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
- Motivation
- Einführung in das Portfolio Management
- Klassische Methoden
- Markowitz Efficient Frontier
- Herleitung der Markowitz Portfolio Optimierung
- Pseudocode
- Principal Component Analysis
- Herleitung des Algorithmus
- Pseudocode
- Markowitz Efficient Frontier
- Moderne Machine Learning Methoden
- Risk Parity Model
- Herleitung des RPM Algorithmus
- Pseudocode
- Autoencoder
- Neuronale Netze
- Herleitung des Autoencoder Algorithmus
- Pseudocode
- LSSVM
- Kernel Funktionen
- Herleitung des LSSVM Algorithmus
- Pseudocode
- RL unter Verwendung von Policy Gradient
- Problem Setting
- Herleitung des Policy Gradient Algorithmus
- Pseudocode
- Risk Parity Model
- Backtest
- Performance Messung
- Verwendete Kennzahlen
- Präsentation der Ergebnisse
- Analyse
- Exkurs: Performance der Modelle im Rahmen von Krisen am Fallbeispiel der Covid-Krise
- Fazit
Zielsetzung und Themenschwerpunkte
Diese Seminararbeit zielt darauf ab, die Funktionsweise von sechs verschiedenen Algorithmen im Bereich des Portfolio Managements zu verdeutlichen und deren Güte und Performance für die Optimierung der internen Verteilung eines Aktienportfolios zu vergleichen. Dabei werden zwei klassische Algorithmen (Markowitz Efficient Frontier und Principal Component Analysis) und vier moderne Machine Learning Methoden (Risk Parity Model, Autoencoder, Least-square Support Vector Machine und Reinforcement Learning mittels Policy Gradient) gegenübergestellt.
- Vergleich klassischer und moderner Methoden im Portfolio Management
- Herleitung und Beschreibung der Funktionsweise der ausgewählten Algorithmen
- Analyse der Performance der Algorithmen mittels Backtestings unter Verwendung realer Marktdaten
- Bewertung der Eignung der Methoden für das Management von Aktienportfolios
- Untersuchung der Modellperformance in unterschiedlichen Marktphasen, einschließlich der Covid-Krise
Zusammenfassung der Kapitel
- Motivation: Dieses Kapitel führt in die Thematik des Deep Portfolio Managements ein und stellt die sechs Algorithmen vor, die im Rahmen der Arbeit analysiert werden. Es werden die Ziele und die Vorgehensweise der Arbeit erläutert.
- Einführung in das Portfolio Management: Dieses Kapitel gibt eine kurze Einführung in die Grundlagen des Portfolio Managements und erläutert die Bedeutung der Portfolio-Optimierung.
- Klassische Methoden: Dieser Abschnitt befasst sich mit zwei klassischen Algorithmen, der Markowitz Efficient Frontier und der Principal Component Analysis. Die Herleitung der Algorithmen und deren Funktionsweise werden detailliert dargestellt.
- Moderne Machine Learning Methoden: Dieses Kapitel behandelt vier moderne Machine Learning Methoden, die im Portfolio Management Anwendung finden: Risk Parity Model, Autoencoder, Least-square Support Vector Machine und Reinforcement Learning mittels Policy Gradient. Die Herleitung der Algorithmen und deren Funktionsweise werden erläutert.
- Backtest: Dieser Abschnitt beschreibt die Durchführung des Backtestings, welches zur Bewertung der Performance der verschiedenen Algorithmen eingesetzt wird.
- Performance Messung: In diesem Kapitel werden die Ergebnisse des Backtestings präsentiert und die Performance der Algorithmen anhand verschiedener Kennzahlen analysiert.
- Exkurs: Performance der Modelle im Rahmen von Krisen am Fallbeispiel der Covid-Krise: Dieses Kapitel untersucht die Performance der Modelle in einem Zeitraum, der von der Covid-Krise geprägt war. Es wird die Reaktion der Algorithmen auf unvorhersehbare Ereignisse analysiert.
Schlüsselwörter
Die wichtigsten Schlüsselwörter und Themengebiete dieser Arbeit sind Portfolio Management, Aktienportfolio-Optimierung, klassische Algorithmen, moderne Machine Learning Methoden, Markowitz Efficient Frontier, Principal Component Analysis, Risk Parity Model, Autoencoder, Least-square Support Vector Machine, Reinforcement Learning, Policy Gradient, Backtesting, Performance-Messung, Risikokennzahlen, Covid-Krise, TecDax.
- Arbeit zitieren
- Anonym (Autor:in), 2021, Deep Portfolio Management. Methoden und Praxisbeispiel, München, GRIN Verlag, https://www.grin.com/document/1118765
