Statistische Arbitrage, häufig als Stat Arb bezeichnet, ist ein quantitativer Handelsansatz, der Daten und statistische Modelle nutzt, um vorübergehende Bewertungsunterschiede zwischen miteinander verbundenen Finanzinstrumenten zu erkennen. Eine typische Strategie kauft relativ unterbewertete Vermögenswerte und verkauft relativ überbewertete Titel leer. Sie versucht, von einer Rückkehr des Preisverhältnisses in einen normaleren Bereich zu profitieren.
Trotz des Begriffs „Arbitrage“ handelt es sich nicht um eine risikofreie Strategie. Bei der klassischen Arbitrage wird eine klar erkennbare Preisdifferenz desselben oder eines wirtschaftlich gleichwertigen Vermögenswerts an verschiedenen Märkten ausgenutzt. Statistische Arbitrage basiert dagegen auf Wahrscheinlichkeiten. Eine in historischen Daten beobachtete Beziehung kann sich abschwächen, verändern oder vollständig verschwinden. Deshalb kann eine Strategie Verluste erleiden, selbst wenn das Modell in der Vergangenheit gut funktioniert hat.
## Wie funktioniert statistische Arbitrage?
Der Prozess beginnt mit der Analyse großer Mengen an Marktdaten. Dazu können Preise, Renditen, Handelsvolumen, Volatilität, Branchenzugehörigkeit und weitere Variablen gehören, die erklären, wie sich verschiedene Vermögenswerte im Verhältnis zueinander bewegen.
Viele Strategien beruhen auf dem Prinzip der Mittelwertrückkehr. Danach besteht die Möglichkeit, dass eine Preisdifferenz oder relative Bewertung zu ihrem historischen Durchschnitt zurückkehrt, wenn sie sich ungewöhnlich weit davon entfernt hat.
Angenommen, die Aktien zweier Unternehmen aus derselben Branche haben über längere Zeit ein relativ stabiles Preisverhältnis gezeigt. Steigt eine Aktie plötzlich stark, während die andere zurückbleibt, kann ein Modell diese Abweichung als potenzielle Handelsmöglichkeit erkennen.
Die Strategie könnte die relativ schwächere Aktie kaufen und die stärkere leerverkaufen. Verringert sich anschließend der Abstand, kann die kombinierte Position einen Gewinn erzielen. Es geht dabei nicht unbedingt darum, die Richtung des gesamten Marktes vorherzusagen. Im Mittelpunkt steht vielmehr die relative Bewegung zwischen den beiden Positionen.
Die Kombination aus Long- und Short-Positionen kann die Abhängigkeit von der allgemeinen Marktrichtung reduzieren. Sie beseitigt das Risiko jedoch nicht. Die Abweichung kann weiter zunehmen, die erwartete Annäherung kann länger dauern oder die historische Beziehung kann ihre Gültigkeit verlieren.
## Paarhandel und diversifizierte Portfolios
Der Paarhandel ist eine der einfachsten Formen der statistischen Arbitrage. Zwei Wertpapiere können ausgewählt werden, weil ihre Unternehmen ähnliche Geschäftsmodelle besitzen, auf dieselben wirtschaftlichen Faktoren reagieren oder eine messbare statistische Beziehung aufweisen.
Bei der Auswahl kann die Korrelation berücksichtigt werden. Eine hohe Korrelation allein beweist jedoch keine stabile langfristige Verbindung. Zwei Vermögenswerte können sich über einen bestimmten Zeitraum ähnlich bewegen und später unterschiedliche Entwicklungen zeigen. Anspruchsvollere Modelle verwenden deshalb Kointegrationsanalysen, Distanzmethoden, Zeitreihenmodelle oder andere statistische Verfahren.
Institutionelle Strategien beschränken sich häufig nicht auf ein einziges Paar. Ein Portfolio kann Dutzende oder Hunderte Long- und Short-Positionen enthalten. Das System bewertet Wertpapiere nach ihrer relativen Attraktivität. Titel mit hohen Bewertungen können zu Kaufkandidaten werden, während niedrig bewertete Titel für Leerverkäufe infrage kommen.
Anschließend werden die Positionsgrößen so angepasst, dass unbeabsichtigte Abhängigkeiten vom Markt, von Branchen, Regionen, Unternehmensgrößen, Volatilität oder Anlagestilen begrenzt werden. Durch diese Diversifikation soll verhindert werden, dass ein einzelnes Unternehmensereignis das Gesamtergebnis zu stark beeinflusst.
## Die wichtigsten Schritte einer Strategie
Zunächst wird das handelbare Anlageuniversum festgelegt. Eine Strategie kann sich auf Aktien, ETFs, Futures, Währungen oder andere liquide Instrumente konzentrieren. Vermögenswerte mit geringer Liquidität, unzuverlässigen Daten oder eingeschränkten Möglichkeiten für Leerverkäufe können ausgeschlossen werden.
