In dieser Bachelorthesis wird untersucht, inwieweit algorithmen-basierte Robo-Advisor-ETF-Portfolios einen signifikanten Vorteil in Bezug auf Rendite und Risikomanagement gegenüber klassischen, selbstverwalteten ETF-Portfolios aufweisen können. Neben einem theoretischen Überblick über ETFs und Portfoliomanagement im Allgemeinen wird Robo Advisory als Variante zum ETF-Portfoliomanagement vorgestellt. Die empirische Untersuchung basiert auf fünf ein- und zweidimensionalen Performance-Kennzahlen, die die Robo-Advisor-Portfolios und klassischen ETF-Portfolios nach drei Anlagestrategien miteinander vergleicht.
Für die Kennzahlen-Analyse wurden alle deutschen Robo Advisor auf Auswahlkriterien überprüft und in die Untersuchung, die auf historischen 1-, 3- und 5-Jahres-Ergebnissen fußt, miteinbezogen. Im Verlauf stellte sich heraus, dass die Robo-Advisor-Portfolios in der einjährigen Betrachtung zwar durchaus bessere Resultate erzielen konnten, über längere Sicht die klassischen ETF-Portfolios jedoch – insbesondere in der Netto-Rendite – bessere Ergebnisse erreichten. Gleichzeitig wiesen die Robo-Advisor-Portfolios eine bessere Performance in Bezug auf das Risikomanagement auf.
Insgesamt zeigte die Untersuchung, dass Robo Advisor trotz ihrer großen Datenmenge und Automatisierung in der Performance nur bedingt vorteilhaft für Anleger sind und klassische ETF-Portfolios trotz ihrer Einfachheit bessere Resultate erzielen können. Die Ergebnisse sind dennoch u.a. aufgrund nicht ausreichend vorliegenden Daten und hypothetischen Charakters mit Einschränkungen verbunden.
Inhaltsverzeichnis
- Einleitung
- Problemstellung
- Zielsetzung
- Methodische Vorgehensweise
- Theoretische Grundlagen von ETFs
- Begriffsbestimmung
- Entwicklung
- Funktionsweise
- ETF-Portfoliomanagement
- Grundlagen des Portfoliomanagements
- Moderne Portfoliotheorie nach Markowitz
- Capital Asset Pricing Model nach Sharpe
- Anlagestrategien für ETF-Portfolios
- Performance-Kennzahlen
- Renditen
- Maximum Drawdown
- Sharpe Ratio
- Treynor Ratio
- Information Ratio
- Robo Advisory als Portfoliomanagement
- Begriffsbestimmung
- Entwicklung
- Robo Advisor als ETF-Portfoliomanagement
- Methodik der empirischen Untersuchung
- Zielsetzung
- Beschreibung des Forschungsdesigns
- Datenerhebung
- Datenmessung
- Performance-Kennzahlen-Analyse
- Portfolio-Struktur und Asset Allocation
- Eindimensionale Performance-Kennzahlen
- Zweidimensionale Performance-Kennzahlen
- Diskussion
- Interpretation
- Beschränkungen der Forschung
- Weiterführende Forschung
- Fazit
- Zusammenfassung
- Handlungsempfehlungen
- Kritische Würdigung und Ausblick
Zielsetzung und Themenschwerpunkte
Die vorliegende Bachelorthesis beschäftigt sich mit der Frage, ob algorithmenbasierte Robo-Advisor-ETF-Portfolios im Vergleich zu klassischen, selbstverwalteten ETF-Portfolios einen signifikanten Vorteil in Bezug auf Rendite und Risikomanagement bieten können. Im Fokus steht die empirische Analyse der Performance von Robo-Advisor-Portfolios und klassischen ETF-Portfolios anhand verschiedener Performance-Kennzahlen.
- Theoretische Grundlagen von ETFs und Robo Advisory
- Performance-Vergleich von Robo-Advisor- und klassischen ETF-Portfolios
- Analyse relevanter Performance-Kennzahlen (Rendite, Risiko, Sharpe Ratio)
- Bewertung der Einsatzmöglichkeiten und Grenzen von Robo Advisory im ETF-Portfoliomanagement
- Diskussion der Ergebnisse und Implikationen für Anleger
Zusammenfassung der Kapitel
Die Einleitung führt in die Thematik der Robo-Advisory im ETF-Portfoliomanagement ein und stellt die Problemstellung und Zielsetzung der Arbeit dar. Kapitel 2 bietet einen theoretischen Überblick über ETFs, ihre Entwicklung und Funktionsweise. In Kapitel 3 werden die Grundlagen des Portfoliomanagements, die moderne Portfoliotheorie nach Markowitz und das Capital Asset Pricing Model nach Sharpe erläutert. Die Kapitel 4 und 5 befassen sich mit Performance-Kennzahlen und Robo Advisory als Portfoliomanagement. Kapitel 6 beschreibt die Methodik der empirischen Untersuchung, die Datenerhebung und -messung. Die Ergebnisse der Performance-Kennzahlen-Analyse werden in Kapitel 7 präsentiert. Kapitel 8 bietet eine Diskussion der Ergebnisse, inklusive der Interpretation, Beschränkungen der Forschung und Ausblick auf weiterführende Forschungsfragen. Die Arbeit schließt mit einem Fazit, in dem die wichtigsten Erkenntnisse zusammengefasst, Handlungsempfehlungen gegeben und die Arbeit kritisch gewürdigt wird.
Schlüsselwörter
ETF-Portfoliomanagement, Robo Advisory, Robo-Advisor, Algorithmen, Performance-Kennzahlen, Rendite, Risiko, Sharpe Ratio, Anlagestrategien, empirische Untersuchung, historische Daten, deutsche Robo Advisor, klassische ETF-Portfolios, Finanzmärkte, Finanztechnologie.
- Arbeit zitieren
- Anonym (Autor:in), 2023, Digitale Innovation in der Finanzwelt. Die Performance von ETF-Portfolios und KI-gestützten Robo-Advisor-Portfolios in der Vermögensanlage, München, GRIN Verlag, https://www.grin.com/document/1437677
