Testing the profitability of characteristic-based investment strategies using country indices
In zijn recente masterproef “Testing the profitability of characteristic-based investment strategies using country indices” onderzocht Hans Gevers van de Universiteit Antwerpen de winstgevendheid van karakteristieke beleggingsstrategieën toegepast op landindexen. De paper vormt een intrigerende bijdrage aan het domein van passief beleggen, en richt zich expliciet op strategische stock picking aan de hand van kwantitatieve karakteristieken. Via drie methodologische invalshoeken – portfolio sorting, regressieanalyse volgens Fama-MacBeth en een combinatie van beide – evalueert Gevers 28 unieke strategieën. De resultaten? Over de hele lijn positief. Alle strategieën presteren beter dan een risicoloze investering, met “asset growth” als opvallende kampioen. Tijd om de analyse in detail te ontrafelen.
Een antwoord op een actuele vraag: zijn factorstrategieën via landindexen winstgevend?
Gevers vertrekt vanuit een klassieke aanname uit de financiële theorie: markten zijn efficiënt en aandelenkoersen reflecteren alle beschikbare informatie. Toch groeit de interesse in factorbeleggen – strategieën gebaseerd op systematische patronen in rendementen. Bekende voorbeelden zijn momentum, value, size, kwaliteit en andere anomalieën. De kernvraag in Gevers’ paper is dan ook: kunnen karakteristieke beleggingsstrategieën, toegepast op landindexen, structureel winst opleveren?
Om deze vraag te beantwoorden, kiest hij resoluut voor een empirische insteek. Aan de hand van 52 landindexen van Datastream (en de wereldindex als benchmark) over de periode 1965 tot 2024, berekent hij maandelijkse returns en 17 karakteristieken zoals asset growth, book-to-market, carry, short-term reversal en meer. De kracht van de studie zit in de driedubbele aanpak:
- Sort analysis: country indices worden maandelijks gesorteerd op basis van één specifieke karakteristiek (bijvoorbeeld asset growth), waarna de hoogste en laagste portefeuilles met elkaar worden vergeleken.
- Fama-MacBeth regressieanalyse: deze klassieke techniek laat toe om cross-sectionele gevoeligheden van rendementen aan karakteristieken te meten.
- Regressie én sortering gecombineerd: de geschatte rendementen op basis van Fama-MacBeth worden vervolgens gesorteerd om ex ante strategieën op te bouwen.
De kracht van eenvoud: asset growth als ultieme factor
De resultaten van de sort analysis zijn bijzonder helder: de best presterende strategie is de meest eenvoudige. Een univariate strategie gebaseerd op de asset growth-karakteristiek en een equally weighted portefeuille van de top drie landen levert gemiddeld een excess return van 3,59% per maand op. Dit is aanzienlijk meer dan de risicovrije rente, wat de efficiëntiehypothese stevig op de proef stelt.
Ook bij multivariate strategieën blijft asset growth prominent aanwezig. Wanneer deze karakteristiek gecombineerd wordt met bijvoorbeeld book-to-market of short-term reversal, blijft de prestatie indrukwekkend. Bijvoorbeeld: een combinatie van asset growth en book-to-market levert op een termijn van 25 jaar een gerealiseerd rendement van 1874,97% op, oftewel een verviervoudiging van je initiële investering elke vijf jaar.
Opvallend is dat sommige klassieke factoren, zoals value of size, slechts matige prestaties leveren in univariate vorm. Pas wanneer ze gecombineerd worden met sterke factoren zoals asset growth of momentum, nemen hun prestaties toe. Dit onderstreept het belang van multivariate factorallocatie in plaats van blind vertrouwen op één signaal.
Robuuste methodologie: Fama-MacBeth als toetssteen
Een sterke troef van deze thesis is het strikte toetsen van de regressievoorwaarden. Alle assumpties van de Fama-MacBeth OLS-regressies (lineair verband, geen autocorrelatie, geen multicollineariteit) worden getest en voldaan. Via een robuuste correctie voor heteroscedasticiteit (Newey-West standaardfouten) worden de t-statistieken betrouwbaar geschat. Hierdoor kunnen de significantieratio’s per factor met grote zekerheid geïnterpreteerd worden.
