Die Geschichte der Zölle reicht weit zurück – mit unterschiedlichen Zielsetzungen und auch Konsequenzen. In Europa gab es Zölle bereits im Mittelalter als Mittel zur Finanzierung von Staaten und zur Regulierung des Handels. Im 18. Jahrhundert wurden sie dann zu einem wichtigen Instrument der Wirtschaftspolitik, insbesondere in Großbritannien und Frankreich.

In den USA wurden Zölle erstmals nach Erlangung der Unabhängigkeit eingeführt, um die junge Nation zu finanzieren und die heimische Industrie zu schützen. Der Tariff Act von 1789 markierte den Beginn der amerikanischen Zollpolitik. Im Laufe des 19. Jahrhunderts wurden Zölle in den USA immer wieder erhöht oder gesenkt, je nach den wirtschaftlichen und politischen Bedürfnissen des Landes.

Im Jahr 1930 wurde der Smoot-Hawley Tariffs Act eingeführt mit dem Ziel, die amerikanische Wirtschaft zu schützen und die Weltwirtschaftskrise einzudämmen. Die drastisch erhöhten Zölle auf Importe bewirkten jedoch das Gegenteil und führten zu einer globalen Zoll-Eskalation und Verschärfung der Weltwirtschaftskrise.

In Europa führten die Zölle zu Protektionismus und Handelskriegen zwischen den Nationen. Die Gründung der Europäischen Wirtschaftsgemeinschaft (EWG) 1957 und die Einführung des Binnenmarktes 1993 führten jedoch zu einer Abschaffung bzw. deutlichen Reduzierung der Zölle innerhalb der EU.

Die Wohnungsmärkte in den europäischen Metropolen bleiben trotz des aktuell volatilen wirtschaftlichen Umfeldes hoch attraktiv. In nahezu allen Ländern ist eine anhaltende Zuwanderung von Arbeitskräften in urbane Zentren zu beobachten. Dieser Megatrend trifft auf eine starre „Housing Supply Elasticity“, das heißt auf ein unelastisches Wohnraumangebot, das aufgrund von zu geringer Bautätigkeit mit dem Nachfragewachstum vielfach nicht Schritt hält – dieser strukturelle Nachfrageüberhang manifestiert sich in vielerorts steigenden Mieten.

Die Folge: Viele Länder bemühen sich um vereinfachte Planungsprozesse und schnellere Genehmigungsverfahren, um private und institutionelle Investitionen anzuregen. Gleichzeitig greifen Regierungen stärker in die Wohnungsmärkte ein, um Mietpreissteigerungen zu dämpfen, etwa durch Mietpreisregulierungen, gedeckelte Mieterhöhungen oder verschärfte Anforderungen an Bestandsinvestoren, was der Ausweitung des Angebotes wiederum entgegenwirkt.

In diesem regulatorisch unübersichtlichen Geflecht ist es wichtig für Investoren, lokale Rahmenbedingungen zu kennen. Europa weist in der Marktstruktur große historische Unterschiede auf: Eigentums- und Mietquoten variieren deutlich zwischen Nord- und Südeuropa. Wohnformen, Haushaltsstrukturen und Bedürfnisse unterscheiden sich – etwa zwischen jüngeren Mietern, älteren Nutzern oder internationalen Zuzüglern. Besonders in den dynamischen Metropolen wächst zudem die Nachfrage nach ergänzenden Angeboten wie Gemeinschaftsflächen, Smart-Living-Konzepten oder Serviceleistungen. Die operative Präsenz vor Ort ist daher essenziell.

Neben dem klaren Trend zur Reurbanisierung ist auch eine Professionalisierung der Wohnungsmärkte Europas zu erkennen – begleitet von einem zunehmenden Institutionalisierungsgrad. Dieser beschreibt, wie stark der jeweilige Markt durch institutionelle Investoren geprägt ist. Deutschland als Beispiel ist vielen anderen europäischen Märkten hier voraus und hat diese Dynamik bereits in den letzten 30 Jahren durchlebt. Andere Märkte, wie zum Beispiel Spanien, befinden sich gerade in einer Transformation – mit sich entsprechend eröffnenden Wachstumschancen.

