Saisonalität an der Börse: Sell in May, Januar-Effekt und wie man Kalendereffekte testet

Vertiefung11 Min. Lesezeit · 16 Quellen

Saisonalität an der Börse heißt: Renditen scheinen vom Kalender abzuhängen, etwa vom Halbjahr, vom Monatswechsel oder von den Tagen vor Feiertagen. Am bekanntesten ist die Regel „Sell in May and go away“. Hier erfährst du, was die Forschung zu diesen Kalendereffekten zeigt, wie du einen solchen Effekt Schritt für Schritt auf Signifikanz testest, warum bei vielen getesteten Kalenderregeln Vorsicht geboten ist und was das Umschichten an Kosten und Steuern frisst.

Kalendereffekte: was gemeint ist

Ein Kalendereffekt ist ein Renditemuster, das an einem festen Datum hängt und nicht an einer neuen Information. Bestünde es verlässlich, ließe es sich mit einer einfachen Regel ausnutzen. Das stünde im Widerspruch zur schwachen Form der Effizienzmarkthypothese, nach der vergangene Kurse keine verwertbaren Muster enthalten. Die bekanntesten Muster:

Was die Forschung zeigt

Sell in May: der Halloween-Effekt

Die Börsenweisheit, im Mai zu verkaufen und erst nach Halloween zurückzukehren, haben Bouman und Jacobsen (2002) systematisch geprüft. In 36 von 37 untersuchten Industrie- und Schwellenländern lagen die Renditen von November bis April über denen von Mai bis Oktober. Besonders deutlich war der Halloween-Effekt in Europa, in Großbritannien lässt er sich bis 1694 zurückverfolgen. Eine überzeugende Erklärung fanden die Autoren nicht. Andrade u. a. (2013) testeten die Regel außerhalb der Stichproben früherer Studien und fanden, dass sie fortbesteht. Zhang und Jacobsen (2021) werteten schließlich alle verfügbaren Aktienindizes weltweit aus, zusammen 62.962 Beobachtungen: Im Winterhalbjahr lagen die Renditen im Mittel um 4 % höher, und im Sommerhalbjahr waren die Überrenditen gegenüber dem risikofreien Zins weltweit sogar negativ, um −1 %.

Januar-Effekt, Monatswechsel und Feiertage

Rozeff und Kinney (1976) beschrieben die Saisonalität amerikanischer Aktienrenditen mit auffällig hohen Renditen im Januar. Keim (1983) zeigte, dass ein großer Teil des Größeneffekts (kleine Aktien schlagen große) auf den Januar fällt, vor allem auf dessen erste Handelstage. Als Erklärung gilt oft, dass Anleger Verlierer zum Jahresende aus steuerlichen Gründen verkaufen und im Januar zurückkaufen. Haug und Hirschey (2006) fanden den Januar-Effekt bei kleinen US-Aktien auch nach der US-Steuerreform von 1986 unverändert und halten deshalb verhaltensökonomische Erklärungen für wichtig.

Beim Monatswechsel-Effekt fand Ariel (1987), dass US-Aktien ihre Rendite fast ganz in der ersten Hälfte des Handelsmonats verdienten, gerechnet ab dem letzten Handelstag des Vormonats. McConnell und Xu (2008) gehen weiter: Von 1926 bis 2005 bekamen US-Anleger im Mittel überhaupt nur an den Monatswechseln eine Prämie für das Marktrisiko, und der Effekt zeigt sich in 31 von 35 Ländern; Kaufdruck durch Zuflüsse zum Monatsende erklärt ihn nicht. Lakonishok und Smidt (1988) fanden in 90 Jahren Tagesdaten des Dow Jones auffällige Renditen um Wochen-, Monats- und Jahreswechsel und um Feiertage. Laut Ariel (1990) war die mittlere Rendite am Handelstag vor einem Feiertag neun- bis vierzehnmal so hoch wie an den übrigen Tagen; von 1963 bis 1982 fiel mehr als ein Drittel der Marktrendite auf diese acht Tage im Jahr.

