Nicht der Markt ist saisonal — die Sektoren sind es
Die meisten Saisonalitäts-Analysen betrachten den Gesamtmarkt: S&P 500, DAX, Nasdaq. Eine im Mai 2024 im International Review of Financial Analysis erschienene Studie geht eine Ebene tiefer und fragt nach der Sektor-ETF Saisonalität — also danach, welche Branche wann liefert. Das Ergebnis ist ungewöhnlich klar.
Die zitierfähige Kernzahl: In den 25 Jahren von 1999 bis 2023 zeigen 8 von 9 US-Sektor-ETFs statistisch signifikant positive Renditen im April, November und/oder Dezember — und in sechs anderen Monaten des Jahres kein einziger. Wir haben das mit unseren eigenen Daten nachgerechnet.
Was die Studie gemacht hat
Abbas Valadkhani und Barry O'Mahony untersuchten in „Sector-specific calendar anomalies in the US equity market" (ScienceDirect, Mai 2024) die neun Select-Sector-SPDR-ETFs auf den S&P 500 — von Januar 1999 bis Dezember 2023.
Der methodische Clou: Diese neun ETFs haben keine überlappenden Bestandteile. Jede Aktie des S&P 500 steckt in genau einem der neun Fonds. Damit lassen sich Sektoreffekte sauber trennen, statt sie in einem Index zu vermischen.
| Ticker | Sektor |
|---|---|
| XLB | Grundstoffe |
| XLE | Energie |
| XLF | Finanzen |
| XLI | Industrie |
| XLK | Technologie |
| XLP | Basiskonsumgüter |
| XLU | Versorger |
| XLV | Gesundheit |
| XLY | Zyklische Konsumgüter |
Zwei Befunde der Autoren stechen heraus: Erstens ballen sich die positiven Kalender-Anomalien in April, November und Dezember. Zweitens gibt es sechs „Muted Months" (März, Mai, Juni, August, September, Oktober), in denen kein einziger ETF eine signifikant positive oder negative Anomalie zeigt — dort passiert statistisch schlicht nichts Belastbares.
Der Gegencheck mit SeasonAlpha-Daten
Wir haben dieselben neun ETFs über dasselbe Fenster (1999–2023, n = 25 Jahre je Monat) mit unserer eigenen Methodik durchgerechnet: normalisierte Renditen je Kalenderjahr, Monatsrendite als Veränderung innerhalb des Monatsfensters, dazu ein t-Test gegen null.
Die fett markierten Werte sind statistisch signifikant (p < 0,05):
| ETF | April | November | Dezember |
|---|---|---|---|
| XLB | +3,6 % (p 0,021) | +3,2 % (p 0,011) | +2,2 % (p 0,056) |
| XLE | +4,7 % (p 0,004) | +2,1 % | +1,2 % |
| XLF | +3,4 % (p 0,013) | +1,4 % | +1,2 % |
| XLI | +3,2 % (p 0,018) | +3,5 % (p 0,002) | +1,4 % |
| XLK | +1,7 % (p 0,191) | +2,9 % (p 0,050) | +0,5 % |
| XLP | +1,6 % (p 0,012) | +1,9 % (p 0,001) | +0,8 % |
| XLU | +2,5 % (p 0,005) | +0,5 % | +1,5 % (p 0,062) |
| XLV | +2,2 % (p 0,008) | +2,0 % (p 0,027) | +2,1 % (p 0,017) |
| XLY | +3,1 % (p 0,014) | +2,9 % (p 0,006) | +0,9 % |
Unser Ergebnis bestätigt die Studie — und fällt sogar noch etwas deutlicher aus: Alle neun ETFs haben mindestens einen signifikant positiven Monat unter April, November und Dezember.
April ist der stärkste Einzelmonat
Der April dominiert: 8 von 9 ETFs sind signifikant positiv, im Schnitt mit +2,9 %. Einzige Ausnahme ist ausgerechnet Technologie (XLK, p = 0,191) — der Sektor, den die meisten Anleger für den saisonalen Taktgeber halten.
Der November ist der zweitstärkste Monat: 6 von 9 signifikant, Ø +2,3 %. Der Dezember schafft es dagegen nur bei einem einzigen ETF über die Signifikanzschwelle (XLV, p = 0,017). Sein Ruf als Rally-Monat ist im Sektor-Detail schwächer, als der Gesamtmarkt vermuten lässt.