Entsprechend dieser Rahmenbedingen ergeben sich für institutionelle Anleger in vielen europäischen Märkten interessante Einstiegsmöglichkeiten, sofern regulatorische Rahmenbedingungen, Mietentwicklungen und Nutzerbedürfnisse realistisch eingeschätzt werden. Die Einstiegschancen sind insbesondere dort interessant, wo der Kapitalbedarf auf Planungssicherheit, Nachfrage und politischen Willen trifft. Hier finden sich spannende Renditepotenziale.

Französisches Staatsdefizit vs. BIP (gemäß Maastricht)                                 

Französische Staatsschulden vs. BIP (gemäß Maastricht)

^{Quelle: INSEE}

Die aktuelle Bayrou-Regierung versucht, die Haushaltsdefizite langsam abzubauen. Ziel ist es ein Defizit von 3 Prozent bis 2029 zu erreichen. Damit möchte man einen zu großen negativen Einfluss auf die Wirtschaft vermeiden. Es setzt aber auch voraus, dass die französische Wirtschaft weiterhin wächst und der Markt so eine lange Konsolidierungsphase ohne höhere Risikoprämie finanziert.

Das politische Risiko in Frankreich hat vor allem zwei Facetten: Fehlende Mehrheiten für eine nötige Haushaltskonsolidierung und Risiken zunehmender extremer politischer Ansichten inklusive europakritischer Inhalte. Beides kann sich sowohl in der Präsidentschaftswahl als auch in den kommenden Parlamentswahlen zeigen. Die Präsidentschaftswahl sollte jedoch erst Anfang 2027 von Belang sein. Wichtiger sind daher die Parlamentswahlen, die auch dieses Jahr wieder vorgezogen werden könnten (i. e. im zweiten Halbjahr stattfinden könnten).

In Bezug auf potenzielle Anleiheverkäufe geht es primär um zwei Aspekte: Einfluss von Rating-Herabstufungen und die aktuelle Besitzerstruktur der Staatsanleihen. Bislang bewerten die Rating-Agenturen Frankreich immer noch mit AA-. Falls das Durchschnitts-Rating auf A+ fallen würde, könnte es zu Verkäufen kommen, da gerade internationale Zentralbanken sensitiv auf diese AA-A Schwelle reagieren könnten. In so einem Fall würden französische Anleihen auch aus den AAA-AA Bondindizes fallen. Es ist jedoch schwierig abzuschätzen, ob solche Verkäufe einen nennenswerten Markteinfluss hätten. Wie anfangs erwähnt, haben internationale Investoren in den vergangenen Jahrzehnten große Volumina französischer Staatsanleihen gekauft. Der Besitzanteil internationaler Investoren an französischen Staatsanleihen liegt bei über 50 Prozent. Dies hat zur Folge, dass bei negativer Berichterstattung (insbesondere politischer Natur) Anleihen in der Regel schneller verkauft werden, als es bei inländischen Besitzern der Fall wäre.

Sprechen wir daher bald wieder vermehrt über französische Staatsanleiherisiken? Dies ist immer schwer zu sagen. Falls Risikoprämien jedoch allgemein weiter ansteigen sollten, erfordert der Markt in der Regel solche insbesondere für Länder mit hohen Schulden und Defiziten. Unabhängig von der allgemeinen Marktrichtung bleibt jedoch festzuhalten, dass solche Schuldenprobleme proaktiv adressiert werden sollten. Eine Haushaltskonsolidierung wird ab einem gewissen Zeitpunkt eher schwieriger.

Die aktuelle politische und wirtschaftliche Lage bringt viele Herausforderungen für die Finanzmärkte mit sich. Doch wie können Investoren und Analysten in solchen Zeiten fundierte Entscheidungen treffen? Ewelina Vaughan, Key Account Executive Institutional Clients, spricht mit Ansgar Pütz, Senior Analyst Research, darüber, wie quantitative Modelle und Methoden wie Machine Learning und GenAI dabei helfen können, fundierte Meinungen zu bilden und interessante Signale aus dem Rauschen der Märkte herauszufiltern.

