zum Erfüllungstermin zu liefern und der Käufer verpflichtet sich diesen abzunehmen.¹³ Die Erfüllung am Fälligkeitstermin kann durch eine tatsächliche physische Lieferung oder einen Barausgleich (Cash Settlement) erfolgen.¹⁴

Der Kassapreis eines Basiswertes ist jener Preis zur Lieferung in zwei Werktagen. Der Future-Preis ist der Preis zur Lieferung zum Verfallszeitpunkt des Future-Kontraktes. Die Differenz zwischen den Preisen wird als Basis oder Spread bezeichnet¹⁵ und berechnet sich nach:

Formel 1: Berechnung der Basis

Basis = Future-Preis – Kassapreis. (1)

Quelle: Steiner M., et al., Wertpapiermanagement, 2017, S. 465.

Weist die Basis einen positiven Wert auf, liegt der Future-Preis also über dem Kassapreis, spricht man von einem Contango. Bei einem negativen Wert liegt eine Backwardation vor.¹⁶

Ein Teil der Basis, die sog. Carry-Basis, besteht aus den Netto-Finanzierungskosten (Cost of Carry), mittels der der theoretisch richtige Wert des Futures (Fair Value) ermittelt werden kann.¹⁷ Die Cost of Carry beinhaltet neben den Finanzierungskosten auch Kosten für die Versicherung und Lagermiete. Bei Assets, welche Halteerträge abwerfen, werden diese mit den Kosten entsprechend gegengerechnet.¹⁸

Mit abnehmender Restlaufzeit konvergieren der Kassapreis und der Future-Preis zueinander, bis diese zum Liefertermin theoretisch übereinstimmen. Diese Eigenschaft wird in Future-Märkten als Basiskonvergenz oder Basiseffekt bezeichnet.¹⁹ Die Wertbasis stellt den zweiten Teil der Basis dar und beinhaltet nicht quantifizierbare Faktoren, wie beispielsweise Erwartungen der Marktteilnehmer, Übertreibungen oder Auf- oder Abschläge durch sich ändernde Lagerbestände. Die Wertbasis lässt sich nicht im Voraus berechnen, ist schwer zu prognostizieren und kann zu einem sog. Basisrisiko führen. Durch eine Veränderung der Terminkurve während der Laufzeit kann es beim Rollen oder einem vorzeitigen Schließen einer Position zu Abweichungen kommen, die ursprünglich nicht kalkuliert waren.²⁰

Der offizielle Preis (Kassapreis), auch Cash-Settlement genannt, eines Handelstages wird an der LME in der sog. zweiten Ringsitzung festgestellt. Diese findet börsentäglich zwischen 12:30 – 13:15 englischer Zeit statt.²¹ Dieser offizielle Kassapreis dient in einem Großteil der weltweit physischen abgewickelten Metallgeschäfte als Basis zur Preisfindung. Bei den Analystenschätzungen werden Quartalsdurchschnittspreise auf Grundlage dieser offiziell festgestellten Kassapreise abgegeben.

2.2 Naive Prognose

Um die Qualität von Prognosen objektiv beurteilen zu können, muss eine Benchmark herangezogen werden. In der Fachliteratur²² wird dabei i. d. R. auf den Random Walk-Ansatz nach Theil (1955) zurückgegriffen.²³ Dabei ergibt sich der beobachtete Wert in der Periode t aus dem Wert der Vorperiode t-1 ergänzt um die sog. Drift. Dieser Drift-Parameter kann unterschiedlichste Formen annehmen wie beispielsweise eine Zufalls- oder Trendkomponente. Die einfachste Form einer Random Walk Prognose ist dabei die sog. Naive Prognose oder auch No-Change Prognose genannt. Es handelt sich hierbei um einen Random Walk ohne Drift-Komponente.²⁴ Die Naive Prognose projiziert den letztbekannten Preis (x) zum Zeitpunkt (t) einfach auf den nächsten (t+1).²⁵ Die Prognose ( lautet in diesem Fall:

Formel 2 : Naive Prognose/No-Change Prognose

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Mincer, J., Zarnowitz, V., Naive Prognose, 1969, S. 34.