Die „Muted Months" halten stand
Besonders überzeugend ist die Gegenprobe. In den sechs Muted Months ergeben sich 54 Einzeltests (9 ETFs × 6 Monate) — und davon ist bei uns exakt einer signifikant (XLP im Oktober, p = 0,035). Bei 54 Tests wäre allein durch Zufall etwa ein Treffer zu erwarten.
Anders gesagt: In der Hälfte des Jahres findet man bei US-Sektoren keine belastbare Kalender-Anomalie. Das ist ein wichtiges Ergebnis, weil es zeigt, dass die April/November-Stärke kein Artefakt einer überoptimierten Suche ist.
Was die Heatmap zeigt
Die Monats-Heatmap färbt jede einzelne Monatsrendite je Jahr — grün für Plus, rot für Minus. Damit sieht man nicht nur den Durchschnitt, sondern die Konsistenz eines Monats. Hier der Technologie-Sektor:
Zwei Dinge fallen in der November-Spalte auf: Sie ist über die letzten zehn abgeschlossenen Jahre (2016–2025) in acht von zehn Fällen grün, bei einer Durchschnittsrendite von +2,8 %. Die September-Spalte daneben ist mit −1,5 % und einer Trefferquote von nur 50 % das genaue Gegenteil.
Ein Hinweis zum Lesen: Die oberste Zeile ist das laufende Jahr 2026. Monate, die noch nicht stattgefunden haben, erscheinen dort ohne Wert — das ist kein Datenfehler.
Wo Studie und Gegenwart auseinandergehen
Saisonale Muster sind nicht in Stein gemeißelt. Zwei Verschiebungen zeigen unsere Daten deutlich, wenn wir statt 1999–2023 die letzten 20 Jahre (2006–2025) betrachten:
Der Dezember hat sich verflüchtigt. In diesem jüngeren Fenster ist kein einziger der neun ETFs im Dezember signifikant. Energie (XLE) liegt mit −0,4 % sogar im Minus. Wer heute auf einen „Dezember-Effekt" im Sektor-Bereich setzt, stützt sich überwiegend auf ältere Daten.
Der Juli hat aufgeholt. Die Studienautoren fanden in ihrer Post-Finanzkrisen-Teilstichprobe den Juli als Zusatzmonat für sieben ETFs. Unsere Daten bestätigen das noch stärker: Über 2006–2025 ist der Juli bei 8 von 9 ETFs signifikant positiv (alle außer XLE), mit Ø +2,8 % und Trefferquoten zwischen 70 % und 90 %. XLF kommt auf 90 % positive Juli-Monate.
Der Energiesektor macht dabei generell sein eigenes Ding — ein guter Kontrast zur Tech-Heatmap:
Warum es diese Muster überhaupt gibt
Kalender-Anomalien entstehen nicht aus dem Nichts. Plausible Treiber sind:
- Berichtssaison-Rhythmus: April und Oktober/November sind Quartalszahlen-Monate. Positive Überraschungen konzentrieren sich dadurch kalendarisch.
- Steuerjahr-Effekte: Verlustverkäufe im Herbst und Wiederanlage danach begünstigen die Spätjahres-Stärke.
- Kapitalzuflüsse: Boni, Pensionsbeiträge und Jahresend-Umschichtungen fallen zeitlich gebündelt an.
- Sektor-Spezifika: Versorger (XLU) und Basiskonsum (XLP) sind zinssensitiv und defensiv — ihre Saisonalität folgt anderen Zyklen als die von Energie oder Technologie.
Wichtig: Keiner dieser Treiber ist ein Naturgesetz. Sie erklären, warum ein Muster stabil sein kann — nicht, warum es im nächsten Jahr halten muss.
Grenzen — und was das für die Praxis heißt
Drei Einschränkungen gehören zwingend dazu:
- Durchschnitte verbergen Streuung. +3,2 % im Schnitt heißt, dass einzelne Jahre zweistellig im Minus lagen. Eine Trefferquote von 80 % bedeutet auch: In jedem fünften Jahr ging es schief.
- Bekannte Anomalien nutzen sich ab. Der verschwundene Dezember-Effekt ist genau dieser Fall. Je bekannter ein Muster, desto eher wird es eingepreist.