Jahresendrallye und Santa-Claus-Rally

Die Santa-Claus-Rally ist ein Begriff aus dem Börsenjargon, meist für die letzten fünf Handelstage im Dezember und die ersten zwei im Januar. Wissenschaftlich gehört sie zu den Feiertags- und Jahreswechseleffekten, wie sie Lakonishok und Smidt (1988) und Ariel (1990) beschreiben; eigene, robuste Belege für genau dieses Fenster sind dünner. Wer nach einer „Jahresendrallye“ sucht, findet sie je nach Definition (vom ganzen Dezember bis zu wenigen Tagen) mal stärker, mal schwächer. Schon das ist ein Hinweis auf das Problem der vielen Varianten, um das es weiter unten geht.

Signifikanztest Schritt für Schritt

Ob ein Kalendereffekt mehr als Zufall ist, prüft ein Hypothesentest. Die Nullhypothese lautet: Die erwartete Rendite ist im Winter- und im Sommerhalbjahr gleich. Der Zwei-Stichproben-t-Test vergleicht die beiden Mittelwerte mit ihrer Streuung:

Der t-Test mit gepoolter Varianz unterstellt in beiden Halbjahren dieselbe Streuung. Rechnet man mit getrennten Varianzen (Welch-Test), bleibt der t-Wert hier bei 2,31, weil beide Gruppen gleich groß sind; nur die Freiheitsgrade sinken auf 21,3, und der p-Wert bleibt bei 3,1 %. Der p-Wert ist die Wahrscheinlichkeit, einen mindestens so großen Unterschied zu sehen, wenn es in Wahrheit keinen gibt. Er ist nicht die Wahrscheinlichkeit, dass der Effekt echt ist.

Dieselbe Rechnung als Regression mit Dummy

Bouman und Jacobsen (2002) testen den Effekt als Regression. Eine Dummy-Variable S_t ist 1, wenn die Periode t ins Winterhalbjahr fällt, sonst 0:

Die Kleinste-Quadrate-Regression liefert mit den zwölf Winter- und zwölf Sommerwerten genau die Zahlen von oben: μ̂ = 0,17 %, α̂ = 4,83 Prozentpunkte mit einem Standardfehler von 2,09 und einem t-Wert von 2,31. Der Vorteil der Regression: Weitere Dummys für andere Kalenderfenster, ein Trend oder Faktorrenditen lassen sich einfach ergänzen.

Mit Monatsdaten wird es heikler. Dann stehen jedes Jahr sechs Winter- und sechs Sommermonate in der Regression. Das sind mehr Werte, aber nicht entsprechend mehr unabhängige Information: Die Volatilität schwankt in Phasen (Heteroskedastizität), und Renditen können autokorreliert sein. Die gewöhnlichen Standardfehler fallen dann zu klein aus. Abhilfe schaffen Newey-West-Standardfehler nach Newey und West (1987), die Kovarianzen bis zu einer Verzögerung L mit fallenden Gewichten einrechnen:

Für Fortgeschrittene: Data Snooping bei Kalenderregeln

Kalendereffekte sind das Lehrbuchbeispiel für Data Snooping. Es gibt sehr viele mögliche Regeln: zwölf Monate, fünf Wochentage, Fenster um Monatswechsel und Feiertage, Halbjahre und Kombinationen davon. Prüft man genug Regeln an denselben Daten, wird eine davon zufällig „signifikant“. Sullivan u. a. (2001) haben das an rund 100 Jahren Tagesdaten durchgerechnet: Mit einem Bootstrap über die ganze Menge der Kalenderregeln, die man hätte untersuchen können, sind die einzeln hoch signifikanten Effekte nicht mehr signifikant. Ihr Werkzeug ist der Reality Check von White (2000), den sie zuvor schon auf technische Handelsregeln angewandt hatten (Sullivan u. a. 1999).

Die einfachste Korrektur für multiples Testen ist die Bonferroni-Regel: Bei m getesteten Regeln muss jede einzelne das Niveau 5 % / m unterschreiten.

Dazu kommt die Auswahl des Zeitraums: Ein Effekt, der in Jahren entdeckt wurde, in denen er stark war, überzeugt in genau diesen Jahren. Echte Prüfungen brauchen Daten nach der Veröffentlichung oder aus anderen Märkten, wie bei Andrade u. a. (2013) und Zhang und Jacobsen (2021). Wie man eine Sharpe Ratio für viele Versuche korrigiert, steht im Artikel Deflated Sharpe Ratio, die Grundlagen unter Backtest-Overfitting.

