70/30 ETF-Portfolio und MSCI ACWI ETF im Vergleich

In diesem Blog-Post untersuche ich die Unterschiede des MSCI ACWI und einem 70/30 Portfolio auf MSCI World und MSCI Emerging Markets.

Im Folgenden möchte ich mein Beispiel-Portfolio mit einem einfachen Portfolio auf den MSCI All Country World Index (ACWI) hinsichtlich der Gewichtung vergleichen:

WKN	Index	Gewichtung
A1JMDF	MSCI ACWI	100%

Für den Vergleich nutzen wir unser R-Script, was wir bereits in meinem vorherigen Artikel zur Analyse des Länder-Anteils im Portfolio entwickelt haben.

⚠️ Wichtiger Hinweis zur Datengrundlage

Ich untersuche im Folgenden aufgrund der verfügbaren Datenqualität ausschließlich ETFs des Anbieters Ishares, d.h. ich untersuche die tatsächliche Zusammensetzung dieser ETFs. Man könnte natürlich auch jeden beliebigen anderen ETF-Anbieter verwenden.

“Tatsächliche Zusammensetzung” deshalb, da aktuell (im Jahr 2021) noch kein ETF auf den MSCI All Country World-Index existiert, der vollständig physisch repliziert. In diesem Fall hält der ETF alle im Index vorkommenden Aktien eins zu eins. Aufgrund des erhöhten Aufwands und der geringen Bedeutung vor allem sehr kleiner Aktien verzichten die ETF-Anbieter allerdings bei breiten Indizes wie dem ACWI meist darauf und setzen sogenanntes “Optimiertes Sampling” ein. Hier wird nur ein Teil der im Index enthaltenen Aktien erworben, so dass es zu den bekannten, in der Regel sehr geringen Tracking Errors (positiv wie negativ) kommt.

Möchte man die theoretische Zusammensetzung auf Index-Ebene vergleichen, müssten wir uns die Daten von MSCI holen.

Wo finde ich die aktuelle Zusammensetzung eines ETF-Index?

In der Regel findet sich die Zusammensetzung eines ETF-Index auf den jeweiligen Seiten des Indexanbieters. Das Stichwort heißt hier “Constituents”, d.h. in etwa “Bestandteile” oder “Zusammensetzung”. Für meine Berechnungen verwende ich die MSCI-Indizes, die Zusammensetzung findet sich daher auf der MSCI Constituents Website.
Leider haben diese Daten einige Nachteile (da MSCI an der Lizenzierung der Daten natürlich verdient):

• es gibt keinen CSV-Download, daher muss man sich die Daten per Copy-Paste in Excel kopieren und daraus z.B. eine CSV-Datei generieren
• die Daten enthalten nur die Namen der Aktien, keine ISIN, etc., d.h. hier müsste man zuerst eine Normalisierung durchführen
• die Daten enthalten keine weitergehenden Informationen wie Länder, d.h. auch hierzu ist eine Verknüpfung mit anderen Datenquellen notwendig

Exkurs: Wie relevant ist der Länder-Vergleich?

Generell sollte man meiner Meinung nach die Länder-Aufteilung nicht überbewerten. Entscheidend für die Länder-Einteilung im Index ist das Heimatland, in welchem die jeweilige Aktie herausgegeben wurde. Allerdings agiert heutzutage jedes größere Unternehmen international und generiert damit Umsätze in aller Welt. Man kann dies also nicht isoliert betrachten.
Die Selektion nach Ländern kann allerdings natürlich für die gesetzlichen Rahmenbedingen, z.B. staatliche Einflußnahme, eine Rolle spielen.

Wichtig hierbei ist auch zu wissen, dass jeder Index-Anbieter (in unserem Beispiel MSCI) seine eigene Einteilung in Sektionen hat. Eine sehr gute Erklärung für MSCI findet sich auf justetf.com.

Interessant ist auch, dass das Länderkürzel in der ISIN, also z.B. DE1234567890, nicht zwangsläufig mit der Länder-Einteilung im Index übereinstimmen muss. Der Grund hierfür ist, dass der Ländercode in der ISIN immer das Land ist, das die ISIN für ein Wertpapier herausgegeben hat. Im Index erfolgt die Einteilung aber in der Regel nach dem Heimatland des Wertpapieremittenten.
Ein Beispiel ist hier die Alibaba-Aktie, die die ISIN US01609W1027 besitzt, von MSCI aber im Index dem Land China zugeordnet wird.

Das sollte man nur im Hinterkopf behalten.

