Beyond Bulls & Bears

Aktien

Das Erkennen von Kreditrisiken bei Anleihen

Dieses Posting steht Ihnen in den folgenden Sprachen zur Verfügung: Englisch

In diesem Auszug aus der neuesten Ausgabe von Franklin Templeton Thinks untersucht die Franklin Templeton Fixed Income Group, wie man die Risiken von Konsum- und Immobilienkrediten mit Techniken des maschinellen Lernens analysieren kann, um so die Kreditrisiken, die ihrer Meinung nach eingegangen werden sollten, genau einschätzen zu können. Sie werfen einen Blick auf die relativ neue Anlageklasse der digitalen Kredite und erklären, warum quantitative Ansätze unter Umständen auf einige Anleihesektoren besser anwendbar sind als auf andere.

 

In der heutigen Welt voller neuer Technologien ist klar ersichtlich, welche Auswirkungen digitale Innovationen auf unser eigenes Leben haben. Wir können Lebensmittel einfach per Sprachbefehl bestellen, Trinkgeld mit unserem Handy geben oder im Internet ein Darlehen beantragen, während wir gemütlich auf dem Sofa liegen. Weniger bekannt ist, wie Data Science und digitale Analysen die Methoden verändert haben, die einige Asset Manager einsetzen, um Risiken zu analysieren und Renditen zu erzielen.

Das Ziel der Risikoanalyse ist nicht die Vermeidung von Risiken. Im Gegenteil: Um auf das eingesetzte Kapital positive Renditen zu erzielen, müssen einige Risiken eingegangen werden. Die Hauptaufgabe eines Anleiheverwalters besteht darin, zu unterscheiden, welche Risiken sich für die Anleger wahrscheinlich lohnen und welche vermutlich nicht.

Dank dem Einsatz von Prognosealgorithmen – statistische Modellierungen, die Ergebnisse voraussagen – können wir rasch Tausende von Krediten analysieren, um diejenigen ausfindig zu machen, von denen wir glauben, dass sie bessere Risikoprofile haben.

 

Keine Angst! Sie werden von Maschinen überwacht

 In Programmcode geschriebene Algorithmen sind heutzutage überall präsent und sagen unser Verhalten voraus. Einige prognostizieren, wie wir uns bei den nächsten Wahlen entscheiden, während andere unseren nächsten Einkauf auf Websites wie Amazon oder Taobao in China voraussagen. Wenn Sie vor kurzem eine Kreditkarte verwendet haben, werden mit Sicherheit all Ihre Transaktionen von Computern analysiert. Nicht unbedingt, um Ihnen individualisierte Werbeangebote zuzusenden, sondern zu Ihrem Schutz.

Kreditkartenanbieter wie Visa und Mastercard nutzen Machine-Learning-Tools, um betrügerische Belastungen zu stoppen, die Sie andernfalls bezahlen müssten. Durch die Überwachung Ihrer Belastungen können sich selbst verbessernde Algorithmen verdächtige Muster erkennen – und das deutlich schneller und kostengünstiger als Menschen.

Maschinen analysieren jedoch nicht nur die Muster bei Ihren Ausgaben oder beim Scrollen. Moderne Algorithmen können auch Ihre Kreditwürdigkeit – die Wahrscheinlichkeit, dass Sie einen Kredit zurückzahlen – häufig genauer bemessen, als dies mit rudimentären Bonitätsbewertungen wie „SCHUFA“ in Deutschland und „FICO“ in den USA möglich ist. Dank dieser Algorithmen sind neue technologieaffine Unternehmen den traditionellen Banken, von denen sich viele noch auf eindimensionale Bonitätsbewertungen verlassen, weit voraus. In Schwellenländern sind diese Scoring-Algorithmen ein Segen für Millionen von kleinen Unternehmen und Konsumenten, für die traditionelle Banken immer noch unerreichbar sind.

 

Neues unberührtes Land: Digitale Kredite

Denken Sie daran, dass ein Großteil der Bevölkerung Lateinamerikas immer noch ohne Bankkonto oder Kreditkarte und größtenteils mit Bargeld lebt. Ein großes Problem für Unternehmer, die ihre Geschäfte bisher immer mit Bargeld abgewickelt haben, ist, dass herkömmliche Banken keine Kredite ohne eine Historie überprüfter Banktransaktionen ausgeben. Und das ist genau der Moment, an dem digital aufgestellte Unternehmen wie MercadoLibre ins Spiel kommen.

