Wie Makro-Sentiment-Scores aufgebaut werden

Ein Sentiment-Score, der seine Methodik nicht zeigt, verlangt Vertrauen allein aufgrund der Marke. Für Anleger, die den Makro-Hintergrund verstehen wollen, reicht das nicht. Der Score ist nur dann nützlich, wenn die Struktur dahinter glaubwürdig ist.

Dieser Artikel erklärt, wie Multi-Faktor-Systeme für Makro-Sentiment aufgebaut werden: wie aus vielen Rohsignalen ein zusammengesetzter Score entsteht, welche schwierigen Designfragen dabei auftreten und welche Validierung nötig ist, um robuste Methodik von Curve-Fitting zu unterscheiden.

Wenn Sie Was ist Makro-Sentiment? noch nicht gelesen haben, beginnen Sie am besten dort. Dieser Artikel setzt voraus, dass Sie wissen, was ein Sentiment-Komposit messen soll.

Die vierstufige Pipeline

Jedes gut gebaute Sentiment-System folgt im Kern derselben Pipeline:

• Rohsignale einlesen und normalisieren, obwohl sie in unterschiedlichen Einheiten vorliegen.
• Gewichten nach Relevanz, Zuverlässigkeit und Signal-Rausch-Verhältnis.
• Aggregieren zu einem regionalen Komposit.
• Kontext ergänzen: Treiber, Trend, Regime und Risiko.

Jeder Schritt enthält Entscheidungen. Gut begründete Entscheidungen machen ein System nützlich. Schlechte Entscheidungen erzeugen eine Zahl, die präzise aussieht, aber wenig aussagt.

Schritt 1: Normalisierung

Das erste Problem ist einfach formuliert: Wie vergleicht man Kreditspreads in Basispunkten, Arbeitslosigkeit in Prozent, den VIX als Indexstand und Zentralbankkommunikation als Text?

Die Lösung besteht darin, alle Eingaben in eine gemeinsame, einheitenfreie Skala zu überführen. Numerische Daten können als Z-Scores oder Perzentile relativ zur eigenen Historie dargestellt werden. Textsignale werden in Tonalitätswerte umgewandelt und anschließend mit der historischen Tonalität derselben Institution, Quelle oder Person verglichen.

Das historische Fenster ist entscheidend. Ein kurzes Fenster reagiert schnell, kann aber übersteuern. Ein sehr langes Fenster ist stabil, kann aber strukturelle Veränderungen übersehen. Gute Systeme nutzen rollierende historische Kontexte.

Schritt 2: Gewichtung

Nach der Normalisierung entscheidet das System, wie stark jeder Faktor zählen soll.

Fachlich begründete Gewichte

Einige Faktoren enthalten strukturell mehr Information als andere. Zentralbankpolitik, Kreditspreads und Volatilität verdienen meist mehr Gewicht als kleine oder sehr verrauschte Indikatoren.

Regionale Gewichte

Ein und derselbe Faktor kann je nach Region unterschiedlich wichtig sein. Energiepreise tragen für Europa oft mehr Makroinformation als für Nordamerika. Der Dollar kann für Asien stärker wirken als für die USA selbst.

Volatilitätsbereinigte Gewichte

Faktoren, die stark schwanken, ohne verlässliche Information zu liefern, sollten den Score nicht dominieren.

Abdeckungsbereinigte Gewichte

Wenn Daten fehlen, veraltet oder nicht verfügbar sind, sollte der Beitrag nicht stillschweigend als neutral behandelt werden. Das Gewicht sollte reduziert und die Datenlage transparent bleiben.

Schritt 3: Aggregation

Die gewichteten Faktoren werden zu einem regionalen Komposit zusammengeführt, häufig auf einer Skala wie −100 bis +100. Der Nutzen der Aggregation liegt darin, dass viele verrauschte Signale, wenn sie in dieselbe Richtung zeigen, ein klareres Makromuster sichtbar machen können.

Deshalb kann ein Komposit drehen, bevor ein einzelner Indikator extrem aussieht. Regimewechsel zeigen sich oft zuerst als breite Bewegung vieler Inputs, nicht als dramatischer Ausschlag einer einzigen Reihe.

Robuste Systeme begrenzen außerdem extreme Einzelbeiträge. Eine Bewegung von fünfzehn Standardabweichungen ist eher ein Datenfehler als ein echtes Signal.

