Der Governor der Bank of England sieht “Algo-Herding” bzw. Herdenverhalten von Robo-Advisors als ein potentielles Problem: „Robo-advice and risk management algorithms may lead to excess volatility or increase pro-cyclicality as a result of herding, particularly if the underlying algorithms are overly-sensitive to price movements or highly correlated“ (Mark Carney, Governor der Bank of England, am 26.1. 2017 laut Citywire.co.uk). Das sehe ich nicht so.

Robo-Advisors managen heute nur sehr wenige Anlagegelder. Selbst in den USA, in denen es Robo-Advisors schon erheblich länger gibt als in Deutschland, haben nur sehr wenige der über einhundert Robo-Advisors bisher mehr als eine Milliarde Dollar an Kundenvermögen akquiriert. Herding ist also trotz sehr guter Wachstumsraten der wenigen großen Anbieter auf längere Sicht kein volkswirtschaftlich relevantes Problem.

Aber selbst wenn Robo-Advisors sehr viel Geld managen würden, wäre Algo-Herding äußerst unwahrscheinlich.

Das kann man am besten mit Beispielen erklären. Zunächst nehmen Robo-Advisors typischerweise eine Risikoeinteilung von Anlegern vor. Diesen Risikoklassen werden verschiedene Portfolios zugeordnet. Wenn es nur Aktien und Anleihen als Anlagemöglichkeiten gäbe, würden risikoscheuen Anlegern meist Kombinationen von 20 bis 30% Aktien mit 70 bis 80% Anleihen und risikofreudigen Anleger 60 bis 100% Aktien mit 0 bis 40% Anleihen angeboten.

Die „erste Generation“ von Robo-Advisors ändert diese Allokationen normalerweise nicht, also auch nicht in Marktkrisen. Easyfolio ist ein Beispiel für einen solchen Ansatz.

Typischerweise investieren aber nicht alle Anleger gleichzeitig all ihr Geld in Robo-Portfolios, sondern das Geld fließt den Robo-Advisors über die Zeit zu. Ich sehe nicht, wie das zu Herdingproblemen führen sollte, selbst wenn sehr viele Robo-Advisors so anlegen würden.

Es gibt aber kaum Bedarf für viele „me too“ Robo-Advisors, die den gleichen Ansatz verfolgen. Robo-Advisors versuchen sich daher z.B. durch das Angebot weiterer Anlagesegmente und durch mehr oder aktives (Risiko-)Management voneinander abzuheben. Aber wenn  mehr Anlagesegmente und aktives (Risiko-)Management in Spiel kommen, sinkt das Herdingrisiko.

Das liegt an der Modell- und Inputsensibilität von Assetallokationen. Selbst Anlageprofis ist manchmal nicht bewusst, wie sensibel Allokationen auf zusätzliche Anlagesegmente reagieren (siehe z.B. Söhnholz, D. und Burkert, M.: Naive strategische Asset Allocation, in: Absolut Report Nr. 43 von 2008 S. 14 ff.). Kapitalanlage-Allokationen hängen außerdem sehr stark von den – je nach Robo-Advisor unterschiedlichen – Prognosen für die erwarteten Risiken und Renditen der Anlagesegmente und vor allem den angenommen Abhängigkeiten (Korrelationen) untereinander ab.

Rendite-, Risiko und Korrelationsprognosen können selbst dann sehr unterschiedlich sein, wenn alle Robo-Advisors die gleichen Vergangenheitsdaten zur Verfügung haben. So ist der Output von Allokationsmodellen stark von den verwendeten Indizes und Perioden abhängig. Sogar wenn alle Anbieter Trendfolge zur Risikosteuerung nutzen würden, können sehr unterschiedliche Allokationen aus z.B. 20 oder 40 oder 200 Tageperioden und unterschiedlich Umsetzungsmodi resultieren.

In Anbetracht der Vielzahl möglicher Kombinationen von  Anlagesegmenten ist es statistisch extrem unwahrscheinlich, dass Modelle mit identischen Daten „gefüttert“ werden.

Hinzu kommt, dass Robo-Advisors, wie andere Anbieter von Asset-Allokationen auch, mit Szenarien und Simulationen arbeiten. Und Szenarien mit kleinen Annahmeunterschieden können zu sehr großen Allokationsänderungen führen bzw. einzelne Simulationen können sehr stark voneinander abweichen.

Daher werden sich Allokationen von Robo-Advisors typischerweise nennenswert unterscheiden.

Um das deutlich zu machen, haben wir zwei einfache „Pseudo-Optimierer“ programmiert und auf www.diversifikator.com online gestellt (sieh „Pseudo-Optimierer“ unter „Detailmenü“).

Die Algorithmen der Robo-Advisors  werden also sicher kaum „highly correlated“ sein, selbst wenn jeder einzelne „overly sensible to price movements“ der Kapitalmärkte ist.

Ein Risiko bleibt jedoch: Wenn die Allokationen von Robo-Advisors durch diskretionäre Entscheidungen der Robo-Advisors gleichzeitig und gleichgerichtet beeinflusst werden, kann es zu Herding kommen.

