Sie sind auf Seite 1von 180

Portfolio-Management mit technischen

Handelsmodellen

unter besonderer Berücksichtigung des BLACK-LITTERMAN-Verfahrens

Diplomarbeit

zur Erlangung des Grades Diplom-Volkswirt

an der

Technischen Universität Berlin


Fakultät IV - Elektrotechnik und Informatik
Lehrstuhl Statistik und Ökonometrie

Studiengang Volkswirtschaftslehre

Vorgelegt von: Lorenzo Bertolini


Matr.-Nr.: 196925

aus: Heilmannring 71
13627 Berlin
Tel.: 030-44319288
lorenzobertolini@web.de

Referent: Prof. Dr. D. Friedrich


Korreferent: Dipl.Volksw. R. Franken
Erklärung

Ich versichere, die von mir vorgelegte Arbeit selbständig verfasst zu haben. Alle
Stellen, die wörtlich oder sinngemäß aus veröffentlichten oder nicht veröffentlichten
Arbeiten anderer entnommen sind, habe ich als entnommen kenntlich gemacht.
Sämtliche Quellen und Hilfsmittel, die ich für die Arbeit benutzt habe, sind angege-
ben. Die Arbeit hat mit gleichem Inhalt bzw. in wesentlichen Teilen noch keiner an-
deren Prüfungsbehörde vorgelegen.

Berlin, den 18 März 2005

Lorenzo Bertolini
Inhaltsverzeichnis

Abbildungsverzeichnis ...............................................................V

Abkürzungsverzeichnis ............................................................ IX

1 Einleitung…………….. ............................................................ 1

2 Moderne Portfolio-Theorie und Kapitalmarktmodelle .......... 4


2.1 Grundlagen ...................................................................................................... 4
2.1.2 Rendite eines Wertpapiers…….................................................................. 4
2.1.2 Volatilität als Risikomaß eines Wertpapiers .............................................. 6
2.1.3 Zusammenhangsmaße zweier Wertpapiere................................................ 7
2.1.4 Rendite-Risikoverhalten von Investoren .................................................... 8
2.2 Portfolio Selection nach MARKOWITZ .................................................... 10
2.2.1 Ursprüngliche Problemstellung und Annahmen des Modells.................. 10
2.2.2 Rendite und Risiko eines Portfolios ......................................................... 11
2.2.3 Ansatz der Portfolio Selection nach MARKOWITZ ............................... 13
2.2.3.1 Effiziente Portfolios....................................................................... 13
2.2.3.2 Optimale Portfolios........................................................................ 15
2.2.4 Ermittlung effizienter Portfolios im Mehr-Wertpapier-Fall..................... 16
2.2.5 Das Minimum-Varianz-Portfolio im Mehr-Wertpapier-Fall ................... 21
2.2.6 Das nutzenmaximierende Portfolio im Mehr-Wertpapier-Fall ................ 22
2.2.7 Modellkritik…………………………………………….......................... 25
2.3 Index-Modell von SHARPE ......................................................................... 26
2.3.1 Ansatz des Index-Modells von SHARPE................................................. 26
2.3.2 Modellkritik…………………………………………….......................... 28
2.4 TOBIN-Separation........................................................................................ 29

2.5 Kapitalmarktmodelle.................................................................................... 31
2.5.1 Capital Asset Pricing Model……. ........................................................... 32
2.5.1.1 Annahmen...................................................................................... 32
2.5.1.2 Die Kapitalmarktlinie .................................................................... 32
2.5.1.3 Die Wertpapierlinie ....................................................................... 33
2.4.1.4 Systematisches und unsystematisches Risiko................................ 35
2.5.1.5 Modellkritik ................................................................................... 36
2.5.2 Arbitrage Pricing Theory…………………… ......................................... 37

I
Inhaltsverzeichnis

2.6 Performance-Messung von Portfolios..........................................................37

2.7 Fazit.................................................................................................................40

3 Portfolio-Management nach BLACK und LITTERMAN ..... 42


3.1 Defizite der Portfoliooptimierung nach MARKOWITZ ...........................42

3.2 Der Ansatz des BLACK-LITTERMAN-Verfahrens..................................44

3.3 Referenzportfolios und implizite Renditen als Ausgangspunkt des


BLACK-LITTERMAN-Verfahrens ............................................................46

3.4 Die Verbindung des Referenzportfolios mit Renditeerwartungen............48


3.4.1 Spezifikation von Renditeerwartungen im BLACK-LITTERMAN-
Modell………………….. ...............................................................48
3.4.2 Die BLACK-LITTERMAN-Formel .........................................................51
3.4.3 Umsetzung der subjektiven Renditeerwartungen mit dem BLACK-
LITTERMAN-Verfahren ................................................................52
3.5 Sensitivitätsanalysen......................................................................................54

3.6 Fazit.................................................................................................................56