EV: Nicht nur die Finanzmärkte durchleben im Moment sehr bewegte Zeiten. Ihr arbeitet im Quant Research mit Modellen, macht also im Prinzip Analysen, Konzepte und Simulationen, die auf Daten aus der Vergangenheit aufsetzen. Kann das in Zeiten von Trump & Co. überhaupt etwas Sinnvolles beitragen?

AP: Absolut. Auch wenn die Finanzmärkte momentan sehr stark auf politisch bestimmte Themen schauen, sind die anderen Einflussfaktoren ja nicht außer Kraft gesetzt. Eine quantitative Perspektive kann dabei helfen, fundierte Meinungen zu bilden und aus dem ganzen "Rauschen" interessante Signale herauszufiltern. Die quantitativen Verfahren sind in dieser Hinsicht mittlerweile sehr mächtig – Stichwort Machine Learning oder GenAI – und nützlich, solange man weiß, welche Daten man verwendet und die Modelle selbst entwickelt, anstatt fremde zu übernehmen.

EV: Was heißt das konkret?

AP: Ein Beispiel ist das Rezessionsrisiko: Kurz nach der Trump-Wahl waren die Märkte euphorisch. Mittlerweile sieht man stärker die Gefahr, dass die hohen Zölle und Gegenzölle die Wirtschaft abwürgen und in eine Rezession stürzen könnten und wir beobachten starke Kursschwankungen. In einer solchen Situation braucht man eine eigene Einschätzung, ob die Märkte da richtig liegen.

Wenn man sich die Vergangenheit ansieht, kann man in Daten Muster erkennen, die mit Rezessionen korreliert waren. Wenn man die jeweils aktuellsten Daten damit vergleicht, bekommt man eine Indikation dafür, ob man sich in einer für eine Rezession typischen Situation befindet oder eben nicht. Dafür braucht man eine Vielzahl von aussagekräftigen Daten aus unterschiedlichen Bereichen, wie zum Beispiel dem Arbeitsmarkt, Stimmungsindikatoren und Finanzmarktinformationen.

EV: Aber warum braucht man dafür komplizierte Quant-Modelle? Um Rezessionen zu erkennen, gibt es ja einfache Kenngrößen.

AP: Das ist ein gutes Beispiel: Im August vergangenen Jahres kam an den Märkten die Rezessionssorge auf, es gab starke Kurseinbrüche. Ursächlich dafür war, dass ein einfacher Indikator, die sogenannte „Sahm-Regel“, getriggert wurde. Diese besagt, dass in den USA eine Rezession unmittelbar bevorsteht, wenn der gleitende Dreimonatsdurchschnitt der Arbeitslosenquote mindestens 0,5 Prozentpunkte über dem niedrigsten Wert in den vergangenen zwölf Monaten liegt. Andere Indikatoren haben dieses Bild nicht unterstützt. Letzten Endes ist die Arbeitslosenrate in den Folgemonaten wieder gefallen und der Trigger war wieder „off“. Oft braucht man also mehr Daten als nur einen Indikator. Am besten sehr viele und auf einer breiten Basis. Und die sollte man dann schnell auswerten können, damit sie bei der Positionierung auch sinnvoll sind

EV: Wie macht Ihr das konkret?

AP: Für die USA haben wir beispielsweise ein Machine Learning Modell, das mit circa 90 kuratierten Zeitreihen arbeitet. Für ein einfaches Regressionsmodell sind das einerseits zu viele, andererseits sind die relevanten Zusammenhänge häufig nicht linear, haben Schwellenwerte usw. Wir verwenden deshalb einen Cluster-Algorithmus, den wir so kalibriert haben, dass er genügend viele Daten verwendet, aber auch aktuell genug ist, denn viele volkswirtschaftliche Daten gibt es nur mit Verzögerungen und Revisionen. Die Datenbasis besteht aus monatlichen Datenpunkten für den Zeitraum seit September 1962. Der Algorithmus sortiert diese Beobachtungen in zwei möglichst verschiedene Gruppen, sogenannte „Cluster“. Wenn man diese Cluster dann mit den offiziellen Rezessionsmonaten vergleicht, erkennt man eine starke Korrelation zu einem der beiden Cluster und kann für jeden aktuellen Monat bestimmen, ob er ins „Team Rezession“ fällt oder nicht.

