💰 quantitative finance

Asset allocation using a Markov process of clustered efficient frontier coefficients states

Diese Studie stellt ein neuartiges Asset-Allocation-Modell vor, das einen Markov-Prozess auf Basis von durch Clustering identifizierten Zuständen der effizienten Frontier-Koeffizienten nutzt, um Portfolios zu optimieren und dabei empirisch signifikant bessere Ergebnisse als Benchmark-Portfolios erzielt.

Ursprüngliche Autoren: Nolan Alexander, William Scherer, Jamey Thompson

Veröffentlicht 2026-04-07

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Nolan Alexander, William Scherer, Jamey Thompson

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

🌦️ Der Wetterbericht für Ihr Geld: Ein neuer Weg, um das perfekte Portfolio zu bauen

Stellen Sie sich vor, Sie planen eine große Reise. Wenn Sie nur auf den aktuellen Wetterbericht schauen, planen Sie vielleicht für einen sonnigen Tag. Aber was, wenn morgen ein Sturm kommt? Oder was, wenn das Klima sich langfristig ändert?

Die meisten traditionellen Finanzmodelle (wie die berühmte "Moderne Portfolio-Theorie" von Harry Markowitz) machen einen Fehler: Sie gehen davon aus, dass der Markt wie ein stabiles Klima ist. Sie nehmen an, dass die Vergangenheit die Zukunft perfekt vorhersagt. Das Problem ist: Der Finanzmarkt ist kein stabiler Ozean, sondern ein wildes Wetterphänomen. Es gibt sonnige Phasen (Bullenmärkte), Stürme (Bärenmärkte) und alles dazwischen.

Dieses Papier von Nolan Alexander, William Scherer und Jamey Thompson schlägt eine neue Methode vor, um mit diesem "Wetter" umzugehen. Sie nennen es den Markov-Markowitz-Ansatz.

Hier ist, wie es funktioniert, Schritt für Schritt:

1. Die "Wetter-Station" statt nur Temperaturmessung

Normalerweise schauen Investoren nur auf zwei Dinge: Wie viel Geld habe ich verdient? (Rendite) und wie sehr habe ich gezittert? (Volatilität).

Die Autoren sagen: "Das ist zu wenig!"
Statt dessen schauen sie sich die Effiziente Grenze an. Das ist ein mathematisches Konzept, das zeigt, wie gut man Risiko und Ertrag austauschen kann.

Die Analogie: Stellen Sie sich vor, Sie sind ein Koch. Die traditionelle Methode schaut nur auf den Preis der Zutaten und wie schwer sie zu kochen sind. Diese neue Methode schaut sich das Rezept an. Sie zerlegen das "Rezept" des Marktes in drei einfache Zutaten (Koeffizienten):
1. Wie gut schmeckt das Minimum? (Der sicherste Punkt).
2. Wie sehr wackelt der Teller? (Das Risiko).
3. Wie schnell wird es besser, je mehr Risiko man eingeht? (Die Krümmung).

Diese drei Zahlen fassen den gesamten Markt für einen Monat zusammen.

2. Die "Wetter-Cluster" (Das Sortieren der Tage)

Jetzt haben wir für jeden Monat des letzten Jahrzehnts diese drei Zahlen. Was tun wir damit? Wir sortieren sie!

Die Analogie: Stellen Sie sich vor, Sie haben einen Stapel mit 30 Jahren Wetterdaten. Anstatt jeden Tag einzeln zu betrachten, sortieren Sie die Tage in Kategorien (Cluster) ein.
- Kategorie A: "Sonniger Frühling" (Gute Renditen, moderates Risiko).
- Kategorie B: "Stürmischer Winter" (Schlechte Renditen, hohes Risiko).
- Kategorie C: "Morgendämmerung" (Niedrige Renditen, aber ruhig).
- Kategorie D: "Sommerhitze" (Hohe Renditen, aber sehr heiß/unruhig).

Das Papier nutzt einen cleveren Algorithmus (hierarchisches Clustering), um diese Tage automatisch in Gruppen zu stecken. Das Besondere: Es schaut sich an, wie sich diese "Wetterdaten" über die Zeit verhalten, nicht nur wie sie an einem Tag aussehen.