4 Technische Handelsmodelle ................................................... 58


4.1 Wertpapierprognosen....................................................................................58

4.2 Technische Indikatoranalyse ........................................................................59


4.2.1 Grundgedanke der technischen Analyse ...................................................59
4.2.2 Methoden der technischen Analyse ..........................................................61
4.2.3 Eingesetzte Indikatoren und Werkzeuge...................................................62
4.2.3.1 Gleitende Durchschnitte .................................................................63
4.2.3.2 Moving Average Convergence Divergence ...................................65
4.2.3.3 Relative Strength Index ..................................................................65
4.2.3.4 Bollinger Bänder ............................................................................66
4.2.3.5 Swings ............................................................................................67
4.2.3.6 Candlestick-Formationen ...............................................................67
4.3 Handelsmodelle ..............................................................................................69
4.3.1 Grundsätzliches über Handelsmodelle......................................................69
4.3.2 Komponenten und Segmentierung von Handelsmodellen........................70
4.3.3 Konstruktion von Handelsmodellen..........................................................73
4.3.4 Performanceanalyse von Handelsmodellen ..............................................74
4.4 Fazit.................................................................................................................78

II
Inhaltsverzeichnis

5 Empirischer Teil .................................................................... 80


5.1 Vorgehensweise ............................................................................................. 80

5.2 Entwicklung des Handelsmodells ................................................................ 81


5.2.1 Handelsregeln der einfachen Handelsmodelle ......................................... 81
5.2.2 Performance der einfachen Handelsmodelle im Testzeitraum................. 86
5.2.3 Weiterentwicklung der Handelsmodelle .................................................. 88
5.3 Systematische Portfolio-Management-Modelle.......................................... 93
5.3.1 Auswahl der Aktien für die Portfolios ..................................................... 93
5.3.2 Portfolio-Management-Modell nach BLACK und LITTERMAN auf
Basis der Gleichgewichtsrenditen und der Handelssignale............ 95
5.3.2.1 Festlegung der Inputfaktoren des Portfolio-Management-
Modells .......................................................................................... 95
5.3.2.2 Performance des Portfolio-Management-Modells......................... 97
5.3.3 Portfolio-Management-Modell nach MARKOWITZ auf Basis der
historischen Renditen und der Handelssignale............................... 98
5.3.4 Performance-Messung der vorgestellten Portfolio-Management-
Modelle………………………………........................................... 99
5.4 Fazit .............................................................................................................. 101

6 Schlussfolgerung ...................................................................103

7 Literaturverzeichnis .............................................................105

Anhangverzeichnis ..................................................................109

Anhang………………………. ...................................................111

III
Abbildungsverzeichnis

Abbildung 2.1: Renditeplots für Wertpapiere mit unterschiedlichen


Korrelationskoeffizienten .................................................. 8
Abbildung 2.2: Iso-Nutzenkurven von Anlegern ........................................ 10
Abbildung 2.3: Kurven möglicher Portfolios im Zwei-Wertpapier-Fall ...... 14
Abbildung 2.4: Kurve effizienter Portfolios im Zwei-Wertpapier-Fall ........ 15
Abbildung 2.5: Ermittlung des optimalen Portfolios................................... 15
Abbildung 2.6: Effiziente Portfoliokurven für ein beispielhaftes Vier-
Wertpapier-Portfolio ....................................................... 20
Abbildung 2.7: Minimum Varianz Portfolios des Vier-Wertpapier-
Beispielportfolios ............................................................ 22
Abbildung 2.8: Optimale Portfolios im Vier-Wertpapier-Beispiel .............. 24
Abbildung 2.9: Der Prozess der Portfolio-Optimierung nach
MARKOWITZ ................................................................ 25
Abbildung 2.10: Zusammenhang zwischen Indexrendite und
Aktienrendite .................................................................. 27
Abbildung 2.11: Der Prozess der Portfolio-Optimierung im Index-
Modell von SHARPE....................................................... 28
Abbildung 2.12: Die TOBIN-Separation .................................................... 30
Abbildung 2.13: Optimale Portfolios nach TOBIN und MARKOWITZ ...... 31
Abbildung 2.14: Die Wertpapierlinie ......................................................... 35
Abbildung 2.15: Systematisches und unsystematisches Portfoliorisiko
bei steigender Diversifikation .......................................... 36

Abbildung 3.1: Portfoliogewichte nach MARKOWITZ mit und ohne


Leerverkäufe ................................................................... 42
Abbildung 3.2: Sensitivität der MARKOWITZ-Portfolios ohne und mit
Leerverkaufsrestriktionen auf eine revidierte
Renditeprognose.............................................................. 43
Abbildung 3.3: Der BLACK-LITTERMAN-Ansatz .................................... 45
Abbildung 3.4: Portfoliogewichtungen auf Basis historischer und
impliziter Renditen.......................................................... 47
Abbildung 3.5: Implizite Renditen und BLACK-LITTERMAN-
Renditeerwartungen......................................................... 53
Abbildung 3.6: Referenzgewichte und BLACK-LITTERMAN-
Portfoliogewichte ............................................................ 53

V
Abbildungsverzeichnis

Abbildung 3.7: Entwicklung der BLACK-LITTERMAN-


Portfoliogewichte bei Variation des
Renditedifferentials V ..................................................... 54
Abbildung 3.8: Entwicklung der BLACK-LITTERMAN-
Portfoliogewichte bei Variation der Prognosegüte Ω ........ 55
Abbildung 3.9: Entwicklung der BLACK-LITTERMAN-
Portfoliogewichte bei Variation des Skalars τ .................. 56

Abbildung 4.1: Methoden der technischen Analyse .................................... 61