Los geht’s

Im ersten Schritt bauen wir wieder unser Muster-Portfolio auf:

portfolio_70_30 <- bind_rows(
  msci_world %>% mutate(Weight = 0.70*Weight),
  msci_emerging_markets %>% mutate(Weight = 0.30*Weight)
)

Und analysieren anschließend die Portfolio-Gewichtungen:

portfolio_70_30 %>% 
  left_join(devinvestorhelper::world_bank_data, by="alpha3") %>%
  group_by(alpha3) %>%
  summarise(EEM = sum(Weight), `Country Name` = first(`Country Name.x`), gdp_percent = first(gdp_percent)) %>%
  filter(EEM > 0) %>%
  arrange(desc(EEM))

Mit folgendem Ergebnis der tatsächlichen Portfolio-Gewichtung (Spalte EEM) und dem Anteil am BIP (Spalte gdp_percent):

# A tibble: 50 x 4
   alpha3   EEM `Country Name`         gdp_percent
   <chr>  <dbl> <chr>                        <dbl>
 1 usa    46.4  Vereinigte Staaten          24.4  
 2 chn     9.95 China                       16.3  
 3 jpn     5.40 Japan                        5.79 
 4 twn     4.19 Taiwan                      NA    
 5 kor     3.98 Korea                        1.88 
 6 gbr     3.01 Vereinigtes Königreich       3.22 
 7 ind     2.88 Indien                       3.27 
 8 fra     2.35 Frankreich                   3.09 
 9 irl     2.33 Irland                       0.443
10 deu     2.32 Deutschland                  4.40 
# … with 40 more rows

(Anmerkung: Für Taiwan scheinen keine BIP-Daten zur Verfügung zu stehen.)

Schauen wir uns dann zum Vergleich das oben genannte Portfolio an, das nur aus dem MSCI ACWI besteht:

portfolio_acwi <- bind_rows(
  msci_acwi %>% mutate(Weight = 1*Weight)
)

Und berechnen wieder die Gewichtungen mit dem R-Code von oben, dann erhalten wir hierfür folgendes Ergebnis:

# A tibble: 44 x 4
   alpha3   EEM `Country Name`         gdp_percent
   <chr>  <dbl> <chr>                        <dbl>
 1 usa    57.5  Vereinigte Staaten          24.4  
 2 jpn     6.7  Japan                        5.79 
 3 chn     4.23 China                       16.3  
 4 gbr     3.76 Vereinigtes Königreich       3.22 
 5 deu     3.08 Deutschland                  4.40 
 6 fra     2.91 Frankreich                   3.09 
 7 can     2.81 Kanada                       1.98 
 8 che     2.44 Schweiz                      0.801
 9 irl     2.35 Irland                       0.443
10 aus     1.84 Australien                   1.59 
# … with 34 more rows

Für einen groben Überblick ist auch der Vergleich der Kontinente interessant:

add_column(weights_by_country_70_30, continent = countrycode(weights_by_country_70_30$alpha3, origin="iso3c", destination = "continent")) %>%
  group_by(continent) %>%
  summarise(EEM = sum(EEM))

Mit folgendem Ergebnis für die Verteilung der Kontinente im 70-30-Portfolio:

# A tibble: 5 x 2
  continent   EEM
* <chr>     <dbl>
1 Africa     1.15
2 Americas  50.4 
3 Asia      29.6 
4 Europe    17.1 
5 Oceania    1.55

Und beim MSCI ACWI:

 A tibble: 5 x 2
  continent   EEM
* <chr>     <dbl>
1 Africa     0.47
2 Americas  60.6 
3 Asia      16.7 
4 Europe    19.8 
5 Oceania    1.9 

Ergebnis des Vergleichs

Wenn man die beiden Ergebnisse der Gewichtungen vergleicht, kommt man zu folgendem Fazit:

1. Das 70-30-Portfolio von Ishares bildet mehr Länder ab (50 vs. 44 beim MSCI ACWI)
2. Im MSCI ACWI ist vor allem die USA stärker vertreten (57% vs. 46%)
3. Das 70-30-Portfolio hat – erwartungsgemäß – einen sog. Faktor-Tilt für Emerging Markets, d.h. insbesondere der Kontinent Asien ist übergewichtet (30% vs. 17%)

Disclaimer: Meine kostenlosen und freien Recherchen stellen meine persönliche Meinung dar und sind in keinster Weise eine Anlageempfehlung. Sie werden mit größtmöglicher Sorgfalt erstellt, aber sie können trotzdem ganz oder teilweise falsch sein. Daher übernehme ich keinerlei Haftung für Anlageentscheidungen, die auf Basis der hier vermittelten Informationen getroffen werden. Des Weiteren erhebt diese Website keinen Anspruch auf Vollständigkeit, Richtigkeit und Aktualität.