3. Der "Wettervorhersage"-Mechanismus (Markov-Prozess)

Jetzt wissen wir, in welcher Kategorie wir gerade sind (z. B. "Stürmischer Winter"). Die Frage ist: Was kommt als Nächstes?

Die Analogie: Wenn es heute stürmt, ist es wahrscheinlicher, dass es morgen auch stürmt, als dass es plötzlich sonnig wird. Aber es ist nicht unmöglich.
Das Modell berechnet eine Übergangswahrscheinlichkeit. Es sagt: "Wenn wir heute in Gruppe B sind, gibt es eine 30%ige Chance, dass wir morgen in Gruppe A wechseln, und eine 70%ige Chance, dass wir in Gruppe B bleiben."

Das ist der Markov-Prozess: Er nutzt die Geschichte, um die Wahrscheinlichkeiten für die Zukunft zu berechnen, ohne zu behaupten, er könne die Zukunft genau vorhersagen.

4. Der "Schwarm-Plan" (Das Portfolio zusammenstellen)

Das ist der geniale Teil. Anstatt nur ein Portfolio für alle Tage zu bauen, bauen wir für jede Wetter-Kategorie ein eigenes, perfektes Portfolio.

Sonniger Tag (Kategorie A): Hier kaufen wir mutig Aktien, die viel wachsen können.
Stürmischer Tag (Kategorie B): Hier gehen wir auf Nummer sicher oder wetten sogar gegen den Markt (Short), um Verluste zu vermeiden.

Da wir aber nicht wissen, welches Wetter morgen genau kommt, tun wir Folgendes:
Wir nehmen das Portfolio für den sonnigen Tag, das für den stürmischen Tag und das für die Morgendämmerung. Wir mischen sie zusammen – aber nicht zu gleichen Teilen. Wir mischen sie basierend auf den Wahrscheinlichkeiten aus Schritt 3.

Die Analogie: Stellen Sie sich vor, Sie packen Ihren Koffer für eine Reise.
- Die Vorhersage sagt: 70% Regen, 30% Sonne.
- Sie packen also einen sehr regenfesten Mantel (das Portfolio für den Sturm) und legen einen leichten Sonnenhut (das Portfolio für die Sonne) dazu.
- Sie tragen beides nicht gleichzeitig, aber Ihr Koffer (Ihr Gesamtportfolio) ist perfekt auf die Wahrscheinlichkeit des Wetters vorbereitet.

5. Das Ergebnis: Besser als die Konkurrenz

Die Autoren haben diesen Ansatz mit echten Daten getestet (US-Aktien, Sektoren und globale Märkte) und verglichen ihn mit klassischen Methoden.

Das Ergebnis: Ihr "Wetter-Portfolio" hat in fast allen Tests besser abgeschnitten als die Standard-Methoden.
Warum? Weil es sich anpasst. Wenn der Markt in eine "Sturm-Phase" rutscht, passt sich das Modell automatisch an und wird vorsichtiger, bevor die anderen Modelle überhaupt merken, dass der Sturm kommt. Es vermeidet große Verluste und holt trotzdem gute Gewinne.

Zusammenfassung in einem Satz

Statt blind auf die Vergangenheit zu schauen und anzunehmen, dass es immer gleich weitergeht, nutzt dieses Modell Wetter-Cluster, um zu erkennen, in welcher Phase der Markt gerade ist, und berechnet dann ein Portfolio, das perfekt auf die Wahrscheinlichkeit des nächsten "Wetters" vorbereitet ist.

Es ist wie ein Navigator, der nicht nur die aktuelle Position kennt, sondern auch die Wahrscheinlichkeit von Stürmen berechnet, um den besten Kurs zu wählen, bevor der Sturm überhaupt losbricht.

1. Problemstellung und Motivation

Das Paper adressiert eine zentrale Schwäche der klassischen Modern Portfolio Theory (MPT) nach Markowitz: die Annahme der Stationarität der Märkte. In der Realität sind erwartete Renditen und Kovarianzen nicht konstant, sondern unterliegen Regimewechseln (z. B. Bullen- vs. Bärenmärkte). Herkömmliche Modelle, die auf historischen Daten basieren, leiden unter erheblichen Schätzfehlern, wenn sich die Marktbedingungen ändern.

