Bund 2s10s und DAX-Sektorrotation: Wie ein Steepener die Faktorprämien dreht

Die Beobachtung, die bei mir seit Jahren belastbar ist: Für die relative Sektorperformance zählt nicht das Niveau der Zinsen, sondern die Art der Kurvenbewegung, und die zerfällt in vier klar unterscheidbare Fälle. Die verbreitete Kurzformel, steigende Zinsen seien schlecht für Wachstumsaktien und gut für Banken, ist nicht falsch, aber so grob, dass sie in der Praxis kaum trägt.

Die vier Regime

Man braucht dafür nur zwei Variablen: die Veränderung des 10-Jahres-Renditeniveaus und die Veränderung der Steilheit 2s10s, also der Differenz zwischen zehn- und zweijähriger Rendite. Aus den Vorzeichen ergeben sich vier Kombinationen, die in der Rentenmarktsprache eigene Namen haben: Bull steht für fallende Renditen (steigende Anleihekurse), Bear für steigende, Steepener für eine steiler, Flattener für eine flacher werdende Kurve.

Der Durchgriff auf Sektoren

Für jedes Regime habe ich die relative Performance von DAX- und SPI-Sektoren gegen den jeweiligen Gesamtmarkt gerechnet, annualisiert, 2004 bis heute. Die Vorzeichen sind das Interessante, nicht die Nachkommastellen.

Drei Beobachtungen, die mir wichtiger sind als die einzelnen Zahlen:

Erstens: Technologie und Banken verhalten sich nicht durchgängig gegenläufig. Im Bull Steepener liefern beide positive relative Beiträge, weil eine fallende kurze Seite Refinanzierung erleichtert und gleichzeitig Duration-Assets stützt, also Anlagen, deren Wert stark an langfristigen Zinsen hängt. Die Kurzformel „Zinsen runter, Tech gut, Banken schlecht“ trifft nur den Bull Flattener.

Zweitens: Immobilien ist der schärfste Diskriminator. Von +7,2 im Bull Steepener zu -12,6 im Bear Flattener - eine Spreizung von fast zwanzig Prozentpunkten. Wenn ich ein Regime falsch klassifiziere, sehe ich es hier zuerst.

Drittens: Bear Steepener ist das unangenehmste Regime. Nur Banken und Zykliker liefern positive Beiträge, alles Zinssensitive verliert deutlich. Es ist zugleich das seltenste Regime in der Historie und das mit der höchsten Varianz innerhalb des Regimes.

Klassifikation ohne Look-ahead

Die Vorzeichenregel ist trivial, sie hat aber ein Rauschproblem: Bei Δ nahe null springt die Klassifikation täglich. Ich verwende deshalb eine Totzone, in der kleine Veränderungen ignoriert werden, und eine Mindesthaltedauer.

import numpy as np, pandas as pd

def regime(kurve, fenster=60, totzone_bp=8, min_dauer=15):
    '''kurve: DataFrame mit Spalten r2, r10 in Prozentpunkten.'''
    d10  = (kurve["r10"].diff(fenster) * 100)                 # in bp
    dsp  = ((kurve["r10"] - kurve["r2"]).diff(fenster) * 100)  # in bp

    roh = pd.Series(index=kurve.index, dtype="object")
    aktiv = (d10.abs() > totzone_bp) & (dsp.abs() > totzone_bp)
    roh[aktiv & (d10 < 0) & (dsp > 0)] = "bull_steep"
    roh[aktiv & (d10 > 0) & (dsp > 0)] = "bear_steep"
    roh[aktiv & (d10 < 0) & (dsp < 0)] = "bull_flat"
    roh[aktiv & (d10 > 0) & (dsp < 0)] = "bear_flat"

    # Mindesthaltedauer: kurze Wechsel werden auf den Vorzustand zurueckgesetzt
    out, letzter, seit = [], None, 0
    for v in roh.ffill():
        if v != letzter and seit >= min_dauer:
            letzter, seit = v, 0
        seit += 1
        out.append(letzter)
    return pd.Series(out, index=kurve.index)

Praktisch heißt das bei mir: Ich klassifiziere monatlich, gewichte innerhalb einer Bandbreite von ±30 Prozent um die neutrale Sektorgewichtung und akzeptiere, dass ich Regimewechsel mit rund vier bis sechs Wochen Verzögerung erkenne. Diese Verzögerung nehme ich für eine stabile Klassifikation in Kauf; mit kürzerer Reaktionszeit kämen mehr Fehlsignale.