Forscher überwindet Einschränkungen der Portfoliooptimierung mit neuem Ansatz

Die Optimierung eines Anlageportfolios zur Maximierung der Rendite bei gleichzeitiger Minimierung des Risikos ist das ultimative Ziel für Anleger und ihre Berater. Es gibt jedoch keinen festgelegten Weg und es treten immer wieder Herausforderungen auf. Eine solche Einschränkung ist das hochdimensionale Kleinstichprobenproblem (HDSS). HDSS bezieht sich auf ein Portfolio mit einer großen Anzahl von Vermögenswerten, aber wenigen historischen Daten, was zu einer unzuverlässigen Portfoliooptimierung und einer schwachen Anlageperformance führt.

In einer kürzlich veröffentlichten Studie haben Chanaka Edirisinghe, Ph.D., Kay und Jackson Tai ’72 Senior Professor für Quantitative Finance am Rensselaer Polytechnic Institute, zusammen mit Jaehwan Jeong, Ph.D., Associate Professor an der Radford University, eine datenbasierte Methode zur Verbesserung der Portfolioauswahl im Rahmen von HDSS entwickelt. Diese Arbeit erscheint in einer Ausgabe von Das Journal of Portfolio Management, zu Ehren des „Vaters der modernen Portfoliotheorie“ und Nobelpreisträgers Harry Markowitz.

Viele Portfolios verwenden eine Mittelwert-Varianz-Optimierung (MV), was häufig zu übermäßigen Risiken und einer Fragmentierung des Portfolios führt. Um dies zu umgehen, verwendeten Edirisinghe und Jeong eine Kardinalitätskontrolle, um die Anzahl der Vermögenswerte zu beschränken, sowie eine Leverage-Beschränkung, um die Höhe der Kreditaufnahme oder Leerverkäufe zu kontrollieren und so das Risiko zu minimieren. Sie verwendeten auch Normbeschränkungen, um die Vermögenspositionen effektiver zu verwalten. Schließlich verwendeten sie eine Kreuzvalidierung, um die Portfolioleistung bei Anwendung auf neue, bisher unbekannte Daten zu verbessern. Dann testeten sie ihren Ansatz.

„Wir haben eine Fallstudie mit großen Aktiengruppen aus dem S&P 500 Index durchgeführt“, sagte Edirisinghe. „Unsere hebelgesteuerte Methode der spärlichen Portfolioauswahl hat die Portfolioperformance deutlich verbessert. Das Ergebnis ist eine bessere Handhabbarkeit und ein geringeres Risiko.“

„Professor Edirisinghes Ansatz fördert die Portfoliooptimierung“, sagte Liad Wagman, Ph.D., Dekan der Lally School of Management in Rensselaer. „Die Integration von Sparsity- und Leverage-Kontrollen in einem datengesteuerten Rahmen führt zu leistungsstärkeren Portfolios.“