Klares Signal für gute Anleihen-Investments

Der Markt für Unternehmensanleihen ist in den vergangenen Jahren stark gewachsen, sowohl vom Volumen als auch von der Zahl der Emittenten. Dies macht den Markt zwar wesentlich komplexer, eröffnet jedoch auch Möglichkeiten für Anleger. Wie es mithilfe von ausgefeilter Systematik und Künstlicher Intelligenz gelingt, echte Signale aus dem Marktrauschen zu filtern, erläutert Souheir Asba, Portfolio Manager-Investment Grade Credit bei AllianceBernstein in ihrem Gastbeitrag.

Mehr Emittenten, mehr ausstehende Titel, mehr Segmente: Der Markt für Unternehmensanleihen hat sich in den vergangenen Jahren sowohl in der Breite als auch in der Tiefe deutlich ausgedehnt. Für Anleger erhöht das die Komplexität – aber genau daraus entsteht auch eine Chance: Denn je größer und heterogener das investierbare Universum, desto häufiger treten Fehlbewertungen zwischen einzelnen Anleihetiteln auf, die sich gewinnbringen nutzen lassen. Allokationen, die rein auf Makrokennzahlen setzen, entgehen diese Chancen. Mit einer systematischen Titelauswahl lassen sich die angesprochenen Relative-Value-Verzerrungen identifizieren und als Grundlage nutzen, um Alpha für das eigene Portfolio zu generieren.

Anleihe-Investments: Klassische Ansätze stoßen an Grenzen

Ermöglicht wird dies durch moderne Fixed Income Strategien. Traditionelle Credit-Portfolios kombinieren häufig Einzeltitelauswahl mit aktiven Entscheidungen zu Duration, Kurve oder Sektorallokation. In der Praxis kann das dazu führen, dass sich der Performancebeitrag aus der Selektion schwer isolieren lässt und dass unbeabsichtigte Risikoquellen entstehen. Ein konkretes Beispiel: Ein Anleger kauft zwei „besonders attraktive“ Industrie-Anleihen, merkt aber nicht, dass beide deutlich länger laufen als die Benchmark. Kurz darauf steigen die langen Zinsen stark. Allein diese ungewollte Duration-/Kurvenwette drückt die Performance gegenüber der Benchmark. Gleichzeitig hat er Industrie übergewichtet, und als sich Industrie-Spreads ausweiten, kommt ein weiterer negativer Beitrag dazu. Ob seine Einzeltitelselektion gut war, ist kaum noch sichtbar, weil die Rendite vor allem von Zins-, Kurven- und Sektorallokation getrieben wurde – also von Risiken, die er gar nicht „bewusst“ eingehen wollte.

Eine systematische Fixed-Income-Strategie geht einen anderen Weg: Erträge sollen unabhängig vom Marktumfeld aus der Auswahl einzelner Anleihen entstehen. Gerade weil das Marktuniversum stark gewachsen ist, können sich auf dieser Basis zahlreiche Chancen „nur“ aus der richtigen Auswahl ergeben – und zwar ohne dass große Wetten auf die gesamtwirtschaftliche Entwicklung notwendig ist. Systematische Selektion bedeutet, dass das Portfolio eben nicht wie im Beispiel eine „Black Box“ mit unsichtbaren Risiken ist. Anlageentscheidungen werden auf Basis plausibler ökonomischer Hypothesen getroffen, die dann zunächst mithilfe von Modellen getestet und umgesetzt werden.

Übersetzt für in unser Beispiel, würde der Anleger, statt die zwei Industrie-Anleihen „nach Gefühl“ zu kaufen, gezielt diejenigen Titel auswählen, die nach klaren Kriterien wie etwa der Bewertung, Qualität und Momentum eine robuste Mehrverzinsung erwarten lassen – Duration, Kurve und Sektor wählt das Model nahe an der Benchmark. So kommt die relative Rendite tatsächlich vor allem aus der besseren Einzeltitelauswahl – und eben nicht daraus, ob lange Zinsen steigen oder Industrie-Spreads sich ausweiten.

