ARTIKEL 30
Quantamental Investing: Quantitative und qualitative Analyse verbinden
SEO-Titel: Quantamental Investing – Quantitative und fundamentale Analyse verbinden
Meta-Description: Was ist Quantamental Investing? Erfahren Sie, wie quantitative Modelle, Fundamentalanalyse und qualitative Informationen zu einem strukturierten Investmentprozess verbunden werden können.
URL-Slug: /blog/quantamental-investing/
Haupt-Suchbegriff: Quantamental Investing
Weitere Suchbegriffe: quantamental, quantitative Fundamentalanalyse, qualitative Finanzanalyse, Fundamental Quant, quantitative Aktienanalyse
Was ist Quantamental Investing?
Quantamental Investing bezeichnet einen Investmentansatz, der quantitative Analyse mit fundamentaler beziehungsweise qualitativer Analyse verbindet.
Der Begriff setzt sich zusammen aus:
Quantitative
und
Fundamental
Die Grundidee lautet:
Quantitative Modelle besitzen besondere Stärken bei:
- großen Datenmengen,
- systematischer Vergleichbarkeit,
- Skalierbarkeit,
- konsistenten Regeln.
Fundamentale und qualitative Analyse besitzt dagegen besondere Stärken bei:
- Interpretation von Geschäftsmodellen,
- Managementqualität,
- Wettbewerb,
- strategischen Veränderungen,
- Kontext.
Ein quantamentaler Prozess versucht, beide Perspektiven miteinander zu verbinden.
Quantitativ oder fundamental?
Investmentprozesse werden häufig künstlich in zwei Lager getrennt.
Quantitativ
Entscheidungen basieren auf:
- Daten,
- Faktoren,
- statistischen Modellen,
- Algorithmen,
- Rankings.
Fundamental
Entscheidungen basieren stärker auf:
- Jahresabschlüssen,
- Unternehmensanalysen,
- Geschäftsmodellen,
- Branchenkenntnis,
- Managementbeurteilung.
Beide Ansätze besitzen Stärken und Schwächen.
Quantamental Investing versucht nicht, einen Ansatz durch den anderen zu ersetzen.
Es versucht, ihre Vorteile systematisch zu kombinieren.
Die Stärke quantitativer Analyse
Ein menschlicher Analyst kann nur eine begrenzte Zahl von Unternehmen sehr tief untersuchen.
Ein quantitatives Modell kann dagegen innerhalb kurzer Zeit Tausende Wertpapiere nach einheitlichen Regeln analysieren.
Beispielsweise:
5.000 Aktien
können gleichzeitig bewertet werden nach:
- Value,
- Momentum,
- Quality,
- Profitabilität,
- Wachstum,
- Volatilität.
Dadurch entsteht große analytische Breite.
Konsistenz
Quantitative Regeln werden normalerweise für jedes Unternehmen gleich angewendet.
Beispielsweise:
Aktien mit hoher Profitabilität, günstiger Bewertung und positivem Momentum erhalten höhere Scores.
Das reduziert die Gefahr, dass bei unterschiedlichen Unternehmen völlig unterschiedliche Maßstäbe verwendet werden.
Reproduzierbarkeit
Ein quantitatives Modell kann dokumentiert und wiederholt werden.
Wenn Daten und Regeln identisch sind, sollte das Modell dasselbe Ergebnis erzeugen.
Das verbessert:
- Nachvollziehbarkeit,
- Testing,
- Researchdisziplin.
Grenzen quantitativer Modelle
Zahlen bilden nicht die gesamte wirtschaftliche Realität ab.
Ein Modell kann beispielsweise erkennen:
- hohe Margen,
- niedrige Verschuldung,
- attraktive Bewertung.
Es erkennt möglicherweise nicht ohne Weiteres:
- massiven Managementwechsel,
- bevorstehenden Technologiewandel,
- regulatorische Gefahr,
- strukturellen Verlust eines Wettbewerbsvorteils.
Genau hier kann qualitative Analyse zusätzliche Informationen liefern.
Fundamentalanalyse
Fundamentalanalyse untersucht die wirtschaftliche Situation eines Unternehmens.