- Kosten und Steuern zählen. Monatliches Umschichten zwischen neun ETFs erzeugt Gebühren und steuerpflichtige Ereignisse, die in den Rohrenditen nicht enthalten sind.
Zum Punkt „Vorwegnahme": Quantpedia weist in seiner Besprechung der Studie darauf hin, dass ein Einstieg einen Monat früher — also im Oktober für den November — historisch bessere Ergebnisse lieferte als das naive Abwarten bis zum Monatsanfang. Der Gedanke ist logisch, wenn viele Marktteilnehmer dasselbe Muster kennen. Unsere eigenen Daten zeigen für den Oktober über 2006–2025 allerdings keine Signifikanz bei irgendeinem der neun ETFs — der Front-Running-Ansatz ist also eher eine Hypothese als ein belegter Effekt.
Für Anleger heißt das nüchtern: Saisonalität liefert Kontext, kein Signal. Sie kann helfen, das eigene Timing-Gefühl zu kalibrieren — etwa die Erkenntnis, dass eine zähe September-Phase im Tech-Sektor historisch normal ist.
Wer die Muster für alle 324 Ticker selbst prüfen will: Die Monats-Heatmap und den Monatszyklus gibt es für jeden Ticker interaktiv, die Sektor-Rotation zeigt den Vergleich der Branchen untereinander, und der Scanner sucht auffällige Kalender-Effekte über das gesamte Universum.
Methodik & Transparenz
Wir rechnen mit normalisierten Renditen auf Basis bereinigter Schlusskurse: Jedes Jahr startet bei 100, tägliche Renditen kumulieren darauf. Monatsrenditen sind die Veränderung innerhalb des jeweiligen Monatsfensters, die Signifikanz stammt aus einem t-Test gegen null (p < 0,05). Wie wir Daten prüfen, steht offen auf unserer Methodik-Seite.
Fazit
Die Sektor-ETF Saisonalität ist eines der besser belegten Kalender-Muster am US-Markt: April und November tragen den Löwenanteil, die Sommer- und Frühherbst-Monate sind statistisch stumm. Unser Gegencheck bestätigt die peer-reviewte Studie in beide Richtungen — bei den starken Monaten wie bei den Muted Months.
Gleichzeitig zeigt der Blick auf die letzten 20 Jahre, dass Muster wandern: Der Dezember ist praktisch verschwunden, der Juli deutlich stärker geworden. Genau deshalb lohnt es sich, Saisonalität regelmäßig neu zu prüfen statt einmal auswendig zu lernen. Die interaktiven Heatmaps für alle Sektoren findest du auf seasonalpha.ai.
Häufige Fragen
Welcher Monat ist historisch der beste für US-Sektor-ETFs?
Der April. Über 1999–2023 zeigten 8 von 9 Select-Sector-SPDR-ETFs eine statistisch signifikant positive April-Rendite, im Durchschnitt +2,9 %. Der November folgt mit 6 von 9 signifikanten ETFs und Ø +2,3 %.
Gilt die Sektor-Saisonalität auch für den November 2026?
Saisonalität beschreibt Wahrscheinlichkeiten aus der Vergangenheit, keine Prognose. Historisch war der November bei sechs der neun Sektoren signifikant positiv, bei Technologie (XLK) in acht der letzten zehn abgeschlossenen Jahre. Das ist Kontext — keine Garantie für ein einzelnes Jahr.
Was sind „Muted Months"?
So nennen die Studienautoren die sechs Monate März, Mai, Juni, August, September und Oktober, in denen kein Sektor-ETF eine statistisch belastbare Kalender-Anomalie zeigt. In unserem Gegencheck war von 54 Einzeltests genau einer signifikant — ungefähr so viel, wie der Zufall erwarten lässt.
Kann ich mit Sektor-Saisonalität eine Strategie bauen?
Aus statistischer Sicht ist Saisonalität ein Filter, kein vollständiges Handelssystem. Umschichtungskosten, Steuern und die Streuung einzelner Jahre fressen einen Teil des Effekts. Zudem nutzen sich bekannte Anomalien ab — der im jüngeren Datenfenster verschwundene Dezember-Effekt ist ein Beispiel dafür.