The Long-Only Minimum Variance Portfolio in a One-Factor Market: Theory and Asymptotics

Diese Arbeit liefert eine explizite Lösung für das lang-only Minimum-Variance-Portfolio im Ein-Faktor-Modell mit Betas beliebigen Vorzeichens, löst damit eine offene Frage von Qi et al. und analysiert das asymptotische Verhalten der aktiven Vermögensanteile im hochdimensionalen Regime.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Kapitän, der eine Flotte von Schiffen (Aktien) steuern möchte. Ihr Ziel ist es, die Flotte so zu organisieren, dass sie bei stürmischem Wetter (schwankenden Märkten) am stabilsten bleibt und nicht kentert. In der Finanzwelt nennt man das ein Minimum-Variance-Portfolio (Portfolio mit minimaler Schwankung).

Das Besondere an diesem Papier ist, dass es sich mit einer sehr spezifischen Regel befasst: Sie dürfen nur "lang gehen" (long-only). Das bedeutet, Sie dürfen keine Wetten gegen den Markt abschließen (keine "Short-Positionen"). In der echten Welt ist das oft der Fall, weil Leerverkäufe kompliziert, teuer oder für viele Anleger verboten sind.

Hier ist die einfache Erklärung der Forschung von Alec Kercheval und Ololade Sowunmi, übersetzt in eine Geschichte mit Analogien:

1. Das Problem: Der "Ein-Faktor"-Sturm

Die Autoren gehen von einem vereinfachten Modell aus: Der gesamte Markt wird von einem einzigen großen Sturm beeinflusst, den sie den "Ein-Faktor" nennen (oft der allgemeine Marktindex).

• Jede Aktie hat eine Beta-Zahl. Das ist wie die "Empfindlichkeit" eines Schiffes gegenüber diesem Sturm.
  • Ein hohes Beta: Das Schiff ist sehr wackelig und reagiert stark auf den Sturm.
  • Ein negatives Beta: Das Schiff bewegt sich in die entgegengesetzte Richtung des Sturms (wie ein Segel, das den Wind anders nutzt).
  • Ein positives Beta: Das Schiff bewegt sich mit dem Sturm.

Frühere Forschungen sagten: "Wenn alle Schiffe positive Beta-Werte haben (alle mit dem Sturm segeln), dann wissen wir, wie wir die Flotte stabilisieren." Aber was passiert, wenn einige Schiffe negative Beta-Werte haben (gegen den Sturm segeln)? Bisher war das ein Rätsel.

2. Die Entdeckung: Der "Schwellenwert"-Filter

Die Autoren haben eine clevere Methode entwickelt, um herauszufinden, welche Schiffe in Ihre Flotte gehören und welche Sie ausschließen müssen.

Stellen Sie sich vor, Sie sortieren alle Ihre Schiffe nach ihrer Empfindlichkeit (Beta) – vom stabilsten bis zum instabilsten.

• Die alte Idee: Man musste eine komplizierte Gleichung lösen, um zu wissen, welche Schiffe drinbleiben.
• Die neue Erkenntnis: Es gibt einen einfachen Schwellenwert (eine Art "Ampel").
  • Alle Schiffe, die "unter" dieser Ampel liegen (also eine bestimmte Beta-Grenze nicht überschreiten), dürfen in die Flotte.
  • Alle Schiffe darüber werden draußen gelassen (ihre Gewichtung wird auf Null gesetzt).

Das Tolle ist: Diese Methode funktioniert auch, wenn einige Schiffe negative Beta-Werte haben (also gegen den Sturm segeln). Die Autoren haben bewiesen, dass man einfach eine Liste durchgeht und dort aufhört, wo die Mathematik "rot" aufleuchtet. Es ist wie ein automatischer Filter, der die besten Kandidaten für eine stabile Flotte auswählt, ohne dass man raten muss.

3. Das große Rätsel: Was passiert, wenn wir Tausende Schiffe haben?

Die Autoren haben sich gefragt: "Was passiert, wenn wir nicht 10, sondern 10.000 oder 100.000 Schiffe haben?" (Das nennt man "hochdimensional").