Bestehende Ansätze zur Lösung dieses Problems umfassen:

Black-Litterman-Modell: Erfordert jedoch subjektive Eingaben von Investoren und ist schwer zu implementieren.
Kovarianz-Schrumpfungsmodelle (z. B. Ledoit-Wolf): Verbessern zwar die Kovarianzschätzung, liefern aber keine besseren Schätzungen für den Renditevektor, auf den das Mean-Variance-Modell am empfindlichsten reagiert.
Hidden Markov Models (HMM): Diese modellieren Regimewechsel basierend auf nicht beobachtbaren (versteckten) Zuständen. Ein Nachteil ist jedoch die mangelnde Interpretierbarkeit der Zustände und die Empfindlichkeit gegenüber kleinen Fehlklassifikationen, was oft zu schlechteren Out-of-Sample-Ergebnissen führt.

Das Ziel der Autoren ist es, ein interpretierbares, nicht-lineares Asset-Allokationsmodell zu entwickeln, das Regimewechsel explizit nutzt, ohne auf versteckte Zustände angewiesen zu sein.

2. Methodik: Das „Markov Markowitz"-Modell

Das vorgeschlagene Modell kombiniert die Theorie der Effizienten Grenze (Efficient Frontier, EF) mit einem sichtbaren Markov-Prozess und Clustering-Techniken. Der Prozess läuft in fünf Schritten ab:

A. Merkmalsauswahl: Effiziente-Grenzen-Koeffizienten (EF Coefficients)

Statt Rohdaten (Renditen und Kovarianzen) direkt zu verwenden, dekomponieren die Autoren die Effiziente Grenze in drei interpretierbare Koeffizienten, basierend auf der geschlossenen Lösung von Merton (1972):

$r_{mvp}$ : Rendite des Minimum-Variance-Portfolios (MVP).
$\sigma_{mvp}$ : Standardabweichung des MVP.
$u$ : Krümmungsrate der EF-Nutzenfunktion (ein Maß für das Risiko-Rendite-Verhältnis).

Diese drei Koeffizienten fassen die gesamte Information des Renditevektors und der Kovarianzmatrix für einen Zeitraum komprimiert zusammen.

B. Zeitreihen-Clustering (State Definition)

Um Marktzustände zu definieren, werden die monatlichen EF-Koeffizienten mittels hierarchischem Clustering gruppiert.

Distanzmetrik: Da es sich um Zeitreihendaten handelt, wird Dynamic Time Warping (DTW) verwendet, um Ähnlichkeiten zwischen den Zeitreihen der Koeffizienten zu messen. Dies ist flexibler als der euklidische Abstand, da es Phasenverschiebungen in den Zeitreihen berücksichtigt.
Datenvorverarbeitung: Zuerst wird eine Korrelationsmatrix der Zeitreihen berechnet, diese in eine gültige Distanzmetrik transformiert und dann mit DTW hierarchisch geclustert.
Zustände: Das Ergebnis sind $K$ diskrete, beobachtbare Marktzustände (z. B. „Bärenmarkt", „starker Bullenmarkt", „flacher Markt").

C. Markov-Prozess

Auf der Sequenz der zugewiesenen Zustände wird ein sichtbarer Markov-Prozess definiert. Es wird eine Übergangsmatrix $P$ berechnet, die die Wahrscheinlichkeit angibt, von einem aktuellen Zustand $i$ in einen zukünftigen Zustand $j$ zu wechseln. Im Gegensatz zu HMMs sind diese Zustände direkt aus den Daten ableitbar und nicht „versteckt".

D. Portfolio-Optimierung pro Zustand

Für jeden identifizierten Zustand $s$ wird ein separates Tangentialportfolio berechnet.

Wichtig: Die Optimierung verwendet nur die Renditedaten, die historisch zu diesem spezifischen Zustand gehören. Dies eliminiert das Problem veralteter Daten, da jeder Zustand seine eigene, relevante Historie hat.
Es werden sowohl Long-Only als auch Long-Short-Optimierungen durchgeführt, und das Portfolio mit dem höheren in-sample Sharpe-Ratio wird ausgewählt (unter Berücksichtigung von Leverage-Beschränkungen von 50%).

