Die nachfolgende Seminararbeit zum Thema Deep Portfolio Management befasst sich mit sechs verschiedenen Methoden, welche bei der Optimierung der internen Verteilung eines Aktienportfolios Gebrauch finden. Dabei werden zwei klassische Algorithmen und vier moderne Machine Learning Methoden, die sich für das Management eines Portfolios eignen, miteinander verglichen. Im Rahmen dieser Ausarbeitung wurde die Performance der Methoden auf Basis der sich zum September 2019 im TecDax befindlichen Aktien untersucht.
Inhaltsverzeichnis
1 Motivation
2 Einführung in das Portfolio Management
3 Klassische Methoden
3.1 Markowitz Efficient Frontier
3.1.1 Herleitung der Markowitz Portfolio Optimierung
3.1.2 Pseudocode
3.2 Principal Component Analysis
3.2.1 Herleitung des Algorithmus
3.2.2 Pseudocode
4 Moderne Machine Learning Methoden
4.1 Risk Parity Model
4.1.1 Herleitung des RPM Algorithmus
4.1.2 Pseudocode
4.2 Autoencoder
4.2.1 Neuronale Netze
4.2.2 Herleitung des Autoencoder Algorithmus
4.2.3 Pseudocode
4.3 LSSVM
4.3.1 Kernel Funktionen
4.3.2 Herleitung des LSSVM Algorithmus
4.3.3 Pseudocode
4.4 RL unter Verwendung von Policy Gradient
4.4.1 Problem Setting
4.4.2 Herleitung des Policy Gradient Algorithmus
4.4.3 Pseudocode
5 Backtest
6 Performance Messung
6.1 Verwendete Kennzahlen
6.2 Präsentation der Ergebnisse
6.3 Analyse
7 Exkurs: Performance der Modelle im Rahmen von Krisen am Fallbeispiel der Covid-Krise
8 Fazit
Zielsetzung & Themen
Diese Arbeit zielt darauf ab, die Leistungsfähigkeit von sechs verschiedenen Algorithmen bei der Optimierung der internen Verteilung eines Aktienportfolios zu untersuchen, zu vergleichen und deren Eignung für das Portfolio Management zu bewerten.
- Vergleich zwischen klassischen Methoden und modernen Machine Learning Ansätzen.
- Herleitung und Implementierung von Algorithmen wie Markowitz, PCA, Autoencoder, LSSVM und Reinforcement Learning.
- Durchführung eines Backtestings über unterschiedlich lange Zeiträume zur Performance-Analyse.
- Berücksichtigung von Markt-Krisensituationen (Covid-Krise) zur Prüfung der Modellstabilität.
- Bewertung der Ergebnisse anhand von Risikokennzahlen und Portfoliowerten.
Auszug aus dem Buch
4.2.1 Neuronale Netze
Ein Neuronales Netz besteht aus Neuronen und gewichteten Verbindungen zwischen diesen. Eine solche Struktur ist ein Typus des maschinellen Lernens, der der Funktionsweise des menschlichen Gehirns ähnelt. Spricht man von „Deep Learning“, ist damit ein NN mit vielen Neuronenebenen und einem großen Datenvolumen gemeint.
Für das Training des NN existieren zwei Lernverfahren. Einerseits der überwachte Lernalgorithmus, bei dem die Trainingsdaten entsprechend gelabelt sind und andererseits das unüberwachte Lernen. Hierbei werden ledigliche die rohen Daten ohne eine bestimmte Klassifizierung zur Verfügung gestellt [6].
Ein weiterer wichtiger Begriff in diesem Bereich ist der sogenannte Bias. Dieser beschreibt den Intercept also die Verzerrung jedes Neurons.
Zusammenfassung der Kapitel
1 Motivation: Einführung in die Zielsetzung der Arbeit, das Portfolio Management und die methodische Vorgehensweise bei der Untersuchung von Aktienportfolioperformance.
2 Einführung in das Portfolio Management: Grundlagen der Portfoliokonstruktion, Definition von Finanzinstrumenten und Erläuterung des Prozesses der Gewichtung im Portfolio.
3 Klassische Methoden: Detaillierte Darstellung der Markowitz-Portfoliotheorie und der Principal Component Analysis zur Dimensionsreduktion im Finanzbereich.
4 Moderne Machine Learning Methoden: Vorstellung und mathematische Herleitung moderner Ansätze wie Risk Parity, Autoencoder, LSSVM und Reinforcement Learning mittels Policy Gradient.
5 Backtest: Erläuterung der Simulationsmethodik, um die Güte der gewählten Anlagestrategien anhand historischer Marktdaten zu überprüfen.
6 Performance Messung: Definition und Anwendung verschiedener Erfolgskennzahlen sowie Präsentation der Ergebnisse für unterschiedliche Trainingszeiträume.
7 Exkurs: Performance der Modelle im Rahmen von Krisen am Fallbeispiel der Covid-Krise: Analyse der Modellergebnisse unter den Bedingungen eines stark volatilen Marktmarktumfeldes.
8 Fazit: Zusammenfassende Bewertung der untersuchten Algorithmen, Identifikation des Autoencoders als bevorzugte Methode und Ausblick auf zukünftige Optimierungsmöglichkeiten.
Schlüsselwörter
Portfolio Management, Markowitz Efficient Frontier, Principal Component Analysis, Machine Learning, Deep Learning, Autoencoder, LSSVM, Reinforcement Learning, Policy Gradient, Risikoparität, Backtest, Sharpe Ratio, Volatilität, Aktienanalyse, Performance-Messung.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht sechs verschiedene mathematische und algorithmische Methoden für die Optimierung und das Management von Aktienportfolios.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind klassische Portfolio-Optimierung, Dimensionsreduktion durch Machine Learning, nichtlineare Regressionsmodelle und Reinforcement Learning.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, zu ermitteln, welche der betrachteten Modelle die beste Performance und Risikoadjustierung bei der Portfoliozusammensetzung aufweisen.
Welche wissenschaftlichen Methoden werden verwendet?
Es kommen sowohl klassische Verfahren wie die Markowitz-Optimierung als auch moderne Machine Learning Ansätze wie LSSVM, Autoencoder und Deep Reinforcement Learning zum Einsatz.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil widmet sich der Herleitung, der algorithmischen Definition, der Implementierung mittels Pseudocode und dem anschließenden Backtesting der genannten Modelle.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Portfolio Management, Machine Learning, Risikoallokation, Performance-Messung und Algorithmen-Vergleich.
Warum spielt die Covid-Krise eine besondere Rolle?
Die Krise dient als Fallbeispiel, um die Stabilität und Robustheit der verschiedenen Modelle in einem extrem volatilen Marktumfeld zu testen.
Welches Modell schneidet in der Analyse am besten ab?
Das Fazit der Arbeit nennt den Autoencoder-Algorithmus als klaren Favoriten, da er über verschiedene Zeiträume hinweg die stabilsten und besten Ergebnisse liefert.
- Arbeit zitieren
- Anonym (Autor:in), 2021, Deep Portfolio Management. Methoden und Praxisbeispiel, München, GRIN Verlag, https://www.grin.com/document/1118765
