💰 quantitative finance

Asset pre-selection for a cardinality constrained index tracking portfolio with optional enhancement

Dieses Paper demonstriert durch eine zweistufige S&P 500-Analyse, dass die Lockerung von Kardinalitätsbeschränkungen die Tracking-Genauigkeit und die risikobereinigten Renditen verbessert, während eine engere Beschränkung auf 10 bis 20 Assets optimal für die Portfolioverbesserung ist.

Ursprüngliche Autoren: N. Meade, C. A. Valle, J. E. Beasley

Veröffentlicht 2026-07-07

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: N. Meade, C. A. Valle, J. E. Beasley

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie möchten die Leistung eines riesigen, berühmten Orchesters kopieren (den Aktienmarktindex, wie den S&P 500). Das Orchester besteht aus 500 Musikern, die perfekt zusammen spielen. Ihr Ziel ist es, eine kleinere Gruppe von Musikern (ein „Portfolio“) einzustellen, um dasselbe Stück so gut zu spielen, dass niemand den Unterschied bemerkt, aber Sie wollen dabei weniger Gehälter zahlen und weniger Leute verwalten.

Dieses Papier ist eine Studie darüber, wie man die beste kleine Gruppe von Musikern auswählt und wie viele Musiker man tatsächlich braucht, um den Job richtig zu erledigen.

Hier ist die Aufschlüsselung ihrer Ergebnisse in einfachem Deutsch:

1. Das große Problem: Das „Zu viele Musiker“-Dilemma

Wenn man versucht, das ganze Orchester einzustellen, ist das teuer und schwer zu managen. Wenn man nur 5 zufällige Musiker auswählt, werden sie wahrscheinlich überhaupt nicht wie das Orchester klingen. Die Forscher suchten nach der „Goldlöckchen“-Zahl: der perfekten Größe für ein kleines Team, das fast exakt wie das große Band klingt.

Sie testeten eine spezifische Strategie: Wähle zuerst die Musiker aus, dann finde heraus, wie laut jeder einzelne spielen sollte. Anstatt zu versuchen, das ganze Puzzle auf einmal zu lösen (was ein mathematischer Albtraum ist), nutzten sie zwei einfache Schritte:

Selektion: Nutze Statistiken, um die besten 10, 20 oder 50 Musiker aus den verfügbaren 500 auszuwählen.
Gewichtung: Sobald das Team ausgewählt ist, berechne genau, wie viel von dem Lied jeder Einzelne spielen soll, um dem Original zu entsprechen.

2. Die Auswahlmethoden: Wie man das Team auswählt

Die Forscher probierten acht verschiedene Wege aus, um das Team auszuwählen, wie zum Beispiel verschiedene Trainer mit unterschiedlichen Spielbüchern:

Vorwärtsselektion (Forward Selection): Beginne mit null Musikern. Füge den einen besten hinzu. Dann füge den nächsten besten hinzu, der zum ersten passt. Mach so weiter, bis du dein Team hast.
Rückwärtselimination (Backward Elimination): Beginne mit allen 500 Musikern. Entlasse den schlechtesten. Entlasse den nächstschlechteren. Mach so weiter, bis du dein Team hast.
Die mathematischen Werkzeuge: Sie verwendeten zwei verschiedene mathematische Formeln, um zu entscheiden, wer „am besten“ war:
- OLS (Der Standard): Geht davon aus, dass Musik auf eine normale, vorhersehbare Weise funktioniert.
- LAD (Der harte Brocken): Geht davon aus, dass Musik wilde, unvorhersehbare Abstürze oder Spitzen haben kann (fette Enden/Fat Tails) und kann diese besser handhaben.

Der Gewinner: Die Studie ergab, dass die Rückwärtselimination (beginne groß und entlasse die schwachen Glieder) unter Verwendung der Standard-Mathematik (OLS) der zuverlässigste Coach war. Sie wählte konsistent Teams aus, die dem Original-Orchester am ähnlichsten klangen.

3. Die Entdeckung: „Größe ist entscheidend“

Die interessanteste Entdeckung betraf die Anzahl der Musiker (Kardinalität), die benötigt werden.