In der vorliegenden Untersuchung wird als Naive Prognose, unabhängig vom Prognosehorizont, der Kassapreis des letzten Handelstages des vorangegangenen Quartals festgelegt.

2.3 Aktueller Forschungsstand

Innerhalb der empirischen Kapitalmarktforschung stehen vor allem Gewinn- und Preisprognosen von Aktiengesellschaften im Mittelpunkt. Zu Preisprognosen für Industriemetalle wurde bis heute nur wenig Forschung publiziert. Aus diesem Grund werden hier die Methoden aus dem Bereich der Aktiengewinn- und Aktienpreisprognosen herangezogen.

Die akademische Welt ist seit langem daran interessiert, Qualität und Nutzen von Aktienanalysen zu untersuchen. In den letzten Jahren haben die Wertpapieranalysten in diesen Berichten neben den traditionellen Gewinnprognosen zunehmend auch Kursziele veröffentlicht. Diese Kursziele bieten den Marktteilnehmern die prägnanteste und expliziteste Aussage über die Höhe des erwarteten Wertes eines Unternehmens.

Dass Preisprognosen einen signifikanten Einfluss auf das Verhalten von Marktteilnehmern haben, zeigten erstmals Brav und Lehavy (2003) für den Beobachtungszeitraum von 1997-1999 anhand von Analystenschätzungen am US-Amerikanischen Aktienmarkt. Es gelang ihnen zu zeigen, dass Kursziele sowohl einzeln als auch in Kombination mit Revisionen von Empfehlungen und Gewinnprognosen signifikante Marktreaktionen hervorrufen.²⁶ Eine ähnliche Studie führten Asquith et al. (2005) für denselben Zeitraum durch. Die Forscher fanden heraus, dass Zielpreisprognosen eine stärkere Marktreaktion hervorrufen als prozentual gleiche Änderung der Gewinnprognosen. Die Untersuchung ergab des Weiteren, dass auch die Begründungen der Analysten für eine Kurszielanpassung, durch die hiermit zur Verfügung gestellten Informationen, einen starken Einfluss auf den Aktienpreis ausüben. Darüber hinaus ergab die Forschung von Asquith et al. (2005), dass lediglich rund 54% der Kursziele innerhalb eines Jahres nach Kursziel-Veröffentlichung erreicht wurden.²⁷

Bradshaw und Brown (2006) erweiterten den Beobachtungszeitraum auf die Jahre 1997-2002 und konnten dabei feststellen, dass innerhalb eines Jahres im Durchschnitt nur 24-45% der Kursziele erreicht wurden.²⁸ Auch Bonini et al. (2010) wiesen auf die eingeschränkte Prognosegenauigkeit unter den Finanzanalysten am italienischen Aktienmarkt hin und konnten bei der Prognose von Kurszielen auf einen Prognosehorizont von zwölf Monaten durchschnittliche Fehlerwerte von bis zu 36,6% feststellen.²⁹ Bradshaw et al. (2012) untersuchten einige Jahre später die Prognosegenauigkeit von Finanzanalysten am US-Aktienmarkt im Zeitraum 2000-2009. Sie fanden heraus, dass der durchschnittliche absolute Fehler in ihrer Stichprobe bei 45% lag und nur rund 64% der Kursziele innerhalb eines Jahres erreicht wurden. Auch Brav und Lehavy (2003), Asquith et al. (2005), Stanzel (2005) und Bilinski et al. (2013) erkannten den systematischen Überoptimismus der Finanzanalysten.³⁰ Bradshaw und Brown (2006), Bonini et al. (2010) sowie Kerl (2011) zeigten zudem auf, dass die Genauigkeit von Preisprognosen auf Aktienmärkten mit zunehmenden Zeithorizont stark abnimmt. Die Forscher führten dieses Phänomen ebenfalls auf einen systematischen Long Bias zurück.³¹