Dazu gehören beispielsweise:
- Umsatz,
- Gewinn,
- Cashflow,
- Bilanz,
- Kapitalstruktur,
- Investitionen,
- Bewertung.
Viele dieser Informationen sind quantitativ messbar.
Fundamentalanalyse ist deshalb nicht automatisch rein qualitativ.
Qualitative Analyse
Qualitative Analyse untersucht schwerer direkt messbare Merkmale.
Beispiele:
- Qualität des Managements,
- Wettbewerbsvorteile,
- Marktposition,
- Unternehmensstrategie,
- Kapitalallokationsdisziplin,
- technologische Risiken,
- regulatorisches Umfeld.
Solche Aspekte können wirtschaftlich wichtig sein, lassen sich aber häufig nicht vollständig in einer einzelnen Kennzahl abbilden.
Ein möglicher quantamentaler Prozess
Ein strukturierter Ablauf könnte lauten:
1. quantitatives Screening
↓
2. Ranking
↓
3. Kandidatenliste
↓
4. fundamentale Detailanalyse
↓
5. qualitative Prüfung
↓
6. Investmententscheidung
↓
7. quantitative Portfolio- und Risikokontrolle
Damit übernimmt jede Methodik eine Aufgabe, für die sie besonders geeignet ist.
Beispiel: 5.000 Aktien
Angenommen, das ursprüngliche Universum enthält 5.000 Unternehmen.
Ein menschliches Analystenteam kann nicht jedes Unternehmen vollständig untersuchen.
Ein Quant-Modell könnte zunächst einen Score berechnen.
Beispielsweise:
30 % Quality
25 % Value
25 % Momentum
20 % Stability
Anschließend werden nur die attraktivsten 100 Unternehmen detailliert untersucht.
Dadurch verbindet man:
quantitative Breite
mit
fundamentaler Tiefe.
Value
Ein quantitativer Value-Score könnte verschiedene Kennzahlen kombinieren.
Beispiele:
- Earnings Yield,
- Free Cashflow Yield,
- Book-to-Market,
- Enterprise Value relativ zu operativen Kennzahlen.
Ein niedriger Preis allein bedeutet allerdings nicht automatisch Unterbewertung.
Die Value Trap
Ein Unternehmen kann günstig erscheinen, weil sich sein Geschäft strukturell verschlechtert.
Beispiele:
- technologischer Wandel,
- schrumpfender Markt,
- schlechte Kapitalallokation,
- regulatorische Risiken.
Ein rein quantitatives Value-Modell könnte dies teilweise erst verspätet erfassen.
Fundamentales Research kann versuchen, zwischen:
günstig
und
aus gutem Grund günstig
zu unterscheiden.
Quality
Quantitative Quality-Faktoren können beispielsweise umfassen:
- Profitabilität,
- Cashflow-Qualität,
- geringe Verschuldung,
- Ertragsstabilität.
Diese Merkmale können Unternehmen systematisch vergleichbar machen.
Qualitative Analyse kann anschließend fragen:
Warum ist die Profitabilität hoch?
Mögliche Ursachen:
- echter Wettbewerbsvorteil,
- temporärer Zyklus,
- aggressive Bilanzierung.
Momentum
Momentum kann Informationen enthalten, die fundamentale Modelle nicht unmittelbar erfassen.
Steigende Preise können beispielsweise zeigen, dass der Markt neue Informationen zunehmend einpreist.
Quantamental Investing kann deshalb auch fundamentale und preisbasierte Signale kombinieren.
Qualität des Managements
Managementqualität ist schwerer quantitativ zu messen.
Mögliche qualitative Fragen:
- Werden langfristige Ziele erreicht?
- Wie wird Kapital allokiert?
- Wie glaubwürdig ist die Kommunikation?
- Gibt es häufige Strategieänderungen?
- Werden Aktionärsinteressen berücksichtigt?
Solche Einschätzungen können quantitative Daten ergänzen.
Kapitalallokation
Ein Unternehmen kann hohe Cashflows erwirtschaften und sie trotzdem schlecht verwenden.
Mögliche Verwendungen:
- Investitionen,
- Übernahmen,
- Dividenden,
- Aktienrückkäufe,
- Schuldentilgung.