Kosten und Steuern beim Umschichten

Eine Sell-in-May-Regel schichtet zweimal im Jahr um: Ende April aus dem Aktien-ETF in einen Geldmarkt-ETF, Ende Oktober zurück. Jede Order kostet Gebühren und die halbe Geld-Brief-Spanne, und jeder Verkauf mit Gewinn löst in Deutschland sofort Steuern aus, die Kaufen und Halten aufschieben würde.

Die Steuerregeln entsprechen dem Stand Oktober 2026: Abgeltungsteuer 25 % plus Solidaritätszuschlag, zusammen 26,375 % ohne Kirchensteuer, Sparer-Pauschbetrag 1.000 € (Zusammenveranlagte 2.000 €) und Teilfreistellung 30 % für Aktienfonds (EStG 2009; InvStG 2016). Erträge eines Geldmarkt-ETFs sind dagegen ohne Teilfreistellung voll steuerpflichtig. Mehr unter Abgeltungsteuer und Teilfreistellung und Vorabpauschale; das ist keine Steuerberatung.

Grenzen und typische Fehler

• Zeitraum passend gewählt: Ein Muster, das in einer Phase entdeckt wurde, in der es stark war, sieht dort immer gut aus. Prüfe es vor allem nach der Veröffentlichung und in anderen Märkten.
• Wenige unabhängige Beobachtungen: 20 Jahre ergeben nur 20 Paare aus Winter und Sommer. Monatsdaten erhöhen die Zahl der Werte, nicht die der unabhängigen Halbjahre.
• Nur die Rendite vergleichen: Ein Sommer im Geldmarkt senkt auch das Risiko. Fair ist der Vergleich von Sharpe Ratio und Drawdown, nicht allein der Rendite.
• Kosten und Steuern vergessen: Zwei Wechsel im Jahr kosten Spanne, Gebühren und den Vorteil der Steuerstundung. Im Beispiel sind das allein an Handelskosten gut 0,2 % pro Jahr.
• Fehlende Erklärung: Für den Halloween-Effekt gibt es bis heute keine allgemein akzeptierte Begründung. Das macht ihn rätselhaft, aber auch anfällig dafür, wieder zu verschwinden.
• Viele Regeln, ein Gewinner: Wer Monate, Wochentage und Feiertagsfenster durchprobiert, findet immer etwas. Wie hoch die Hürden für Ein- und Ausstieg sind, zeigt der Artikel Market Timing.

So rechnet Portfolio Lab

Ein eigenes Kalendermodell hat die Taktik nicht; ihre Modelle reagieren auf Kurse, Volatilität und Bewertung, nicht auf das Datum. Nachbauen lässt sich eine Kalenderregel im Backtest mit zeitabhängigen Gewichten (Karte „Gewichte im Zeitverlauf“). In der Art „Tabelle“ gilt jede Zeile ab ihrem Datum: Eine Zeile ab dem 1. Mai mit 100 % Geldmarkt schichtet zum Schlusskurs des letzten Kurstags davor um, bei Monatsdaten also Ende April; eine Zeile ab dem 1. November mit 100 % Aktien schichtet Ende Oktober zurück. Für viele Jahre ist die Art „Datei“ bequemer: eine CSV- oder Excel-Datei mit einer Datumsspalte und je einer Spalte pro Ticker; umgeschichtet wird dann zum Schlusskurs am genannten Datum bzw. am nächsten Kurstag. Die Tabelle übernimmt bis zu 500 Zeilen, eine Datei bis zu 5.000.

Mit „Sparplan und Handelskosten wie beim Broker“ und „Deutsche Steuern berücksichtigen“ rechnet der Backtest Spanne, Ordergebühren, Abgeltungsteuer und Teilfreistellung für jeden Wechsel mit; die Kennzahlen zeigen dann auch den Endwert ohne Handelskosten. Als Vergleich legst du Kaufen und Halten als zweites Portfolio daneben. Saisonale Muster eines Portfolios siehst du in der Registerkarte „Monate“ mit den Monatsrenditen je Jahr. Einen Signifikanztest oder eine Korrektur für Mehrfachtests rechnet die App nicht; dafür eignen sich die Periodenrenditen aus dem CSV-Export. Wie Zeitpläne umgesetzt werden, beschreibt die Methodik des Backtests; eine Anleitung für den ganzen Ablauf steht unter ETF-Portfolio backtesten.

Dieser Artikel erklärt eine Methode; er ist keine Anlage- oder Steuerberatung. Zahlenbeispiele sind vereinfacht und gerundet. Alle Begriffe im Glossar.