Weiterführende Studien von Asquith et al. (2005), Bradshaw und Brown (2006) sowie auch Bonini et al. (2010) zeigten außerdem, dass die Genauigkeit der Preisprognosen mit zunehmender Abweichung vom aktuellen Marktpreis abnimmt.³²

Sowohl Bradshaw et al. (2012) als auch Bilinkski et al. (2013) kamen zu dem Schluss, dass mit zunehmender Erfahrung der Analysten die Genauigkeit der Preisprognosen zunahm. Es kann also ein Lerneffekt beobachtet werden, der sich dadurch zeigt, dass Analysten, die in der Vergangenheit genauere Preisprognosen abgegeben haben dies auch in Zukunft tun werden.³³

Bei Aktiengewinn- und Aktienpreisprognosen sind vor allem der zukünftige Cash Flow, das Unternehmensrisiko, die Branchenaussichten und die makroökonomische Gesamtsituation entscheidend.³⁴ Bei der Prognose von Industriemetallen hingegen spielen eine Reihe von anderen Faktoren eine wichtige Rolle. Hierzu zählen vor allem das globale Wirtschaftswachstum, die Primär- (Erzabbau, Aufkonzentrierung/Anreicherung) und Sekundärproduktion (Recyling), die politische und wirtschaftliche Situation in den Hauptproduktionsländern sowie Währungen und Lagerbestände. Auch Naturkatastrophen, Streiks, Umweltschutzorganisationen und rechtliche Einschränkungen haben Einfluss auf die Preisbildung an den internationalen Rohstoffmärkten.³⁵ Diese Komplexität an Einflussfaktoren erschwert die Preisprognose an den Rohstoffmärkten.

Das Forschungsfeld der Preisprognosen an der LME ist noch jung und steht nicht so sehr im öffentlichen Interesse wie Aktienpreisprognosen. Dennoch gibt es einige wissenschaftliche Untersuchungen, welche verwandte Themenbereiche an der LME abdecken. Vor allem steht dabei die effiziente Preisbildung im Fokus. Beispielsweise gibt es einige Forschungsarbeiten von Goss (1981), Sephton & Cochrane (1990), Beckmann & Czudaj (2013) sowie Park & Lim (2018) zu der Frage, ob Futures Preise geeignete Prognoseindikatoren für zukünftige Spotpreise sind. Alle Untersuchungen ergaben, dass sich kein statistisch signifikanter Zusammenhang festgestellt lässt.³⁶

Des Weiteren finden sich in der Fachliteratur viele Studien mit unterschiedlichen Ergebnissen über die Zeitreihenanalyse zur Prognose von Metallpreisen. Während beispielsweise Dooley & Lenihan (2005) und Rubaszek et al. (2020) mit ihren Zeitreihenmodellen bessere Ergebnisse als die Naive Prognose erzielen konnten, zeigte sich bei den Untersuchungen von Kriechbaumer et al. (2014) sowie Diaz (2020) eine Überlegenheit der Naiven Prognose.³⁷

Park (2019) untersuchte den Zusammenhang zwischen Lagerbeständen in LME Lagerhäusern und dem Kassapreis der sechs Basismetalle. Dabei konnte für Aluminium, Nickel, Zink und Zinn eine positive Beziehung zwischen stornierten Lagerscheinen und steigenden Preisen festgestellt werden.³⁸

Pierdzioch et al. (2013) analysierten das Herdenverhalten von Finanzanalysten an der LME. Sie kamen dabei zu dem Schluss, dass Finanzanalysten anti-herding betreiben, also mit ihren Preisprognosen nicht dem Konsens folgen. Die Forscher führen dieses Verhalten auf die Vergütungsfunktion der Analysten zurück. Diese fällt umso höher aus, je „extremer“ die Preisprognose im Verhältnis zum Konsens ist und dabei erfüllt wird.³⁹

Zusammenfassend lässt sich also festhalten, dass Preisprognosen einen messbaren Einfluss auf die Kapitalmärkte haben und Marktteilnehmer diese bei ihren Transaktionen berücksichtigen. Die Genauigkeit von Prognosen hängt von einigen Faktoren ab, wobei allen voran der Zeithorizont zu nennen ist. Aus der Fachliteratur geht hervor, dass die Prognosequalität mit zunehmenden Zeithorizont und höheren vorhergesagten Abweichungen vom aktuellen Marktpreis abnimmt. Des Weiteren weisen die Finanzanalysten an den internationalen Aktienmärkten einen systematischen Long-Bias auf. Außerdem gibt es eine positive Korrelation zwischen der Prognosequalität und der Erfahrung des Analysten.