Schritt 4: Kontextschichten

Ein Sentiment-System darf nicht bei der Zahl enden. Ein Score von −35 kann je nach Kontext sehr unterschiedliche Bedeutungen haben.

Treiber. Welche Faktoren bewegen den Score? Kreditstress, schwächere Beschäftigungsdaten oder Währungsdruck deuten auf unterschiedliche Risiken hin.

Trend. Verbessert oder verschlechtert sich der Score? +15 nach einem Rückgang von +40 ist etwas anderes als +15 nach einem Anstieg von −10.

Regime. Bestätigen breitere Marktstress-Signale die Richtung, oder ist der Sentiment-Score noch ein frühes, unbestätigtes Signal?

Risikokontext. Sind Finanzstabilitätsindikatoren ruhig, erhöht oder angespannt?

Ein Beispiel: März 2023 und Silicon Valley Bank

Der Ausfall der Silicon Valley Bank im März 2023 zeigt, warum Methodik wichtig ist. Aktienindizes wirkten in den Wochen davor relativ ruhig, und die Volatilität signalisierte noch keine klare Krise. Ein System, das vor allem auf Aktienvolatilität schaut, hätte den Aufbau des Stresses leicht übersehen.

Andere Signale waren weniger komfortabel: Kreditspreads minderer Qualität weiteten sich aus, Regionalbankaktien liefen schwächer, die Zinskurve zeigte Stress und Finanzstabilitätsindikatoren deuteten auf Bilanzdruck in Teilen des Bankensystems hin.

Die schwierigeren Probleme

Verzögerte Daten

Offizielle Makrodaten erscheinen in verschiedenen Frequenzen. BIP ist quartalsweise, Beschäftigung monatlich und Marktdaten laufend. Ein ernstzunehmendes System verfolgt für jeden Faktor das jeweilige As-of-Datum.

Wochenenden und Feiertage

Märkte schließen und Datenveröffentlichungen pausieren. Ein robustes System nutzt die zuletzt bestätigten Inputs weiter und macht Frische klar erkennbar.

Widersprüchliche Signale

Aktien, Anleihen, Währungen und Rohstoffe erzählen nicht immer dieselbe Geschichte. Aggregation sollte widersprüchliches Rauschen dämpfen, nicht dem lautesten Faktor folgen.

Regimebrüche

In Schocks wie März 2020 können historische Beziehungen zeitweise brechen. Robuste Systeme nutzen Begrenzungen, Schutzmechanismen und klare Hinweise, wenn das Regime instabil ist.

Datenrevisionen

Makrodaten werden revidiert. Eine seriöse historische Reihe bewahrt, was zum damaligen Zeitpunkt bekannt war, statt die Vergangenheit mit nachträglich revidierten Daten zu überschreiben.

Validierung: Woran man erkennt, ob es funktioniert

Der wichtigste Teil ist Validierung. Ein System lässt sich immer so einstellen, dass es die Vergangenheit erklärt. Die Frage ist, ob es außerhalb der Kalibrierungsperiode nützlich bleibt.

Out-of-sample-Tests kalibrieren auf einer Periode und testen auf einer anderen. Walk-forward-Analysen wiederholen diesen Prozess durch die Zeit. Regimestabilität prüft, ob das System in Bullenmärkten, Bärenmärkten und Schocks sinnvoll bleibt.

Was Signovian macht

Signovian verfolgt mehr als 50 Inputs aus Markt-, Makro-, geopolitischen, Nachrichten- und Finanzstabilitätssignalen. Diese Inputs werden normalisiert, mit regionalen Gewichtungen für Nordamerika, Europa und Asien versehen und als regionaler Sentiment-Score mit Treibern, Trend, Marktregime und Finanzstabilitätskontext dargestellt.

Faktorbasierte Evidenz ist ab dem Silver-Plan verfügbar. Dort wird die Methodik überprüfbar: Sie sehen, welche Inputs den Score nach oben oder unten bewegen und ob die Lesart zu Ihrer eigenen Einschätzung passt.

Der nützliche Test

Der beste Test einer Sentiment-Methodik ist, ob sie bessere Fragen ermöglicht. Wenn der Score Ihre Sicht bestätigt, gibt er Struktur. Wenn er abweicht, zeigen die Treiber, was das System sieht — oder wo Sie der Gewichtung widersprechen.

Keine Anlageberatung. Nur zu Informationszwecken.