Nebenwerte-Screening im DACH-Raum: EV/EBIT, Insiderkäufe und der Liquiditätsfilter, den fast alle vergessen

Bewertungsscreenings im Nebenwertesegment funktionieren im Backtest fast immer. Das ist genau das Problem: Die Prämie, die man findet, ist zu einem erheblichen Teil eine Illiquiditätsprämie. Nach einem realistischen Liquiditätsfilter bleibt von den 9,8 Prozent Überrendite des billigsten Bewertungszehntels weniger als die Hälfte übrig.

Das Universum

Ich arbeite mit rund 480 Titeln aus SDAX, Scale, ATX Prime, SPI Extra und dem regulierten Markt in Frankfurt, Marktkapitalisierung zwischen 50 Millionen und 2 Milliarden Euro. Die untere Grenze ist bewusst gesetzt: Darunter sind Berichtsqualität und Handelbarkeit so heterogen, dass systematisches Arbeiten schwierig wird.

Als primäre Bewertungsgröße nutze ich EV/EBIT - Unternehmenswert inklusive Nettoschulden geteilt durch das operative Ergebnis - und nicht das KGV. Zwei Gründe: Der Enterprise Value berücksichtigt Verschuldung, was im Nebenwertesegment mit teils sehr unterschiedlichen Kapitalstrukturen wichtiger ist als bei Blue Chips. Und das EBIT ist weniger anfällig für Einmaleffekte in der Steuerposition, die bei kleinen Gesellschaften mit einzelnen Bilanzentscheidungen große Sprünge machen.

Das Rohergebnis

Dezil-Sortierung nach EV/EBIT (zehn gleich große Gruppen, D1 ist das billigste Zehntel), jährliche Neugewichtung zum 30. Juni, gleichgewichtet innerhalb der Dezile, 2006 bis heute. Das Bild ist das erwartete: monoton fallende Überrendite von D1 nach D10, Spreizung von rund 17,6 Prozentpunkten annualisiert zwischen dem billigsten und teuersten Dezil.

Hier hören die meisten Darstellungen auf, ohne zu fragen, wie viel Kapital sich in D1 tatsächlich einsetzen lässt.

Der Liquiditätsfilter

Ich rechne mit einer einfachen, konservativen Regel: Eine Position darf nicht mehr als zwanzig Prozent des durchschnittlichen Tagesvolumens der letzten sechzig Handelstage betragen, und der vollständige Positionsaufbau soll innerhalb von zehn Handelstagen möglich sein.

Wendet man diesen Filter auf D1 an, verschiebt sich das Bild deutlich. Ein erheblicher Teil der Titel im billigsten Dezil ist zu illiquide, um in relevanter Größe gehandelt zu werden - und es sind überproportional die Titel mit der höchsten Überrendite.

Von 9,8 Prozent bleiben bei einer für Privatanleger komfortablen Liquiditätsanforderung 4,4 Prozent. Das ist noch immer eine relevante Prämie - aber es ist weniger als die Hälfte, und die Differenz ist nicht Marktineffizienz, sondern eine Vergütung für Handelbarkeitsrisiko, das man real trägt.

Insiderkäufe als zweiter Filter

Der Faktor, der bei mir nach der Bewertung am meisten beiträgt, sind Eigengeschäfte von Führungskräften nach Artikel 19 MAR, der EU-Marktmissbrauchsverordnung, die Organmitglieder zur Meldung eigener Geschäfte verpflichtet. Die meisten dieser Meldungen sind wertlos, es kommt auf die Abgrenzung an.

• Relevant: Kauf am offenen Markt, Volumen über 50.000 Euro, Käufer im Vorstand oder Aufsichtsrat, mehr als sechs Monate nach dem letzten Kauf derselben Person.
• Nicht relevant: Ausübung von Optionsprogrammen, Zuteilungen aus Vergütungsplänen, Käufe unter 10.000 Euro, Transaktionen nahestehender Personen ohne Organfunktion.
• Besonders relevant: Mehrere unabhängige Organmitglieder innerhalb von dreißig Tagen (Cluster-Buy). In meinen Auswertungen liefern Cluster mit drei oder mehr Personen deutlich höhere Überrenditen als Einzelkäufe.

import pandas as pd

def screen(df, adv_min=250_000, ev_ebit_max=9.0, fcf_min=0.0):
    '''df: eine Zeile je Titel und Stichtag.'''
    m = (
        (df["adv60_eur"] >= adv_min) &
        (df["ev_ebit"].between(0.5, ev_ebit_max)) &     # negatives EBIT ausschliessen
        (df["fcf_marge_3j"] > fcf_min) &
        (df["netto_verschuldung_ebitda"] < 3.0) &
        (df["mkap_eur"].between(50e6, 2e9))
    )
    out = df[m].copy()
    out["rang_bewertung"] = out["ev_ebit"].rank(pct=True)
    out["rang_qualitaet"] = out["roce_5j_median"].rank(pct=True, ascending=False)
    out["score"] = 0.6 * (1 - out["rang_bewertung"]) + 0.4 * (1 - out["rang_qualitaet"])
    return out.sort_values("score", ascending=False)

def cluster_buys(meldungen, tage=30, min_personen=3, min_eur=50_000):
    m = meldungen[(meldungen["typ"] == "kauf") &
                  (meldungen["volumen_eur"] >= min_eur) &
                  (meldungen["organfunktion"].isin(["vorstand", "aufsichtsrat"]))]
    g = (m.set_index("datum")
          .groupby("isin")["person"]
          .rolling(f"{tage}D").apply(lambda s: s.nunique()))
    return g[g >= min_personen].index.get_level_values("isin").unique()

Wo das Verfahren an Grenzen kommt

Was bleibt, ist ein Verfahren mit einer erwarteten Überrendite im mittleren einstelligen Bereich, einer Portfoliokapazität von zwölf bis zwanzig Millionen Euro und einer Haltedauer von mehreren Jahren. Nicht spektakulär, aber nach meiner Erfahrung das, was nach Abzug aller Ehrlichkeitskorrekturen übrig bleibt.