Robo-Advisors: quantitative Methoden im Inneren der Roboter

Derzeit gelten Robo-Advisors (RAs) als einer der wichtigsten disrupti-ven Trends in der Asset- und Vermögensverwaltungsbranche. Die Begriffe „Robo-Advice“ und „Robo-Advisor“ sind zu bekannten Schlag-wörtern geworden. Die Wachstumsaussichten für solche Systeme sind weiterhin vielversprechend.

So wird prognostiziert, dass RAs bis 2020 weltweit zwischen 0,8 und 8,1 Billionen US-Dollar verwalten, was etwa 1–10 Prozent der weltweiten Assets under Management (AUM) entspricht. Im Jahr 2017 beliefen sich die von Robo-Advisorn verwalteten AUM auf rund 226 Milliarden US-Dollar. Die Zahl der Nutzer lag bei über 12 Millionen.

Kurz gesagt kann ein RA als eine auto-matisierte Anlageplattform definiert werden, die quantitative Algorithmen zur Verwaltung der Portfolios von Investoren einsetzt und für Kunden online zugäng-lich ist. Damit umfasst der Begriff RA ein breites Spektrum an digitalen (halb-)automatischen Anlageplattformen und -dienstleistungen. Die allgemeine Klassi-

fizierung von RAs lässt sich in vier Gene-rationen unterteilen. Die der ersten und zweiten Generation umfassen Online-Fra-gebögen und Anlagevorschläge und bieten so eine Kombination aus Beratung und Online-Zugang zu traditionellen „manu-ellen“ Vermögensverwaltungsdienstleis-tungen. Im Gegensatz dazu verwenden die dritte und die vierte Generation quan-

2

Robo-Advisors: quantitative Methoden im Inneren der Roboter

titative Methoden und Algorithmen, um Portfolios zu erstellen, anzupassen und dadurch ein vollständig automatisiertes Portfoliomanagement durchzuführen. Die Unterschiede zwischen der dritten und der vierten Generation sind lediglich der Automatisierungsgrad und der metho-dische Fortschritt. Somit handelt es sich bei diesen um Systeme, die den gesamten Anlage-/Portfoliomanagementprozess abdecken, von der Auswahl des Instru-mentenuniversums über ein regelmäßiges Portfolio-Rebalancing bis zur angemesse-nen Performance-Berichterstattung.

Im Folgenden betrachten wir nur RAs der dritten und vierten Generation. Zum einen können unserer Meinung nach nur diese als „echte“ RAs betrachtet werden, da nur sie ein/e vollständig automatisierte/s Portfoliomanagement und -optimierung durchführen. Zum anderen konzentrieren sich die vorliegenden Analysen hauptsäch-lich auf die zugrunde liegenden quantita-tiven Methoden und Algorithmen, solche Analysen sind für RAs der ersten und zweiten Generation wenig sinnvoll. Daher bezieht sich der Begriff RA im Folgenden ausschließlich auf Systeme der dritten und vierten Generation.

Die derzeit online verfügbaren Informa-tionen über RAs sind sehr umfangreich und vielfältig in Bezug auf die behandelten Themen sowie die Qualität der Materi-alien. Trotz dieser Fülle ist jedoch wenig über die angewandten Methoden der Portfoliooptimierung und Asset Allocation bekannt. Bisher gibt es weder eine umfas-sende Analyse über die von RAs einge-setzten Methoden noch über ihr Auftreten in RAs und die jeweiligen AUM-Volumina. Darüber hinaus wurden bisher die zukünf-tigen methodischen Entwicklung von RAs noch nicht untersucht. Ziel der von uns durchgeführten Studie war es, die frei verfügbaren Informationen über die Methoden der Asset Allocation und Port-foliooptimierung bei bestehenden RAs weltweit zu sammeln und zu analysieren. Wir haben die Häufigkeiten der Methoden, ihre Kombinationen und die jeweiligen AUM-Volumina überprüft. Darüber hinaus stellen wir die möglichen zukünftigen methodischen Lösungen und Trends der RA-Branche dar.