Abbildung 4.2: Segmentierung technischer Indikatoren.............................. 62
Abbildung 4.3: Swing-High und Swing-Low.............................................. 67
Abbildung 4.4: Hammer- und Shooting-Star-Formationen .......................... 68
Abbildung 4.5: Aufbau eines Handelsmodells ............................................ 71
Abbildung 4.6: Segmentierung von Handelsmodellen................................. 71

Abbildung 5.1: Aufbau des systematischen Portfolio-Management-


Modells nach BLACK und LITTERMAN......................... 81
Abbildung 5.2: Performancekennzahlen der einfachen Handelsmodelle ...... 86
Abbildung 5.3: Prozentzahl profitabler Märkte der einfachen
Handelsmodelle ............................................................... 87
Abbildung 5.4: Performancekennzahlen der Handelsmodelle Nr. 5, Nr.
6 und Nr. 7 vor und nach der Filterung ............................ 89
Abbildung 5.5: Prozentzahl profitabler Märkte der Handelsmodelle Nr.
5, Nr. 6 und Nr. 7 vor und nach der Filterung................... 90
Abbildung 5.6: Performancekennzahlen der Handelsmodelle Nr. 5, Nr.
6 vor und nach der Filterung und mit zusätzlichen
Exit-Regeln ..................................................................... 92
Abbildung 5.7: Prozentzahl profitabler Märkte der Handelsmodelle Nr.
5, Nr. 6 vor und nach der Filterung und mit
zusätzlichen Exit-Regeln ................................................. 92
Abbildung 5.8: Lorenzkurve der prozentualen Marktkapitalisierungen
der DAX-Aktien .............................................................. 93
Abbildung 5.9: Aufteilung des marktkapitalisierungsgewichteten
Fünfzehn-Wertpapier-Portfolios über die
Wirtschaftssektoren ......................................................... 94
Abbildung 5.10: Empirische- und Normalverteilungen der Renditen der
DAX-Aktien im Testzeitraum bei Long- bzw. Short-
Signalen .......................................................................... 96
Abbildung 5.11: Renditeentwicklung des Portfolio-Management-
Modells nach BLACK und LITTERMAN [τ = 0.3]........... 97

VI
Abbildungsverzeichnis

Abbildung 5.12: Renditeentwicklung des Portfolio-Management-


Modells nach BLACK und LITTERMAN [τ = 2] ............. 98
Abbildung 5.13: Renditeentwicklung des Portfolio-Management-
Modells nach MARKOWITZ [ohne Leerverkäufe] ........... 99
Abbildung 5.14: Performance-Maße der vorgestellten Portfolios .............. 100

VII
Abkürzungsverzeichnis

AG: Aktien Gesellschaft


APT: Arbitrage Pricing Theory
CAPM: Capital Asset Pricing Model
d.h.: das heisst
DAX: Deutscher Aktien Index
Kap.: Kapitel
MVP: Minimum Varianz Portfolio
Portfolio-RAR: Portfolio Risk-Adjusted-Return
Profit/maxDD: Profit to Maximum Drawdown Ratio
u.d.N.: unter der Nebenbedingung
vgl.: vergleiche
z.B.: zum Beispiel

Aktienkürzel

ALV: Allianz AG
BAS: BASF AG
BAY: Bayer AG
BMW: BMW AG
MEO: Metro AG
MUV2: Münchener Rückversicherungen AG
DBK: Deutsche Bank AG
DCX: Daimler Chrysler AG
DPW: Deutsche Post AG
DTE: Deutsche Telekom AG
EOA: E.On AG
RWE: RWE AG
SAP: SAP AG
SIE: Siemens AG
VOW: Volkswagen AG

IX
1 Einleitung

Der klassische Ansatz der Portfoliotheorie basiert, ausgehend von den Arbeiten von
Harry Markowitz in den 50er Jahren, auf einer doppelseitigen Zielsetzung: Maximie-
rung der erwarteten Portfoliorendite bei gleichzeitiger Minimierung des Portfoliori-
sikos. Obwohl die Grundsätze der Modernen Portfolio-Theorie in der wissenschaftli-
chen Literatur einen festen Platz einnehmen, ist deren Einfluss auf das praktische
Portfolio-Management immer noch relativ gering.1

Fischer Black und Robert Litterman haben mit der Zielsetzung, die Methoden der
quantitativen Portfoliooptimierung für den praktischen Einsatz im Portfolio-
Management besser anwendbar zu machen, Anfang der 90er Jahre das innovative
Black-Litterman-Verfahren veröffentlicht. Dieses Verfahren erlaubt die flexible Spe-
zifikation einer beliebigen Anzahl von Wertpapierprognosen und berechnet auf deren
Grundlage, ausgehend von strategischen Referenzportfolios, neue optimale Portfo-
liogewichte. Das Verfahren stellt eine gelungene Umsetzung des Vorschlages von
Markowitz, quantitativ berechnete erwartete Renditen mit subjektiven Prognosen zu
verbinden, dar.2

Die Bewegungen der Kurse an der Börse setzen sowohl private als auch professio-
nelle Anleger starken Emotionen wie Gier und Angst aus. Diese Emotionen können
Portfolio-Manager zu irrationalen Markteinschätzungen verleiten und haben somit
negative Auswirkungen auf den Investmentprozess. Handelsmodelle, die nach be-
währten Handelsregeln automatische Kauf- und Verkaufssignale generieren, unter-
liegen diesem psychologischen Druck hingegen nicht. Außerdem bieten sie den Vor-
teil schneller paralleler Auswertung einer Vielzahl von Märkten durch den Einsatz
von Rechnern und spezieller Software.