MercadoLibre betreibt Onlinemärkte, ähnlich wie eBay und Amazon, für 249 Millionen Kunden in ganz Lateinamerika.[1] Durch den Einsatz von Prognosealgorithmen auf Grundlage der unfassbaren Datenmengen, die das Unternehmen von seinen Onlinehändlern und Kunden erfasst, bietet MercadoLibre digitale Kredite für Kunden und angehenden Unternehmern an, die von vielen lokalen Banken immer noch weitestgehend ignoriert werden.

Auch in China sind digitale Kredite weitverbreitet. Ant Financial – die Sparte Finanztechnologie des chinesischen Handelsgiganten Alibaba – hat selbst Konsumkredite im Wert von 95 Mrd. USD ausgegeben und hat dabei größtenteils Big Data und

Algorithmen verwendet, um die Kreditwürdigkeit von Konsumenten zu bemessen.[2]

In Industrieländern wie den USA und Großbritannien ist der Markt für digitale Kredite in den vergangenen zehn Jahren rapide gewachsen, was teilweise auf die Finanzkrise von 2007–2008 zurückzuführen ist. Als traditionelle Banken nach der Finanzkrise zögerlich bei der Vergabe von Krediten waren, standen die digitalen Kreditgeber bereits in den Startlöchern und waren darauf vorbereitet, das Vakuum zu füllen. Zopa, der erste Peer-to-Peer-Kreditservice im Internet, wurde 2005 in Großbritannien gegründet.

In den USA wurde 2006 das Unternehmen Prosper gegründet und LendingClub, das als Facebook-Anwendung begann, gibt es seit Mitte 2007. Das US-Finanzministerium geht davon aus, dass die Vergabe von digitalen Krediten bis 2020 ein Volumen von 90 Mrd. USD erreichen könnte.[3]

Für Kreditnehmer liegt der wesentliche Vorteil an einem Unternehmen wie LendingClub im vereinfachten Prozess per Onlineantrag und der nahezu unmittelbaren Kreditentscheidung durch die Algorithmen in der Cloud. Wir schätzen LendingClub aus zwei Gründen: Zum einen gibt das Unternehmen eine Vielzahl digitaler Kredite aus – 2018 waren es Kredite im Wert von 10,9 Mrd. USD.[4] Zum anderen können Asset Manager die Kredite auswählen, von denen sie glauben, dass sie auf der Grundlage ihrer eigenen Bonitätsanalyse das Beste Risiko-Ertrags-Profil anbieten.

Durch den schrittweisen Aufbau eines Portfolios aus digitalen Krediten – der von LendingClub durchschnittlich vergebene Kreditbetrag liegt bei 16.671 USD – kann ein Asset Manager einige der Gebühren und Hürden umgehen, die bei zum Paket geschnürten verbrieften Krediten existieren.[5] Für Kredite in dieser Größenordnung müssen institutionelle Asset Manager jedoch Algorithmen einsetzen, um die Kreditrisiken analysieren zu können.

Nachdem Kreditnehmer über die Websites der Kreditgeber den Kontakt aufnehmen und analysiert werden, wenden sich viele Kreditgeber am Markt an Banken, die zur Vergabe der Kredite lizenziert sind. Daraufhin verkaufen sie die Kredite an Investoren wie Franklin Templeton in Form einer Schuldverschreibung („Note“) oder eines vollständigen Darlehens. Im ersten Fall erhalten die institutionellen Käufer Zahlungen über die Schuldverschreibung auf der Grundlage der Performance des zugrundeliegenden Kredits. Durch den Kauf dieser Anleihen erklären wir uns damit einverstanden, das Bonitätsrisiko des Kreditnehmers zu übernehmen. Im Gegenzug erhalten wir dafür Zinsen und die endfälligen Kapitalzahlungen.

Wie analysieren wir jedoch das Risiko eines Zahlungsausfalls des Kreditnehmers angesichts Tausender kleiner Konsumkredite? Nicht mit einem großen Pool von menschlichen Kreditanalysten, sondern durch den Einsatz eines proprietären Algorithmus, der Hunderte von Faktoren berücksichtigt, die auf Grundlage der Daten in der Cloud übernommen werden.

