Die bilanziellen Signale, die Probleme eines Unternehmens ankündigen, sind keine Alarmanlage: Sie sind ein Rauchmelder. Drei akademische Modelle — der Beneish M-Score für bilanzielle Auffälligkeiten, der Altman Z-Score für finanzielle Anspannung und der Piotroski F-Score für operative Stabilität — lesen den Jahresabschluss auf der Suche nach Unstimmigkeiten, die Schwierigkeiten meist vorausgehen: Gewinne, die nicht zu Zahlungsmitteln werden, Forderungen, die schneller wachsen als der Umsatz, Margen, die schrumpfen, während der Umsatz steigt. Keine dieser Kennzahlen sagt, dass ein Unternehmen kurz vor der Insolvenz steht oder dass jemand etwas Unrechtmäßiges getan hat. Sie sagen, dass in den Zahlen etwas nicht zusammenpasst und dass es sich lohnt, vor einer Anlage genauer hinzusehen.

Fragilität bedeutet nicht fallender Aktienkurs

Das ist die wichtigste Unterscheidung — und die, die am schnellsten verloren geht. Eine Aktie kann 40 % verlieren, weil der Markt seine Wachstumserwartungen korrigiert hat: Das ist ein Preisproblem, kein Unternehmensproblem. Ein anderes Unternehmen kann an der Börse zulegen, während sich sein Abschluss still verschlechtert — schlicht weil noch niemand genauer hingeschaut hat.

Die Fragilität, um die es hier geht, ist struktureller Natur: Sie betrifft die Qualität der Zahlen und die Fähigkeit, eine schwierige Phase zu überstehen. Sie wird am Jahresabschluss gemessen, nicht am Chart. Und sie folgt einem anderen Takt als der Markt: Sie reift über Quartale, nicht über Handelstage.

Daraus folgt eine praktische Konsequenz. Diese Kennzahlen sagen nicht, wann man kaufen oder verkaufen sollte. Sie helfen bei der Frage, ob ein Unternehmen über Jahre hinweg in ein Portfolio gehört.

Das erste Signal: Gewinne, die nicht zu Zahlungsmitteln werden

Die Gewinn- und Verlustrechnung ist eine Meinung, der Cashflow ist eine Tatsache. Ein Buchhalterwitz — der jedoch auf einer der solidesten Erkenntnisse der Bilanzforschung ruht.

1996 veröffentlichte Richard Sloan im The Accounting Review eine Studie, die zum Bezugspunkt wurde: Er zerlegte den Gewinn in den Teil, der durch echte Zahlungsmittel gedeckt ist, und den Teil, der aus reinen Buchungsposten besteht (die sogenannten Periodenabgrenzungen — bereits verbuchte, aber noch nicht vereinnahmte Erlöse, aktivierte statt aufwandswirksam erfasste Kosten und Ähnliches). Das Ergebnis: Der abgegrenzte Bestandteil des Gewinns ist deutlich weniger beständig als der zahlungswirksame. Anders gesagt: Ein Unternehmen, das hohe Gewinne ausweist, sie aber nie auf dem Konto sieht, enttäuscht in den Folgeperioden tendenziell — und der Markt preist das im Schnitt nicht sofort ein.

Daraus ergibt sich die einfachste und aussagekräftigste Kennzahl überhaupt: Wie viel des ausgewiesenen Gewinns wird zu freiem Cashflow? Weist ein Unternehmen hundert Gewinn aus und erwirtschaftet neunzig an Zahlungsmitteln, erzählen die Zahlen eine stimmige Geschichte. Weist es hundert aus und erwirtschaftet zwanzig, lautet die Frage nicht, ob das rechtswidrig ist — das ist es fast nie —, sondern wohin der Rest geflossen ist und ob diese Lücke vorübergehend oder strukturell ist.