Ziel der Arbeit


Die Zielsetzung dieser Arbeit ist es ein taktisches Portfolio-Management-Modell für
ein Portfolio aus DAX-Aktien zu entwickeln, welches mit dem Black-Litterman-
Verfahren und den Prognosen technischer Handelsmodelle die Asset-Allocation sys-
tematisch steuert.

Das Aufgabenfeld eines Portfolio-Managers der nach diesem Konzept operiert, wür-
de sich vom kurzfristigen subjektiven Handel deutlich entfernen. Die freigesetzten

1
vgl. Drobetz (2002), S.2
2
vgl. Markowitz (1952)

1
1 Einleitung

Zeit- und Energieressourcen sollten vermehrt in quantitativer Finanzmarktforschung


eingesetzt werden. Außerdem könnte ein größerer Fokus auf die Analyse komplexer
volkswirtschaftlicher Zusammenhänge und der Zusammenstellung mittel- bis lang-
fristiger strategischer Portfolios gelegt werden.

Aufbau der Arbeit


Im zweiten Kapitel werden zunächst die Grundlagen der Modernen Portfolio-Theorie
und Kapitalmarktmodelle, allen voran die Portfolio-Selection-Theorie von Marko-
witz und das Capital Asset Pricing Model CAPM von Sharpe, behandelt. Das Black-
Litterman-Verfahren baut sowohl auf der Portfolio Selection als auch auf dem aus
dem CAPM hervorgehendem Marktgleichgewicht auf. Somit bildet dieses Kapitel
die Grundlagen für das Verständnis des Black-Litterman-Verfahrens.

Der dritte Abschnitt der Arbeit befasst sich mit den Schwächen des Markowitz-
Ansatzes bei dem praktischen Einsatz in der Asset Allocation und stellt das von
Black und Litterman entwickelte innovative Verfahren zum Portfolio-Management
dar. Dieses Verfahren ermöglicht die konsistente Verbindung von individuell festge-
legten Referenzgewichtungen oder CAPM-Gewichtungen mit verschiedenen Arten
von Prognosen und eignet sich aus diversen Gründen besser für den Einsatz im Port-
folio-Management als die reine Portfolio Selection nach Markowitz.

Im vierten Kapitel wird der Grundgedanke der technischen Analyse von Wertapapie-
ren und der Aufbau von technischen Handelsmodellen dargestellt.

Das fünfte Kapitel vereint die behandelten Portfolio-Management-Techniken mit den


Handelssignalen eines für diesen Zweck entwickelten Handelsmodells zu einem sys-
tematischen Portfolio-Management-Modell, das ohne menschliches Zutun in der La-
ge sein soll, ein vom Anleger festgelegtes Wertpapierportfolio taktisch zu planen.

Die Schlussfolgerungen finden sich im sechsten Kapitel.

Software
In dieser Arbeit kommt außer herkömmlicher Textverarbeitungs- und Tabellenkalku-
lationssoftware folgende Software zum Einsatz:

Omega Research TradestationTM


Die Tradestation ist eines der führenden Programme zur technischen Chartanalyse,
zur Entwicklung technischer Indikatoren sowie zur Entwicklung und zum Test von
technischen Handelsmodellen. Mit diesem Programm werden im fünften Kapitel

2
1 Einleitung

Handelsmodelle erstellt und getestet. Ein besonderer Dank geht an dieser Stelle an
die J. R. C. Capital Management & Consultancy GmbH (www.jrconline.com) für die
Bereitstellung dieser Software.

R
R ist sowohl eine Programmiersprache als auch eine Arbeitsumgebung mit statisti-
schem Schwerpunkt. Die R-Programmiersprache ist der Programmiersprache S, auf
der die kommerzielle Statistiksoftware S-Plus basiert, sehr ähnlich. R ist eine kosten-
lose und frei verfügbare Software, die unter der Internetadresse www.r-project.org
heruntergeladen werden kann. In dieser Arbeit wird R zur Optimierung der Portfoli-
os, zur Programmierung der Portfolio-Management-Modelle und zur statistischen
Auswertung von Daten eingesetzt.

3
2 Moderne Portfolio-Theorie und
Kapitalmarktmodelle

2.1 Grundlagen

Im Folgenden werden die Grundlagen der Modernen Portfolio-Theorie erläutert. Es


werden Kennzahlen für die Rendite und das Risiko von Wertpapieren und Überle-
gungen über das Verhalten von Anlegern bezüglich dieser Kennzahlen dargestellt.

2.1.2 Rendite eines Wertpapiers

Um die relative Wertveränderung einer in Geldeinheiten bewerteten Position zu mes-


sen, wird in der Finanzwirtschaft und Kapitalmarkttheorie auf den Begriff der Rendi-
te zurückgegriffen. Rendite kann man auf zwei verschiedene Arten definieren, ein-
mal diskret, als den prozentualen Wertzuwachs von einem Zeitpunkt zum anderen,
zum anderen als den natürlichen Logarithmus des Zuwachsverhältnisses. Die letztere
Definition bezeichnet man auch als die stetige Rendite oder log-Rendite. Die stetige
Rendite ist für den Fall kontinuierlicher Verzinsung definiert. Die diskrete Rendite
lässt sich durch die Formel 2.1 berechnen, die stetige Rendite durch die Formel 2.2.

