Mean-Variance-Optimierung
Definition
Mean-Variance-Optimierung (MVO) ist der mathematische Prozess, ein Portfolio zu finden, das bei gegebenem Renditeziel das Risiko minimiert (oder bei gegebenem Risiko die Rendite maximiert). MVO ist die operative Umsetzung der Markowitz'schen Portfoliotheorie.
Mathematische Formulierung
Die MVO löst folgendes Quadratisches Programm (QP):
Minimiere: (1/2) * w^T * Sigma * w - lambda * mu^T * w
Unter Nebenbedingungen:
- Summe(w_i) = 1 (vollständige Investition)
- w_i >= 0 (kein Leerverkauf, optional)
- weitere Constraints (Sektor-, Länder-, Einzellimits)
Der Parameter lambda steuert die Risikoaversion: lambda = 0 liefert das Minimum-Varianz-Portfolio, lambda → Unendlich das Portfolio mit höchster Rendite.
Input-Parameter
Die Güte der MVO hängt von drei Inputs ab:
- Erwartete Renditen (mu): Schwierigste Schätzaufgabe. Historische Durchschnitte, CAPM-implizite Renditen oder fundamentale Modelle sind üblich.
- Kovarianzmatrix (Sigma): Stabiler als Renditeprognosen, aber bei N Anlagen sind N*(N+1)/2 Parameter zu schätzen. Bei 100 Aktien sind das 5.050 Werte.
- Risikoaversion (lambda): Implizit durch Renditeziel oder explizit durch Investoren-Befragung.
Kritische Schätzung der Kovarianzmatrix
Historische Kovarianzmatrizen aus kurzen Zeitreihen sind schlecht konditioniert. Ledoit-Wolf-Shrinkage kombiniert die Stichproben-Kovarianzmatrix mit einer strukturierten Zielmatrix (z.B. Einheitsmatrix * mittlere Varianz). Das Shrinkage-Modell reduziert Schätzfehler messbar: Out-of-Sample-Volatilität sinkt typischerweise um 10-20 %.
Praktische Umsetzung
Moderne Python-Bibliotheken wie cvxpy, scipy.optimize und PyPortfolioOpt implementieren MVO in wenigen Zeilen Code. Ein DAX-Portfolio (40 Aktien) mit 5 Jahren Tagesdaten lässt sich in unter einer Sekunde optimieren. Kritisch ist die Auswahl geeigneter Nebenbedingungen.
Robustere Alternativen
Neben der klassischen MVO existieren robuste Varianten: Resampled Efficiency (Michaud), Bayesian MVO (Black-Litterman) und Black-Box-Methoden wie Hierarchical Risk Parity. Diese reduzieren Schätzfehler-Instabilität auf Kosten von Komplexität.
Hinweis: Dieser Artikel dient ausschließlich der Information und stellt keine Anlageberatung dar.