 

Eine Fallstudie: Den Wald gerade wegen der vielen Bäume sehen

 Mithilfe großer Datensätze in der Cloud haben wir einen Algorithmus entwickelt, der eine zufällige Ansammlung an Entscheidungsgrundlagen nutzt, sodass wir weit über rudimentäre Bonitätsbewertungen, wie beispielsweise FICO, hinausgehen und Kennzahlen wie die Kreditrückzahlhistorie, die Gesamtverschuldung und die Arten von Darlehen berücksichtigen. Durch die Kombination Tausender gesellschaftlicher und wirtschaftlicher Variablen (z. B. der Standort des Kreditnehmers) aus Millionen von Beobachtungen prognostiziert dieser proprietäre Algorithmus Kreditausfälle und zu erwartende Renditen deutlich genauer und schneller, als dies menschliche Analysten können.

Die einzelnen Datenpunkte für sich genommen liefern keine genauen Prognosen – es handelt sich um eher schwache Hinweise. Es kommt auf die Kombination scheinbar zusammenhangloser Hinweise an, was unser Algorithmus für eine effiziente Analyse nutzt – so kann er die Kreditwürdigkeit eines Kreditnehmers genauer berechnen, als dies mithilfe der FICO-Bewertung möglich ist.

 

Verheißungen und Fallgruben der Data Science

Da wir heutzutage in einer Flut von Daten schwimmen, wissen wir, dass Data Science und Tools für maschinelles Lernen uns dabei helfen können, intelligentere Anlageentscheidungen zu treffen. Wir glauben jedoch nicht, dass Algorithmen allein ein Allheilmittel sind, um hohe risikobereinigte Renditen erzielen können. Das gilt insbesondere für den Anleihenmarkt, auf dem wir tätig sind. Rein quantitative Anleihestrategien konnten im Vergleich zu faktorbasierten Ansätzen, bei welchen Aktien aufgrund von Kennzahlen wie Momentum und Value ausgewählt werden, nur begrenzte Erfolge verzeichnen.

Wir sind der Ansicht, dass Data Science unseren Anlageprozess bei Anleihen verbessert, jedoch kein Ersatz ist für qualitative Fähigkeiten und das Urteilsvermögen erfahrener Portfoliomanager, Fundamentaldatenanalysten und Branchenspezialisten. Unseres Erachtens haben ungesteuerte Algorithmen Schwierigkeiten, bedeutungsvolle Hinweise von Datenmüll zu unterscheiden. In einigen Situationen ziehen sie aufgrund irreführender Korrelationen falsche Schlussfolgerungen.

Denken Sie an die jüngste Hysterie um die Zinsstrukturkurve. Auch wenn es sich um einen nicht algorithmischen Indikator handelt, bekam er eine Menge Aufmerksamkeit in der Finanzpresse. Einige behaupten, dass eine umgekehrte Zinsstrukturkurve ein sicheres Anzeichen für eine Rezession ist. Wir sind da anderer Meinung. Wir haben die Aussagekraft der zugrunde liegenden Wirtschaftsdaten untersucht und sind zu dem Schluss gekommen, dass die Zinsstrukturkurve lediglich Ausdruck der Kompromissbereitschaft der US-Notenbank ist und auf eine gewisse Panik auf dem Markt hindeutet.

Unterm Strich sind wir der Auffassung, dass Prognosehinweise (basierend auf Algorithmen oder nicht) nur auf der Grundlage des Urteilsvermögens von Spezialisten im jeweiligen Anleihesektor zu deuten sind. Darüber hinaus müssen sich ändernde makroökonomische Bedingungen berücksichtigt werden. Maschinelles Lernen ist hier mit Sicherheit ein starker Verbündeter, muss aber durch menschliche Erfahrung ergänzt werden.

 

Schnelle Analyse von mehr als einer Million Immobilienkrediten

Data Science lässt sich auf weit mehr Bereiche als nur auf digitale Konsumkredite anwenden. Beispielsweise ist die Anwendung von Data Science von großer Bedeutung bei von US-Behörden ausgegebenen hypothekenbesicherten Wertpapieren (MBS) – nach dem Markt für US-Schatzanleihen einer der weltweit größten und liquidesten Anleihenmärkte.

Eine Eigenschaft, die Anleger weltweit an Agency-MBS attraktiv finden, ist, dass die zugrunde liegenden Immobilienkredite von Fannie Mae und Freddie Mac, von der US-Regierung finanzierte Organisationen (Government-Sponsored Enterprise, GSE) besichert sind. Sie neutralisieren die Kreditrisiken effizient, sollten die entsprechenden Hauseigentümer die zugrundeliegenden Kredite nicht mehr zurückzahlen.

