💰 quantitative finance

Portfolio Optimization under Heavy Tails and Asymmetric Volatility: Evidence from Taiwan-Exposed ETFs

Dit artikel analyseert dertig in de VS genoteerde, aan Taiwan blootgestelde ETF's van 2015 tot 2025 om aan te tonen dat hoewel de concentratie van halfgeleiders zware staartrisico's en asymmetrische volatiliteit drijft, optimalisatie van staartrisico's (CVaR) leidt tot meer geconcentreerde portfolio's en andere prestatierangschikkingen vergeleken met traditionele gemiddelde-variantiekaders, wat de ontoereikendheid van op variantie gebaseerde modellen voor technologie-geconcentreerde beleggingen benadrukt.

Oorspronkelijke auteurs: Ting-Jung Lee, Abootaleb Shirvani, Farzana Afroz, Svetlozar T. Rachev, Frank J. Fabozzi

Gepubliceerd 2026-07-21

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ting-Jung Lee, Abootaleb Shirvani, Farzana Afroz, Svetlozar T. Rachev, Frank J. Fabozzi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een schatzoeker voor die door een stormachtige zee navigeert. Eeuwenlang hebben zeelieden een eenvoudige kaart gebruikt die ervan uitgaat dat de oceaan grotendeels kalm is, met golven die op een voorspelbare, symmetrische manier opkomen en weer afnemen. Deze kaart werkt goed bij een zachte bries, maar faalt jammerlijk wanneer een orkaan toeslaat. In de wereld van de financiën wordt deze "kalme oceaan"-kaart variantie genoemd, een instrument dat meet hoeveel prijzen heen en weer springen. Het behandelt een plotselinge prijsdaling (een ramp) en een plotselinge prijstijging (een jackpot) als even riskant, simpelweg omdat het beide grote bewegingen zijn. Maar in werkelijkheid geven beleggers er veel meer om het verliezen van hun schip dan om het vinden van extra goud.

Wanneer je naar markten kijkt die worden gedreven door hoogtechnologische industrieën, zoals de sector in Taiwan, is de oceaan niet alleen stormachtig; ze zit vol met verborgen, enorme golven die een schip zonder waarschuwing kunnen doen kapseizen. Dit worden heavy tails genoemd (extreme gebeurtenissen komen vaker voor dan de kalme kaart voorspelt) en asymmetrische volatiliteit (slecht nieuws zorgt ervoor dat de golven sneller groter worden dan goed nieuws ze doet krimpen). Om dit te navigeren, gebruiken experts een speciale radar genaamd CVaR (Conditional Value-at-Risk), die niet alleen vraagt: "Hoe groot is de grootste golf?", maar eerder: "Als de ergste golf toeslaat, hoeveel water zal er dan daadwerkelijk de boot binnenstromen?" Dit artikel duikt in de specifieke wateren van fondsen met een blootstelling aan Taiwan om te zien of de oude kaarten ons tegenliegen en of de nieuwe radar kan helpen bij het bouwen van een betere boot.

De Taiwan Semiconductor Storm

De auteurs van deze studie besloten deze ideeën te testen op dertig verschillende beleggingsfondsen (ETF's) die een sterke connectie hebben met Taiwan. Waarom Taiwan? Omdat het het hart van de wereldwijde halfgeleiderindustrie is, de plek waar de chips voor je telefoon, je AI en je computers worden gemaakt. Dit maakt deze fondsen ongelooflijk gevoelig voor de ups en downs van de techwereld, evenals voor geopolitieke spanningen. De onderzoekers bekeken gegevens van februari 2015 tot februari 2025, een periode die de rust voor de pandemie, de chaotische crash van 2020 en de enorme AI-boom die volgde, inhield.

Ze stelden een eenvoudige maar cruciale vraag: Als we een portfolio bouwen met de oude "variantie"-kaart, beschermt dat ons dan tegen de echte gevaren van deze tech-zware fondsen, of laat het ons juist onbeschermd achter?

De Oude Kaart versus de Nieuwe Radar

Eerst controleerde het team de "vorm" van het risico. Ze gebruikten een instrument genaamd de Hill-schatter om te meten hoe "zwaar" de staarten van de risicoverdeling waren. Denk hierbij aan het meten van hoe waarschijnlijk het is om een tsunami in de oceaan te vinden. Verrassend genoeg ontdekten ze dat de vorm van het gevaar eigenlijk vrij vergelijkbaar was over alle fondsen heen, of ze nu gericht waren op slechts één halfgeleiderbedrijf of verspreid waren over de hele wereld. De "tsunami-waarschijnlijkheid" was ongeveer gelijk.

