Was ist eine Performance-Attribution im Portfolio? Renditebeiträge mit KI aufbereiten

Performance-Attribution ist ein Verfahren, das die Rendite eines Portfolios in ihre Ursachen zerlegt. Sie beantwortet die Frage, warum ein Portfolio besser oder schlechter als seine Benchmark abgeschnitten hat: Lag es an der Verteilung auf Branchen oder Regionen (Allokation) oder an der Auswahl einzelner Wertpapiere (Selektion)? Die Differenz zwischen Portfoliorendite und Benchmarkrendite heißt aktive Rendite, und die Attribution ordnet diese Differenz konkreten Entscheidungen zu.

Eine reine Gesamtzahl sagt wenig aus. Wenn ein Portfolio 21 Prozent erzielt und die Benchmark 10 Prozent, ergibt sich eine aktive Rendite von 11 Prozent (Wikipedia). Die Attribution zeigt, aus welchen Einzelentscheidungen diese 11 Prozent entstanden sind. Genau das macht die Analyse für Berater, Mandatsverantwortliche und Reporting-Teams wertvoll.

Allokation und Selektion: die zwei Haupttreiber

Das verbreitetste Verfahren geht auf die Arbeiten von Brinson und Fachler (1985) sowie Brinson, Hood und Beebower (1986) zurück, die als Grundlage der Portfolio-Attribution gelten (Wikipedia). Das Brinson-Modell teilt die aktive Rendite in zwei Komponenten:

• Allokationseffekt: Rendite, die daraus entsteht, dass Anlageklassen, Branchen oder Regionen anders gewichtet wurden als in der Benchmark. Wer eine Branche übergewichtet, die anschließend besser läuft als der Gesamtmarkt, erzeugt einen positiven Allokationsbeitrag.
• Selektionseffekt: Rendite, die daraus entsteht, dass innerhalb eines Segments andere Titel gewählt wurden als in der Benchmark. Hier zeigt sich, ob die Einzeltitelauswahl Mehrwert gebracht hat.

Beide Effekte lassen sich pro Segment ausweisen. So wird sichtbar, ob die Leistung eher aus Top-down-Entscheidungen (Allokation) oder aus Bottom-up-Entscheidungen (Titelauswahl) stammt (NeoXam). Bei einem Bottom-up-Prozess hat die Titelauswahl Vorrang vor der Allokation (CFA Institute).

Arithmetisch oder geometrisch

Für die Berechnung der aktiven Rendite gibt es zwei gängige Maße: arithmetisch und geometrisch. Die arithmetische Variante bildet schlicht die Differenz aus Portfolio- und Benchmarkrendite und ist über eine einzelne Periode intuitiver (R Journal). Über mehrere Perioden entsteht ein Problem: Benchmark- und Portfoliorenditen wachsen multiplikativ (sie werden verzinst und aufgezinst), eine einfache Addition der Perioden-Differenzen passt dann nicht mehr sauber zusammen (Wikipedia).

Für die Mehrperioden-Betrachtung gibt es deshalb eigene Methoden, die die Effekte korrekt verketten, etwa die nach Frongello benannte Verknüpfung (Kiski). Neben der renditebasierten Brinson-Attribution existiert außerdem die risikobasierte Attribution, die die aktive Rendite anhand von Risikofaktoren statt anhand aktiver Gewichte erklärt (SimCorp).

Wozu die Analyse im Alltag dient

Performance-Attribution wird gebraucht, um die Entscheidungen eines Managers zu beurteilen: War die Rendite das Ergebnis bewusster Entscheidungen oder eher Zufall? (Financial Edge) In der institutionellen Berichterstattung, in Kundengesprächen und in Gremienvorlagen wird diese Erklärungstiefe zunehmend erwartet (NeoXam).