Danach folgen die Datenaufbereitung und die Entwicklung des Modells. Marktdaten können fehlende Beobachtungen, ungewöhnliche Preise, Anpassungen aufgrund von Dividenden oder Aktiensplits sowie zeitliche Unterschiede zwischen Datenquellen enthalten. Werden diese Probleme nicht korrigiert, kann das Modell Beziehungen erkennen, die in der Realität nicht existieren.
Das Modell erzeugt anschließend Bewertungen oder Handelssignale. Diese sollen bestimmen, welche Vermögenswerte relativ attraktiv und welche relativ teuer erscheinen. Ein Signal sollte jedoch nicht automatisch eine Transaktion auslösen. Der erwartete Vorteil muss groß genug sein, um Handelskosten und Risiken auszugleichen.
Beim Portfolioaufbau wird die Größe jeder Position festgelegt. Grenzen können für den Einsatz von Fremdkapital, die Branchenkonzentration, einzelne Wertpapiere und das gesamte Handelsvolumen gelten. Bei einem marktneutralen Ansatz wird außerdem versucht, die Empfindlichkeit gegenüber allgemeinen Marktbewegungen und bekannten Risikofaktoren zu verringern.
Im letzten Schritt werden die Aufträge ausgeführt und die Positionen überwacht. Eine Transaktion kann beendet werden, wenn sich die Preisdifferenz schließt, das Signal seine Richtung ändert, die maximale Haltedauer erreicht ist oder ein Risikolimit überschritten wird.
## Warum ist Automatisierung wichtig?
Statistische Arbitrage zielt häufig auf kleine Preiseffekte bei einer großen Zahl von Instrumenten. Da Chancen schnell entstehen und wieder verschwinden können, ist eine kontinuierliche manuelle Analyse kaum praktikabel.
Automatisierte Systeme können Daten verarbeiten, Signale berechnen, Portfolios optimieren und Aufträge einheitlich ausführen. Automatisierung kann Fehler allerdings ebenfalls schnell verstärken. Fehlerhafte Daten, ungeeignete Annahmen oder Ausführungsprobleme können innerhalb kurzer Zeit zahlreiche unerwünschte Positionen erzeugen.
Deshalb sind Datenprüfungen, Positionslimits, Echtzeitüberwachung, Anomalieerkennung und Notfallabschaltungen erforderlich. Die menschliche Kontrolle bleibt besonders dann wichtig, wenn sich der Markt außerhalb der vom Modell berücksichtigten Bedingungen bewegt.
## Die wichtigsten Risiken
Zu den zentralen Problemen gehört das Modellrisiko. Ein in historischen Daten gefundenes Muster kann zufällig oder das Ergebnis einer zu starken Anpassung an eine bestimmte Stichprobe sein. Ein Modell mit hervorragenden Rücktestergebnissen kann bei neuen Daten versagen.
Beziehungen zwischen Wertpapieren können sich auch durch Fusionen, Zahlungsausfälle, regulatorische Entscheidungen, technologische Veränderungen oder einen grundlegenden Wandel des Geschäftsmodells auflösen. In solchen Fällen kann die Preisabweichung eine strukturelle Veränderung statt einer vorübergehenden Fehlbewertung widerspiegeln.
Handelskosten sind ebenfalls entscheidend. Bei Strategien mit hohem Portfolioumschlag können Provisionen, Geld-Brief-Spannen, Slippage, Markteinfluss und Kosten für die Wertpapierleihe einen großen Teil des theoretischen Ertrags aufzehren.
Fremdkapital und Finanzierungsrisiken können einen vorübergehenden Verlust in eine erzwungene Liquidation verwandeln. Selbst wenn die Prognose langfristig richtig ist, kann die Strategie möglicherweise nicht genügend Kapital besitzen, um zwischenzeitliche Verluste oder Nachschussforderungen zu überstehen.
Hinzu kommt das Risiko überfüllter Positionen. Verwenden mehrere Fonds ähnliche Daten und Modelle, können sie nahezu identische Geschäfte eingehen. Muss ein Marktteilnehmer seine Positionen schnell auflösen, kann dies bei anderen Portfolios Verluste und weitere Verkäufe auslösen.
## Wie lässt sich eine Strategie bewerten?
Die historische Rendite allein reicht nicht aus. Zusätzlich sollten maximaler Verlust, Volatilität, risikobereinigte Rendite, Portfolioumschlag, Handelskosten, Kapazität und die Leistung in unterschiedlichen Marktphasen untersucht werden.
Rücktests müssen den unbeabsichtigten Einsatz zukünftiger Informationen, den Survivorship Bias und die Überanpassung berücksichtigen. Tests mit bisher ungenutzten Daten, rollierende Validierungen und Stresstests ermöglichen eine realistischere Einschätzung der Stabilität.
Die Stärke der statistischen Arbitrage liegt darin, kleine wahrscheinlichkeitstheoretische Vorteile systematisch über ein diversifiziertes Portfolio anzuwenden. Eine statistische Beziehung stellt jedoch keine Gewinngarantie dar. Eine nachhaltige Umsetzung erfordert zuverlässige Daten, robuste Forschung, realistische Kostenannahmen, diszipliniertes Risikomanagement und die fortlaufende Anpassung an veränderte Marktbedingungen.