De omvang van de golven was echter zeer verschillend. De fondsen die gericht zijn op halfgeleiders (zoals SMH en SOXX) hadden veel grotere golven in totaal, omdat hun prijzen wilder bewogen. Dit is een belangrijke bevinding: het extra gevaar in deze tech-fondsen kwam niet doordat het type risico vreemd was, maar simpelweg omdat de schaal van de beweging enorm was. De oude variantie-gebaseerde kaarten misten deze nuance, waardoor de halfgeleiderfondsen er slechts een klein beetje risicovoller uitzagen dan de veilige fondsen, terwijl hun potentiële verliezen in werkelijkheid gigantisch waren.

Het Mysterie van het "Lang Geheugen"

Vervolgens onderzochten de onderzoekers een spookachtig fenomeen genaamd long memory (lang geheugen). In de financiële wereld is dit het idee dat als een golf vandaag neerslaat, deze nog heel lang kan blijven neerslaan, als een geest die weigert te vertrekken. Sommige modellen suggereren dat dit een permanent kenmerk van de markt is. Maar de auteurs testten dit door de "ruis" van dagelijkse volatiliteit weg te filteren met een model genaamd GJR-GARCH (dat rekening houdt met het feit dat slecht nieuws mensen meer bang maakt dan goed nieuws hen enthousiast maakt).

Na het wegfilteren van de ruis verdween de "geest". Het lange geheugen verdween. Dit sugggeert dat de markt niet wordt achtervolgd door een permanente vloek; de golven zien er eerder eng uit omdat ze samenklonteren wanneer het misgaat. De auteurs concluderen dat we geen complexe "long-memory"-modellen nodig hebben om deze fondsen te voorspellen; een eenvoudiger model dat rekening houdt met hoe slecht nieuws de volatiliteit doet pieken, is voldoende.

Het Bouwen van de Boot: Twee Verschillende Blauwdrukken

Het meest opwindende deel van de studie was het bouwen van de portfolio's. De onderzoekers probeerden twee verschillende blauwdrukken:

De Mean-Variance Blauwdruk: De klassieke aanpak die probeert het rendement af te wegen tegen de totale beweging (omhoog en omlaag).
De CVaR Blauwdruk: De nieuwe aanpak die probeert de specifieke schade van de slechtste scenario's te minimaliseren.

Toen ze de Mean-Variance boot bouwden, was het een gebalanceerd, gediversifieerd vaartuig. Het verdeelde zijn gewicht over veel verschillende fondsen om de rit soepeler te maken. Het wedde niet zwaar op iets specifieks.

Maar toen ze de CVaR boot bouwden, was het resultaat schokkend. De nieuwe blauwdruk besloot dat de beste manier om de ergste stormen te overleven, het zwaar beladen van het SMH-fonds (een halfgeleider-georiënteerde ETF) was. Waarom? Omdat SMH tijdens de post-pandemische AI-boom zo goed was in het genereren van rendementen, dat het zelfs met zijn enorme golven de beste "overlevings-tot-beloning"-ratio bood. De CVaR-boot werd een geconcentiseerde, snelle racer die zwaar inzette op de techsector, terwijl de oude boot een langzame, stabiele cruiseschip was.

Wie Wint de Race?

Ten slotte lieten ze deze boten racen over de afgelopen tien jaar om te zien welke het beste presteerde:

Als je beoordeelt volgens de oude regels (Sharpe Ratio): De Equally Weighted Portfolio (een eenvoudige boot waarbij je een beetje van alles koopt) won. Het was robuust, maakte geen grote fouten en reed goed mee op de AI-golf, waardoor het de complexe, geoptimaliseerde boten versloeg. De geavanceerde wiskunde van de geoptimaliseerde boten benadeelde hen juist, omdat de wiskunde kleine fouten maakte die werden uitvergroot.
Als je beoordeelt volgens de nieuwe regels (Rachev Ratio): De CVaR-gebaseerde boten wonnen. Wanneer je specifiek kijkt naar de balans tussen extreme winsten en extreme verliezen, presteerden de portfolio's die zich op de "tail risk" richtten beter. Ze gingen effectiever om met de slechtste dagen.

De Conclusie

Het paper suggereert dat in een wereld die wordt gedomineerd door technologie en "heavy tails", de oude "variantie"-kaart incompleet is. Het verbergt de ware omvang van het gevaar in halfgeleiderfondsen. Hoewel de eenvoudige "koop alles"-strategie de meest robuuste winnaar was in deze specifieke race, bewijst de studie dat als je diep geïnteresseerd bent in het vermijden van catastrofale verliezen, je een ander soort kaart nodig hebt.