Pt − Pt −1 ∆Pt Pt
[2.1] Rd , t = = = −1
Pt −1 Pt −1 Pt −1

mit Rt: Rendite des Wertpapiers in der Periode t


Pt: Preis des Wertpapiers am Ende der Periode t
Pt-1: Preis des Wertpapiers am Ende der Vorperiode t-1

⎛ P ⎞
[2.2] Rs, t = ln ⎜⎜ t ⎟⎟ = ln (Pt ) − ln (Pt −1 )
⎝ Pt −1 ⎠

Soll die Durchschnittsrendite µd,t über T Perioden bestimmt werden, so wird in dem
zeitdiskreten Fall das geometrische Mittel aus den Renditen gezogen3:

3
vgl. Franke/Härdle/Hafner (2003), S. 146

4
2.1 Grundlagen

1
⎡ T −1 ⎤T
[2.3] µ d ,t = Rd ,t (k ) = ⎢∏ (1 + Rd ,t − n )⎥ − 1
⎣ n =0 ⎦

Die Berechnung der Durchschnittsrendite über T Perioden für den Fall stetiger Ver-
zinsung erfolgt gemäß der Formel 2.4.4

1 T −1
µ s ,t = Rs ,t (k ) = ln{1 + Rd ,t (k )} = ln ∏ (1 + Rd ,t − n )
T n =0
1 T −1
[2.4] = ∑ ln(1 + Rd ,t −n )
T n =0
1 T −1
= ∑ R s ,t − n
T n =0

Im späteren Verlauf der Arbeit werden unter anderem durchschnittliche Tagesrendi-


ten zu Jahresrenditen annualisiert. Dies geschieht umgekehrt zu den Berechnungen
der Durchschnittsrenditen für den Fall diskreter Renditen nach der Formel 2.5 und
für den Fall stetiger Renditen gemäß der Formel 2.6.

[2.5] µ Jahr , d = (1 + µTag , d )Tage Jahr


−1

[2.6] µ Jahr , s = [Tage Jahr ]* µTag , s

Bei kleinen Preisänderungen kann die stetige Rendite durch die diskrete Rendite ap-
proximiert werden und umgekehrt. Als Faustregel für die Eignung einer solchen Ap-
proximation werden Renditen unter zehn Prozent genannt. 5

Werden jedoch Annahmen über die Verteilung der Renditen getroffen, spielen auch
statistische Überlegungen eine Rolle. Bereits 1990 wurde von Bachelier6 angenom-
men, stetige Rendite seien normal verteilt. Die Kurse selbst wären dann log-normal
verteilt. Für die diskrete Rendite sei die Normalverteilungsannahme im strengen Sinn
nicht anwendbar. Empirisch wird in der Regel allerdings beobachtet, dass die Dichte
von Renditen im Vergleich zur Normalverteilung fat tailed ist, das heißt dass sich in
den Enden der Verteilung mehr Wahrscheinlichkeitsmasse konzentriert als dies bei
einer Normalverteilung der Fall ist.7 Diese Verteilung nennt man leptokurtische Ver-
teilung.

4
vgl. Franke/Härdle/Hafner (2003), S. 147
5
vgl. Franke/Härdle/Hafner (2003), S. 147
6
In: Theorie de la speculation (1990)
7
vgl. Weber (2001), S. 27

5
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

2.1.2 Volatilität als Risikomaß eines Wertpapiers

Die zweite wichtige Größe der Modernen Portfolio-Theorie ist das Risiko, mit dem
die Rendite eines Wertpapiers behaftet ist. Risiko liegt dann vor, wenn aufgrund der
unsicheren Zukunft die Rendite einer Anlage nicht vorauszusagen ist, deren mögli-
che Renditen und die Eintrittswahrscheinlichkeiten dennoch bekannt sind.8 Das Risi-
ko einer Anlage wird üblicherweise in der Form der Varianz oder der Standardab-
weichung der Renditen quantifiziert.9 Die zustandsabhängige Varianz σ2 eines
Wertpapiers i wird durch die Formel 2.7 berechnet:

S 2

[2.7] Var[ Ri ] = σ = ∑ (Ris − E [Ri ]) ⋅ q s


i
2

s =1

mit Ri: Rendite des Wertpapiers i


S: Anzahl der möglichen Zustände
Ris: Rendite des Wertpapiers bei Eintreten des Zustands s
qs : Eintrittswahrscheinlichkeit des Zustands s
E[Ri]: Erwartete Rendite10

In der Praxis wird die zukünftige Volatilität häufig durch die historische Volatilität
geschätzt. Bei der Berechnung der historischen Volatilität ist die Streuung der ver-
gangenen Renditen um die durchschnittliche historische Rendite von Relevanz. Die
Formel zur Berechnung der historischen Varianz über T Perioden eines Wertpapiers
lautet:

2
1 T −1
[2.8] Var [Ri ] = σ i2 = ∑ (Ri,t −n − µ i )
T − 1 n =0

Die Annualisierung der Tagesvarianz zur Jahresvarianz vollzieht sich folgenderma-


ßen:

[2.9] σ Jahr
2
= [Tage Jahr ] * σ Tag
2

Aus der Varianz lässt sich ohne weiteres die Standardabweichung σ ableiten. Die
Standardabweichung ist anschaulicher als die Varianz, da sie informiert, wie stark

8
vgl. Perridon/Steiner (1999), S. 99
9
vgl. Kruschwitz (2003), S. 341
10
E[Ri] = ΣqsRis

6
2.1 Grundlagen

die Renditen im Mittel um ihren Erwartungswert schwanken.11 Ihre Berechnung er-


folgt gemäß der Formel 2.10.

