Multi-objective Portfolio Optimization Based on the Fama–French Three-Factor Model and the Black–Litterman Framework
Diese Studie schlägt ein robustes multikriterielles Portfolio-Optimierungsmodell vor, das das Fama-French-Drei-Faktoren-Modell mit dem Black-Litterman-Framework integriert, um posteriore erwartete Renditen zu generieren und gleichzeitig das Abwärtsrisiko zu minimieren sowie die Diversifikation unter praktischen Nebenbedingungen zu maximieren, wobei es sowohl in In-Sample- als auch in Out-of-Sample-Tests eine überlegene Performance gegenüber Benchmark-Strategien demonstriert.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
In der Welt des Investierens besteht die zentrale Herausforderung nicht einfach darin, Vermögenswerte zu finden, die Geld einbringen, sondern die richtige Mischung aus Vermögenswerten zu finden, die überleben können, wenn sich der Markt verschlechtert. Jahrzehntelang stützte sich die Standardmethode zur Steuerung dieses Risikos auf ein mathematisches Konzept namens Varianz, das jede Preisschwankung als potenzielle Gefahr behandelt, egal ob der Preis steigt oder fällt. Dieser Ansatz setzt voraus, dass die Anlagerenditen einer vorhersagbaren, glockenförmigen Kurve folgen, ähnlich der Verteilung der Körpergröße in einer großen Menschenmenge. Reale Finanzmärkte sind jedoch oft chaotischer, mit plötzlichen, starken Einbrüchen, die häufiger vorkommen, als es eine einfache Kurve vorhersagen würde. Darüber hinaus sind die gängigsten Methoden zur Schätzung zukünftiger Renditen notorisch fragil; wenn die Vermutung eines Anlegers über die zukünftige Performance einer Aktie auch nur leicht danebenliegt, kann der daraus resultierende Anlagestatplan völlig unausgewogen werden, was zu zu viel Geld in einer einzigen riskanten Wette führt. Um diese Probleme zu lösen, haben Forscher lange nach einem Weg gesucht, Portfolios aufzubauen, die sich spezifisch auf das Risiko des Geldverlusts konzentrieren und gleichzeitig sicherstellen, dass das Geld weit genug gestreut ist, um eine Katastrophe zu vermeiden, falls eine bestimmte Anlage scheitert.
Ein Team von Forschern der Guangdong University of Finance and Economics hat eine neue Methode vorgeschlagen, um diese Probleme anzugehen, indem sie drei verschiedene Ideen zu einer einzigen, kohärenten Strategie kombiniert. Erstens verwenden sie ein Framework, das als Fama–French-Drei-Faktoren-Modell bekannt ist und sich drei spezifische Treiber der Aktienperformance ansieht: den Gesamtmarkt, die Größe des Unternehmens und dessen Wert im Verhältnis zu seinem Buchwert. Anstatt zukünftige Renditen im luftleeren Raum zu erraten, nutzt dieses Modell historische Daten, um zu verstehen, wie diese drei Faktoren bestimmte Aktien in der Vergangenheit beeinflusst haben. Zweitens speisen sie diese Erkenntnisse in ein System namens Black–Litterman-Modell ein, das als ausgeklügelter Filter fungiert. Dieses System nimmt die allgemeinen Erwartungen des Marktes und vermischt sie mit den spezifischen Erkenntnissen aus dem Drei-Faktoren-Modell, wodurch die wilden Vermutungen geglättet werden, die die traditionelle Planung oft plagen. Schließlich ersetzen die Forscher das alte, allumfassende Maß für Risiko durch ein präziseres Werkzeug namens mittlere absolute Halbabweichung (mean absolute semi-deviation), das nur die Zeiten zählt, in denen ein Portfolio an Wert verliert, und die Zeiten ignoriert, in denen es Gewinne erzielt. Sie fügen zudem ein Maß für die „Entropie“ hinzu, ein Konzept, das dem Begriff aus der Physik entlehnt ist und in diesem Kontext einfach quantifiziert, wie gleichmäßig das Geld über verschiedene Aktien verteilt ist. Wenn das Geld in nur wenigen Aktien konzentriert ist, ist die Entropie niedrig; wenn es weit gestreut ist, ist die Entropie hoch.
