Einleitung, Motivation und Modulüberblick
Du erhältst einen Überblick über die Ziele und den Aufbau des Moduls sowie über die Rolle des quantitativen Portfoliomanagements in der Investmentpraxis.
Grundlagen der klassischen Portfoliooptimierung – Mean-Variance-Ansatz
Du lernst den Mean-Variance-Ansatz nach Markowitz kennen und verstehst den Trade-off zwischen Risiko und Rendite. Mit Python setzt du Erwartungswert-Varianz-Optimierungen unter realistischen Restriktionen um.
Relative Portfoliooptimierung – Benchmarks und Tracking Error Minimization
Du analysierst Portfolios relativ zu einer Benchmark und lernst, den Tracking Error gezielt zu steuern. Dabei setzt du Optimierungsverfahren ein, um benchmarknahe Portfolios effizient zu konstruieren.
Schätzrisiken in der Portfoliotheorie
Du untersuchst, wie Unsicherheiten bei Rendite- und Kovarianzschätzungen Optimierungsergebnisse beeinflussen. Der Fokus liegt auf dem Verständnis typischer Probleme klassischer Portfoliooptimierung.
Verbesserte Schätzung der Inputparameter – Geschrumpfte Schätzer
Du lernst Methoden zur Regularisierung von Kovarianzmatrizen und Renditeschätzungen kennen. Ziel ist es, stabilere und robustere Inputparameter für die Portfoliooptimierung zu erzeugen.
Das Black-Litterman-Modell
Du setzt das Black-Litterman-Modell ein, um Marktrückschlüsse mit subjektiven Einschätzungen zu kombinieren. Dabei lernst du, konsistente Renditeerwartungen für Portfolios abzuleiten.
Portfolio-Resampling – Monte-Carlo-Methoden
Du lernst, wie Portfolio-Resampling mithilfe von Monte-Carlo-Simulationen eingesetzt wird. Ziel ist es, die Auswirkungen von Schätzrisiken zu reduzieren und robustere Portfolios zu konstruieren.
Risikogesteuerte Ansätze – Risk Parity und Minimum Variance
Du analysierst risikobasierte Portfolioansätze, die ohne explizite Renditeschätzung auskommen. Mit Python setzt du Risk-Parity- und Minimum-Variance-Portfolios um und vergleichst deren Eigenschaften.
Index Tracking – Passive Portfolios und Benchmark-Nachbildung
Du lernst, wie passive Portfolios konstruiert werden, die eine Benchmark möglichst genau nachbilden. Der Fokus liegt auf Tracking-Error-Analyse und praktischen Umsetzungsmethoden in Python