Textprobe: Kapitel 4, Datengrundlage: 4.1, Datenbasis: Als Datenbasis der vorliegenden Untersuchung dient die Datenbank CLO-i von Creditflux. Diese enthält diverse Informationen, Zeitreihen und Kennzahlen für europäische und amerikanische CLOs. Nach eigenen Angaben liefert die Datenbank umfangreiche Performancedaten für 60% des globalen CLO Marktes. Da die Datenbank jedoch keine CLOs beinhaltet, die vor 2003 abgewickelt wurden, wird der Datensatz durch einen Abgleich aller als CLO gekennzeichneter Deals in Bloomberg ergänzt. Ein weiterer Abgleich mit Moodys stellt sicher, dass zumindest namentlich alle CLOs im Datensatz enthalten sind, sodass von einer Marktabdeckung von 100% ausgegangen werden kann. Desweiteren wird im Datensatz berücksichtigt, dass zwischen 2009 und 2012 einige CLOs verkauft wurden und somit auch ihren Manager gewechselt haben. Um keinem Manager die Performance seines Vorgängers bzw. Nachfolgers zuzuordnen, werden alle Akquisitionen berücksichtigt und jeweils der neue Manager für den Zeitraum nach der Übernahme aufgeführt. Creditflux berichtet insgesamt 48 Übernahmen zwischen 2009 und 2012. Diese können durch Bloomberg und Moodys bestätigt bzw. ergänzt werden. Zur Berechnung der Überrenditen der Manager mit Hilfe eines externen Index wird der S&P Leveraged Loan Index (LLI) bzw. der S&P European Leveraged Loan Index (ELLI) verwendet. Diese Indizes bilden die Portfolios großer institutioneller Investoren im amerikanischen bzw. europäischen Kreditmarkt nach. Sie beinhalten sowohl eine Marktwertkomponente, welche sich aus dem sekundären Marktpreis der Kredite ableitet, eine Zinskomponente, welche die Zinszahlungen der Kredite berücksichtigt und eine Renditekomponente, welche den Gewinn bzw. Verlust aus Rückzahlungen des Kapitals beinhaltet. Die Zeitreihe der Indizes geht im Falle des LLI bis 1997, im Falle des ELLI bis 2003 zurück und wird täglich bzw. monatlich berechnet. Die Kategorisierung der einzelnen Manager wird anhand der Website des jeweiligen Managers sowie der errechneten managerspezifischen Variablen vorgenommen. 4.2, Datenauswahl: Für die univariate Analyse umfasst die Stichprobe den gesamten Datensatz, welcher eine vollständige Marktabdeckung darstellt. Performancedaten sind im Durchschnitt für 80% aller Manager und Zeitpunkte verfügbar. Die früheste Zeitreihe beginnt im November 1997. Der letzte Beobachtungszeitpunkt ist Mai 2013. Insgesamt sind 19.248 Beobachtungspunkte von 881 Deals und 192 verschiedenen Managern enthalten. Die durchschnittliche Tranchengröße zum Auflegungszeitpunkt in der jeweiligen Währung des Deals entspricht 45,5 Mio. bei einem durchschnittlichen Gesamtvolumen der Deals von 513 Mio.. Die Auflegungszeitpunkte erstrecken sich von 1997 bis 2010. Die neuaufgelegten Deals aus 2013 sind dementsprechend nicht im Datensatz enthalten. 81% der Tranchen sind in US Dollar notiert, 18% in Euro und knapp 1% in Pfund Sterling. Die Umrechnung der europäischen Deals erfolgt zum Kurs am Bepreisungsdatum in US Dollar. In die Kategorisierung und anschließende multivariate Performanceanalyse werden nur die europäischen Deals der Datenbank Creditflux einbezogen. Diese Stichprobe umfasst 155 Deals von 51 verschiedenen Managern. Zusätzlich zu den Performancedaten werden dem Datensatz Zeitreihen zu den Qualitäts- und Investitionskriterien wie OC-Tests, Weighted Average Rating Factor (WARF), Collateral in Default und CCC Bucket hinzugefügt. Einige Deals müssen für die vorliegende Untersuchung aus den Stichproben ausgeschlossen werden. Insgesamt 14 Deals bzw. Dealfamilien lassen sich als Trust Preferred CLO klassifizieren. Diese zeichnen sich dadurch aus, dass sie anstelle von Buchkrediten Mezzaninekapital, welches als Tier-1-Kapital anerkannt ist und an Banken bzw. institutionelle Investoren vergeben wurde, verbriefen. Auf Grund des völlig unterschiedlichen Risikoprofils und unterschiedlicher Motivationsgrundlage lassen sich diese Transaktionen nicht mit konventionellen CLOs vergleichen und werden daher in der Analyse nicht berücksichtigt. Nach Ausschluss der entsprechenden Deals verbleiben 186 Manager im Datensatz. Für 12 Manager sind keine Performancedaten verfügbar, weshalb diese ebenfalls nicht berücksichtigt werden können [...]. 