Die Forscher testeten diesen neuen Ansatz unter Verwendung von dreißig bedeutenden Aktien aus Chinas CSI 300 Index, einer Sammlung der größten und liquidesten Unternehmen des Landes. Sie sammelten tägliche Preisdaten vom 1. Januar 2024 bis zum 30. Juni 2025, um zu sehen, wie ihr Modell in einem realen Umfeld abschneidet. Sie verglichen ihre Methode mit zwei gängigen Benchmarks: dem CSI 300 Index selbst, der einfach den Markt abbildet, und einer „1/N“-Strategie, bei der ein Anleger den gleichen Geldbetrag in jede Aktie investiert, ohne komplexe Analysen durchzuführen. Die Studie berücksichtigte auch reale Reibungsverluste, wie etwa die Gebühren, die jedes Mal anfallen, wenn eine Aktie gekauft oder verkauft wird, sowie strenge Regeln, die Anleger daran hindern, mehr als 30 % ihres Geldes auf eine einzige Aktie zu setzen.
Die Ergebnisse der Simulation zeigten, dass das neue Modell die einfacheren Strategien konsistent übertraf. Wenn man das Gesamtwachstum der Anlage über den Testzeitraum betrachtete, generierte das neue Modell eine kumulative Rendite von etwa 17,5 %, was deutlich höher war als die bescheidenen Gewinne der Gleichgewicht-Strategie (equal-weight strategy). Noch wichtiger war, dass das neue Modell besser darin war, das Kapital des Anlegers während Abschwüngen zu schützen. Während der Standard-Marktindex und der Gleichgewicht-Ansatz Schwierigkeiten hatten, ihren Wert zu halten, verzeichnete das neue Modell aufgrund seines Fokus auf das Abwärtsrisiko geringere Verluste während der Markteinbrüche. Die Forscher maßen dies mit einer Kennzahl namens Sortino-Ratio, die bewertet, wie gut eine Anlage im Verhältnis zu ihren schlechten Tagen statt zu allen ihren Tagen abschneidet. In diesem Test erreichte das neue Modell eine Spitzen-Sortino-Ratio von über 27, während die Gleichgewicht-Strategie selten 5 überschritt. Dies deutet darauf hin, dass das Modell außergewöhnlich gut darin war, Verluste zu vermeiden, ohne die potenziellen Gewinne zu opfern.
Jenseits der bloßen Gewinnmaximierung demonstrierte das Modell auch eine größere Stabilität. Die Forscher testeten, wie standhaft das Modell bliebe, wenn sie die Zeitpunkte ihrer Entscheidungen ändern würden, wie etwa die Häufigkeit der Portfolio-Rebalancierung oder die Menge der historischen Daten, die sie für ihre Vorhersagen nutzen. Sie fanden heraus, dass das Modell über verschiedene Einstellungen hinweg robust blieb, was darauf hindeutet, dass sein Erfolg kein Zufall eines spezifischen Zeitrahmens war. Die Studie zeigt, dass durch die Verankerung ihrer Vorhersagen im Drei-Faktoren-Modell und deren anschließende Verfeinerung durch das Black–Litterman-Framework die Forscher ein System geschaffen haben, das weniger empfindlich gegenüber den Fehlern ist, die normalerweise Anlagepläne ruinieren. Die Einbeziehung des Entropie-Maßes stellte sicher, dass das Portfolio nicht gefährlich konzentriert wurde, während der Fokus auf die Halbabweichung die Strategie stets wachsam gegenüber der spezifischen Gefahr des Geldverlusts hielt.
Diese Arbeit legt nahe, dass ein nuancierterer Ansatz bei der Portfolio-Konstruktion greifbare Vorteile für Anleger bringen kann. Indem sie sich von der Vorstellung abwenden, dass jede Preisbewegung gleiches Risiko bedeutet, und indem sie zukünftige Erwartungen in einer strukturierten Analyse der Marktfaktoren verankern, haben die Forscher ein Werkzeug geschaffen, das das Verlangen nach Profit mit der Notwendigkeit von Sicherheit in Einklang bringt. Die Studie behauptet nicht, das Geheimnis des Marktes gelöst zu haben, liefert aber starke Beweise dafür, dass die Kombination dieser spezifischen Techniken zu Portfolios führen kann, die nicht nur profitabler, sondern auch resilienter sind, wenn sich der Markt gegen einen wendet. Für institutionelle Anleger und Vermögensverwalter bietet dies einen praktischen Weg nach vorn und zeigt, dass ein disziplinierter, multiobjektiver Ansatz die Komplexitäten moderner Finanzmärkte effektiver navigieren kann als traditionelle, einseitige Strategien.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.