Im Zuge der Finanzkrise von 2008 entschied die US-Regierung, den Steuerzahler von einigen Kreditrisiken in Bezug auf hypothekenbesicherte Wertpapiere zu befreien und diese mittels CRT-Wertpapieren auf die Kapitalmärkte zu übertragen. Seit der Erstausgabe im Jahr 2013 bis Ende 2018 haben CRTs Kreditrisiken in Höhe von ca. 2,8 Billionen USD, die in Verbindung mit Darlehen an einzelne Familien stehen, an institutionelle Anleger übertragen und somit aus den Portfolios dieser Agencys entfernt.[6]

Ähnlich wie bei unbesicherten digitalen Krediten erhalten CRT-Anleger eine Anleihe, die monatliche Zahlungen leistet, wobei der Kapitalbetrag sinken kann, wenn die Kreditnehmer ihre Kredite nicht zurückzahlen. Im Gegensatz zu digitalen Krediten sind CRTs jedoch an Hypothekenpools geknüpft, die bis zu 100.000 einzelne Kredite enthalten können. CRT-Anleger müssen die kombinierten Risiken des gesamten Pools in Kauf nehmen. Andernfalls müssen sie auf das gesamte Risiko verzichten.

Für die Analyse von Kreditrisiken innerhalb eines großen Pools von Hypothekenkrediten eignen sich Maschinen besser als menschliche Kreditanalysten. Grundsätzlich sei gesagt, dass eine schnelle Analyse wichtig ist, weil CRTs außerbörslich gehandelt werden – ein Käufer hat mitunter einen Tag oder vielleicht auch nur eine Stunde zum Einschätzen der Risiken, bevor ein anderer Käufer ein Angebot macht. Datenanalysten laden regelmäßig CRT-Datensätze hoch, die mehr als eine Million Hypothekendarlehen mit Millionen von Informationsreihen enthalten. Anschließend können proprietäre Algorithmen eine Reihe von Faktoren auf Ebene der einzelnen Kredite analysieren. Dies geschieht statt innerhalb von Tagen binnen weniger Minuten. Dabei werden unter anderem die zu erwartenden Immobilienpreise sowie die Vorfälligkeits- und Ausfallrisiken sowie die Bepreisung und Bewertung analysiert.

 

Die Kunst und Wissenschaft der Verwaltung von Anleiheportfolios

 Im Bereich digitaler Kredite bietet Data Science nicht nur eine verbesserte Methode für Risikoanalysen, sondern hat auch dazu beigetragen, eine neue Anlageklasse zu erschaffen. Die Integration neuer Data-Science-Methoden in branchenübergreifende Portfolios kann die Ergebnisse für unsere Kunden möglicherweise verbessern. Bei diesem Ansatz ist jedoch immer noch das Urteilsvermögen von Portfoliomanagern erforderlich, die Makro-Einschätzungen innerhalb sich verändernder Rahmenbedingungen mit Bottom-up-Informationen aus jahrelanger Erfahrung in bestimmten Sektoren wie MBS verknüpfen können. Prognosealgorithmen sind kein Allheilmittel, aber unseres Erachtens läuten sie die nächste Phase einer modernen Vermögensverwaltung ein.

Wichtige Hinweise

Diese Unterlagen sollen ausschließlich allgemeinem Interesse dienen und sind nicht als persönliche Anlageberatung oder Empfehlung oder Aufforderung zum Kauf, Verkauf oder Halten eines Wertpapiers oder zur Übernahme einer Anlagestrategie zu verstehen. Sie stellen auch keine Rechts- oder Steuerberatung dar.

 Die Unternehmen und Fallstudien im vorliegenden Dokument dienen lediglich zur Veranschaulichung. Eine Anlage wird derzeit nicht unbedingt in einem von Franklin Templeton Investments empfohlenen Portfolio gehalten. Die dargestellten Einschätzungen sollen lediglich einen Einblick in den Prozess der Wertpapieranalyse gewähren. Die bereitgestellten Informationen stellen weder eine Empfehlung noch eine individuelle Anlageberatung in Bezug auf bestimmte Wertpapiere, Strategien oder Anlageprodukte dar und sie sind kein Hinweis auf Handelsabsichten eines durch Franklin Templeton gemanagten Portfolios. Die vorliegenden Informationen stellen keine vollständige Analyse aller wesentlichen Tatsachen hinsichtlich einer Branche, eines Wertpapiers oder einer Anlage dar und sind nicht als Anlageempfehlung anzusehen. Sie sollen vielmehr Einblick in das Vorgehen bei der Portfolioauswahl und in den Research-Prozess gewähren. Daten und Fakten stammen aus Quellen, die als zuverlässig betrachtet werden, wurden jedoch nicht unabhängig auf Vollständigkeit oder Richtigkeit überprüft. Diese Ansichten sind nicht als Anlageberatung oder als Angebot für ein bestimmtes Wertpapier zu verstehen. Die Wertentwicklung der Vergangenheit ist keine Garantie für die zukünftige Wertentwicklung.