Vorsicht bei einem Fall, der häufig für Verwirrung sorgt: Ist der Gewinn negativ, lässt sich diese Kennzahl nicht deuten. Einen Cashflow durch einen Verlust zu teilen ergibt Prozentwerte, die wie Zahlen aussehen, aber nichts bedeuten. Bei einem Unternehmen in der Verlustzone schaut man auf anderes: verfügbare Liquidität, Struktur der Verbindlichkeiten, wie lange es dauert, bis frisches Kapital nötig wird.

Beneish M-Score: eine Landkarte der Auffälligkeiten

Das bekannteste Modell zum Aufspüren „aggressiver“ Abschlüsse veröffentlichte Messod Beneish 1999 im Financial Analysts Journal. Der Aufbau ist statistisch: Beneish verglich eine Stichprobe von rund fünfzig Unternehmen, die ihre Zahlen tatsächlich manipuliert hatten, mit über siebzehnhundert Kontrollunternehmen und suchte nach den Kennzahlen, die beide Gruppen unterscheiden.

Herausgekommen sind acht Variablen — acht Fragen an den Abschluss:

• Wachsen die Forderungen schneller als der Umsatz? (man verkauft an Kunden, die nicht zeitnah zahlen)
• Verschlechtert sich die Bruttomarge? (Druck auf die Preise)
• Steigt der Anteil „nicht greifbarer“ Vermögenswerte? (in die Zukunft verschobene Kosten)
• Wächst der Umsatz auffällig stark? (schnelles Wachstum erzeugt Druck, es zu halten)
• Verlangsamen sich die Abschreibungen? (Gewinne, geschönt durch weitere Streckung der Kosten)
• Steigen die Vertriebs- und Verwaltungskosten stärker als der Umsatz? (nachlassende Effizienz)
• Nimmt der Verschuldungsgrad zu? (größere Abhängigkeit von Fremdkapital)
• Wie viel des Gewinns besteht aus Buchungsposten statt aus Zahlungsmitteln?

Das Modell fasst sie zu einer einzigen Zahl zusammen. Oberhalb einer bestimmten Schwelle ähnelt das Profil eines Unternehmens statistisch dem jener Firmen aus der Stichprobe, die ihre Zahlen manipuliert hatten.

Hier gehört der deutlichste Vorbehalt dieses ganzen Beitrags hin. Ein Wert über der Schwelle bedeutet keinen Betrug. Er bedeutet, dass dieser Abschluss, gelesen über acht Kennzahlen, denen einer Vergleichsgruppe ähnelt. Ein stark wachsendes Unternehmen, das Zahlungsziele verlängert, um Marktanteile zu gewinnen, kann die Schwelle überschreiten, ohne irgendetwas Unregelmäßiges getan zu haben. Das Modell zeigt, wo man hinsehen sollte — nicht, was man schließen darf.

Altman Z-Score: Abstand zur Insolvenz (und die Grenze seiner Entstehung)

Das zweite Modell ist älter und verfolgt ein anderes Ziel: nicht die Qualität der Zahlen, sondern die Überlebensfähigkeit. Edward Altman veröffentlichte es 1968 im The Journal of Finance und kombinierte fünf Kennzahlen — Working Capital, Gewinnrücklagen, operative Rentabilität, Marktwert im Verhältnis zu den Schulden und Kapitalumschlag — zu einem einzigen Wert, der misst, wie weit ein Unternehmen von der Insolvenz entfernt ist.

Es funktioniert und ist bis heute ein Standardwerkzeug. Doch es hat eine Grenze, die man kennen muss, weil sie in der Originalarbeit steht: Es wurde auf einer Stichprobe von 66 Unternehmen entwickelt, allesamt Industriebetriebe, unter Ausschluss der kleinsten. Das war das industrielle Gefüge jener Zeit: Fabriken, Lager, Maschinen.

Eine Wirtschaft aus Software, Dienstleistungen und regulierter Infrastruktur ist etwas anderes. Ein Softwareunternehmen hat kaum materielle Vermögenswerte und ein Working Capital, das dieses Modell falsch liest. Ein Energieversorger oder ein Netzbetreiber verschuldet sich naturgemäß, weil er Anlagen baut, die dreißig Jahre halten: Hohe Verschuldung ist dort kein Symptom, sondern das Geschäftsmodell.