[2.10] σ [ri ] = σ 2 [ri ]

2.1.3 Zusammenhangsmaße zweier Wertpapiere

Kovarianz
Die Kovarianz σij misst die voneinander abhängige Bewegung der Erträge zweier
Wertpapiere. Ein positiver Wert der Kovarianz bedeutet, dass die Renditen der Anla-
gen zu gemeinsamen Schwankungen tendieren. Sollte die Kovarianz negativ sein,
impliziert dies, dass die Renditen der beiden Wertpapiere sich gegensätzlich zuein-
ander verhalten. Ein sehr kleiner Wert der Kovarianz nahe null impliziert, dass die
Ausprägungen der Renditen der zwei betrachteten Investitionen unabhängig vonein-
ander sind. Die Formel 2.11 stellt die Berechnung der zustandsabhängigen Kovari-
anz zwischen den Wertpapieren i und j dar.

[
Kov[ Ri , R j ] = σ ij = ∑ (Ris − µ i )(R js − µ j )q s ]
S
[2.11]
s =1

Die historische Kovarianz zweier Anlagen kann anhand der folgenden Formel 2.12
berechnet werden.

[2.12] Kov[ Ri , R j ] = σ ij =
1 T −1
[ ]
⋅ ∑ (Ri ,t − n − µ i )(R j ,t − n − µ j )
T − 1 n =0

Korrelationskoeffizient
Der Korrelationskoeffizient ρ ist ein viel anschaulicheres Maß für den Zusammen-
hang von Renditeverläufen zweier Wertpapiere. Er kann durch die Kovarianz der
beiden Anlagen und durch deren Standardabweichungen anhand der Formel 2.13
ermittelt werden.

σ ij
[2.13] ρ ij =
σ iσ j

11
vgl. Kruschwitz (2003), S. 342

7
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

Sind sowohl der Korrelationskoeffizient als auch die Standardabweichungen von


zwei Anlagen bekannt, so kann durch Umstellung der Formel 2.13 ebenfalls die Ko-
varianz berechnet werden:

[2.14] σ ij = ρ ij σ iσ j

Abbildung 2.1 zeigt beispielhaft die Entwicklung der Renditen von Wertpapieren mit
unterschiedlichen Korrelationskoeffizienten. Der Korrelationskoeffizient kann Werte
zwischen plus eins und minus eins annehmen, wobei ein Koeffizient von minus eins
für Wertpapiere mit vollkommen gegenläufigen Renditeentwicklungen steht und ein
Wert von plus eins vollkommen gleichläufige Renditeentwicklungen darstellt. Ein
Korrelationskoeffizient von null besagt, dass die Renditen der zwei Anlagen unab-
hängig voneinander sind.

Abbildung 2.1: Renditeplots für Wertpapiere mit unterschiedlichen Korrelationskoeffizienten

2.1.4 Rendite-Risikoverhalten von Investoren

Entscheidungen nach Erwartungswert und Streuung von Renditen spielen in der In-
vestitionstheorie eine wichtige Rolle.12 Das Grundprinzip dieser Entscheidungen
wird als µ-σ-Prinzip bezeichnet. Ziel dieses Prinzips ist nicht ausschließlich die Ma-
ximierung der Rendite oder die Minimierung des eingegangenen Risikos, sondern die
Erhöhung des Nutzens des Investors.13

Der Nutzengröße eines Anleger in einer µ-σ-Kombination ist maßgeblich von seiner
Einstellung gegenüber dem Risiko abhängig. Es können drei verschiedene Rendite-
Risiko-Einstellungen von Anlegern unterschieden werden: Risikoaversion, Risiko-
12
vgl. Kruschwitz (2002), S. 142

8
2.1 Grundlagen

neutralität und Risikofreude. Risikoaverse Investoren empfinden Risiko als etwas


Schlechtes; sie wären bereit, zugunsten von mehr Sicherheit auf einen Teil ihrer er-
warteten Rendite zu verzichten. Risikoneutrale Anleger sind gegenüber dem Risiko
indifferent, für ihre Entscheidungen ist lediglich die erwartete Rendite relevant. Risi-
kofreudige Investoren sehen im Risiko eine Chance auf erhöhte Gewinne und wären
unter Umständen bereit, eine kleinere erwartete Rendite in Kauf zu nehmen, und
damit ihr Risiko zu erhöhen.