Hier kommt die überraschende Erkenntnis:

• Wenn fast alle Schiffe positive Beta-Werte haben: Wenn es kaum Schiffe gibt, die gegen den Sturm segeln (negative Betas), dann wird Ihre Flotte extrem klein.

  • Die Analogie: Stellen Sie sich vor, Sie versuchen, ein Team aus 10.000 Läufern zu bilden, die alle in die gleiche Richtung laufen. Um das Team so stabil wie möglich zu machen, müssen Sie fast alle Läufer entlassen und nur die allerbesten 50 behalten. Die meisten anderen würden das Gleichgewicht stören.
  • Das Ergebnis: Je mehr Schiffe Sie haben, desto weniger davon landen tatsächlich in Ihrer optimalen Flotte. Der Anteil der aktiven Schiffe geht gegen Null.

• Wenn es ein paar "Rebellen" gibt (negative Betas): Selbst wenn nur ein winziger Bruchteil der Schiffe negative Betas hat, bestimmt diese kleine Gruppe, wie groß Ihre Flotte sein darf.

  • Die Autoren haben eine Formel gefunden, die genau vorhersagt, wie viele Schiffe Sie behalten dürfen. Es ist wie ein Thermostat: Je mehr "Rebellen" (negative Betas) in der Menge sind, desto größer darf Ihre Flotte sein. Je weniger Rebellen, desto kleiner wird die Flotte.

4. Warum ist das wichtig?

In der realen Welt haben die meisten Aktien positive Beta-Werte (sie bewegen sich mit dem Markt). Negative Betas sind selten.

• Die Konsequenz: Wenn Sie versuchen, ein Portfolio mit minimalen Risiken zu bauen, ohne Short-Positionen zu nutzen, werden Sie überrascht feststellen, dass Sie sehr wenige Aktien halten sollten. Die meisten Aktien, die Sie vielleicht gerne hätten, würden das Risiko erhöhen, weil Sie nicht gegen sie wetten dürfen.
• Die Forschung zeigt also: "Weniger ist mehr". Um das Risiko zu minimieren, müssen Sie oft radikal aussortieren.

Zusammenfassung in einem Satz

Die Autoren haben einen einfachen mathematischen "Filter" entwickelt, der genau sagt, welche Aktien in ein risikominimiertes Portfolio gehören, und bewiesen, dass in großen Märkten mit wenigen "Gegenwind"-Aktien das optimale Portfolio überraschend klein ist – fast wie eine Elite-Spezialtruppe statt einer riesigen Armee.

Dieses Papier löst also ein jahrzehntealtes Rätsel: Es erklärt, warum es so schwierig ist, ein riesiges, diversifiziertes Portfolio zu bauen, das gleichzeitig das absolute Minimum an Schwankungen hat, wenn man keine Wetten gegen den Markt eingehen darf.

Technische Zusammenfassung

Titel: Das lang-only Minimum-Variance-Portfolio in einem Ein-Faktor-Markt: Theorie und Asymptotik

Autoren: Alec Kercheval und Ololade Sowunmi (Florida State University)
Datum: 6. April 2026 (Draft)

---

1. Problemstellung

Das Paper untersucht das Long-Only Minimum-Variance-Portfolio (LOMV) unter der Annahme eines Ein-Faktor-Kovarianzmodells (Single-Factor Model).

• Hintergrund: Das klassische globale Minimum-Variance-Portfolio (GMV) erlaubt Long- und Short-Positionen ($w \in \mathbb{R}^p$). In der Praxis sind Short-Positionen jedoch oft aufgrund von Kosten und regulatorischen Beschränkungen nicht möglich. Daher wird das Problem unter der Nebenbedingung $w_i \ge 0$ für alle $i$ (Long-Only) gelöst.
• Die Herausforderung: Während die Lösung für das Long-Short-Portfolio eine geschlossene Formel hat ($w_{LS} = \Sigma^{-1}\mathbf{1} / \mathbf{1}^\top \Sigma^{-1}\mathbf{1}$), ist die Bestimmung der aktiven Assets (diejenigen mit positiven Gewichten) beim Long-Only-Problem schwierig. Man muss die Menge $K$ der aktiven Assets identifizieren, da die Lösung auf dieser Teilmenge dem Long-Short-Portfolio der reduzierten Assets entspricht.
• Spezifische Lücke: Bisherige Arbeiten (z. B. Clarke et al., 2011; Qi, 2021) behandelten den Ein-Faktor-Fall oft nur unter der Annahme, dass alle Beta-Faktoren ($\beta_i$) positiv sind. Qi [2021] formulierte die Frage, wie sich die Lösung auf den Fall gemischter Vorzeichen (positive und negative Betas) erweitern lässt, konnte dies aber nicht rigoros lösen. Dieses Paper schließt diese Lücke.

