Die empirischen Eigenschaften von Finanztiteln machen deutlich wie wichtig es ist, alle relevanten Informationen in die Asset Allokation mit einzubeziehen, robuste Methoden anzuwenden und die zugrunde liegenden Daten korrekt zu interpretieren und zu messen. Ebenso wird deutlich, dass nicht nur die absolute Stärke einer Abhängigkeit, wie es bei der linearen Korrelation der Fall ist, zwischen Finanzwerten ausschlaggebend ist, sondern die Struktur der Abhängigkeit. Da traditionelle Optimierungsmethoden dies nicht vermögen, sind in den vergangen Jahren neue Methoden entstanden. Eine dieser Methoden ist die Optimierung eines Portfolios durch Kopulas. Kopulas ermöglichen die Trennung der Abhängigkeitsstruktur von den Randverteilungen der zugrunde liegenden Werte. Sie stammen ursprünglich aus dem Versicherungsbereich, wo sie der Modellierung extremer Ereignisse dienen, werden in den letzten Jahrzehnten jedoch vermehrt auch zur Modellierung von Ausfallwahrscheinlichkeiten im Kreditbereich genutzt. In dieser Arbeit wird die Optimierung eines Portfolios mithilfe von Kopulas vorgestellt, wobei zuerst allgemeine Grundlagen der Portfoliooptimierung diskutiert werden und letztlich die Effizienzgerade eines Portfolios bestehend aus drei Assets berechnet wird. Das herangezogene Risikomaß ist der Expected Shortfall oder Conditional Value at Risk. Die Arbeit ist wie folgt aufgebaut: Kapitel 2 beschreibt den Prozess der Portfoliooptimierung und wichtige Gundlagen. Nach einer kritischen Beleuchtung des Themas wird in Kapitel 3 das Konzept der Kopulas vorgestellt. In Kapitel 4 werden die theoretischen Ergebnisse anhand eines praktischen Beispiels umgesetzt, Kapitel 5 schließt diese Arbeit zusammenfassend ab.
Inhaltsverzeichnis
1. Problemstellung und Ziel der Arbeit
1.1. Beschreibung der Problemstellung
1.2. Spezialfall alternative Investments und deren spezifische Probleme
1.3. Estimation Risk vs. Model Risk
1.4. Ziel der Arbeit
2. Grundlagen der Portfoliooptimierung
2.1. Einführung
2.2. Ertragsmessung
2.3. Risikomessung
2.3.1. Varianz
2.3.2. Value at Risk
2.3.3. Höhere Verteilungsmomente
2.3.3.1. Schiefe
2.3.3.2. Kurtosis
2.3.4. Definition des kohärenten Risikos
2.3.4.1. Einführung
2.3.4.2. Bewertung des Value at Risks und der Varianz
2.3.5. Expected Shortfall
2.4. Abbildung der Abhängigkeitsstruktur
2.4.1. Einleitung
2.4.2. Lineare Korrelation
2.4.2.1. Das Konzept
2.4.2.2. Nachteile
2.4.3. Autokorrelation
2.4.3.1. Einführung
2.4.3.2. Umgang mit Autokorrelation
2.4.4. Rangkorrelation
2.4.4.1. Spearman's Rho
2.4.4.2. Kendall's Tau
2.4.5. Tail Dependence
2.4.6. Bewertung von Abhängigkeitskonzepten
2.5. Portfoliooptimierung
2.5.1. Einleitung
2.5.2. Portfolio Selection
2.5.2.1. Einführung
2.5.2.2. Kritik am Mean-Variance-Ansatz
2.5.3. Weitere Ansätze zur Portfoliooptimierung
2.5.3.1. Ansätze basierend auf zwei Verteilungsparametern
2.5.3.1.1. Black-Litterman Modell
2.5.3.1.2. Resampled Mean-Variance Optimization
2.5.3.2. Ansätze basierend auf vier Verteilungsmomenten
2.5.3.2.1. Allgemein
2.5.3.2.2. Polynomial Goal Programming
3. Portfoliooptimierung mithilfe von Kopulas
3.1. Das Konzept der Kopulas
3.1.1. Einführung
3.1.2. Subkopulas
3.1.2.1. Groundedness
3.1.2.2. 2-increasing
3.1.3. Kopulas
3.1.4. Mathematische Eigenschaften
3.1.4.1. Verteilung
3.1.4.2. Satz von Sklar
3.1.4.3. Transformationsinvarianz
3.1.5. Spezialkopulas
3.1.5.1. Fréchet–Hoeffding–Grenzen
3.1.5.2. Produktkopula
3.1.6. Ausgewählte bivariate Kopulafunktionen
3.1.6.1. Parametrische Kopulas
3.1.6.1.1. Einführung
3.1.6.1.2. Normalkopula
3.1.6.1.3. Student-t-Kopula
3.1.6.2. Nicht-parametrische Kopulas
3.1.6.2.1. Einleitung
3.1.6.2.2. Frank-Kopula
3.1.6.2.3. Clayton-Kopula
3.1.6.2.4. Gumbel-Kopula
3.2. Korrelationskoeffizienten im Kontext der Kopulas
3.2.1. Einführung