Quantitative Kennzahlen können die historische Kapitalallokation teilweise messen.
Qualitative Analyse kann zusätzlich beurteilen, ob die zukünftige Strategie plausibel erscheint.
Wettbewerbsvorteile
Wettbewerbsvorteile können entstehen aus:
- Netzwerkeffekten,
- Marken,
- Patenten,
- Skaleneffekten,
- Wechselkosten,
- Datenvorteilen.
Ein quantitativer Ansatz kann deren Auswirkungen möglicherweise in:
- Margen,
- Returns on Capital,
- Marktanteilen
sehen.
Die Ursache selbst benötigt häufig zusätzliche Interpretation.
Branchenstruktur
Unternehmen existieren nicht isoliert.
Eine qualitative Branchenanalyse kann untersuchen:
- Wettbewerbsintensität,
- Markteintrittsbarrieren,
- Preissetzungsmacht,
- Regulierung,
- Technologiewandel.
Diese Informationen können quantitative Signale bestätigen oder infrage stellen.
Alternative Daten
Quantamentale Prozesse können zusätzliche Datenquellen integrieren.
Beispiele:
- Textdaten,
- Stellenanzeigen,
- Suchtrends,
- Satellitendaten,
- Kreditkartendaten,
- Webdaten.
Solche Daten können quantitative Breite liefern und gleichzeitig wirtschaftlich interpretiert werden.
Natural Language Processing
Unternehmensberichte, Pressemitteilungen oder Earnings Calls bestehen überwiegend aus Text.
NLP-Methoden können versuchen, daraus strukturierte Merkmale abzuleiten.
Beispiele:
- Sentiment,
- Themen,
- Unsicherheitsbegriffe,
- Veränderungen der Managementsprache.
Damit wird qualitative Information teilweise quantifizierbar.
Bedeutet das das Ende menschlicher Analyse?
Nein.
Ein NLP-Modell kann beispielsweise erkennen, dass bestimmte Wörter häufiger auftreten.
Ein Analyst kann zusätzlich fragen:
Warum verändert sich die Kommunikation?
Die Kombination kann stärker sein als beide Ansätze isoliert.
Behavioral Bias
Menschen besitzen kognitive Verzerrungen.
Beispiele:
- Confirmation Bias,
- Anchoring,
- Overconfidence,
- Recency Bias.
Quantitative Regeln können helfen, Entscheidungen konsistenter zu machen.
Sie sind jedoch selbst nicht frei von Bias.
Der Bias kann bereits eingebaut worden sein durch:
- Datenwahl,
- Modellwahl,
- Parameterwahl.
Modell-Bias statt menschlichem Bias
Quantamental Investing bedeutet daher nicht:
Maschine objektiv, Mensch subjektiv.
Auch Modelle beruhen auf menschlichen Entscheidungen.
Die sinnvollere Aufgabe besteht darin:
menschliche und modellbasierte Fehlerquellen gegenseitig kontrollierbar zu machen.
Wer hat das letzte Wort?
Quantamentale Prozesse können unterschiedlich aufgebaut werden.
Modell zuerst, Mensch als Filter
Der Quant-Score erzeugt Kandidaten.
Der Analyst kann bestimmte Kandidaten ausschließen.
Mensch zuerst, Modell als Kontrolle
Analysten entwickeln Investmentideen.
Ein Quant-Modell prüft:
- Bewertung,
- Risiko,
- Faktor-Exposure.
Integrierter Score
Quantitative und qualitative Einschätzungen werden in einem gemeinsamen Entscheidungsmodell kombiniert.
Keine Variante ist grundsätzlich immer überlegen.
Entscheidend ist, dass der Prozess vorab klar definiert wird.
Die Gefahr des nachträglichen Overrides
Ein großes Problem entsteht, wenn menschliche Overrides nur dann vorgenommen werden, wenn ein Modellresultat subjektiv nicht gefällt.
Beispiel:
Das Modell empfiehlt Aktie A, aber ich mag das Unternehmen nicht.
Wenn solche Eingriffe unstrukturiert erfolgen, geht die Reproduzierbarkeit verloren.
Overrides sollten deshalb dokumentiert werden.