2. Methodik und Modellierung

Das Modell basiert auf der Kovarianzmatrix $\Sigma$ eines Ein-Faktor-Modells:
$$\Sigma = \sigma^2 \beta \beta^\top + \Delta$$
Dabei ist:

• $\sigma^2$: Varianz des Faktors.
• $\beta$: Vektor der Faktorladungen (Betas), die beliebige Vorzeichen haben können.
• $\Delta$: Diagonalmatrix der idiosynkratischen Varianzen $\delta_i^2$.

Hauptansatz:
Die Autoren nutzen die Karush-Kuhn-Tucker (KKT)-Bedingungen, um das Optimierungsproblem zu analysieren. Sie leiten eine explizite Bedingung her, die bestimmt, welche Assets in die optimale Menge $K$ aufgenommen werden.

• Sortierung: Die Assets werden nach ihren Betas sortiert ($\beta_1 \le \beta_2 \le \dots \le \beta_p$).
• Sequenz $R_i$: Es wird eine Hilfssequenz definiert:
  $$R_i = \frac{1}{\sigma^2} + \sum_{j=1}^{i} \frac{\beta_j}{\delta_j^2}(\beta_j - \beta_i)$$
  (Hinweis: Die Summation in der Definition variiert leicht in der Notation, aber das Prinzip ist eine gewichtete Differenz).
• Schwellenwert-Prinzip: Die Autoren beweisen, dass die Sequenz $R_i$ zunächst monoton steigt und dann fällt. Die aktive Menge $K$ besteht exakt aus den ersten $k$ Assets, für die $R_i > 0$ gilt.

3. Wichtige Beiträge und Ergebnisse

A. Explizite Lösung für beliebige Beta-Vorzeichen (Theorem 1)

Das Paper liefert eine rigorose, explizite Lösung für das LOMV-Problem, die keine Einschränkung auf positive Betas macht.

• Ergebnis: Die aktive Menge $K$ ist ein Intervall der sortierten Betas: $K = \{1, 2, \dots, k\}$.
• Bestimmung von $k$: $k$ ist der größte Index, für den $R_k > 0$ gilt. Dies kann effizient (z. B. durch Bisektion in $O(\log p)$ Schritten) berechnet werden, ohne ein Fixpunkt-Problem lösen zu müssen.
• Signifikanz: Dies löst das von Qi [2021] aufgeworfene offene Problem der Erweiterung auf gemischte Vorzeichen. Die Lösung zeigt, dass auch bei negativen Betas die aktive Menge durch einen einzigen Schwellenwert bestimmt wird.

B. Asymptotische Analyse im hochdimensionalen Regime (Theorem 2)

Für den Fall, dass die Anzahl der Assets $p \to \infty$ geht und die Betas einer Verteilungsfunktion $F$ folgen, wird das Verhalten des Anteils aktiver Assets ($k/p$, "Active Ratio") untersucht.