De auteurs beweren niet dat ze een magische oplossing hebben gevonden die alle investeringsproblemen oplost. In plaats daarvan laten ze zien dat hoe je risico meet, bepaalt welke boot je bouwt. Als je alleen naar gemiddelde golven kijkt, bouw je een cruiseschip. Als je naar de tsunami's kijkt, eindig je misschien met een snelle racer. In de volatiele wereld van de Taiwanese techsector is weten welke kaart je gebruikt het verschil tussen een rustige vaart en een schipbreuk.

Technische Samenvatting: Portefeuilleoptimalisatie onder zware staarten en asymmetrische volatiliteit: Bewijs uit Taiwan-blootgestelde ETF's

Probleemstelling
De centrale rol van Taiwan in de wereldwijde halfgeleiderproductie creënd een unieke beleggingsomgeving voor Taiwan-blootgestelde Exchange-Traded Funds (ETF's). Deze activa zijn onderhevig aan technologische concentratie, geopolitieke onzekerheid en verstoringen in de toeleveringsketen, wat leidt tot rendementsverdelingen die worden gekenmerkt door zware staarten (heavy tails), volatiliteitsclustering en asymmetrische reacties op negatieve schokken. Traditionele portefeuille-frameworks, primair gebaseerd op de gemiddelde-variantieoptimalisatie van Markowitz (1952), behandelen positieve en negatieve afwijkingen symmetrisch en vertrouwen op variantie als de enige maatstaf voor risico. Deze benadering is ontoereikend voor markten waar rendementen kenmerken vertonen van scheefheid (skewness), excess kurtosis en grote neerwaartse bewegingen. Het artikel behandelt de vraag of variantie-gebaseerde maten het neerwaartse risico in deze context systematisch onderschatten, of dat de schijnbare lange-geheugen (long-memory) in volatiliteit voortkomt uit werkelijke fractionele integratie of conditionele heteroskedasticiteit, en of staart-gevoelige optimalisatie (Conditional Value-at-Risk, of CVaR) materieel andere portefeuille-allocaties en prestatierangschikkingen oplevert vergeleken met gemiddelde-variantieoptimalisatie.

Methodologie
De studie analyseert dertig in de VS genoteerde ETF's met blootstelling aan Taiwan, opkomende markten, de Aziatisch-Pacifische regio en de technologie-/halfgeleidersector over de periode van 20 februari 2015 tot 20 februari 2025. Het empirische framework integreert vier afzonderlijke methodologische componenten:

Diagnostiek van staartrisico: De auteurs gebruiken de Hill-schatter om de staartindex ( $\alpha$ ) van de rendementsverdelingen te schatten, waarmee het asymptotische verval van extreme verliezen wordt gekarakteriseerd. Dit wordt aangevuld met historische Value-at-Risk (VaR) en Conditional Value-at-Risk (CVaR) berekeningen op 95% en 99% betrouwbaarheidsniveaus.
Volatiliteitsmodellering: Om de persistentie en asymmetrie van volatiliteit te onderzoeken, maakt het artikel gebruik van GJR-GARCH(1,1)-modellen met Student-t innovaties om asymmetrische volatiliteitsreacties (leverage effects) te vangen. Daarnaast worden rolling-window FIGARCH(1,d,1)-modellen geschat om te onderscheiden tussen werkelijk lange-geheugen (fractionele integratie) en persistentie gedreven door conditionele heteroskedasticiteit. Diagnostiek van lange-geheugen omvat de Geweke–Porter–Hudak (GPH) schatter, de Local Whittle-schatter en de Hurst-exponent, toegepast op zowel de ruwe gekwadrateerde rendementen als op de door het GJR-GARCH-model gefilterde gestandaardiseerde residuen.
Portefeuilleoptimalisatie: Twee optimalisatie-frameworks worden vergeleken met behulp van een vierjarige (1.008 handelsdagen) rolling window:
- Gemiddelde–Variantie: Het minimaliseren van de portefeuillevariantie onder verwacht rendement-restricties (Markowitz, 1952).
- CVaR-optimalisatie: Het minimaliseren van CVaR en het maximaliseren van de STARR-ratio (excess rendement over CVaR) met behulp van de scenario-gebaseerde lineaire programmeringsformulering van Rockafellar en Uryasev (2002).
  Beide frameworks worden geëvalueerd onder long-only en long-short restricties.
Prestatie-evaluatie: Portefeuille-rangschikkingen worden beoordeeld met drie verschillende reward-to-risk maten: de Sharpe-ratio (variantie-gebaseerd), de Rachev-ratio (vergelijking van extreme winsten met extreme verliezen) en de STARR-ratio (excess rendement relatief aan CVaR).