3.2.2. Spearman’s Rho
3.2.3. Kendall’s Tau
3.2.4. Lineare Korrelation
3.2.5. Tail Dependence
3.3. Schätzung von Kopulaparametern
3.3.1. Einführung
3.3.2. Exact Maximum Likelihood-Methode
3.3.3. Inference Functions for Margins-Methode
3.3.4. Canonical Maximum Likelihood-Methode
3.3.5. Nicht-parametrische Schätzungen von empirischen Kopulas
3.4. Goodness-of-Fit-Tests
3.5. Vorgehensweise bei der Simulation von Datenreihen
3.5.1. Einleitung
3.5.2. Normalkopula
3.5.3. Student-t-Kopula
3.5.4. Allgemeine Methode
3.6. Portfoliooptimierung mit Kopulas
4. Empirische Anwendung ausgewählter Kopulas
4.1. Einführung
4.2. Datenanalyse
4.2.1. Analyse der Verteilungsparameter
4.2.2. Test auf Normalverteilung
4.2.3. Test auf Autokorrelation
4.2.4. Empirische Korrelationskoeffizienten
4.3. Parameterschätzung
4.4. Goodness-of-Fit Überprüfung
4.5. Berechnung der Effizienzlinien
4.5.1. Vorgehen
4.5.2. Ergebnisse
5. Abschließende Bemerkung und Kritik am Ansatz der Kopulas
5.1. Schlussfolgerung
5.2. Kritische Betrachtung
5.3. Mögliche Erweiterungen
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, die Grundlagen der Portfoliooptimierung zu analysieren und dabei insbesondere die Abhängigkeitsstrukturen zwischen verschiedenen Anlageklassen durch den Einsatz von Kopulas präziser zu erfassen als dies mit traditionellen, auf Normalverteilungsannahmen basierenden Methoden möglich ist.
- Modellierung von Abhängigkeitsstrukturen bei Finanzdaten mittels Kopulas.
- Kritische Analyse traditioneller Ansätze wie der Mean-Variance-Optimierung.
- Untersuchung von alternativen Investments und deren statistischen Besonderheiten.
- Empirische Anwendung verschiedener Kopula-Modelle auf Aktien, Bonds und Hedgefonds.
- Simulation von Effizienzlinien unter Berücksichtigung nicht-normalverteilter Renditen.
Auszug aus dem Buch
1.1. Beschreibung der Problemstellung
Portfoliooptimierung besteht aus drei Schritten: Identifikation einer strategischen Asset Allokation, Identifikation des subjektiv besten Portfolios entlang der Effizienzlinie und Auswahl spezifischer Assets, die bestmöglich der strategischen Asset Allokation entsprechen. Jeder dieser drei Schritte umspannt ein eigenes Gebiet der Forschung. In dieser Arbeit soll insbesondere auf den ersten Schritt, der Identifikation einer strategischen Asset Allokation, eingegangen werden. Diese lässt sich wiederum unterteilen: zum einen müssen die Kennzahlen Risiko und Ertrag eindeutig definiert und gemessen werden und zum anderen ist es notwendig, die Abhängigkeitsstruktur zwischen den einzelnen Risiken bestmöglich zu identifizieren.
Aufgrund der statistischen Eigenschaften von Finanzwerten ist die Asset Allokation jedoch nicht trivial. In der Vergangenheit konnte gezeigt werden, dass die Renditen von Finanzwerten nicht der einer Normalverteilung folgen und eine solche Annahme zu Fehlern führt. Die Untersuchungen ergaben zudem, dass häufig leptokurtische Verteilungen vorliegen und dass Finanzwerte eine von der Normalverteilung abweichende Schiefe aufweisen. Bei Betrachtung der gemeinsamen Verteilung von Finanzwerten, wie dies im Portfoliokontext unabdingbar ist, konnten weitere Charakteristika festgestellt werden. Das Aufkommen extrem hoher bzw. niedriger Renditen in einem Markt ist oft mit überdurchschnittlich hohen bzw. niedrigen Renditen in einem anderen Markt vergesellschaftet, trotz der Tatsache, dass diese Märkte ansonsten wenig miteinander korreliert zu sein scheinen. Insbesondere in schlechten Börsenzeiten tritt Korrelation zwischen Finanzwerten und –märkten verstärkt auf. Diese Beobachtungen lassen sich ebenfalls nicht mit einer (multivariaten) Normalverteilung modellieren, da die Korrelation in den Randbereichen der Verteilung schwächer im Vergleich zu der Korrelation der Gesamtverteilung ist.
