Saisonalität Schweizer REIV-Preise
Diese Studie analysiert 82 schweizerische kotierte Immobilienfonds und -aktien über 15 Jahre (2010–2025) und zeigt, dass die monatlichen Renditen einem bescheidenen, aber statistisch nachweisbaren saisonalen Muster folgen—Juli und Dezember sind tendenziell die stärksten Monate, Mai und Oktober die schwächsten.

Evidenz aus kotierten Immobilienfonds und -aktien, 2010–2025
An den Aktienmärkten sind Kalendereffekte gut dokumentiert. Der "Sell in May"-Effekt, der Januar-Effekt oder Monatsend-Anomalien werden seit Jahrzehnten weltweit untersucht. Für gehandelte schweizerische Immobilientitel—börsenkotierte Immobilienfonds (SWIIT), kotierte Immobilienaktien (REAL) und nicht kotierte Fonds auf dem OTC-Sekundärmarkt, zusammen ein Segment von über CHF 60 Milliarden—lag jedoch keine systematische Untersuchung vor.
Diese Studie analysiert 82 schweizerische kotierte Immobilienfonds und -aktien über 15 Jahre (Januar 2010 bis Februar 2026) und umfasst über 9 300 Fonds-Monats-Beobachtungen aus der proprietären Datenbank von Quanthome.
Kernergebnisse
Monatliches Renditeprofil
Die renditestärksten Monate sind Juli (+1.08 %) und Dezember (+1.12 %). Die schwächsten sind Mai (−0.60 %), Oktober (−0.42 %) und August (−0.24 %). Der bekannte "Sell in May"-Effekt findet teilweise Bestätigung: Mai ist tatsächlich der schwächste Monat. Die vermeintliche Sommerschwäche wird jedoch durch einen starken Juli unterbrochen, sodass das Profil kein durchgehender Rückgang ist, sondern eine Abfolge positiver und negativer Monate.
Ein Regressionsmodell bestätigt, dass die zwölf Monate nicht alle gleich sind—der Gesamttest ist auf dem 5 %-Niveau signifikant. Wird jedoch jeder Monat einzeln mit Korrektur für Mehrfachvergleiche geprüft, besteht keiner den Test. Das Phänomen sollte als Tendenz verstanden werden, nicht als verlässliches Handelssignal.
Der Dividendeneffekt
Die auffälligste kalenderbezogene Erkenntnis betrifft nicht die Monate selbst, sondern die Dividenden. Schweizerische Immobilienfonds schütten in der Regel einmal jährlich eine Dividende aus, wobei sich die Ex-Termine auf April (37 % der Ereignisse) und Dezember (16 %) konzentrieren.
Rund um diese Termine steigen die Preise in den zwei Wochen vor dem Ex-Tag tendenziell an und fallen dann am Ex-Tag und danach stark, wenn die Dividende vom Kurs abgetrennt wird. Der Nettoeffekt über ein 11-Börsentage-Fenster beträgt etwa −2.9 % und ist statistisch hochsignifikant.
Dieser Preisrückgang ist weitgehend mechanisch und sollte nicht mit einer ausnutzbaren Anomalie verwechselt werden. Der Dividendeneffekt trägt vermutlich zur beobachteten monatlichen Saisonalität bei: Die Schwäche im April und Mai könnte teilweise die Post-Dividenden-Preisanpassungen widerspiegeln, während die Stärke im Dezember und Januar eine Pre-Dividenden-Positionierung widerspiegeln könnte.
Fahrzeugtyp und Robustheit
Das saisonale Profil ist über Wohn-, Gewerbe- und gemischte Portfolios hinweg weitgehend ähnlich, ebenso über verschiedene Rechtsformen (Fonds und Aktiengesellschaften). Das saisonale Muster scheint ein marktweites Phänomen zu sein.
Das saisonale Profil bleibt über vier Marktregime hinweg bestehen—Erholung nach der Finanzkrise (2010–2014), Renditekompression (2015–2019), COVID und Nachwirkungen (2020–2021) sowie die SNB-Zinsnormalisierung (2022+).
Vorbehalte für Investoren
- Kein Handelssignal. Die saisonalen Unterschiede sind bescheiden—in der Grössenordnung von 1–2 Prozentpunkten zwischen den besten und schlechtesten Monaten—und kein einzelner Monat ist verlässlich genug, um eine Strategie darauf aufzubauen.
- Transaktionskosten sind real. Viele schweizerische Immobilienvehikel sind wenig liquide mit breiten Geld-Brief-Spannen. Nach Berücksichtigung realistischer Handelsfriktionen würden die beobachteten saisonalen Unterschiede wahrscheinlich verschwinden.
- Survivorship Bias. Die Stichprobe enthält nur Vehikel, die zum Extraktionszeitpunkt aktiv waren.
- Vergangene Muster garantieren keine Zukunft. Das saisonale Profil zeigt eine gewisse Stabilität, aber 15 Jahre Daten bieten begrenzte statistische Aussagekraft.
Vollständige Studie herunterladen
Von der Datenherausforderung zum Workflow
Für institutionelle Teams entwickelt
Heute
starten
Gebäude-Intelligence, Fonds- & Vehikel-Analytics und KI-gestützte Research, vereint für institutionelle Teams. Kostenlos starten.