Belangrijkste bijdragen en resultaten

Staartrisico en Schaal versus Dikte: De analyse bevestigt dat Taiwan-blootgestelde ETF's gedrag met zware staarten vertonen, waarbij de Hill staartindex-schattingen over het algemeen tussen 2,5 en 3,5 liggen. Hoewel het asymptotische staartvervalgedrag (tail index) breed genomen vergelijkbaar is over het gehele ETF-universum, vertonen halfgeleider-geconcentreerde ETF's (bijv. SMH, SOXX) substantieel grotere VaR- en CVaR-schattingen dan gediversifieerde benchmarks. Het artikel concludeert dat deze cross-sectionele verschillen in extreem neerwaarts risico voornamelijk worden gedreven door verschillen in de rendement-schaal (volatiliteit) in plaats van verschillen in de dikte van de staart. Variantie-gebaseerde maten zoals de Sharpe-ratio falen om deze schaal-gedreven verschillen in staartrisico te vatten.
Aard van Volatiliteitspersistentie: Initiële diagnostiek op de ruwe gekwadrateerde rendementen suggereert de aanwezigheid van lange-geheugen gedrag. Echter, na het filteren van de rendementsreeksen via een GJR-GARCH(1,1)-model, dalen de lange-geheugen diagnostiek (GPH, Local Whittle, Hurst) naar nul en verliezen ze statistische significantie. Dit geeft aan dat het schijnbare lange geheugen grotendeels toe te schrijven is aan asymmetrische conditionele heteroskedasticiteit en volatiliteitsclustering in plaats van werkelijke fractionele integratie. Bijgevolg worden standaard asymmetrische GARCH-modellen als voldoende beschouwd voor het modelleren van volatiliteit in deze context, zonder de noodzaak voor complexe fractioneel geïntegreerde specificaties.
Divergentie in Portefeuille-allocaties: CVaR-gebaseerde optimalisatie produceert materieel meer geconcentreerde portefeuilles vergeleken met gemiddelde–variantieoptimalisatie. Terwijl de gemiddelde–variantie tangentiële portefeuille gediversifieerd blijft over meerdere ETF's, wijst de CVaR tangentiële portefeuille een dominante allocatie toe aan de halfgeleider-ETF SMH, met name tijdens de post-COVID AI-gedreven expansie. Dit suggereert dat staart-risico optimalisatie de voorkeur geeft aan activa met gunstige verwacht rendement-tot-staartrisico kenmerken, zelfs als deze sterk geconcentreerd zijn.
Afhankelijkheid van Rangschikkingen van Prestatie-maten: De studie vindt dat de rangschikking van portefeuilleprestaties zeer gevoelig is voor de gekozen evaluatiemetriek.
- De Sharpe-ratio en de STARR-maatstaf bevoordelen de gelijk gewogen portefeuille (EWP), die profiteert van robuustheid tegen schattingsfouten en brede blootstelling aan de halfgeleider-gedreven marktopwaardering.
- De Rachev-ratio bevoordeelt CVaR-gebaseerde portefeuilles, aangezien deze strategieën expliciet het evenwicht beheren tussen extreme winsten en extreme verliezen.
- Onder long-short restricties presteren geoptimaliseerde portefeuilles over het algemeen minder goed dan de EWP in termen van cumulatieve rendementen en Sharpe-ratio's, waarschijnlijk door de amplificatie van schattingsfouten, hoewel ze mogelijk andere staart-risicoprofielen bieden.

Betekenis en Claims
Het artikel claimt dat in technologie-geconcentreerde beleggingsomgevingen variantie-gebaseerde frameworks een onvolledige karakterisering van risico bieden. De resultaten tonen aan dat staart-gevoelige risicomaten (VaR, CVaR) economisch significante verschillen in neerwaarts risico onthullen die door variantie-gebaseerde metrieken worden verborgen. Verder benadrukt de studie dat de keuze van de prestatie-maatstaf de beoordeling van de portefeuillekwaliteit fundamenteel verandert; een portefeuille die optimaal is onder een staart-gevoelig criterium (Rachev-ratio), kan suboptimaal zijn onder een variantie-gebaseerd criterium (Sharpe-ratio).

De auteurs stellen dat het schijnbare lange geheugen in volatiliteit voor Taiwan-blootgestelde ETF's beter verklaard kan worden door asymmetrische conditionele heteroskedasticiteit dan door fractionele integratie, wat suggereert dat eenvoudigere GJR-GARCH-modellen te prefereren zijn voor risicobeheer. Ten slotte stelt het artikel dat hoewel CVaR-optimalisatie leidt tot meer geconcentreerde allocaties (specifiek in halfgeleider-activa), de gelijk gewogen portefeuille een robuust benchmark blijft die vaak beter presteert dan geoptimaliseerde strategieën in out-of-sample prestaties, met name wanneer schattingsfouten een probleem vormen. De bevindingen onderstrepen de noodzaak om meerdere prestatie-maten te gebruiken om portefeuilles te evalueren in markten die worden gekenmerkt door zware staarten en asymmetrische volatiliteit.