Der von der erwarteten Rendite und dem Risiko abhängige Nutzen eines Anlegers
kann durch seine Nutzenfunktion dargestellt werden. Die Formel 2.15 wird im empi-
rischen Teil der Arbeit eingesetzt.14 Allerdings sind auch andere Formen von Nut-
zenfunktionen denkbar, wie zum Beispiel die in der Formel 2.16.15

[2.15] U ( µ , σ ) = µ − 0 .5 ⋅ λ ⋅ σ 2

[2.16] (
U (µ , σ ) = µ − λ ⋅ µ 2 + σ 2 )
λ stellt den Risikoaversionsparameter des Anlegers dar. Je höher der Parameter aus-
fällt, desto risikoaverser ist der Investor. Ein Nutzenmaximierer mit hohem λ wird
bereit sein, auf eine große Menge an erwartetem Gewinn µ zu verzichten, um die
Volatilität σ2 zu senken. Umgekehrt verliert das Risiko in den Überlegungen des In-
vestors mit fallendem λ immer mehr an Relevanz. Ein λ-Wert von null stellt einen
risikoneutralen Anleger dar, ein negativer λ-Wert steht für Risikofreude.16

Abbildung 2.2 stellt den möglichen Verlauf der Iso-Nutzenkurven für die drei ver-
schiedenen Risikopräferenzen dar. Jeder Punkt, der sich auf einer solchen Kurve be-
findet, stellt für den Anleger denselben Nutzen dar. Kurven, die höher liegen als an-
dere, zeigen einen höheren Nutzen, und sind somit den unteren zu präferieren. Der
Anleger ist zwischen allen µ-σ-Kombinationen auf einer Iso-Nutzenkurve indifferent.
Er wird die mögliche Kombination präferieren, die sich auf der höchsten Iso-
Nutzenkurve befindet, da ihm diese den maximalen Nutzen bringt.

13
vgl. Gast (1998), S. 87
14
Litterman (2003), Drobetz (2002) u. a. arbeiten mit dieser Nutzenfunktion
15
vgl. Kruschwitz (2003), S. 294
16
Le/Litterman (1999) operieren mit einem Rsiskoaversionsparameter von λ = 2.5. Ist einem Portfo-
liomanager λ nicht bekannt, so kann er mittels

λ imp=(E[RM]- Rf)/ σM2

den impliziten Risikoaversionsparameter schätzen. E[RM] stellt die erwartete Rendite des Marktes
oder der Benchmark dar, Rf stellt den risikofreien Zinssatz dar und σM2 ist die Renditevarianz des
Marktes oder der Benchmark. [vgl. Idzorek (2004), S. 30]

9
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

Abbildung 2.2: Iso-Nutzenkurven von Anlegern

µ µ µ

σ σ σ
Risikoaversion Risikoneutralität Risikofreude

[Quelle: Eigene Darstellung in Anlehnung an Gast (1998), S. 89]

2.2 Portfolio Selection nach MARKOWITZ

2.2.1 Ursprüngliche Problemstellung und Annahmen des Modells

Der Name von Markowitz ist untrennbar mit der theoretischen Erklärung des Phä-
nomens der Portfoliodiversifikation, das heißt der gezielten Streuung von Vermögen
auf mehrere Anlagewerte, verbunden. Bereits vor der Entwicklung der Portfolio-
Selection-Theorie war empirisch Portfoliodiversifikation beobachtbar, allerdings
fehlte jegliche plausible theoretische Herleitung dieses Verhaltens.

Die auf Markowitz zurückgehenden Erkenntnisse erweitern im Kern das Denken


über die Allokation von Vermögen vom eindimensionalen Rendite Aspekt17 zum
zweidimensionalen Rendite-Risiko-Aspekt, dies war zuvor keinem gelungen. Hicks18
schlug beispielsweise 1939 vor, bei Investitionen einen, mit dem eingegangenen Ri-
siko abdiskontierten, Renditeparameter als Entscheidungskriterium zu verwenden.
Die entscheidungstheoretische Folge wäre allerdings eine Maximierung des mit dem
Risiko abdiskontierten Renditeparameters und somit eine Konzentration des gesam-
ten Kapitals auf die Investitionsalternative mit dem höchsten Parameterwert. Solche
Erklärungsversuche verwirft Markowitz aus dem einfachen Grund, dass solch kon-
zentrierte Portfolios in der Praxis nicht beobachtbar sind.19

17
Die alleinige Betrachtung der Rendite in der Aufteilung des Vermögens auf Wertpapiere hätte die
Folge, dass das gesamte Kapital auf eine einzige, nämlich die voraussichtlich rentabelste, Anlage
konzentriert werden würde. [vgl. Markowitz (1952), S. 78]
18
Markowitz (1952), S. 77 verweist auf Hicks, J. R.(1939): Value and Capital, New York, Oxford
University Press, S. 126
19
vgl. Markowitz (1952), S. 77

10
2.2 Portfolio Selection nach MARKOWITZ

Die Portfolio-Selection-Theorie erklärt mathematisch, dass es eine Möglichkeit gibt,


Anlagen so zu kombinieren, dass man unter Einschluss von Wertpapieren deren
Renditen niedrige, oder im Idealfall negative, Korrelationen aufweisen, ein Portfolio
erhält, welches bei gleicher Renditeerwartung ein geringeres Risiko mit sich führt.
Somit wurde den Investoren ein wissenschaftlicher Ansatz geliefert, wie die Portfo-
liodiversifikation rational gestaltet werden sollte. Im Folgenden werden die Annah-
men des Modells erläutert, und die Portfoliorendite sowie das Portfoliorisiko als Ba-
sis jeglicher portfoliotheoretischen Überlegung, dargestellt.