3 Methodik

Das folgende Kapitel gibt einen Überblick über das methodische Vorgehen der vorliegenden Forschungsarbeit. Nach einer Beschreibung des Forschungsdesigns, das die praktischen Grundlagen der Durchführung beschreibt, folgen die theoretischen Grundlagen zur Berechnung der verwendeten Fehlermaße. Die Fehlermaße unterteilen sich in die Berechnung der Prognosegenauigkeit und Prognoseverzerrung und dienen der Beurteilung der Qualität von Preisprognosen. Um die Güte der Preisprognosen zu berechnen, wird anschließend das Gütemaß des Theilschen Ungleichheitskoeffizienten definiert.

3.1 Beschreibung des Forschungsdesigns

Um die Forschungsfragen der vorliegenden Abschlussarbeit zu beantworten, ist eine quantitative Untersuchung der APEX Berichte für den Zeitraum 2011 bis 2020 durchgeführt worden. Dabei wurden die Preisprognosen von Finanzanalysten mit Hilfe von Fehlermaßen auf deren Qualität untersucht. Um den Nutzen der Preisprognosen darzustellen, wurden die Ergebnisse eine hieran ausgerichteten Handelsstrategie berechnet. Mit Hilfe von statistischen Tests wurden alle Resultate auf ihre Signifikanz geprüft und durch Tabellen und Abbildungen visualisiert. Bei der Untersuchung wird zu einem großen Teil induktiv vorgegangen, da das Forschungsfeld der Preisprognosen an der LME noch recht jung ist. Des Weiteren ist das vorliegende Sample deduktiv auf bereits bestehende Theorien getestet worden, um eine Parallele zu den Aktienmärkten zu ziehen.

Für diese Arbeit wurden die APEX Berichte im PDF-Format mit dem Computerprogramm ABBYY FineReader ausgelesen und anschließend in eine Excel Datei umgewandelt. Die Verarbeitung und Auswertung der Daten erfolgten größtenteils mit Microsoft Excel. Einzelne statistische Tests sind auch mit R-Studio durchgeführt worden.

Die vorliegende Stichprobe umfasst alle Preisprognosen, die im Zeitraum zwischen der ersten Ausgabe des APEX Berichts im ersten Quartal 2011 bis inklusive der letzten Ausgabe im vierten Quartal 2020 veröffentlicht wurden. Insgesamt handelt es sich in dem Untersuchungszeitraum um 55.885 Preisprognosen.

Die Gütekriterien quantitativer Forschung sind erfüllt. Die Forschung ist valide, da die verwendeten Fehlermaße die aussagekräftigsten Instrumente zur Messung und Beurteilung von Prognosequalitäten sind. Die Untersuchung ist reliabel, da alle Prognosen im Beobachtungszeitraum in das Sample aufgenommen wurden. Unter Berücksichtigung der Kürzung des Samples (vgl. Kapitel 5) und unter sonst gleichen Bedingungen sollte eine Wiederholung der Auswertung zu den gleichen Ergebnissen kommen. Die vorliegende Forschungsarbeit ist auch objektiv, die forschende Person unterlag bei der Datenerhebung keinerlei äußeren Einflüssen.