Zusammenfassung der Kapitel
1. Problemstellung und Ziel der Arbeit: Das Kapitel führt in den Prozess der Portfoliooptimierung ein und erläutert die Herausforderungen bei der Modellierung von Abhängigkeitsstrukturen zwischen Finanzwerten.
2. Grundlagen der Portfoliooptimierung: Es werden die zentralen Konzepte der Ertrags- und Risikomessung sowie traditionelle Optimierungsansätze und deren Grenzen diskutiert.
3. Portfoliooptimierung mithilfe von Kopulas: Dieses Kapitel stellt das mathematische Konzept der Kopulas, deren Eigenschaften und die Methoden zu deren Schätzung und Simulation detailliert vor.
4. Empirische Anwendung ausgewählter Kopulas: Die theoretischen Erkenntnisse werden anhand von Marktdaten (Aktien, Bonds, Hedgefonds) praktisch umgesetzt und die Performance der verschiedenen Kopula-Modelle bewertet.
5. Abschließende Bemerkung und Kritik am Ansatz der Kopulas: Eine abschließende Diskussion fasst die Ergebnisse zusammen und beleuchtet kritisch den Nutzen sowie die Komplexität des Kopula-Ansatzes.
Schlüsselwörter
Portfoliooptimierung, Kopulas, Abhängigkeitsstruktur, Finanzwerte, Risiko, Rendite, Normalverteilung, Expected Shortfall, Value at Risk, Asset Allokation, Parameter, Korrelation, Simulation, Modellrisiko, Effizienzlinie
Häufig gestellte Fragen
Worum geht es in der Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Verbesserung der Portfoliooptimierung durch die Abbildung komplexer Abhängigkeitsstrukturen zwischen Finanzwerten mittels Kopulas, um die Schwächen traditioneller Normalverteilungsannahmen zu überwinden.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind die Risikomessung, die statistische Modellierung von Renditeverteilungen, der Vergleich von Korrelationsmaßen und die praktische Anwendung von Kopula-Funktionen im Portfoliomanagement.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist es zu zeigen, dass durch die Trennung von Abhängigkeitsstruktur und Randverteilungen mittels Kopulas eine robustere und realistischere Asset Allokation möglich ist als mit klassischen Mean-Variance-Ansätzen.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit nutzt statistische Methoden der Finanzmathematik, insbesondere Maximum-Likelihood-Schätzungen (MLE, CML, IFM), Monte-Carlo-Simulationen und verschiedene Goodness-of-Fit-Tests zur Evaluation der Kopula-Modelle.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in theoretische Grundlagen der Portfoliooptimierung, eine detaillierte mathematische Herleitung von Kopulas und deren Schätzverfahren sowie einen empirischen Teil, in dem die Modelle auf Indizes für Aktien, Bonds und Hedgefonds angewendet werden.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Portfoliooptimierung, Kopulas, Abhängigkeitsstruktur, Expected Shortfall, Modellrisiko und empirische Anwendung.
Was ist der Unterschied zwischen der Normalverteilungsannahme und dem Kopula-Ansatz?
Während die Normalverteilung von elliptischen und symmetrischen Abhängigkeiten ausgeht, erlauben Kopulas die flexible Modellierung nicht-linearer Abhängigkeiten, auch in den extremen Randbereichen der Verteilung (Tail Dependence), was bei Finanzmarktkrisen von hoher Relevanz ist.
Welche Bedeutung haben die empirischen Ergebnisse für die Portfoliooptimierung?
Die Ergebnisse zeigen, dass die Berücksichtigung realer Abhängigkeitsstrukturen mittels Kopulas zu anderen (oft effizienteren) Portfoliogewichtungen führt als unter der Annahme einer Normalverteilung, da erstere extreme Co-Bewegungen von Assets besser erfasst.
- Quote paper
- Stefan Bures (Author), 2007, Grundlagen der Portfoliooptimierung unter Darstellung der Abhängigkeitsstruktur durch Kopulas, Munich, GRIN Verlag, https://www.grin.com/document/91626