Für das reine Kopieren (Verfolgen des Index):
Die Forscher entdeckten eine einfache Regel: Je mehr Musiker du hast, desto besser klingst du.
- Wenn du 5 Musiker hast, liegst du vielleicht um 4 % daneben.
- Wenn du 50 Musiker hast, liegst du vielleicht nur um 1 % daneben.
- Sie fanden heraus, dass der Fehler etwa mit der Quadratwurzel der Anzahl der Musiker sinkt. Es ist wie beim Hinzufügen von mehr Pixeln zu einem Foto; je mehr man hinzufügt, desto klarer wird das Bild, aber der Nutzen verlangsamt sich bei sehr hohen Zahlen.
- Analogie: Wenn man versucht, ein Gemälde zu kopieren, lässt das Hinzufügen von mehr Pinselstrichen (Assets) das Bild immer genauer aussehen.
Um den Index zu schlagen (Verbesserte Renditen):
Hier wird es knifflig. Manchmal wollen Investoren nicht nur das Orchester kopieren, sondern es auch besser spielen (mehr Geld verdienen).
- Die Studie fand heraus, dass für das Schlagen des Marktes kleine Teams am besten funktionieren.
- Teams von etwa 10 bis 20 Musikern waren der „Sweet Spot“, um zusätzlichen Profit zu generieren.
- Analogie: Wenn du versuchst, das Orchester zu schlagen, indem du 100 Musiker hinzufügst, landest du nur bei einem lauten Durcheinander. Aber wenn du eine winzige, Elite-Truppe von 15 hochbegabten Spielern auswählst, können sie vielleicht einen einzigartigen Rhythmus finden, der das Lied heller erstrahlen lässt als das Original.

4. Der „Übung vs. Auftritt“-Test

Die Forscher haben die Teams nicht nur darauf getestet, wie gut sie üben (In-Sample-Daten); sie haben sie auch in der realen Welt performen lassen (Out-of-Sample-Daten).

Überraschende Erkenntnis: Manchmal schnitten die kleinen Teams (geringe Kardinalität) in der realen Welt tatsächlich besser ab als in der Übungsphase (In-Sample).
Warum? Die Übungssitzungen (die Daten, die zur Auswahl des Teams verwendet wurden) waren oft sehr chaotisch und verrauscht (wie ein stürmisches Konzertsaal). Die reale Performance war ruhiger. Die kleinen Teams, die auf das Chaos „abgestimmt“ waren, erwiesen sich zufällig als sehr stabil, als sich der Lärm legte.

5. Das Fazit

Wenn du den Markt perfekt kopieren willst: Du brauchst ein größeres Team (mehr Assets). Je mehr Assets du hast, desto näher kommst du dem Original, und desto weniger hängt deine Leistung davon ab, wie wild der Markt in einem bestimmten Jahr ist.
Wenn du den Markt schlagen willst: Du brauchst ein kleineres, enger abgestimmtes Team (etwa 10–20 Assets). Ein kleines Team ist agil genug, um einen Vorteil zu finden, während ein großes Team den Vorteil einfach verwässert.
Die beste Methode: Nutze die „Rückwärtselimination“ (beginne groß, streiche die schwachen Verbindungen) mit Standard-Mathematik, um deine Assets auszuwählen.

Kurz gesagt: Um zu kopieren, hol dir ein großes Team. Um zu gewinnen, hol dir ein kleines, Elite-Team.

Technische Zusammenfassung: Die Auswirkungen der Vorselektion von Vermögenswerten für ein kardinalitätsbeschränktes Index-Tracking-Portfolio mit optionaler Optimierung