E. Aggregation und Online-Update

Das finale Portfolio-Gewicht für den nächsten Zeitraum ist der erwartete Wert der Gewichte aller Zustände, gewichtet mit den Übergangswahrscheinlichkeiten vom aktuellen Zustand:
$\mathbf{w}^* = \mathbf{P}_{s_t}^T \cdot \mathbf{W}$
Das Modell wird in einem expandierenden Online-Verfahren aktualisiert: Jeder Monat werden neue Daten hinzugefügt, das Clustering neu durchgeführt, die Übergangsmatrix aktualisiert und die Gewichte neu berechnet.

3. Wichtige Beiträge

Neue Merkmalsmenge für Regime-Switching: Erstmals werden interpretierbare EF-Koeffizienten ( $r_{mvp}, \sigma_{mvp}, u$ ) als Basis für die Definition von Marktregimen verwendet, anstatt nur Renditen oder Volatilitäten.
Interpretierbarkeit: Durch die Verwendung von sichtbaren, geclusterten Zuständen statt versteckter Zustände (wie bei HMMs) ist das Modell transparent. Man kann genau nachvollziehen, welche Marktbedingungen zu welchem Zustand führen.
Dynamische Gewichtung: Die Methode kombiniert die Vorteile der Regime-Erkennung mit einer probabilistischen Gewichtung der optimalen Portfolios für jeden Zustand, anstatt nur auf den wahrscheinlichsten Zustand zu setzen.

4. Empirische Ergebnisse

Das Modell wurde an drei verschiedenen Asset-Universen getestet (GVMC: Wachstums/Wert-Kapitalisierung, S&P-Sektoren, Globale Entwicklungsmärkte) und gegen Benchmarks (monatliches Tangentialportfolio, Equal-Weight, S&P 500) verglichen.

Performance: Das „Markov Markowitz"-Modell (mit 3–5 Clustern) übertraf in allen drei Universen und über verschiedene Zeiträume (2000–2022 und 2008–2022) die Benchmarks signifikant.
Risiko-adjustierte Rendite: Die Sharpe-Ratios waren deutlich höher (z. B. 0,66 vs. 0,43 für das Tangentialportfolio im GVMC-Universum).
Drawdowns: Das Modell zeigte bei Marktcrashs (Dotcom, 2008, Covid) tendenziell geringere Drawdowns als die Benchmarks, insbesondere im Sektoren-Universum.
Statistische Signifikanz: Alpha-Regressionsanalysen zeigten signifikante positive Alphas (p-Werte < 0,05) gegenüber den Benchmarks für die US-amerikanischen Universen.
Robustheit: Das Modell war robust gegenüber der Wahl der Clusteranzahl (3, 4 oder 5 Cluster), wobei 4 Cluster oft die beste Balance boten.
Limitierung: Bei der Kombination aller Universen (hohe Dimensionalität) verschlechterte sich die Performance aufgrund von Schätzfehlern in der Kovarianzmatrix (wenige Datenpunkte pro Monat im Verhältnis zur Anzahl der Assets).

5. Signifikanz und Schlussfolgerung

Das Paper demonstriert, dass die Dekomposition der Effizienten Grenze in funktionale Koeffizienten eine effektive Methode zur Reduktion der Dimensionalität und zur Erfassung komplexer Marktinteraktionen ist. Der Hauptvorteil liegt in der Interpretierbarkeit: Investoren können sehen, wie sich der Markt in verschiedene Zustände (z. B. „hohe Volatilität mit niedriger Rendite") unterteilt und wie sich diese Zustände gegenseitig beeinflussen.

Im Gegensatz zu Black-Box-Modellen oder schwer interpretierbaren HMMs bietet dieses Modell einen klaren Pfad von den Rohdaten über die Zustandsdefinition bis zur Portfolio-Allokation. Die Ergebnisse legen nahe, dass die Annahme der Stationarität innerhalb der identifizierten Regime besser gilt als über den gesamten Zeitraum hinweg, was zu robusteren und profitableren Allokationsstrategien führt. Zukünftige Forschung soll die Methode auf weitere Asset-Klassen (Rohstoffe, FX) und höhere Frequenzen (Intraday-Daten) erweitern.