De top vijf volgens significantieratio (SR) zijn:
- Asset growth (SR: 44.89%)
- Momentum (26.02%)
- Short-term reversal (21.38%)
- Beta (19.45%)
- Book-to-market (18.56%)
De regressiecoëfficiënten tonen dat asset growth telkens de sterkste verklarende waarde bezit voor toekomstige rendementen. Interessant genoeg tonen sommige andere factoren, zoals value of size, eerder gemengde signalen. Zo is het teken van hun coëfficiënt soms positief, soms negatief – wat hun predictieve kracht bemoeilijkt.
Multivariate regressies bevestigen dat meer informatie combineren loont. Een full-fledged model met 16 factoren verklaart tot 28% van de cross-sectionele variantie in rendementen, wat uitzonderlijk is in academisch onderzoek.
Voorspelkracht en backtesting: overtuigende resultaten, met nuances
De combinatie van regressie en sortering laat Gevers toe om verwachte maandrendementen te berekenen en deze vervolgens te gebruiken in gesimuleerde portefeuilles. Deze techniek is vooral interessant omdat ze dichter aansluit bij de realiteit van een belegger die op basis van factorvoorspellingen belegt.
De vergelijking tussen geschatte en werkelijke returns toont dat de modelschattingen accuraat zijn voor de hoge en middenkwantielen, maar minder voor de lage. Het model onderschat vaak de rendementen van de slechtste portefeuilles, wat suggereert dat shorting op basis van deze schattingen minder betrouwbaar is.
Wat betreft langetermijnresultaten zijn de cijfers ronduit spectaculair. Voor een portefeuille die in 1999 in de top 3 landen met hoogste asset growth investeerde en dit maandelijks herbalanceerde, resulteert dit in een gecumuleerd rendement van meer dan $2000 voor elke geïnvesteerde dollar over 25 jaar. Zelfs na aftrek van belastingen (2%) en transactiekosten (0,25%), zakt dit slechts tot ongeveer $1634 – nog steeds indrukwekkend.
Beperkingen en suggesties voor vervolgonderzoek
Zoals elke degelijke academische studie wijst ook deze thesis op haar beperkingen. Zo is het model sterk afhankelijk van de kwaliteit en volledigheid van de Datastream indices. Een uitbreiding met MSCI- of S&P-indices zou robuustheid kunnen verbeteren. Ook wordt gewezen op het belang van geavanceerdere kostenmodellen: transactiekosten per index kunnen immers fors variëren en sommige indices zijn moeilijk volledig te repliceren in de praktijk.
Een ander waardevol vervolgspoor is het ontwikkelen van a-priori schattingen voor lange termijn, in plaats van terug te rekenen vanuit werkelijke resultaten (a-posteriori). Het uitbouwen van betrouwbare voorspellingsmodellen voor factor returns op langere termijn is dan ook een logische volgende stap voor vervolgonderzoek.
Tenslotte blijft het integreren van de risicovoorkeur van de belegger een boeiend vraagstuk. Niet elke belegger zal immers op dezelfde manier omgaan met de volatiliteit van bijvoorbeeld een asset growth-strategie. Het modelleren van rendement-risico-profielen op maat van investeerders zou de praktische toepasbaarheid van deze inzichten kunnen vergroten.
Een welverdiend dankwoord aan de auteur
Deze masterproef getuigt van grote grondigheid, rekenkundig vernuft en analytisch inzicht. Hans Gevers levert niet alleen een academische bijdrage aan de literatuur over characteristic-based investing, maar biedt ook concrete en bruikbare inzichten voor beleggers die factorstrategieën willen toepassen op ETF-niveau. Door de combinatie van klassieke economische theorie, moderne data-analyse en praktische beleggingstoepassingen vormt dit werk een blauwdruk voor evidence-based beleggen op landniveau.
Een speciaal woord van dank aan promotor prof. dr. Jan Annaert, en uiteraard aan Hans Gevers zelf. Zijn werk maakt op overtuigende wijze duidelijk dat “correlation is not causation, but it sure is a hint.” Voor beleggers die bereid zijn verder te kijken dan klassieke marktindexen, biedt deze thesis een heldere gids en een overtuigend betoog: karakter telt.