Override-Prozess
Ein möglicher Prozess:
- Grund für Override,
- Datum,
- verantwortliche Person,
- erwartete Wirkung,
- spätere Auswertung.
Dadurch kann untersucht werden:
Haben menschliche Eingriffe das Modell tatsächlich verbessert?
Das verwandelt subjektive Entscheidungen wieder in empirisch überprüfbare Informationen.
Quantifizierung qualitativer Informationen
Qualitative Einschätzungen können teilweise standardisiert werden.
Beispiel Management:
1 = sehr schwach
bis
5 = sehr stark
Bewertung anhand definierter Kriterien:
- Kapitalallokation,
- Governance,
- Strategie,
- Kommunikation.
Dadurch wird qualitative Analyse strukturierter.
Vorsicht vor Scheingenauigkeit
Ein Managementscore von:
4,2
wirkt sehr präzise.
In Wirklichkeit bleibt die Bewertung subjektiv.
Die Quantifizierung sollte deshalb keine Genauigkeit vortäuschen, die nicht existiert.
Sie soll Struktur schaffen, nicht Unsicherheit beseitigen.
Quantamentale Faktorstrategie
Ein Beispiel:
Quantitativer Filter
- positive Profitabilität,
- moderate Bewertung,
- positives Momentum,
- ausreichende Liquidität.
Fundamentale Analyse
- Geschäftsmodell,
- Bilanzqualität,
- Cashflow,
- Wachstum.
Qualitative Analyse
- Management,
- Wettbewerbsvorteil,
- Branchenrisiko.
Portfolio
- Diversifikation,
- Faktorgrenzen,
- Positionslimits.
Damit werden mehrere Analyseebenen verbunden.
Quantamental und Machine Learning
Machine Learning kann ebenfalls Bestandteil eines quantamentalen Prozesses sein.
Ein Modell könnte:
- Renditen ranken,
- Unternehmen clustern,
- Text analysieren.
Menschliches Research kann anschließend die Ergebnisse interpretieren.
Wichtig bleibt:
Machine Learning sollte nicht als Black Box verwendet werden, deren Output ohne ökonomische Prüfung übernommen wird.
Portfolioebene
Selbst sehr überzeugende Einzelideen müssen in ein Portfolio eingebettet werden.
Quantitative Portfolioanalyse kann kontrollieren:
- Positionsgrößen,
- Korrelationen,
- Sektor-Exposure,
- Faktor-Exposure,
- Liquidität.
Dadurch kann die qualitative Aktienauswahl in eine systematische Risikostruktur integriert werden.
Quantamental bedeutet nicht diskretionär
Ein quantamentaler Prozess kann sehr stark systematisiert sein.
Beispielsweise:
Quant-Modell 60 % Gewicht
Fundamentalscore 25 %
Qualitativscore 15 %
Entscheidend ist nicht, dass ein Mensch beteiligt ist.
Entscheidend ist die strukturierte Verbindung unterschiedlicher Informationsarten.
Quantamental bedeutet auch nicht automatisch besser
Die Verbindung zweier Methoden garantiert keinen Mehrwert.
Sie kann sogar zusätzliche Komplexität erzeugen.
Mögliche Risiken:
- widersprüchliche Signale,
- unklare Verantwortlichkeit,
- subjektive Overrides,
- Overfitting,
- hohe Researchkosten.
Der kombinierte Prozess muss deshalb selbst empirisch überprüft werden.
Breadth und Depth
Eine besonders nützliche Beschreibung lautet:
Quantitative Analyse liefert Breite.
Fundamentales Research liefert Tiefe.
Das quantitative System kann große Universen konsistent durchsuchen.
Der Analyst kann eine begrenzte Zahl besonders relevanter Fälle intensiver untersuchen.
Genau diese Kombination bildet den Kern vieler quantamentaler Ansätze.
Geeignete Einsatzfelder
Quantamentale Prozesse sind beispielsweise denkbar bei:
- Aktienselektion,
- Kreditresearch,
- Asset Allocation,
- Faktorstrategien,
- Event-Driven-Ansätzen.
Der konkrete Aufbau hängt stark vom Anlageziel ab.