3.2 Prognosegenauigkeit

Für die Untersuchung der Qualität von Preisprognosen stehen einige Fehlermaße zur Verfügung.⁴⁰ Um eine Verzerrung der Fehlermaße aufgrund von nominalen Preisunterschieden zwischen den einzelnen Metallen zu vermeiden, werden hier nur relative Fehlermaße verwendet. Die Relativierung erfolgt mit den tatsächlichen Cash-Settlement Preisen des zu prognostizierenden Quartals.⁴¹ Diese Normierung ist auch für den Vergleich unterschiedlicher Zeiträume von Bedeutung. Durch jahresspezifische Effekte wie Börsenzyklen oder externe Schocks kann es ohne eine Normierung zu Verzerrungen des Prognosefehlers kommen.⁴²

Zur Fehlermessung bei Preisprognosen und bei Gewinnprognosen wird in der Fachliteratur meist der Mean Absolute Percentage Error (MAPE) verwendet.⁴³ Dieser dient in der vorliegenden Arbeit als Maß für die Prognosegenauigkeit. Der MAPE gibt die durchschnittliche absolute prozentuale Abweichung des prognostizierten vom tatsächlich realisierten Wert an.⁴⁴ Dabei ist dieses Maß sowohl für die Analystenschätzung als auch für die Naive Prognose vorgesehen.⁴⁵

Formel 3 : Mean Absolute Percentage Error Analyst

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Barrot, C., Prognosegüte, 2009, S. 549.

Für die Prognose des Analysten (MAPEA) ist dieser definiert als Betrag der Differenz zwischen dem prognostizierten Durchschnittspreises x̂t und dem tatsächlichen Durchschnitts-Cash-Settlements xt des jeweiligen Quartals, normiert durch das tatsächliche Durchschnitts-Cash-Settlement. Der Naive Fehler (MAPEN) ist die Abweichung von der No-Change-Prognose. Die No-Change-Prognose ist der Kassa-Preis zum Zeitpunkt der Prognose. Dieser wurde auf den letzten Tag des Quartals vor Prognoseabgabe festgelegt. Der MAPEN ist der Betrag der Differenz zwischen der Naiven Prognose xt-h und dem tatsächlichen Durchschnitts-Cash-Settlement xt, normiert durch das Durchschnitts-Cash-Settlement.⁴⁶

Formel 4 : Mean Absolute Percentage Error Naive Prognose

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Barrot, C., Prognosegüte, 2009, S. 549.

3.3 Prognoseverzerrung

Um die Verzerrung der Preisprognosen darzustellen, wird jeweils für die Analysten- und die Naive Schätzung der Mean Percentage Error (MPE) ermittelt. Für die Analystenprognose (MPEA) ergibt sich dieser als Differenz zwischen dem prognostizierten Durchschnittspreis x̂t und dem tatsächlichen Durchschnitts-Cash-Settlement xt des jeweiligen Quartals, normiert durch das tatsächliche Durchschnitts-Cash-Settlement.⁴⁷

Formel 5 : Mean Percentage Error Analyst

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Barrot, C., Prognosegüte, 2009, S. 549.

Der Naive Fehler (MPEN) berechnet sich analog als Differenz zwischen der Naiven Prognose xt-h und dem tatsächlichen Durchschnitts-Cash-Settlement xt, normiert durch das Durchschnitts-Cash-Settlement.⁴⁸

Formel 6 : Mean Percentage Error Naive Prognose

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Barrot, C., Prognosegüte, 2009, S. 549.

Das Vorzeichen des MPE ermöglicht eine Aussage über die Richtung der Prognoseverzerrung. Um die Signifikanz der Unterschiede zwischen den Prognosefehlern der Analysten und der Naiven Prognose zu überprüfen, wird eine Einstichproben-t-Test herangezogen. Die Nullhypothese des t-Tests lautet, dass die Differenz zwischen den zu vergleichenden Prognosefehlern nicht signifikant von Null abweicht.⁴⁹ Als Signifikanzniveau wird 1% (α = 0,01) angenommen.