Daten und Marktintransparenz als Hindernis

In der Praxis nutzen Anbieter solcher Strategien eine Scoring-Logik: Jede Anleihe im investierbaren Universum erhält Faktor-Scores, daraus werden wiederum Rangfolgen abgeleitet, und schließlich ein Portfolio erstellt, das die gewünschten Exposures bündelt und gleichzeitig die Präferenzen bezüglich des Risikos respektiert. Wichtig dabei ist: Faktoren sind nur ein Baustein – sie müssen in einen Prozess eingebettet sein, der Forschung, Simulation, Portfoliokonstruktion, Liquiditätsprüfung und Handel eng verzahnt. Ein dabei häufig unterschätzter Punkt: Nicht alle Faktoren funktionieren universell in jedem Markt. Ein Beispiel: Zwar können Strategien für den europäischen Anleihenmarkt derselben Grundphilosophie folgen wie die Variante für den US-Markt. Dennoch muss jede Strategie an regionale Marktstrukturen, Datenverfügbarkeit und Mikrostruktur angepasst werden.

Backtests, robuste Rebalancings und transaktionskostenbewusste Simulationen, die für das Umsetzen der Strategien benötigt werden, sind datenintensiv. Ohne ausreichende Datenbasis riskieren Modelle, eher historische Zufälle als wiederholbare Signale zu optimieren. Eine weitere Hürde für Systematic Fixed Income Strategien ist, dass Corporate Bonds oft in fragmentierten und wenig transparenten Märkten gehandelt werden. Viele theoretisch attraktive Relative-Value-Ideen scheitern genau an diesem Punkt: Was im Modell wie ein klarer Mehrertrag aussieht, kann durch Spreads, Market Impact oder fehlende Handelbarkeit schnell aufgezehrt sein. Erfolgreiche Modelle behandeln die Liquidität daher nicht als nachgelagerte „Trading-Frage“, sondern als integralen Bestandteil des Investmentprozesses.

Menschliche Expertise erforderlich

Sowohl bei der Datenthematik als auch bei der Intransparenz des Anleihemarktes hilft heute moderne Technologie: Künstliche Intelligenz und Machine Learning liefern die Basis um moderne Systematic Fixed Income Strategien zu realisieren. Sie verarbeiten  enorme Informationsmengen und helfen bei der Analytik. Wenn viele Faktoren, Titel und Restriktionen gleichzeitig berücksichtigt werden, unterstützt Maschine Learning, Rauschen von robusteren Signalen zu trennen. Gleichzeitig erfordern die Ansätze jedoch an vielen Stellen weiterhin menschliche Expertise – etwa bei der Definition der richtigen Faktoren. Am Ende sind es auch heute noch die Portfoliomanager und Analysten, die die Impulse und Ideen liefern, auf denen die Anlagestrategien basieren.

Systematic Fixed Income Strategien finden in immer mehr Portfolios Anwendung – gerade auch bei Institutionellen Anlegern. Dabei zeigen die Ansätze gerade über einen längeren Zeitraum ihr volles Potenzial – eben weil der Ansatz Duration- und Sektorwetten vermeidet und damit die Wahrscheinlichkeit extremer Abweichungen gegenüber dem Markt reduziert. Gleichzeitig ist das aber kein Versprechen eines linearen Ertragspfads: Faktoren können phasenweise schwächer funktionieren, Datenregimes können sich ändern und Liquidität kann in Stressphasen zum dominierenden Treiber werden. Der entscheidende Punkt ist daher nicht die Existenz einzelner Faktoren, sondern die Qualität des Gesamtprozesses: Daten, Testing-Disziplin, transaktionskostenbewusste Portfoliokonstruktion, laufendes Monitoring und belastbare Ausführung.

Systematische Fixed-Income-Ansätze werden klassische Ansätze nicht zwingend ersetzen, vielmehr werden Sie zu einem stabilisierenden Element in Gesamtportfolio. Die Logik dahinter ist einfach: Da die Ansätze Alpha-Quellen aus reiner Einzeltitelselektion anstreben und die Korrelation zu klassischen makrogetriebenen Renditetreibern minimieren, ist ein solcher Baustein eine hervorragende Diversifikation zu aktiven Risiken. Klar ist auch: In einem Markt, der strukturell an Komplexität gewinnt, dürfte die Zahl potenzieller Relative-Value-Gelegenheiten weiter steigen – und damit auch die Einsatzmöglichkeiten von Systematic Fixed Income Strategien.

Souheir Asba ist Portfolio Managerin im Investment Grade Credit-Team bei AllianceBernstein. Alliance Bernstein ist ein globales Vermögensverwaltungs- und Research-Unternehmen mit einem verwalteten Vermögen von 785 Milliarden US-Dollar.

https://www.alliancebernstein.com

Der Beitrag ist zuerst in EXXECNEWS Ausgabe 05-2026 erschienen.