Ein wissenschaftlicher quantamentaler Prozess
Ein belastbarer Ablauf könnte lauten:
1. Hypothese formulieren
↓
2. quantitative Kriterien definieren
↓
3. historisch testen
↓
4. qualitative Kriterien operationalisieren
↓
5. Entscheidungsprozess vorab definieren
↓
6. Out-of-Sample prüfen
↓
7. Portfolio und Risiko modellieren
↓
8. menschliche Overrides dokumentieren
↓
9. Ergebnisse attributionieren
Damit bleibt der hybride Ansatz empirisch überprüfbar.
Performance Attribution
Besonders interessant ist die spätere Frage:
Woher kam der Mehrwert?
Mögliche Komponenten:
- Quant-Modell,
- Analystenauswahl,
- Overrides,
- Portfoliooptimierung,
- Risikomanagement.
Nur wenn diese Ebenen getrennt gemessen werden, lässt sich beurteilen, ob die qualitative Ergänzung tatsächlich Nutzen erzeugt hat.
Quantamental als Lernprozess
Die Verbindung funktioniert in beide Richtungen.
Nicht nur:
Quant-Modell → Analyst
sondern auch:
Analyst → Modell
Ein Analyst erkennt beispielsweise ein wiederkehrendes Merkmal erfolgreicher Unternehmen.
Dieses Merkmal kann anschließend operationalisiert und auf Tausende Unternehmen getestet werden.
Damit wird qualitative Beobachtung zur neuen quantitativen Hypothese.
Beispiel
Ein Analyst beobachtet:
Unternehmen mit hoher Kapitalallokationsdisziplin scheinen langfristig besser abzuschneiden.
Nun wird definiert:
Was bedeutet Kapitalallokationsdisziplin messbar?
Mögliche Variablen:
- Return on Invested Capital,
- Übernahmehistorie,
- Verschuldung,
- Aktienrückkäufe,
- Investitionsrenditen.
Aus qualitativer Beobachtung entsteht quantifizierbares Research.
Der Kreislauf
Ein reifer quantamentaler Prozess kann deshalb zyklisch sein:
Beobachtung
→ Hypothese
→ quantitative Prüfung
→ qualitative Interpretation
→ Modellverbesserung
→ erneute Prüfung
Damit werden Mensch und Modell nicht als Konkurrenten betrachtet.
Sie übernehmen unterschiedliche Rollen im Erkenntnisprozess.
Fazit
Quantamental Investing verbindet:
Datenbreite + statistische Disziplin + fundamentale Analyse + qualitative Interpretation
Der Ansatz versucht damit, zwei Schwächen zu reduzieren:
reine Quantmodelle
können Kontext übersehen.
rein diskretionäre Analyse
kann inkonsistent, langsam und anfällig für Behavioral Bias sein.
Der größte Vorteil entsteht nicht durch bloßes Mischen beider Methoden.
Er entsteht durch einen klar definierten, dokumentierten und empirisch überprüfbaren Prozess.
Die entscheidende Frage lautet deshalb nicht:
Quant oder Fundamental?
Sondern:
Welche Information lässt sich am zuverlässigsten systematisch messen – und wo schafft fundierte menschliche Interpretation zusätzlichen Erkenntniswert?
Weiterführende Literatur
- Ma, L. (2020): Quantamental Investment, in: Quantitative Investing: From Theory to Industry.
- Graham, B.; Dodd, D.: Security Analysis.
- Grinold, R. C.; Kahn, R. N.: Active Portfolio Management.
- Gu, S.; Kelly, B.; Xiu, D.: Empirical Asset Pricing via Machine Learning.
- Kahneman, D.: Thinking, Fast and Slow.
- Morgan Stanley Investment Management: Quantamental Investing.
Passendes Fachbuch
Qualitative Finanzen – Lehrbuch mit quantamentalem Anschluss von Olaf Sund.
Ergänzende Fachbücher
- Assetmanagement
- Machine Learning für Finanzdaten
- Quantitative Finanzen, Trading, Analyse und Engineering
Weiterführende Beiträge auf quantitativefinanzen.de
- Quantitatives Portfoliomanagement
- Quantitative Finanzanalyse
- Machine Learning für Finanzdaten
- Feature Engineering für Finanzdaten
- Quant Trading