Problemdefinition
Die vorliegende Arbeit befasst sich mit dem Problem des kardinalitätsbeschränkten Index-Tracking-Portfolios (CCITP), bei dem eine Teilmenge von $n$ Vermögenswerten aus einem größeren Universum von $M$ Index-Konstituenten ausgewählt werden soll, um das Risiko und die Rendite eines Marktindex (speziell des S&P 500) zu replizieren. Eine vollständige Replikation ist zwar genau, verursacht jedoch hohe Verwaltungskosten; die Auswahl einer kleinen Teilmenge reduziert zwar die Kosten, erhöht aber den Tracking Error. Das Problem ist rechnerisch schwierig, da gleichzeitig die Auswahl des Vermögenswert-Sets und die Optimierung ihrer Gewichtungen erfolgen muss – eine Aufgabe, die bei großen Kardinalitäten historisch auf Heuristiken angewiesen war. Darüber hinaus unterscheidet die Arbeit zwischen reinem Index-Tracking (Minimierung des Tracking Errors) und optimiertem Index-Tracking (Anstreben von Renditen oberhalb des Index bei gleichzeitiger Minimierung des Tracking Errors).

Methodik
Die Autoren schlagen einen neuartigen zweistufigen Ansatz vor, der die Auswahl der Vermögenswerte von der Schätzung der Gewichtungen trennt, im Gegensatz zur Literatur, die diese oft als gemeinsames Optimierungsproblem behandelt.

Stufe 1: Vorselektion der Vermögenswerte: Die Autoren wenden statistische Regressionsverfahren an, um die optimale Menge von $n$ Vermögenswerten vor der Gewichtungsoptimierung zu identifizieren. Sie evaluieren acht verschiedene Vorselektionsverfahren basierend auf zwei Richtungen (Vorwärtsselektion und Rückwärtselimination) und zwei Regressionszielen (gewöhnliche kleinste Quadrate [OLS] und die kleinste absolute Abweichung [LAD]), jeweils getestet mit und ohne Regressionskonstante.
- Vorwärtsselektion (Forward Selection): Fügt iterativ den Vermögenswert hinzu, der die größte Erklärungsleistung (angepasstes $R^2$ für OLS, minimierte mittlere absolute Abweichung für LAD) der Indexrendite oder der Restvariation aufweist.
- Rückwärtselimination (Backward Elimination): Beginnt mit dem gesamten Universum und entfernt iterativ den Vermögenswert mit der geringsten Erklärungsleistung (niedrigster t-Wert für OLS, kleinster absoluter Koeffizient für LAD).
- Optimierung (Enhancement): Eine Ziel-Optimierung ( $\lambda$ ) kann während der Selektion zur Indexrendite hinzugefügt werden, um ein optimiertes Tracking zu erleichtern.
Stufe 2: Gewichtungsoptimierung: Sobald das Set der Vermögenswerte fixiert ist, werden die Gewichtungen optimiert, um eine spezifische Zielfunktion über einen In-Sample-Zeitraum ( $T_1$ ) zu minimieren. Die Zielfunktion minimiert den quadrierten Root Mean Square Tracking Error (RMSE) plus einen Strafterm für die Differenz der mittleren Renditen zwischen dem Portfolio und dem Index. Für diese nicht-lineare Optimierung wird eine Quasi-Newton-Methode (BCONF) verwendet.
Evaluationsrahmen: Die Studie nutzt einen gleitenden Zeitfenster-Ansatz auf Basis täglicher S&P 500-Daten vom 3. Januar 2005 bis zum 29. Dezember 2023. Der Prozess beinhaltet die Auswahl eines Portfolios über einen In-Sample-Zeitraum ( $T_1$ ) und die Bewertung seiner Out-of-Sample-Performance über einen darauffolgenden Zeitraum ( $T_2$ ). Das Transaktionsvolumen wird näherungsweise durch die Summe der absoluten Änderungen der Vermögensgewichtungen zwischen den Rebalancing-Zeiträumen bestimmt.