EV: Wie hat das "Out of Sample" funktioniert, also mit Daten, die das Modell bei der Entwicklung noch nicht gesehen hat?

AP: Die letzte offizielle Rezession in den USA war von März bis April 2020 im Zusammenhang mit der Covid-Krise. Diese offizielle Feststellung wird von einer Behörde (NBER) ermittelt, üblicherweise erst sehr lange nach dem Ende einer Rezession, in diesem Fall erst ein Jahr später. Unser Modell hat es fast in Echtzeit erkannt und im Juni 2020 schon das Ende der Rezession signalisiert, also ein Jahr früher als die NBER. Aktuell sieht das Modell keine Rezession, allerdings sind noch nicht viele Daten nach dem „US Liberation Day“, dem Tag, an dem Trump die Welt mit hohen Zöllen überzogen hat, veröffentlicht worden.                                                           >

EV: Stichwort Machine Learning und GenAI: Wie nutzt ihr die Technologie denn im MEAG Research noch, außer bei dem eben diskutierten Rezessionsmodell?

AP: Wir arbeiten bei den Modellen überwiegend mit historischen Zeitreihen, da sind nach wie vor die Machine Learning-Modelle eine gute Wahl.

Die Daten für das gerade angesprochene Clustermodell verwenden wir für auch für andere Algorithmen. Einer davon, ein so genanntes „Nearest Neighbours“-Modell, sucht für einen Satz an Datenpunkten ähnliche Situationen in der Vergangenheit. Daraus kann man dann Analogien ableiten, in welchen Assetklassen man eine Out- oder Underperformance erwarten kann.

Ein anderer Algorithmus nennt sich „Classification Forest“, dieser berechnet ganz explizit Outperformance-Wahrscheinlichkeiten und arbeitet dabei mit den schon angesprochenen nichtlinearen Zusammenhängen, Schwellenwerten und Regimeabhängigkeiten.

EV: Und GenAI?

AP: Wir haben in unserer Abteilung erst einmal denkbare Use Cases gesammelt. Dann haben wir die identifiziert, die wir als Experimentierfeld nutzen. Ziel ist, das Potenzial auszuloten und Erfahrung mit konkreten Anwendungen zu sammeln. Aktuell sehen wir uns das am Beispiel von Reden einzelner Mitglieder der Europäischen Zentralbank an. Diese werden von den Marktteilnehmern oft sehr genau gelesen und interpretiert, denn das können sehr wichtige Informationen für die Entwicklung von Zins- aber auch Aktienmärkten sein. Wir haben da natürlich meistens eine eigene Sicht auf diese Statements. Mit GenAI könnten wir hier eine neue Variante hinzufügen mit der wir sehr schnell und systematisch analysieren und auch explizite Indikatoren berechnen. Da liegt aber wie so oft der Teufel im Detail.

EV: Mit welcher Infrastruktur macht Ihr das konkret?

AP: Wir profitieren hier unter anderem von den Plattformen und dem Netzwerk unseres Mutterkonzerns. Damit muss man nicht jedes Rad neu erfinden und kann sich bei methodischen Fragen bei diesem sehr dynamischen Thema auch mit anderen Experten austauschen.

Bei der konkreten Modellentwicklung testen wir derzeit eine neuartige Software für Data Science und KI, bei der man Modelle sehr transparent erstellen kann („Low Code“). Dies verbessert die Zusammenarbeit von Kollegen mit Coding-Erfahrung, wie uns „Quants“ im Team und den Kollegen mit vorwiegend makroökonomischem Background.

Podcast Folge 34

Dr. Jürgen Callies, Head of Research
Alexander Hauser, Head of Investment Management