Unsere Analysen basieren auf einem Datensatz von 219 Systemen, die als RAs betrachtet werden können. Wir haben deren Webseiten analysiert und alle Informationen über die Methoden der Asset Allocation und Portfoliooptimierung gesammelt. Um die mit den angewandten Methoden verbundenen AUMs zu ana-lysieren, haben wir diese Erkenntnisse mit den von den jeweiligen Unternehmen angewandten Methoden verknüpft.

Um den gesamten methodischen Rahmen der RAs besser zu verstehen, haben wir zusätzlich eine Teilmenge von 28 ausge-wählten RAs untersucht und den kom-pletten Workflow dieser Systeme von der Auswahl des Asset-Universums bis hin zur Leistungsüberwachung und Bericht-erstattung skizziert. Dazu gehören 15 Systeme, die nach BI Intelligence als beste Robo-Advisors für 2017 definiert wurden, und 13 Systeme, die nach den Analysen des Capital Journal kürzlich als für die deutschen Investoren am relevantesten definiert wurden.

3

Robo-Advisors: quantitative Methoden im Inneren der Roboter

1 2 3 4 5Alle Systeme verwenden ETFs mit wenigen Ausnah-men: aktiv gemangte/Mutual Fonds, nachhaltige Fonds, ETCs und Index-fonds. Verschiedene Aus-wahlkriterien sind: Kosten-quote, Gesamtkosten, Liquidität, Replikations-methode und Korrelation zwischen den ETFs.

Auswahl des Vermögensuniversums

Identifizierung des Anlegerprofils

Asset Allocation/Portfoliooptimierung

Überwachung und Neugewichtung

Performancemessung und Berichterstattung

Online-Fragebögen zur Identifizierung der Risiko-bereitschaft, der Anlage-ziele und des Anlage-horizonts der Kunden. Typischerweise werden die Fragen zusammen-gestellt, um die objektive Risikotoleranz durch Informationen über Alter, Einkommen, Ersparnisse, bisherige Anlageerfah-rung und Anlageziele zu eruieren.

Die meisten Systeme wenden den Ansatz der modernen Portfolio-theorie an, welcher durch verschiedene Methoden (z.B. Black-Litterman, VaR- und CVaR-Optimierung) ergänzt und modifiziert wird. Zu den Ausnahmen gehören Risk Parity, Full-Scale Optimization und Constant Proportion Port-folio Insurance. Einige wenige Systeme wenden konstante Portfolio-gewichtungen an.

Die meisten Systeme verwenden Event-/Tresh-hold-basiertes Rebalanc-ing basierend auf einertäglichen Überprüfung.Die Trigger sind insb. inPortfoliogewichtung,Renditen und VaR defi-niert. Einige Systemeverwenden kalender-basiertes Rebalancing.Einige nutzen eine opti-mierte Anlage von Divi-denden und CashFlowfür das Rebalancing.

Die Hälfte der Systeme bietet ihre Steuerungs- und Überwachungs-möglichkeiten lediglich über die Website bzw. über eine Smartphone- App. Einige Systeme senden die Monats-abschlüsse und Quartals-berichte automatisch per E-Mail.

Ergebnisse der Robo-Advisor-AnalyseWorkflows und Bestandteile eines Robo-AdvisorsDer typische Workflow eines RA umfasst fünf Bausteine. Diese Schritte unterschei-den sich im Detail zwischen den verschie-denen Systemen, teilen aber die gleichen allgemeinen Eigenschaften.

Asset Allocation und Portfoliooptimie-rung werden im Folgenden noch genauer beleuchtet.

Zusammenfassung unserer Analyse zu den fünf Schritten des oben beschrie-benen Workflows

4

Robo-Advisors: quantitative Methoden im Inneren der Roboter

Methoden der Asset Allocation und PortfoliooptimierungUnsere Analyse der verwendeten metho-dischen Ansätze ergab, dass die am häu-figsten primär angewandte bzw. erwähnte Methode die „Modern Portfolio Theory“ ist, gefolgt von den Begriffen „Sample Portfo-lios“ und „Constant Portfolio Weights“. Von diesen kann nur der Erste als quantitative Methode bezeichnet werden, während die beiden anderen allgemeine Ausdrücke sind, die verschiedene uns unbekannte Vorge-hensweisen beinhalten können.