Das Ergebnis ist absehbar, und wir messen es jede Woche. In unserem Universum von rund 490 großen US-Unternehmen liegen 15 von 100 mit ihrem Altman-Wert in der „Risikozone“. Sie stehen nicht vor der Insolvenz: Kaum eines davon wird insolvent. Es ist das Modell, das außerhalb seines Entstehungskontexts sehr viele Fehlalarme erzeugt.

Deshalb schließt unser Werkzeug Finanzunternehmen — Banken und Versicherer, rund ein Fünftel des Universums — sowohl vom Altman- als auch vom Beneish-Modell aus. Bei einer Bank sind Schulden der Rohstoff, und Working Capital hat nicht dieselbe Bedeutung: Auf die Industrie geeichte Formeln anzuwenden ergäbe präzise und sinnlose Zahlen.

Piotroski F-Score: ein Zeugnis in neun Fragen

Das dritte Modell betrachtet die Sache von der anderen Seite. Joseph Piotroski ging im Journal of Accounting Research im Jahr 2000 von einem konkreten Problem des Value Investing aus: Von den Aktien, die günstig erscheinen, sind einige es, weil der Markt übertrieben hat, andere, weil sich das Unternehmen tatsächlich verschlechtert. Der niedrige Kurs allein trennt die beiden Fälle nicht.

Seine Antwort waren neun binäre Prüfungen des Abschlusses — Rentabilität, Innenfinanzierungskraft, Entwicklung der Verschuldung, operative Effizienz —, von denen jede bestandene einen Punkt zählt. Der Wert reicht von null bis neun. In seiner Studie erzielte dieser Filter, angewandt auf Unternehmen mit niedrigem Kurs-Buchwert-Verhältnis, eine jährliche Rendite von rund siebeneinhalb Prozentpunkten über der übrigen Gruppe — am US-Markt zwischen 1976 und 1996.

Die Stärke des F-Score ist seine Nachvollziehbarkeit: Es ist kein Wert aus einer undurchsichtigen Formel, sondern eine Prüfliste. Man kann sie Frage für Frage lesen und verstehen, warum ein Unternehmen diesen Punkt verloren hat.

Warum keine dieser Zahlen für sich allein genügt

Das ist der Kernpunkt — und unsere eigenen Daten belegen ihn besser als jedes Argument.

Im selben Universum von rund 490 großen Unternehmen melden die Kennzahlen einzeln betrachtet:

• rund 4 von 100 Unternehmen mit einem Beneish M-Score über der Schwelle;
• rund 15 von 100 mit einem Altman Z in der Risikozone.

Nähme man eine dieser beiden Zahlen wörtlich, stellte man einen erheblichen Teil des Marktes unter Verdacht — darunter solide, profitable Unternehmen mit jahrzehntelanger Geschichte.

Verknüpft man sie hingegen miteinander und gewichtet sie zusammen mit weiteren Signalen — Qualität der Erlöse, Zinsdeckung, Positionierung am Markt —, sinkt der Anteil der Unternehmen, die eine kombinierte Aufmerksamkeitsschwelle erreichen, auf rund 0,6 %: drei von 490. Der Durchschnittswert des gesamten Universums bleibt sehr niedrig; nur ganz wenige Fälle stechen wirklich hervor.

Das ist die praktische Lehre: Eine einzelne Kennzahl erzeugt Rauschen, ihr Zusammentreffen erzeugt ein Signal. Wenn drei Modelle, von unterschiedlichen Autoren, in unterschiedlichen Jahrzehnten, mit unterschiedlichen Zielsetzungen entwickelt, beim selben Unternehmen in dieselbe Richtung zeigen, verdient dieses Zusammentreffen Aufmerksamkeit. Zeigt nur eines, betrachtet man fast immer die Grenze des Modells und nicht das Problem des Unternehmens.

Was diese Zahlen nicht sagen

Es lohnt sich, bei den Grenzen deutlich zu werden, denn das ist üblicherweise der Teil, der verschwiegen wird.

