Institutional Money, Ausgabe 2 | 2025

D er Versuch der Portfoliooptimierung ähnelt dem Jonglieren im Zirkus. Wer nur einen Ball in der Luft halten muss, läuft kaumGefahr, ihn fallen zu lassen, dürfte aber wenig Applaus vom Publikum ernten, das möglichst viele Bälle iegen sehen will. Der Artist fügt also im Lauf der Nummer mehr und mehr Schwierigkeits- grade hinzu und stoppt die Steigerung exakt an dem Punkt, an dem die Gefahr des Scheiterns zu groß wird. Und wo dieser Punkt bei der Portfoliogestaltung liegt, versucht die Finanzmarktforschung seit Jahrzehnten herauszu nden.Die jüngsten Fortschritte beim maschinellen Lernen, insbeson- dere bei Clustering-Techniken wie k-Means ( siehe Kasten auf Seite 98), bieten robuste Werkzeuge für die Segmentierung von Finanz-Assets auf der Grundlage ihrer Rendite- charakteristika, die schon der US-Finanzmarktforscher James Douglas Hamilton 1994 in seinem international stark be- achteten Buch „Time Series Analysis“ beschrieb. Durch die Gruppierung von nanziellen Assets mit ähnlicher histori- scher Performance verringert das Clustering die Dimensio- nalität und verbessert die Interpretierbarkeit der Portfolio- konstruktion. Sharpe-Ratio-Optimierung Keon Vin Park, Teilnehmer am Interdisciplinary Program in Arti cial Intelligence an der Seoul National University, schlägt nun für eine weitere Performancesteigerung eine Optimierung vor, die auf der Sharpe Ratio basiert. Statt möglichst hohe Gewinne oder möglichst wenig Schwan- kungen wird hier ein bestmögliches Gleichgewicht zwi- schen Gewinn und Risiko gesucht. Der Prozess funktioniert so: Anlagen werden in Gruppen eingeteilt, wobei jede Gruppe einen Mittelpunkt (Centroid) hat, der auf dem Durchschnittswert der Anlage in der Gruppe basiert. Die so eruierten leistungsstarken Anlagen werden höher gewichtet. Die Portfoliooptimierung wird erreicht, indem man die Sharpe Ratio maximiert, Rendite und Risiko ausbalanciert und als Nebenbedingung formuliert, dass die Summe aller Portfoliogewichte eins entspricht, wobei Leerverkäufe aus- geschlossen sind. Der Optimierungsprozess wird unter Ver- wendung der SLSQP-(Sequential Least Squares Program- ming)-Methode durchgeführt. Diese Sharpe-Ratio-basierte Optimierungsmethode wird auf jeden Cluster angewendet, um optimale Portfoliogewichte zu gewährleisten, die die Renditen im Vergleich zum Risiko maximieren. Das Backtest-Framework wurde entwickelt, um die Per- formance der vorgeschlagenen Methodik anhand von histo- rischen Daten zu bewerten. Für jeden Cluster wurden opti- mierte Portfolios unter Verwendung der Sharpe-Ratio-Opti- mierung konstruiert, um sicherzustellen, dass die Neben- bedingungen eingehalten werden. Die kumulierten Rendi- ten dieser Portfolios wurden mit einem benchmarkgleich- gewichteten Portfolio verglichen. Backtest-Ansatz Für den Backtest-Prozess müssen mehrere Schritte durch- geführt werden. Zuerst werden die historischen Preis- und Volatilitätsdaten unterteilt: a) Schulungsphase: 1. Januar 2010 bis 31. Dezember 2019, verwendet für Clustering und Port- foliooptimierung. b) Der Testzeitraum erstreckt sich von 1. Januar 2020 bis 1. Januar 2024 und ndet Verwendung für den Backtest und die Performance-Evaluierung. Im zwei- ten Schritt, der Portfoliokonstruktion, werden clusterspezi - sche Portfolios anhand der Gewichtungen, die man aus der Sharpe-Ratio-Optimierung erhält, konstruiert. Drittens kommt es zur Berechnung der kumulierten Renditen für jedes Portfolio über den Testzeitraum, um die Wachstums- Ein koreanischer Doktorand stellte jüngst eine Methode zur Portfoliooptimierung vor, bei der die Kombination von Clustering-Techniken und Sharpe-Ratio-basierter Optimierung für bessere Ergebnisse sorgen soll. Der Backtest sieht interessant aus. Optimierungs versuch 96 N o . 2/2025 | institutional-money.com THEORIE & PRAXIS | Portfolioallokation FOTO: © SEOUL NATIONAL UNIVERSITY » Der hybride Ansatz kombiniert eine Clustering-basierte Asset-Segmentierung mit einer Sharpe-Ratio-Optimierung. « Keon Vin Park, Doktorand, Mitglied im Interdisciplinary Program in Artificial Intelligence an der Seoul National University, Südkorea