Modern Portfolio TheorySample Portfolios

Constant Portfolio Weights

Monte-Carlo-Simulation

Black-Litterman Model

Behavioural Finance

Buy and hold

Constant Proportion Portfolio Insurance

Macro Adjusted P/E (Price/Earning)

Market Timing with Trend Following

Truncated Lévy Flight Distribution

Fix-Mix Diversification (1/n)

Diversification Optimization

Dedicated Portfolio Theory

Liability-driven Investing Tail Correlation Measures

Fama-French Factor Model

Full Scale Optimization

Sensitivity Analysis

DownsideProtection

Gordon Growth Model

Big Data Analysis

CVaROptimization

VaR Optimization

Factor Investing

Helnwein System

Prospect Theory

Mean Reversion

Neural NetworkStyle Premia

Risk-Parity

Abb. 1 – Word-Cloud aus der Häufigkeit der verschiedenen Methoden innerhalb der untersuchten Robo Advisors

Abb. 1 – Das Auftreten der in RAs angewandten Methoden visualisiert in einer Word-Cloud. Sie enthält die Namen aller Methoden, die auf den Webseiten der Unternehmen zu finden sind. Die Größe der Namen wird proportional zur Häufigkeit ihres Auftretens dargestellt.

Methodological framework Häufigkeit (in Prozent)

Modern Portfolio Theory 39,7

Sample Portfolios 27,4

Constant Portfolio Weights 13,7

Factor Investing 2,7

Liability-driven Investing 2,7

Risk Parity 1,4

Full-Scale Optimization 1,4

Constant Proportion Portfolio Insurance 1,4

Mean Reversion Trading 1,4

Andere 8,2

Tab. 1 – Häufigkeit unterschiedlicher methodischer Rahmenbedingungenin den betrachteten Robo Advisors.

5

Robo-Advisors: quantitative Methoden im Inneren der Roboter

Unsere Analyse der Assets under Manage-ment (AUM) zeigt in Übereinstimmung mit der Häufigkeitsanalyse, dass die moderne Portfoliotheorie das höchste AUM-Volumen aufweist. Abbildung 2 zeigt den Zusammenhang zwischen AUM und der Häufigkeit der verwendeten Methode. Bemerkenswert ist, dass relativ fortschrittliche Methoden wie Full-Scale Optimization und das Black-Litterman-Mo-dell trotz relativ geringen Vorkommens insgesamt hohe AUM-Volumina vorweisen. Im Gegensatz dazu werden die einfachen und allgemein definierten Methoden wie Sample Portfolios und Constant Portfolio Weights häufiger eingesetzt, haben jedoch relativ niedrige AUMs.

Diskussion und allgemeine Anmer-kungenUnsere Analysen ergaben zwei interes-sante Trends. Erstens: Die meisten der derzeitigen RAs verwenden den Ansatz der „Modern Portfolio Theory“ und ver-bessern bzw. erweitern ihn anstatt eine vollständig neue Vorgehensweise zu entwickeln.

Zweitens: Die Unternehmen, welche anspruchsvollere Methoden verwenden, erzielen höhere AUM-Volumina. Es gibt jedoch nur wenige RAs, die darunter-fallen. Allgemeiner ausgedrückt, zeigt der Vergleich eine klare Kluft zwischen den bei RAs angewandten und neueren Methoden, die allgemein vielversprechend und als wissenschaftlich fundiert in der Literatur angesehen werden.

Robo-Advisor-Methoden: ein AusblickWie bereits erwähnt, deuten unsere Ergebnisse darauf hin, dass die Unter-nehmen, die anspruchsvollere Methoden anwenden, relativ höhere AUM-Volumina aufweisen. Das bedeutet auch, dass es viele kleine AUM-Unternehmen auf dem Markt gibt, die eher einfache und allgemeine Ansätze wie „Sample Portfo-lios“ und „Constant Portfolios Weights“ anbieten.

Die Methoden, die in den verschiede-nen „Sample Portfolios“- und „Constant Portfolios Weights“-Systemen angewandt werden, sind uns nicht bekannt und

können sehr anspruchsvoll sein. Allerdings haben RAs mit einem „Sample Portfolios“- oder „Constant Portfolios Weights“-Ansatz nur sehr begrenzte Möglichkeiten zur Individualisierung. Zudem können keine kundenindividuellen Portfolios angeboten werden.