Sie sagen keine Insolvenz voraus. Sie messen Zustände, die statistisch mit vergangenen Schwierigkeiten einhergingen. Viele Unternehmen mit mäßigen Werten durchqueren die schwierige Phase und kommen heraus; einige mit hervorragenden Werten werden von Ereignissen überrollt, die kein Abschluss enthalten konnte.

Sie beschuldigen niemanden. Ein statistisches Modell stellt keine Verantwortlichkeit fest. Bilanzielle Auffälligkeiten haben oft gewöhnliche Erklärungen: eine Übernahme, die den Konsolidierungskreis verändert, ein Wechsel der Rechnungslegungsstandards, ein außergewöhnlicher Investitionszyklus.

Sie blicken zurück. Sie nähren sich aus veröffentlichten Abschlüssen, also aus bereits geschehenen und mit Monaten Verzögerung mitgeteilten Tatsachen. Ein jüngeres Ereignis — der Verlust eines entscheidenden Kunden, ein Rechtsstreit, eine Refinanzierung zu schlechteren Konditionen — steckt noch nicht in den Zahlen.

Sie gelten nicht für alle gleichermaßen. Neben den Finanzunternehmen sind stark wachsende Unternehmen mit hohen Investitionen, erst kürzlich börsennotierte Firmen mit kurzer Bilanzhistorie und solche, die gerade eine größere Transaktion abgeschlossen haben, mit Vorsicht zu lesen.

Sie müssen zusammen mit dem Kurs gelesen werden. Ein Unternehmen mit Fragilitätssignalen, das der Markt bereits deutlich abgestraft hat, erzählt eine andere Geschichte als eines mit denselben Signalen auf Höchstständen: Im ersten Fall steckt das Risiko teilweise schon im Kurs, im zweiten nicht.

Wie man sie in der Praxis nutzt

Am sinnvollsten behandelt man diese Kennzahlen als Ausschlussfilter, nicht als Auswahlfilter. Sie dienen nicht dazu, Kaufkandidaten zu finden: Sie verhindern, dass ein Problemfall unbemerkt ins Portfolio gelangt.

Ein sinnvoller Weg in vier Schritten:

1. Auf das Zusammentreffen achten, nicht auf die einzelne Zahl. Eine Kennzahl außer der Reihe ist normal; drei, die sich decken, nicht.
2. Die gewöhnliche Erklärung vor der außergewöhnlichen suchen. Eine Übernahme, ein Jahr mit außerordentlichen Investitionen oder ein Wechsel der Rechnungslegung erklärt die meisten Auffälligkeiten.
3. Zyklisches von Strukturellem trennen. Eine Branche in einer schwierigen Phase zeigt schwache Zahlen bei allen ihren Unternehmen: Das ist keine Fragilität des einzelnen Hauses, das ist der Moment der Branche. Der Vergleich mit direkten Wettbewerbern klärt den Zweifel fast immer.
4. Die Positionsgröße entsprechend wählen. Hält die Anlagethese nach der Analyse stand, bleiben die Signale aber bestehen, lautet die vernünftige Antwort fast nie „rein oder raus“: Sie lautet geringeres Gewicht im Portfolio.

Zusammengefasst

• Drei akademische Modelle lesen Abschlüsse auf der Suche nach Unstimmigkeiten: Beneish (bilanzielle Auffälligkeiten), Altman (Abstand zur Insolvenz), Piotroski (operative Stabilität in neun Prüfungen).
• Das einfachste Signal bleibt das Verhältnis zwischen ausgewiesenem Gewinn und tatsächlich erwirtschafteten Zahlungsmitteln: Die Forschung zeigt, dass der rein buchhalterische Gewinnanteil der am wenigsten beständige ist.
• Eine einzelne Kennzahl erzeugt sehr viele Fehlalarme: In unserem Universum landen 15 % der großen US-Unternehmen in der Altman-„Risikozone“ — bei einem Modell, das 1968 an 66 Industriebetrieben entstand.
• Verknüpft man mehrere Signale, sinken die aufmerksamkeitswürdigen Fälle unter 1 %. Das Zusammentreffen ist das Signal, die einzelne Zahl ist Rauschen.
• Keines dieser Modelle sagt Insolvenzen voraus oder beschuldigt jemanden: Sie zeigen, wo man hinsehen sollte, und sind zusammen mit Branche, Kurs und jüngerer Unternehmensgeschichte zu lesen.
• Nutze sie als Ausschlussfilter: Sie helfen mehr dabei, Fehler zu vermeiden, als Gewinner auszuwählen.