 Die in diesem Dokument enthaltenen Meinungen, Aussagen und Analysen geben die Einschätzung zum 4. September 2019 wieder und können sich jederzeit ohne Vorankündigung ändern. Die vorliegenden Informationen stellen keine vollständige Analyse aller wesentlichen Fakten in Bezug auf ein Land, eine Region oder einen Markt dar.

 Bei der Erstellung dieses Materials wurden möglicherweise Daten von Dritten genutzt. Franklin Templeton Investments („FTI“) hat diese Daten nicht unabhängig begutachtet, validiert und überprüft. FTI haftet für keinerlei Verluste, die durch die Nutzung dieser Informationen entstehen. Es liegt im alleinigen Ermessen des Nutzers, auf die Kommentare, Meinungen und Analysen in diesem Material zu vertrauen.

 Produkte, Dienstleistungen und Informationen sind möglicherweise nicht in allen Ländern verfügbar und werden außerhalb der USA von anderen verbundenen Unternehmen von FTI und/oder ihren Vertriebsstellen, wie nach lokalem Recht und lokalen Vorschriften zulässig, angeboten. Bitte wenden Sie sich für weitere Informationen über die Verfügbarkeit von Produkten und Dienstleistungen in Ihrem Land an Ihren professionellen Berater oder an Ihre Kontaktperson für institutionelle Anleger bei Franklin Templeton.

 CFA® und Chartered Financial Analyst® sind Marken des CFA Institute.

 

Welche Risiken bestehen?

Alle Anlagen sind mit Risiken verbunden, einschließlich des potenziellen Verlusts des Anlagekapitals.  Der Wert von Anlagen kann fallen oder steigen, und Anleger erhalten möglicherweise nicht den vollen Anlagebetrag zurück. Anleihenkurse entwickeln sich im Allgemeinen entgegen der Zinsen. Zinsveränderungen und vorzeitige Tilgungen von Hypotheken wirken sich auf die Kurse und Renditen von MBS aus. In Phasen sinkender Zinsen nimmt die Zahl der vorzeitigen Tilgungen tendenziell zu, da Kreditnehmer ihre Hypotheken zu niedrigeren Sätzen refinanzieren. Daher können MBS-Anleger gezwungen sein, das zurückgezahlte Kapital zu niedrigeren Zinsen zu reinvestieren, was die Erträge vermindert. MBS können dadurch beeinflusst werden, dass Kreditnehmer fällige Zins- und Tilgungszahlen nicht leisten. Veränderungen der Finanzkraft oder der Bonitätsbewertung eines MBS können sich auf dessen Wert auswirken. Die Anlage im Ausland ist mit besonderen Risiken verbunden, z. B. Währungsschwankungen, wirtschaftlicher Instabilität und politischen Entwicklungen. Bei Anlagen in Schwellenländern sind diese Risiken sogar noch ausgeprägter. Dazu kommen Risiken, die mit der geringeren Größe und Liquidität dieser Märkte zusammenhängen. Investitionen in schnell wachsende Branchen wie den Technologiesektor (der erfahrungsgemäß eine hohe Volatilität aufweist) können zu größeren Kursschwankungen führen, insbesondere kurzfristig, da technologische Produkte schnell verändert und entwickelt werden. Außerdem können sich die Vorschriften für wissenschaftlich oder technologisch fortschrittliche Unternehmen ändern.

 

[1] Quelle: Konsensprognose von MercadoLibre und FactSet 2018. Weitere Informationen zu Datenanbietern finden Sie unter www.franklintempletondatasources.com.

[2] Quelle: Kwan, A. „Ant Financial Consumer Lending Reached $95 Billion,” Bloomberg News, 12. März 2018.

[3] Quelle: US Department of the Treasury, „Opportunities and Challenges in Online Marketplace Lending,” 10. Mai 2016.

[4] Quelle: LendingClub – Jahresbilanz 2018.

[5] Quelle: Porter, K. „LendingClub Personal Loans: 2019 Comprehensive Review,” Bankrate, 7. August 2019.

[6] Quelle: US Federal Housing Finance Agency, „Credit Risk Transfer Progress Report,” 4. Quartal 2018.