Theoretisch können mehrere Robo-Advisors mit Vermögensverwaltungsvollmachten in einer wahrgenommen Marktkrise Kapitalanlagen ihrer Anleger gleichzeitig verkaufen. Dazu müssten mehrere Robo-Advisors die Marktlage gleichzeitig sehr schlecht einschätzen und ihre Verkaufsvollmachten ausnutzen. Das einzige mir bekannte Beispiel eines diskretionären Eingriffs lässt ein solches Risiko eher gering erscheinen. In dem Fall hat ein amerikanischer Robo-Advisor seine Anleger für mehrere Stunden am Verkauf von Anlagen gehindert („Betterment’s move to halt trading following Brexit vote sparks controversy“ in investment news 28.6.2016).

So ist es nicht verwunderlich, dass man sowohl in den USA als auch in Deutschland feststellen kann, dass die Anlageergebnisse von Robo-Advisors teilweise erheblich voneinander abweichen (für Deutschland s. z.B. www.brokervergleich.de).

Herding durch Robo-Advisors ist also konzeptionell extrem unwahrscheinlich und außerdem volkswirtschaftlich nicht relevant.

Herding institutioneller Anleger ist jedoch volkswirtschaftlich relevant und konzeptionell möglich. Ersteres gilt analog für die oben erwähnten „risk management algorithms“. Das Problem dabei ist nicht, dass zu viele große Anleger die gleichen Algorithmen nutzen. Das Problem ist auch nicht, dass alle die gleichen Inputdaten nutzen. Das Problem ist, dass vor allem institutionelle Anleger oft ähnliche Restriktionen nutzen und durchaus zu Herding neigen (s. z.B. Otjes, Kevin and de Graaf, Frank Jan, Pension Funds and Herding Behavior; Reviewing the Controversy in the Academic Debate and Distilling Recommendations for Practitioners (June 15, 2012).

Ein Beispiel sind die oft untereinander sehr ähnlichen Anleihe- und Aktienquoten in der Versicherungsbranche in Deutschland bzw. Anleihe- und Aktienquoten von deutschen Altersversorgern im Vergleich zu ganz anderen Allokationen bei anglo-sächsischen Versicherungen und Altersversorgern.

Die Erklärung für solche ähnlichen Allokationen innerhalb eines Landes sind oft nicht Regulierungszwänge und schon gar nicht ähnliche Modelle oder gleiche Dateninputs,  sondern ähnliche „manuelle“ Restriktionen bzw. „Managementvorgaben“ in Bezug auf Asset Allokationen.

Ursache für solches Herdenverhalten sind oft echte oder wahrgenommene Jobrisiken der Verantwortlichen in diesen Organisationen, falls sie von den Allokationen ihrer Branchenkollegen abweichen. Politiker und  Regulatoren bzw. Aufseher sollten sich meines Erachtens mehr um „manuelle“ Modellrestriktionen und Jobrisiken der Betroffen kümmern als um Modelle und Dateninputs.

Auch Publikumsfonds zeigen Herrenverhalten, wie z.B. eine aktuelle Studie zu Smart Beta bzw. Faktorinvestments zeigt („Exploring style herding by mutual funds“ von Caterina Santi und Remco C.J. Zwinkels, 14. Juni 2017).

Was können Robo-Advisors tun, um Kritik vorzubeugen? Ich denke, dass größtmögliche Transparenz die beste Antwort ist. So wäre es sehr gut, wenn Anleger und andere Interessenten nachvollziehen könnten, warum ihnen welche Asset Allokation angeboten werden. Ausserdem sollte idealerweise nachvollzogen werden können, wann sich die Asset Allokation wie ändern kann. Wenn diese Transparenz gegeben ist, werden Externe wahrscheinlich einfach feststellen können, dass aufgrund der unterschiedlichen Allokationsmodelle mit ihren unterschiedlichen Prognosen bzw. Dateneingaben und Restriktionen kaum Herding zu erwarten ist.

Beispiel: Meine Firma Diversifikator hat einen sehr robusten Ansatz entwickelt, der von der aggregierten Geldanlageallokation aller Anleger weltweit ausgeht. Anleger können sich das für sie passende Portfolio nach diversen (prognosefreien) Kriterien wie dem Wunsch nach verantwortungsvollen Portfolios, Ausschüttungen etc. aussuchen. Nur wenn neues Research ergibt, dass sich die Weltmarktallokation ändert, werden auch die Portfolios der Anleger angepasst. Die Anpassung an die Risikotoleranz der Anleger erfolgt mit unterschiedlichen Beimischungen von „Cash“. Der Grad der Mischung mit Cash hängt  nicht von Prognosen für Zinsen oder anderen volkswirtschaftlichen Größen ab sondern nur von der Verlust- bzw. Schwankungstoleranz von Anlegern. Die täglichen Performancedaten der Portfolios aber auch die Rückrechnungsdaten können für eigene Analysen von der Webseite heruntergeladen werden.

Dieser Beitrag erschien in ähnlicher Form zuerst am 7.2.2017 als Kommentar auf www.dailyfintech.com.