Kunden, die in RAs investieren, sind i.A. eher technologieaffin. Sie verlangen sowohl anspruchsvolle als auch individu-alisierte digitale Dienste und Methoden und erwarten, dass ihre Investitionen mit fortschrittlichen, modernen und gut implementierten Methoden und Technolo-gien verwaltet werden. Dies deutet darauf hin, dass die anspruchsvollen quantitati-ven Methoden bei RAs nicht nur deshalb eingesetzt werden, weil sie eine bessere Leistung versprechen, sondern auch, weil sie ein klares Vermarktungspotenzial besitzen. Daher veröffentlichen einige der erfolgreichen RAs detaillierte Whitepaper, in denen sie ihre Methoden beschreiben und wissenschaftlich begründen.

Quelle:

0%

20%

10%

Occ

uren

ce in

Rob

o Ad

viso

rs

40%

50%

30%

0 10.000 20.000 30.000

Modern Portfolio Theory

Full-Scale Optimization

Black-Litterman

Monte Carlo Simulations

Constant Portfolio Weights

Sample Portfolios

Overall AUM, Million USD

40.000 50.000 60.000

Abb. 2 – Zusammenhang zwischen dem Auftreten der Methoden (%) und dem jeweiligen Volumen der verwalteten Vermögen der Robo-Berater (AUM; Mio. USD). Jeder Robo-Advisor hat zwischen 1 und 5 Methoden beigetragen.

Robo-Advisors: quantitative Methoden im Inneren der Roboter

6

Es ist offensichtlich, dass die moderne Portfoliotheorie, die mehr als 65 Jahre alt ist, kein allzu überzeugender Ansatz für die neue Generation von Investoren sein kann. Es gibt jedoch verschiedene andere Methoden, die eine vielversprechende Performance und eine gewisse Marke-tingattraktivität für RAs bieten. Zu diesen zählen Risk Parity, Full-Scale Optimization,

Scenario Optimization und Risk Parity with Skewness Risk. Die marketingrele-vanten Merkmale dieser Methoden sind in Tabelle 2 zusammengefasst. Sie zeigen, dass diese Ansätze für Investoren attraktiv sein können, die zumindest ein gewisses Maß an Komplexität in der Methodik und Technologie der RAs erwarten.

Angesichts der Diskrepanz zwischen den aktuellen RAs und der State-of-the-Art-Methodik sowie den Erwartungen der Investoren kann mit wesentlichen Veränderungen im RA-Sektor gerechnet werden. Die neueren Ansätze, welche anspruchsvoller und individualisierbarer sind, werden in den RAs eingeführt, wo sie zur Performance-Steigerung und als Marketinginstrumente zur Gewinnung neuer Investoren eingesetzt werden. Der Wettbewerb zwischen den Marktteilneh-mern wird im Zuge der weiteren Entwick-lung von RA-Dienstleistungen und durch eine Sättigung des Sektors mit vielfältigen Angeboten von Unternehmen zunehmen.

Die zukünftige Entwicklung und das Wachstum von RAs wird von vielen Faktoren abhängen. Die Schlüsselfrage für das Wachstum des Sektors ist, ob und wie wohlhabende Investoren in RAs investie-ren werden. Bestehende Studien deuten auf eine Offenheit dieser Investoren hin. Jedoch zeigt sich auch, dass viele eine gewisse menschliche Kontrolle über den Investmentprozess wünschen und damit eine Kombination zwischen menschlichen und automatisierten Elementen vorzie-hen. Solche Hybridmodelle werden aktuell häufig als der nächste Trend im RA-Sektor angesehen. Insbesondere in ungewöhn-lichen oder Krisensituationen ist eine menschliche Kontrolle wünschenswert.

Hinsichtlich Asset Allocation und Portfolio-optimierungsansätzen erwarten wir, dass der methodische Kern solcher Hybride den Vorgehensweisen eines vollautoma-tischen Systems entsprechen werden. Der Unterschied liegt in der Einführung zusätzlicher Komponenten, die sowohl für die manuelle Anpassung der Strategien als auch für die Einbeziehung bestimmter externer Informationen und analytischer Meinungen erforderlich sind.

Methode Marketingrelevante Eigenschaft

Risk Parity Risk Parity bietet eine perfekte oder „perfektionistische” Risikodiversifizierung, da

alle Portfoliokomponenten identische Risikobeiträge aufweisen.