Der Aufwand liegt dabei selten in der Formel, sondern in der Datenbeschaffung. Positionen, Gewichte, Benchmarkdaten und Renditen müssen oft aus mehreren Systemen zusammengeführt werden, ein Vorgang, der traditionell zeitaufwendig ist und wenig Raum für die eigentliche Analyse lässt (INDATA). Die Attribution baut auf Grundlagen auf, die separat definiert sind: etwa die Benchmark als Vergleichsmaßstab, die Asset Allocation und das laufende Portfolio-Monitoring.

Wie KI die Datenaufbereitung übernimmt

Hier setzt die Arbeit von scoreprise.AI an. Ein AI-Mitarbeiter sammelt die benötigten Daten aus den angebundenen Quellen, gleicht Positionen gegen die Benchmark ab, berechnet Allokations- und Selektionseffekte pro Segment und stellt das Ergebnis strukturiert zusammen. Ergänzend kann er den Kontext liefern, etwa makroökonomische oder branchenbezogene Ereignisse, die eine Periode beeinflusst haben (CFA Institute).

Entscheidend ist die Rollenteilung: Die KI stellt die Renditebeiträge zusammen und gewichtet sie nach den Vorgaben des Instituts. Die Bewertung der Ergebnisse und jede daraus folgende Entscheidung bleiben beim Berater oder beim Mandatsverantwortlichen. Diese Linie gilt bei scoreprise.AI für alle Aufgaben im Bereich Investment Research: KI bereitet auf, Menschen entscheiden. Die Aufbereitung läuft dabei DSGVO-konform und ohne Modelltraining mit Kundendaten.

So verschiebt sich der Zeiteinsatz von der mühsamen Datensammlung hin zur Interpretation. Der Bericht liegt schneller vor, in konsistenter Form und nachvollziehbar, weil jeder Renditebeitrag auf die zugrunde liegenden Daten zurückgeführt werden kann.

Häufige Fragen

Was ist der Unterschied zwischen Allokations- und Selektionseffekt?

Der Allokationseffekt misst, ob die Gewichtung von Branchen, Regionen oder Anlageklassen gegenüber der Benchmark Mehrwert gebracht hat. Der Selektionseffekt misst, ob die Auswahl einzelner Titel innerhalb eines Segments besser oder schlechter war als die Benchmark-Titel desselben Segments. Beide zusammen erklären einen großen Teil der aktiven Rendite.

Warum reicht die Gesamtrendite eines Portfolios nicht aus?

Die Gesamtrendite zeigt nur das Ergebnis, nicht dessen Ursachen. Zwei Portfolios können dieselbe Rendite erzielen, aber aus völlig unterschiedlichen Entscheidungen heraus. Die Attribution macht sichtbar, ob die Leistung aus der Allokation, aus der Titelauswahl oder aus Zufall entstand, und ist deshalb für die Beurteilung eines Managers aussagekräftiger.

Was bedeutet arithmetische versus geometrische Attribution?

Arithmetische Attribution bildet die einfache Differenz aus Portfolio- und Benchmarkrendite und ist über eine einzelne Periode leicht verständlich. Geometrische Attribution arbeitet mit Verhältnissen und eignet sich besser, wenn Renditen über mehrere Perioden verkettet werden, weil sich Renditen multiplikativ und nicht additiv zusammensetzen.

Übernimmt die KI die Bewertung des Portfolios?

Nein. Die KI stellt die Renditebeiträge zusammen, berechnet die Effekte und gewichtet nach den Vorgaben des Instituts. Die Bewertung der Ergebnisse und jede Anlageentscheidung trifft der Berater oder das Institut. scoreprise.AI gibt keine Empfehlungen, Ratings oder Renditeaussagen ab.

Welche Daten braucht eine Performance-Attribution?

Benötigt werden die Portfoliopositionen mit Gewichten und Renditen, die entsprechenden Benchmarkdaten für denselben Zeitraum sowie eine klare Segmentierung, etwa nach Branchen oder Regionen. Ein großer Teil des Aufwands besteht darin, diese Daten aus verschiedenen Systemen sauber zusammenzuführen, was ein AI-Mitarbeiter automatisiert übernehmen kann.