6.2.1, Persistenz und Autokorrelation: Wie bereits im theoretischen Teil der Untersuchung erläutert, kann man positive Persistenz in der Performance eines Managers als Anzeichen für Managerqualität deuten. Persistenz bedeutet, dass ein Manager, der eine Überrendite im Zeitpunkt t erwirtschaftet, auch in t+1 wieder eine Überrendite erreichen wird bzw. diese auch in t-1 erreicht hat. In der graphischen Analyse lässt sich Persistenz am Verlauf der Equity Rendite und Überrenditen zeigen. Verlaufen diese konstant über oder unter einem Vergleichsindex, ist Persistenz vorhanden. Auch die Cash-on-Cash Renditen können in die Analyse einbezogen werden. Persistenz bezieht sich dann nicht auf die Zeit, sondern die einzelnen Deals eines Managers. Sie ist vorhanden, wenn ein Manager dessen CLO eines Auflegungsmonats erfolgreich ist, auch mit seinem nächsten CLO (zu einem anderen Auflegungszeitpunkt) besser performt als der Durchschnitt der Manager. Neben der rein graphischen Betrachtung lässt sich Persistenz auch statistisch in Form von Autokorrelation untersuchen. Von Autokorrelation spricht man allgemein, wenn der Wert einer Variablen in einer Periode mit den Werten der Variable in den Vorperioden korreliert. In der Ökonometrie kommt in der Zeitreihenbetrachtung in den meisten Fällen eine Autokorrelation der Störterme vor (serial correlation). Um Persistenz statistisch nachzuweisen, wird dementsprechend die Zeitreihe der Manager Equity Rendite (gleichgewichtet) auf Autokorrelation getestet. Dabei wird zunächst eine graphische Untersuchung des Verlaufs der Zeitreihe vorgenommen. Hinweise auf positive Autokorrelation liegen vor, wenn die Tendenz besteht, dass auf positive Equity Renditen über dem Durchschnitt (Marktrendite) wiederum positive, überdurchschnittliche Renditen folgen. Negative Persistenz liegt vor, wenn unterdurchschnittliche auf unterdurchschnittliche Renditen folgen. Weiterhin wird ein Residuenplot erzeugt, indem die Zeitreihe auf ihre Lag-Funktion regressiert wird und die Residuen graphisch abgetragen werden. Folgen die Residuen einem bestimmten Muster (verlaufen sie bspw. stetig ansteigend), ist dies ein Anzeichen für positive Autokorrelation. Im Anschluss werden verschiedene statistische Tests angewendet, um Hinweise auf Autokorrelation in der Zeitreihe zu identifizieren. Der Durbin-Watson Test testet die Zeitreihe auf Autokorrelation erster Ordnung. Die Nullhypothese (keine Autokorrelation) wird abgelehnt, wenn die Teststatistik in einem bestimmten Wertebereich liegt. Da der Test jedoch Unschärfebereiche aufweist, in denen keine Aussage getroffen werden kann, wird zusätzlich der alternative Durbin Test durchgeführt, welcher auf einer anderen Teststatistik basiert und für kleinere Samples bessere Ergebnisse liefert als der Durbin-Watson Test. Da man nicht davon ausgehen kann, dass die Equity Renditen im Falle von positiver Autokorrelation nur mit der ersten Vorperiode korrelieren, wird zudem der Breusch-Godfrey LM-Test durchgeführt. Dieser kann auch Autokorrelation höherer Ordnung identifizieren und ist weniger restriktiv in den Annahmen. Der Nachteil des Tests ist jedoch, dass er nur für größere Samples aussagekräftige Ergebnisse liefert. Neben den Tests, die zwar Hinweise auf Autokorrelation geben können, aber auf Grund der teilweise kleinen Stichproben oft nicht aussagekräftig sind, werden für jede Zeitreihe die Autokorrelationsfunktionen und partiellen Autokorrelationsfunktionen berechnet und graphisch in Form eines Korrelogramms dargestellt. Anhand dieser Graphik werden die errechneten Werte der (partiellen) Autokorrelationskoeffizienten auf ihre Signifikanz hin geprüft. Exemplarisch wird die Vorgehensweise für den Manager Symphony Asset Management durchgeführt. In der graphischen Analyse wird die Equity Rendite im Vergleich zur Marktrendite abgetragen. Deutlich zu erkennen ist, dass der Verlauf im gesamten Zeitraum über der Marktrendite liegt, was auf konstant positive Überrenditen hinweist. Statistisch sind die verschiedenen Tests auf Autokorrelation zwar nicht eindeutig, da die Anzahl der Beobachtungen mit insgesamt elf Halbjahren relativ gering ist. Die Verläufe der (partiellen) Autokorrelationsfunktion zeigen jedoch signifikante Werte zu Lag1. Die (partiellen) Autokorrelationskoeffizienten im Korrelogramm sind ebenfalls signifikant und betragen 0,56 (0,77) für Lag1, 0,49 (0,34) für Lag2 und 0,28 (0,37) für Lag3. Mit Hilfe der Informationskriterien nach Akaike (Akaike's Information Criterion), Schwarz (Schwarz's Bayesian Information Criterion) und Hannan/Quinn (Hannan/Quinn Information Criterion), welche die optimale Anzahl an Lags für Autokorrelationsmodelle bestimmen, werden die Ergebnisse überprüft. Auch die beschriebenen Kriterien schlagen für Symphony Asset Management eine Autokorrelation erster Ordnung vor. Im Ergebnis gibt es für den Manager starke Anzeichen für Autokorrelation und somit für positive Persistenz der Performance.