Nicht zuletzt wegen der Diskussion über eine historisch hohe Konzentration passiver, sprich marktkapitalisierungsgewichteter Indizes profitiert ein Investmentansatz gerade von einer Art Spannungsfeld: Die Eigenschaften und das Kostenprofil eines indexnahen Portfolios sollen erhalten bleiben, aber statt ausschließlich nach Marktkapitalisierung zu investieren, wird das Portfolio systematisch zugunsten von Unternehmen mit stärkeren Fundamentaldaten ausgerichtet.

Auch der in Helsinki beheimatete Asset Manager Evli gehört zu den Fondsgesellschaften, die von der wachsenden Nachfrage nach entsprechenden Anlagelösungen profitieren. Seit Juni sind zwei Enhanced-Index-Fonds der Finnen in Deutschland zum Vertrieb zugelassen. Bereits aufgelegt im September 2025, verwalten der Evli Atlas Europe Enhanced Index Fund und der Evli Atlas USA Enhanced Index inzwischen bereits ein Fondsvolumen von rund 500 respektive 900 Millionen Euro.

Ein proprietäres Modell
Für ein Haus, dessen Anlagephilosophie traditionell vom aktiven Management geprägt ist, ist der Schritt weniger überraschend, als er auf den ersten Blick wirkt. Denn der Schwerpunkt der Strategie liegt auf dem englischen Wörtchen "enhanced", was so viel bedeutet wie erweitert oder verbessert. Der Index bleibt dabei Ausgangspunkt und Risikorahmen, die Portfoliokonstruktion folgt jedoch einem proprietären Modell, das aus Evlis hauseigenen Analysen unter der Führung von Peter Lindahl hervorgegangen ist. Auf Basis der bisher erzielten Outperformance der beiden neuen Strategien gibt sich der Leiter des Bereichs systematischer Fondsstrategien bei Evli Fund Management zuversichtlich: "Wir haben das Prinzip 'Enhance Indexing' erfolgreich neu gedacht."

In rein marktkapitalisierungsgewichteten Indexfonds folgt neues Kapital den bestehenden Gewichten, woraus sich ergibt: Je größer die Position im Index, desto größer ist ihr Anteil an den Mittelzuflüssen, ganz unabhängig von Bewertung, Bilanzqualität oder Ertragskraft des jeweiligen Unternehmens. "In normalen Marktphasen mag das von begrenzter Bedeutung sein", so Lindahl. "Aktuell dagegen wird die Diversifikationseigenschaft beispielsweise eines eigentlich breiten S&P-500-Index durch die fast 35-prozentige Marktkonzentration auf die magischen sieben großen Technologieunternehmen zerstört."

Lindahl wollte diese Mechanik verändern, ohne dafür klassische aktive Wetten einzugehen. Ein interner Claim dazu lautet: "Index Discipline. Active Edge". In der Praxis läuft das auf einen rund zweiprozentigen Ex-ante-Tracking-Error hinaus, einen Active Share von 25 bis 30 Prozent sowie ein Portfolio von 200 bis 300 Aktien, ausgewählt aus etwa 400 Titeln im MSCI Europe und rund 550 im MSCI USA.

Vier Faktoren, eine gemeinsame Hürde
Die aktiven Investmententscheidungen fallen dabei ausschließlich auf Einzeltitelebene. Die bewusste Differenzierung gegenüber anderen Enhanced-Index-Ansätzen liegt in der Titelselektion. Lindahl und seine Kollegen arbeiten durchaus mit den vier typischen klassischen Renditetreibern: Qualität, Bewertung, Wachstum und Momentum. Statt aber starke und schwache gemischte Faktorscores zu mitteln, verlangt das Modell ein positives Profil über alle vier Dimensionen zugleich. Unternehmen, die durchweg positiv abschneiden, werden übergewichtet, negative Signale führen zu Untergewichtungen, uneinheitliche zu benchmarknahen Positionen.

Am deutlichsten wird der akademisch gestützte Ansatz beim Umgang mit dem Faktor Wachstum. Statt vergangene Gewinn- oder Umsatzsteigerungen fortzuschreiben, nutzt Evli ein jüngeres Modell von vier Ökonomen der Ohio State University, das auf erwartetes Wachstum und vorlaufende Indikatoren wie die Entwicklung des operativen Cashflows abstellt. Wachstum und Value schließen einander damit nicht aus: Ein Unternehmen kann attraktiv bewertet sein und zugleich überzeugende Wachstumsperspektiven bieten.

Machine Learning im kontrollierten Einsatz
Da selbst robuste Faktoren nicht in jedem Marktumfeld gleich gut funktionieren, enthält das Modell eine dynamische Komponente. Rund 80 Prozent der Risikozuweisung entfallen auf die Faktorallokation, etwa 20 Prozent auf ein mit Machine Learning unterstütztes Timing-Modell, das Regimewechsel erkennen und die Faktorgewichte entsprechend anpassen soll. Der Einsatz von KI bleibt dabei durchaus bewusst begrenzt. Das System erzeugt Signale, entscheidet aber nicht autonom über Transaktionen.

Vor der Umsetzung bleibt entsprechend stets ein Mensch eingebunden. Die Begrenzung auf 20 Prozent ist dabei eine konzeptionelle Entscheidung. Das EU-Recht verbietet Blackbox-Modelle im Portfoliomanagement zwar nicht ausdrücklich. Aus Sicht von Peter Lindahl ist dieser Aspekt gerade für professionelle Investoren relevant: "Die Modelle dürfen komplexer werden, Verantwortlichkeit und Nachvollziehbarkeit sollen es aber nicht." (hh)