3.4 Prognosegüte

Um eine Aussage über die Prognosegüte zu treffen, wird der Theilsche Ungleichheitskoeffizient „neuer Art“ herangezogen. Dieser wurde entwickelt, um die Abweichungen zwischen den Prognosefehlern der Analysten und der Naiven Prognose gegenüberzustellen und interpretieren zu können.⁵⁰ Der Theilsche Ungleichheitskoeffizient „neuer Art“ ist wie folgt definiert:

Formel 7 : Theilscher Ungleichheitskoeffizient „neuer Art“

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Andres, P., Spiwoks M., Fehlermaße, 2000, S. 42.

Für perfekte Prognosen nimmt U den Wert Null an. Im Gegensatz zum Theilschen Ungleichheitskoeffizienten „alter Art“ ist der Theilsche Ungleichheitskoeffizienten „neuer Art“ jedoch nicht auf den Maximalwert Eins begrenzt. Bei einem Ergebnis von genau Eins liefert die Prognose im Durchschnitt kein besseres Ergebnis als die Naive Prognose. Ist U hingegen größer als Eins liefert die betrachtete Prognose schlechtere Ergebnisse als die Naive Prognose und der Prognoseaufwand ist somit nicht zu rechtfertigen. Bei Werten zwischen Null und Eins sind die Analystenprognosen den No-Change Prognosen überlegen. Bei der Interpretation der Ergebnisse muss allerdings beachtet werden, dass keine Aussage über die Signifikanz der Ergebnisse getroffen werden kann.⁵¹

[...]

---

¹ Currie, J., et al., Bull Market, 2020, S. 1.

² Als „super-cycle“ wird eine jahrzehntelange, über dem Trend liegende Marktbewegung in einem breiten Spektrum von Grundstoffpreisen bezeichnet vgl. hierzu Erten, B., Ocampo, J., Super-cycles, 2012, S. 1-27 oder Buyuksahin, B. et al., Commodity Price Supercycles, 2016, S. 35-46.

³ Vgl. Home, A., Goldman, 2021, o. S.

⁴ Vgl. Stanzel, M., Prognosen, 2007, S. 19 ff.

⁵ Vgl. Stanzel, M., Prognosen, 2007, S. 19.

⁶ Vgl. o. V., Reuters, Investment Banks, 2010, o. S.

⁷ Vgl. o. V., Metal Bulletin, Metal Bulletin Website, 2012, o. S.

⁸ Vgl. o. V., Metal Bulletin, Erste Ausgabe, 2011, S. 3.

⁹ Vgl. o. V., Metal Bulletin, Edelmetalle, 2012, S. 18.

¹⁰ Vgl. o. V ., Metal Bulletin, Erste Ausgabe, 2011, S. 3.

¹¹ Vgl. o. V ., Fast Markets, APEX 2020, 2020, S 2.

¹² Vgl. Posmeck, A., Managed Futures, 1994, S. 4 f.; Bossert, T., Termingeschäfte, 2017, S. 27.

¹³ Vgl. Geman, H., Basis Risiko, 2008, S. 216.

¹⁴ Vgl. Steiner M., et al., Wertpapiermanagement, 2017, S. 456.

¹⁵ Vgl. Geman, H., Basis Risiko, 2008, S. 218.

¹⁶ Vgl. Geman, H., Commodities, 2005, S. 363.

¹⁷ Vgl. Perridon, L., Steiner, M., Finanzwirtschaft, 2017, S. 353.

¹⁸ Vgl. Bossert, T., Termingeschäfte, 2017, S. 33.

¹⁹ Vgl. Steiner M., et al., Wertpapiermanagement, 2017, S. 462 f.

²⁰ Vgl. Geman, H., Basis Risiko, 2008, S. 217 ff.

²¹ Vgl. o. V., London Metal Exchange, Trading times, 2021, o. S.

²² Vgl. Bessler, W., Stanzel, M., Qualität, 2005; Alquist, R., et al., Forecasting Oil, 2013; Bilinski, et al., Country, 2013.

²³ Vgl. Theil H., Random Walk, 1992, S. 1115-1120.

²⁴ Vgl. Barrot, C., Prognosegüte, 2009, S. 551.