• Definition: Es wird eine Funktion $G(y) = \int_{-\infty}^y (x^2 - yx) dF(x)$ definiert.
• Schwellenwert $\beta^*$: $\beta^*$ ist die größte Nullstelle von $G(y)$ für $y \ge 0$.
• Konvergenz:
  • Wenn $F$ bei $\beta^*$ stetig ist, konvergiert $k/p$ fast sicher gegen $F(\beta^*)$.
  • Fall 1 (Gemischte Vorzeichen, positiver Mittelwert): Wenn negative Betas existieren, aber der Mittelwert positiv ist, konvergiert der Anteil gegen $F(\beta^*)$.
  • Fall 2 (Positiver Mittelwert = 0): Wenn negative Betas existieren und der Mittelwert 0 ist, konvergiert der Anteil gegen 1 (alle Assets werden aktiv).
  • Fall 3 (Nur nicht-negative Betas): Wenn alle Betas $\ge 0$ sind, konvergiert der Anteil gegen 0 (sofern $F$ keine Masse bei $\beta^*$ hat). Das bedeutet, in einem reinen Long-Only-Portfolio mit positiven Betas werden asymptotisch nur sehr wenige Assets gehalten.
• Nicht-Konvergenz: Falls $\beta^*$ ein Atom (eine diskrete Masse) der Verteilung $F$ ist, existiert der Grenzwert nicht; der Anteil oszilliert zwischen $F(\beta^*-)$ und $F(\beta^*)$.

C. Konvergenzrate bei kleinen Anteilen negativer Betas (Theorem 3)

Das Paper untersucht, wie sich der aktive Anteil verhält, wenn der Anteil der nicht-positiven Betas ($F(0)$) sehr klein ist.

• Ergebnis: Unter milden Momentenbedingungen und Konzentrationsgrenzen gilt:
  $$F(\beta^*) = O(F(0)^{1/3})$$
• Bedeutung: Selbst wenn negative Betas selten sind, führt die Long-Only-Bedingung dazu, dass der Anteil der aktiven Assets im Portfolio sehr klein ist (konvergiert gegen 0). Die Konvergenzrate ist kubisch ($1/3$).

4. Numerische Validierung

Die Autoren führen Simulationen durch, um die theoretischen Ergebnisse zu bestätigen:

• Beispiel: Bei normalverteilten Betas ($N(1, s^2)$) zeigt sich, dass mit abnehmender Varianz $s^2$ (und damit abnehmender Wahrscheinlichkeit für negative Betas) der Anteil aktiver Assets drastisch sinkt.
• Bias: Für endliche $p$ wird ein "Upward Bias" beobachtet, bei dem der simulierte Anteil höher ist als der theoretische Grenzwert. Dies wird durch die endliche Stichprobengröße und die Konvexität der Hilfsfunktion erklärt.
• Nicht-Konvergenz: Ein diskretes Beispiel mit einem Atom bei $\beta^*$ demonstriert erfolgreich die Oszillation des Anteils, wie in Theorem 2 vorhergesagt.

5. Bedeutung und Fazit

• Theoretische Klarheit: Das Paper liefert den ersten rigorosen Beweis für die Struktur des LOMV-Portfolios im Ein-Faktor-Modell mit beliebigen Beta-Vorzeichen. Es widerlegt die Notwendigkeit, Fixpunktgleichungen zu lösen, und ersetzt sie durch eine einfache Schwellenwert-Logik basierend auf einer monotonen Sequenz.
• Praktische Implikation: Die Ergebnisse erklären, warum Long-Only-Portfolios in realen Märkten (wo negative Betas selten sind) oft sehr "dünn" besetzt sind (nur wenige Assets haben positive Gewichte). Dies steht im Einklang mit früheren Beobachtungen (z. B. Best & Grauer, 1992), dass Long-Short-Portfolios extremen Short-Positionen ausweichen, wenn Long-Only-Bedingungen gelten.
• Asymptotisches Verhalten: Die Arbeit zeigt, dass in großen Universen von Assets die Diversifikation im Long-Only-Regime stark eingeschränkt ist, wenn die Faktorladungen positiv sind. Der Anteil der gehaltenen Assets verschwindet asymptotisch, was auf eine hohe Konzentration des Risikos in wenigen "besten" Assets hindeutet.

Zusammenfassend bietet das Paper eine vollständige mathematische Charakterisierung des Long-Only Minimum-Variance-Problems unter realistischen Marktannahmen und liefert neue Einblicke in das asymptotische Verhalten von Portfolios in hochdimensionalen Umgebungen.