Die Theorie der Portfolioselektion wurde durch die Arbeiten von Markowitz revolutioniert. Der Ansatz von Markowitz beruht auf der Idee, dass Investoren abhängig von ihrer Risikoeinstellung ausschließlich auf Basis der erwarteten Renditen und der Varianzen eines Investments über dessen Realisation entscheiden.
Da diese Renditemomente in der Regel nicht bekannt sind, müssen sie geeignet geschätzt werden. Dabei hat Stein die bemerkenswerte Tatsache bewiesen, dass es, bei unbekannten Renditemomenten, einen besseren Schätzer gibt als den wahrscheinlichsten Wert für die zukünftige Rendite. Diese Erkenntnis hat entscheidende Auswirkungen auf die Portfoliooptimierung, da die Schätzfehler bei den Renditeerwartungen einen großen Einfluss auf die Portfolioselektion
haben. Es konnte gezeigt werden, dass Markowitz-optimierte Portfolios, die dies nicht berücksichtigen, im Vergleich zu Portfolios mit gleichgewichteten Investments in der Praxis kaum Performancevorteile haben. Daher ist es eine große Herausforderung Verfahren zu entwickeln, welche Schätzfehler in dem Optimierungsprozess berücksichtigen. Eines dieser Verfahren,
der Bayes-Stein-Schätzer von Jorion, welcher auf dem Theorem von Bayes beruht, ist das Thema dieser Arbeit. Dieser Schätzer geht von zeitlich konstanten Renditen aus. Da jedoch sowohl konjunkturelle Einflüsse, als auch unternehmensspezifische Informationen die Erwartungswerte der Renditen beeinflussen, ist es nicht überraschend, dass es starke Hinweise darauf gibt, dass Renditen zeitlich nicht konstant sind. Daher wird in dieser Arbeit auf
Basis des Bayes-Stein-Schätzers ein neuer Schätzer entwickelt, der zeitabhängige Schwankungen von Renditen modelliert.
Zunächst wird die Markowitz-Optimierung kurz erläutert und ein Überblick über die verschiedenen Verfahren zur Einbeziehung
von Schätzfehlern in die Portfolioselektion gegeben. In dem dann folgenden Kapitel wird eines dieser Verfahren, nämlich der Bayes-Stein-Ansatz von Jorion vorgestellt und die Resultate für den Rendite- und den Kovarianz-Schätzer nachgerechnet. Anschließend wird Jorions Ansatz um linear zeitabhängige Renditen erweitert. Schließlich werden die mit dem Bayes-Ansatz berechneten Schätzer anhand einer Out-of-Sample-Studie mit mehreren Datensätzen getestet und die Ergebnisse analysiert.
Inhaltsverzeichnis
1 Einleitung
2 Schätzfehler in der Portfolioselektion
2.1 Die Markowitz-Optimierung ohne Schätzfehler
2.2 Ansätze zur Berücksichtigung von Schätzfehlern
3 Der Bayes-Stein-Ansatz von Jorion
3.1 Die Bayes-Statistik
3.2 Der Bayes-Stein-Ansatz zur Portfolioselektion
3.2.1 James-Stein-Schrumpfung
3.2.2 Bayes-Stein-Ansatz
3.3 Erwartungswert und Varianz im Bayes-Stein-Ansatz von Jorion
3.3.1 Die Rechnung
3.3.2 Diskussion der Ergebnisse
4 Bayes-Stein Schätzer für linear zeitabhängige Renditen
4.1 Erwartungswert und Varianz
4.1.1 Der modifizierte Rechenansatz
4.1.2 Die Rechnung
4.1.3 Diskussion der Ergebnisse
4.2 Nichtlineare Renditeschwankungen
5 Out-Of-Sample-Studie
5.1 Die Schätzer
5.2 Ergebnisse
6 Zusammenfassung
A Umformungen zur Erwartungswert- und Varianzberechnung
A.1 Umformungen zum Bayes-Stein-Ansatz von Jorion
B Übersicht über die verwendeten Datensätze in der Out-Of-Sample-Studie
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, Schätzfehler bei der Ermittlung von Renditemomenten in der Portfolioselektion durch den Einsatz von Bayes-Stein-Schätzern zu minimieren. Dabei wird die Forschungsfrage adressiert, wie Unsicherheit in Renditeerwartungen – auch unter Annahme linear zeitabhängiger Renditeentwicklungen – konsistent in den Optimierungsprozess integriert werden kann, um eine überlegene Performance gegenüber klassischen Schätzverfahren zu erzielen.