Wichtigste Ergebnisse

Leistung der Vorselektion: Unter den acht Verfahren rangierte die Rückwärtselimination mittels OLS ohne Konstante (BE-OLS(n)) konsistent am höchsten in Bezug auf den In-Sample-Tracking-Error, den Out-of-Sample-Tracking-Error und das Transaktionsvolumen. Verfahren der Vorwärtsselektion lieferten im Allgemeinen höhere Tracking Errors, und LAD-basierte Verfahren schnitten schlecht ab, insbesondere bei der Rückwärtselimination, was wahrscheinlich auf eine Degenerierung in der linearen Programmierung bei großen Vermögenswert-Sets zurückzuführen ist.
Kardinalität und Tracking Error: Die Studie zeigt experimentell, dass der Out-of-Sample-Tracking-Error gemäß der inversen Quadratwurzel der Kardinalität ( $1/\sqrt{cardinality}$ ) abnimmt. Konkret wird dieser Zusammenhang durch $TE \approx \theta n^{-\omega}$ modelliert, wobei $\omega \approx 0,58$ für Out-of-Sample-Fehler gilt, was die Annahme stützt, dass der Fehler proportional zu $1/\sqrt{n}$ ist.
Volatilitätsabhängigkeit: Der Out-of-Sample-Tracking-Error korreliert stark mit der Indexvolatilität. Mit zunehmender Kardinalität nimmt jedoch die Abhängigkeit des Portfolios von der Indexvolatilität ab, was zu größerer Stabilität führt.
Optimiertes Tracking (Enhanced Tracking): Für Portfolios, die optimierte Renditen anstreben, fallen die Ergebnisse signifikant von reinem Tracking ab. Während größere Kardinalitäten den Tracking Error reduzieren, maximieren sie nicht zwangsläufig die Überschussrenditen. Die Studie stellt fest, dass Kardinalitäten im Bereich von 10 bis 20 am effektivsten für die Generierung von Überschussrenditen sind.
Sensitivitätsanalyse: Längere In-Sample-Zeiträume ( $T_1$ ) reduzieren im Allgemeinen den Tracking Error und das Transaktionsvolumen. Kürzere Out-of-Sample-Evaluationszeiträume ( $T_2$ ) reduzieren den Tracking Error, erhöhen jedoch das Transaktionsvolumen aufgrund häufigerer Rebalancings. Für das optimierte Tracking lieferte ein 3-jähriger In-Sample-Zeitraum und ein 6-monatiger Out-of-Sample-Zeitraum das beste Gleichgewicht.

Bedeutung und Ansprüche
Die Arbeit beansprucht einen deutlichen Beitrag zur Literatur durch den Vorschlag, die Phasen der Vermögensauswahl und der Gewichtungsschätzung zu trennen. Die Autoren argumentieren, dass dieser Ansatz die rechnerische Schwierigkeit beseitigt, die mit der gemeinsamen Optimierung von Vermögenswert-Sets und deren Gewichtungen verbunden ist, was die Analyse größerer Kardinalitäten (bis zu 100 Vermögenswerte) ohne Rückgriff auf komplexe Heuristiken ermöglicht.

Die Studie liefert empirische Belege dafür, dass:

Die Vorselektion von Vermögenswerten mittels statistischer Regression eine praktikable und effektive Alternative zu gemeinsamen Optimierungsheuristiken darstellt.
Die Beziehung zwischen Tracking Error und Kardinalität einem vorhersagbaren Potenzgesetz ( $1/\sqrt{n}$ ) folgt, was eine praktische Faustregel für die Portfoliokonstruktion bietet.
Ein Trade-off zwischen Tracking-Genauigkeit und Renditeoptimierung besteht; während große Portfolios den Tracking Error minimieren, sind kleinere Portfolios (Kardinalität 10–20) effektiver bei der Generierung von Überschussrenditen.

Die Autoren bleiben hinsichtlich der Universalität ihrer Ergebnisse bescheiden und merken an, dass die Wirksamkeit der Vorselektion von den spezifischen statistischen Eigenschaften der Vermögenswertrenditen (z. B. Fat Tails) abhängt und dass das „optimale“ Portfolio nicht eindeutig ist, da verschiedene leistungsstarke Verfahren signifikant unterschiedliche Vermögenswerte auswählen.

1. Das große Problem: Das „Zu viele Musiker“-Dilemma

2. Die Auswahlmethoden: Wie man das Team auswählt

3. Die Entdeckung: „Größe ist entscheidend“

4. Der „Übung vs. Auftritt“-Test

5. Das Fazit

Mehr davon