Full-Scale Full-Scale Optimization bietet anpassbare, kundenspezifische Nutzenfunktionen Optimization und kann das Risiko eines katastrophalen Schadens eingrenzen.

Scenario Die Szenariooptimierung kann defensive Portfolios anbieten, die sich auch Optimization Krisenzeiten gut entwickeln sollten.

Risk Parity with Risk Parity with Skewness Risk hat alle Eigenschaften der Risikoparität, berück-Skewness Risk sichtigt aber auch das Risiko eines katastrophalen Schadens.

Lorem ipsum Tab. 2 – Marketingrelevante Merkmale verschiedener Methoden, die eine vielversprechendeAlternative zum Modern Portfolio Theory Framework darstellen und in Robo Advisors verwendetwerden können.

Die Deloitte GmbH Wirtschaftsprüfungsgesellschaft („Deloitte”) als verantwortliche Stelle i.S.d. BDSG und, soweit gesetzlich zulässig, die mit ihr verbundenen Unternehmen und ihre Rechtsberatungspraxis (Deloitte Legal Rechtsanwaltsgesellschaft mbH) nutzen Ihre Daten im Rahmen individueller Vertragsbeziehungen sowie für eigene Marketingzwecke. Sie können der Verwendung Ihrer Daten für Marketingzwecke jederzeit durch entsprechende Mitteilung an Deloitte, Business Development, Kurfürstendamm 23, 10719 Berlin, oder kontakt@deloitte.de widersprechen, ohne dass hierfür andere als die Übermittlungskosten nach den Basistarifen entstehen.

Diese Veröffentlichung enthält ausschließlich allgemeine Informationen, die nicht geeignet sind, den besonderen Umständen des Einzelfalls gerecht zu werden, und ist nicht dazu bestimmt, Grundlage für wirtschaftliche oder sonstige Entscheidungen zu sein. Weder die Deloitte GmbH Wirtschaftsprüfungsgesellschaft noch Deloitte Touche Tohmatsu Limited, noch ihre Mitgliedsunternehmen oder deren verbundene Unternehmen (insgesamt das „Deloitte Netzwerk“) erbringen mittels dieser Veröffentlichung professionelle Beratungs- oder Dienstleistungen. Keines der Mitgliedsunternehmen des Deloitte Netzwerks ist verantwortlich für Verluste jedweder Art, die irgendjemand im Vertrauen auf diese Veröffentlichung erlitten hat.

Deloitte bezieht sich auf Deloitte Touche Tohmatsu Limited („DTTL“), eine „private company limited by guarantee“ (Gesellschaft mit beschränkter Haftung nach britischem Recht), ihr Netzwerk von Mitgliedsunternehmen und ihre verbundenen Unternehmen. DTTL und jedes ihrer Mitgliedsunternehmen sind rechtlich selbstständig und unabhängig. DTTL (auch „Deloitte Global“ genannt) erbringt selbst keine Leistungen gegenüber Mandanten. Eine detailliertere Beschreibung von DTTL und ihren Mitgliedsunternehmen finden Sie auf www.deloitte.com/de/UeberUns.

Deloitte erbringt Dienstleistungen in den Bereichen Wirtschaftsprüfung, Risk Advisory, Steuerberatung, Financial Advisory und Consulting für Unternehmen und Institutionen aus allen Wirtschaftszweigen; Rechtsberatung wird in Deutschland von Deloitte Legal erbracht. Mit einem weltweiten Netzwerk von Mitgliedsgesellschaften in mehr als 150 Ländern verbindet Deloitte herausragende Kompetenz mit erstklassigen Leistungen und unterstützt Kunden bei der Lösung ihrer komplexen unternehmerischen Herausforderungen. Making an impact that matters – für rund 286.000 Mitarbeiter von Deloitte ist dies gemeinsames Leitbild und individueller Anspruch zugleich.

Stand 01/2019

Ihre Ansprechpartner

Dr. Manuel WittkeSenior Manager Risk Advisorymwittke@deloitte.de

Dr. Mikhail BeketovSenior Manager Risk Advisorymbeketov@deloitte.de

Dr. Thomas MoosbruckerPartner, Risk Advisory, Financial Risk, FSItmoosbrucker@deloitte.de