²⁵ Vgl. Mincer, J., Zarnowitz, V., Naive Prognose, 1969, S. 34.

²⁶ Vgl. Brav, A., Lehavy, R., Target, 2003, S. 1933-1986.

²⁷ Vgl. Asquith, P., et al., Equity reports, 2005, S. 245-282.

²⁸ Vgl. Bradshaw, M., Brown, L., Forecast Ability, 2006, S. 1-38.

²⁹ Vgl. Bonini, S., et al., Security Analysis, 2010, S. 1177-1217.

³⁰ Vgl. Brav, A., Lehavy, R., Target, 2003, S. 1933-1986; Asquith, P., et al., Equity reports, 2005, S. 245-282; Stanzel, M., Prognosen, 2007, S. 257 f.; Bilinski, et al., Country, 2013, S. 848.

³¹ Vgl. Bradshaw, M., Brown, L., Forecast Ability, 2006, S. 1-38; Bonini, S., et al., Security Analysis, 2010, S. 1177-1217; Kerl, A., Target Price, 2011, S. 74-96.

³² Vgl. Asquith, P., et al., Equity reports, 2005, S. 245-282; Bonini, S., et al., Security Analysis, 2010, S. 1177-1217.

³³ Vgl. Bradshaw, M., et al., Sell-side, 2012, S. 930-955; Bilinski, et al., Country, 2013, S. 825-851.

³⁴ Vgl. Asquith, P., et al., Equity reports, 2005, S. 276.

³⁵ Vgl. Gleich, B., et al., Commodity prices, 2013, S. 350-362; Mayer, H., Gleich, B., Commodity Criticality, 2015, S. 56-78.

³⁶ Vgl. Goss, B., Forward Function, 1981, S. 133-150; Sephton, P., Cochrane, D., Note, 1990, S. 341-345; Beckmann, J., Czudaj, R., Pricing function, 2013, S. 472-490; Park, J., Lim, B., Efficiency Metalprices, 2018, S. 1-10.

³⁷ Vgl. Dooley, G., Lenihan, H., Time series, 2005 S. 208-217; Rubaszek, M., et al., Mean-reversion, 2020; Díaz, J., et al., Random Walk, 2020, Kriechbaumer T., et al., Arima, 2014, S. 32-41.

³⁸ Vgl. Park, J., Warrants, 2019, S. 1-10.

³⁹ Vgl. Pierdzioch, C., et al., Herding, 2013, 150-158.

⁴⁰ Vgl. Andres, P., Spiwoks M., Fehlermaße, 2000, S. 10-50; Barrot, C., Prognosegüte, 2009, S. 547 ff.

⁴¹ Vgl. Andres, P., Spiwoks M., Fehlermaße, 2000, S. 20.

⁴² Vgl. Stanzel, M., Prognosen, 2007, S. 257.

⁴³ Vgl. Bilinski, et al., Country, 2013, S. 830; Stanzel, M., Prognosen, 2007, S. 257 f.

⁴⁴ Vgl. Barrot, C., Prognosegüte, 2009, S. 549.

⁴⁵ Vgl. Bessler, W., Stanzel, M., Qualität, 2005, S. 99 f.

⁴⁶ Vgl. Barrot, C., Prognosegüte, 2009, S. 549; Andres, P., Spiwoks M., Fehlermaße, 2000, S. 23.

⁴⁷ Vgl. Barrot, C., Prognosegüte, 2009, S. 549; Andres, P., Spiwoks M., Fehlermaße, 2000, S. 20.

⁴⁸ Vgl. Barrot, C., Prognosegüte, 2009, S. 549; Andres, P., Spiwoks M., Fehlermaße, 2000, S. 20.

⁴⁹ Vgl. Stanzel, M., Prognosen, 2007, S. 265.

⁵⁰ Vgl. Feindt, M., Kerzel, U., Prognosen bewerten, 2015, S. 52 f.

⁵¹ Vgl. Andres, P., Spiwoks M., Fehlermaße, 2000, S. 42; Bessler, W., Stanzel, M., Qualität, 2005, S. 101.