Häufige Fragen

Bedeutet ein Beneish-Wert über der Schwelle, dass das Unternehmen die Bilanz gefälscht hat?

Nein. Er bedeutet, dass das bilanzielle Profil des Unternehmens über acht Kennzahlen dem einer Gruppe von Firmen ähnelt, die in der Vergangenheit ihre Zahlen manipuliert hatten. Das ist ein statistischer Hinweis, genauer hinzusehen, keine Feststellung. Gewöhnliche Erklärungen — schnelles Wachstum, Übernahmen, geänderte Rechnungslegungsstandards — sind bei weitem die häufigsten.

Warum werden Banken und Versicherer von diesen Modellen ausgeschlossen?

Weil ihr Abschluss anderer Natur ist. Bei einer Bank sind Schulden der Rohstoff des Geschäfts und kein zu minimierendes Risiko, und Begriffe wie Working Capital oder Kapitalumschlag haben nicht dieselbe Bedeutung. Auf die Industrie geeichte Formeln anzuwenden ergäbe präzise und im Kern bedeutungslose Zahlen.

Muss ein Unternehmen mit Fragilitätssignalen sofort verkauft werden?

Das folgt nicht automatisch, und diese Werkzeuge sind nicht für das Timing gebaut. Sie zeigen ein strukturelles Risiko an, das sich über Quartale entfaltet. Die nützlichere Frage lautet nicht „verkaufen oder nicht“, sondern: Hält der Grund, aus dem ich dieses Unternehmen halte, noch stand — und welches Gewicht darf es im Portfolio vernünftigerweise haben?

Funktionieren diese Kennzahlen auch bei kleineren Unternehmen?

Mit mehr Vorsicht. Kleinere Unternehmen haben schwankungsanfälligere Abschlüsse, eine kürzere Bilanzhistorie und reagieren stärker auf einzelne Ereignisse: Dieselben Modelle erzeugen bei ihnen mehr Fehlalarme. Auch der ursprüngliche Altman Z schloss die kleinsten Unternehmen ausdrücklich aus der Stichprobe aus, an der er geeicht wurde.

Quellen und Literatur

Die drei genannten Modelle sind in der Fachliteratur veröffentlicht und überprüfbar:

• Beneish, M. D. (1999). The Detection of Earnings Manipulation. Financial Analysts Journal, 55(5), 24–36.
• Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), 589–609.
• Piotroski, J. D. (2000). Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers. Journal of Accounting Research, 38, 1–41.
• Sloan, R. G. (1996). Do Stock Prices Fully Reflect Information in Accruals and Cash Flows about Future Earnings?. The Accounting Review, 71(3), 289–315.

Die im Beitrag genannten Prozentwerte stammen aus unserer regelmäßigen Auswertung eines Universums von rund 490 großen börsennotierten US-Unternehmen; Finanzunternehmen sind von den Modellen ausgenommen, für die sie nicht anwendbar sind.

---

Dieser Beitrag dient der Information und Bildung und stellt weder eine persönliche Anlageberatung noch eine Empfehlung zum Kauf oder Verkauf von Finanzinstrumenten dar. Die beschriebenen Modelle sind Analysewerkzeuge mit bekannten Grenzen und sagen die künftige Entwicklung keines Unternehmens voraus. Jede Anlageentscheidung hängt von der persönlichen Situation dessen ab, der sie trifft; im Zweifel wende dich an eine qualifizierte Beraterin oder einen qualifizierten Berater.