- Grundlagen der Markowitz-Optimierung und die Problematik von Schätzfehlern
- Bayes-Statistik als methodische Basis zur Unsicherheitsmodellierung
- Analyse und mathematische Herleitung des Bayes-Stein-Ansatzes nach Jorion
- Erweiterung der Bayes-Stein-Schätzung auf linear zeitabhängige Renditemodelle
- Empirische Validierung der Ansätze durch Out-Of-Sample-Studien mit unterschiedlichen Datensätzen
Auszug aus dem Buch
3.2.1 James-Stein-Schrumpfung
Im Ansatz von Markowitz wird, wie in der Einleitung beschrieben, der Erwartungsnutzen maximiert. Dies geschieht unter Annahme bekannter Renditemomente. Ein so erzielter Nutzen sei Fmax. Da in Wirklichkeit die Renditemomente nicht bekannt sind und geschätzt werden müssen, können diese von den wahren Momenten abweichen. Da die Maximierung somit unter Umständen unter einer 'falschen' Annahme durchgeführt wurde, wird der tatsächlich realisierte Nutzen F von dem maximalen Nutzen abweichen. Diese Abweichung wird als Verlustfunktion
L = Fmax − F / |Fmax|
definiert. Den besten Schätzer für die Portfoliorendite erhält man damit genau dann, wenn die Verlustfunktion minimiert wird. Es kann gezeigt werden, dass bei quadratischer Verlustfunktion die Schätzung der Rendite von N Wertpapieren und historischen Daten von τ Zeitpunkten mit dem James-Stein-Schätzer
μˆJS = (1 − w)Y + wY0 1
mit dem Schrumpf-Schätzer
w = c / (Y − Y01)T τΣ−1(Y − Y01)
und 0 < c < 2(N − 3) immer zu einem geringeren Verlust führt als der einfache Mittelwert Y. Dabei kann Y0 einen beliebigen Wert annehmen. Je näher dieser am wahren Grand Mean, dem Mittelwert der einzelnen Renditen ist, umso höher ist der relative Verlust, der durch die Benutzung des Maximum-Likelihood-Schätzers entsteht.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung stellt die Motivation dar, Schätzfehler in der Portfolioselektion zu adressieren und führt in die Thematik der Bayes-Stein-Schätzer als Lösungsweg ein.
2 Schätzfehler in der Portfolioselektion: Dieses Kapitel erläutert die Markowitz-Optimierung und demonstriert, warum Schätzunsicherheiten zu ineffizienten Portfolios führen können.
3 Der Bayes-Stein-Ansatz von Jorion: Hier werden die theoretischen Grundlagen der Bayes-Statistik eingeführt und der spezifische Bayes-Stein-Ansatz zur Portfolioselektion inklusive der mathematischen Herleitung präsentiert.
4 Bayes-Stein Schätzer für linear zeitabhängige Renditen: Dieses Kapitel erweitert das bisherige Modell auf den Fall linearer Zeitabhängigkeiten der Renditen, um konjunkturelle Schwankungen besser erfassen zu können.
5 Out-Of-Sample-Studie: Hier wird die praktische Anwendbarkeit der entwickelten Schätzer an verschiedenen realen Datensätzen unter kontrollierten Bedingungen empirisch getestet.
6 Zusammenfassung: Die Arbeit schließt mit einer Rekapitulation der wichtigsten Erkenntnisse und einem Ausblick auf notwendige weiterführende statistische Prüfungen.
A Umformungen zur Erwartungswert- und Varianzberechnung: Dieser Anhang liefert die detaillierte mathematische Herleitung der komplexen Umformungen, die für die Bayes-Stein-Berechnungen notwendig sind.
B Übersicht über die verwendeten Datensätze in der Out-Of-Sample-Studie: Dieser Anhang beschreibt detailliert die Struktur, den Zeitraum und die Herkunft der in der empirischen Studie verwendeten Finanzdatensätze.
Schlüsselwörter
Portfoliomanagement, Markowitz-Optimierung, Schätzfehler, Bayes-Stein-Ansatz, Bayes-Statistik, Renditeerwartung, Kovarianz-Matrix, Zeitabhängige Renditen, Out-Of-Sample-Studie, Sharpe-Maß, Diversifizierung, Schrumpf-Schätzer, Risikoaversion, Finanzökonometrie, Performancemessung.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, wie statistische Schätzfehler, die bei der Portfolioselektion nach Markowitz auftreten, durch alternative statistische Methoden, speziell den Bayes-Stein-Ansatz, reduziert werden können.
Was sind die zentralen Themenfelder der Analyse?
Die Schwerpunkte liegen auf der Portfoliotheorie, der bayesianischen Statistik zur Schätzung von Erwartungswerten sowie der empirischen Untersuchung dieser Methoden an realen Finanzmarktdaten.
Was ist das primäre Ziel oder die Forschungsfrage der Arbeit?
Das Hauptziel ist es, ein mathematisch fundiertes Verfahren zu entwickeln, das unter Unsicherheit robustere Portfolioentscheidungen ermöglicht, indem Schätzunsicherheiten explizit in den Optimierungsprozess einbezogen werden.
Welche wissenschaftliche Methode wird primär verwendet?
Die Arbeit stützt sich primär auf die bayesianische Schätztheorie, die mathematische Herleitung von Optimierungsformeln und die anschließende empirische Validierung durch Out-Of-Sample-Tests.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil umfasst die Herleitung der Bayes-Stein-Schätzer für konstante sowie linear zeitabhängige Renditen und deren Anwendung auf historische Datensätze.
Welche Schlüsselbegriffe charakterisieren die Arbeit?
Wichtige Begriffe sind Portfoliomanagement, Schätzfehler, Bayes-Stein-Ansatz, Kovarianz-Matrix, Zeitabhängige Renditen und Sharpe-Maß.
Wie unterscheidet sich der zeitabhängige Bayes-Stein-Ansatz vom Standardmodell?
Das zeitabhängige Modell verzichtet auf die Annahme konstanter Erwartungswerte und erlaubt stattdessen eine lineare Veränderung der Renditen über die Zeit, um dynamische Marktentwicklungen abzubilden.
Was ist das Hauptergebnis der Out-Of-Sample-Studie?
Die Studie zeigt, dass Bayes-Schätzer, insbesondere bei kürzeren Zeiträumen mit ausreichender Datenbasis, tendenziell bessere Ergebnisse liefern als klassische Verfahren, wobei die Performance von der Datenhäufigkeit abhängt.
- Arbeit zitieren
- Kurt Schuller (Autor:in), 2008, Einsatz von Bayes-Schätzern im Portfoliomanagement, München, GRIN Verlag, https://www.hausarbeiten.de/document/172493