Annahmen der Portfolio Selection Theorie


- Die von Markowitz betrachtete Entscheidungssituation geht von einem Inves-
tor mit einem gegebenen Anfangsvermögen und einem einperiodigen Pla-
nungshorizont aus.
- Der Investor kann sein Kapital auf ein bestimmtes Universum von Wertpapie-
ren verteilen und sich somit ein Portfolio zusammenstellen.
- Markowitz stellt die Annahme auf, Wertpapiere seien unendlich teilbar und es
gäbe weder Transaktionskosten noch Steuern.20
- Markowitz berücksichtigt, dass sich die zukünftigen Renditen von Wertpapie-
ren nicht mit Sicherheit voraussagen lassen. Vielmehr seien Wahrscheinlich-
keitsverteilungen für die künftige Entwicklung der Wertpapierpreise bekannt,
es handelt sich also um eine Entscheidungssituation unter Risiko.21
- Das Modell geht von einem nutzenmaximierenden, risikoaversen Anleger
aus, der durchaus bedacht ist, sein eingegangenes Risiko zu kontrollieren.22
- In dem Artikel Portfolio Selection schließt Markowitz Leerverkäufe aus.23

2.2.2 Rendite und Risiko eines Portfolios

Portfoliorendite
Die erwartete Rendite eines Portfolios µP entspricht der mit ihrem Portfolioanteil
gewichteten Summe der Rendite der einzelnen Wertpapiere. Formel 2.17 verdeut-
licht die Berechnung der erwarteten Portfoliorendite:

N
[2.17] E [RP ] = µ P = ∑ wi ⋅ µ i
i =1

20
vgl. Steiner/Bruns, S. 9
21
vgl. Kruschwitz (2003), S. 288 und 340
22
vgl. Sharpe/Alexander/Bailey (1995), S. 167
23
Im weiteren Verlauf der Arbeit wird der Fall erlaubter Leerverkäufe allerdings behandelt. Die ma-
thematische Herleitung der Portfolio Selection in diesem Fall ist im Gegensatz zu dem Fall ohne
Leerverkäufe analytisch problemlos herzuleiten. Außerdem ist es in der Praxis durchaus möglich,
Leerverkäufe zu tätigen, was diesen Fall ebenfalls interessant macht.

11
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

mit µp : Erwartete Portfoliorendite


wi : Anteil des Wertpapiers i im Portfolio
µi : Erwartungswert der Rendite des i´ten Wertpapiers
N: Anzahl der Wertpapiere im Portfolio

Die erwartete Portfoliorendite kann auch in Matrizenform dargestellt werden. Hierzu


sind die Matrix der Portfoliogewichte w, und die Matrix der erwarteten Wertpapier-
renditen µ notwendig:

[2.18] µ P = w' µ R

mit w' = (w1 , w2 ,....., wn ) und µ R ' = (µ1 , µ 2 ,....., µ n )

Portfoliovarianz und Standardabweichung eines Portfolios


Das Risiko eines gesamten Portfolios wird nicht nur aus den Varianzen der einzelnen
Wertpapiere im Portfolio berechnet, sondern auch aus den Kovarianzen aller Anla-
gen untereinander. Die Varianz des Portfolios σP2 wird wie folgt berechnet:

n n
[2.19] Var [R P ] = σ P2 = ∑ ∑ wi ⋅ w j ⋅ σ ij
i =1 j =1

mit σP2: Varianz des Portfolios


wi : Gewichtung der Anlage i im Portfolio
wj : Gewichtung der Anlage j im Portfolio
σij: Kovarianz zwischen den Renditen der Anlagen i
und j

Formel 2.20 stellt die Berechnung der Portfoliovarianz in Matrizenform dar. Dazu
sind der Gewichtungsvektor w sowie die Varianz-Kovarianz-Matrix ΣRR notwendig.

[2.20] σ P2 = w' Σ RR w

⎛ σ 12 = σ 11 σ 12 L σ 1N ⎞
⎜ ⎟
⎜ σ 21 σ 2 = σ 22
2
L σ 2N ⎟
mit Σ RR =⎜ ⎟
⎜ M M O M ⎟
⎜ σ σ N2 L σ N2 = σ NN ⎟⎠
⎝ N1

12
2.2 Portfolio Selection nach MARKOWITZ

Aus der Formel 2.19 wird bereits ersichtlich, dass Wertpapiere mit niedrigen Kovari-
anzen σij das Portfoliorisiko kaum erhöhen und dass Wertpapiere mit negativen Ko-
varianzen das Portfoliorisiko sogar senken können.

Zusammensetzung des Vektors der erwarteten Renditen und der Varianz-


Kovarianz-Matrix
Der Zusammensetzung des Vektors der erwarteten Renditen µR ist ein kardinaler
Aspekt in der Markowitz’schen Portfolio Selection. In dieser Arbeit wird der Vor-
schlag von Markowitz, empirische Durchschnittsrenditen zur Bestimmung des Ren-
ditevektors und empirische Kovarianzen zur Bestimmung der Varianz-Kovarianz-
Matrix heranzuziehen, aufgegriffen.24 Die Güte dieser Schätzer ist allerdings frag-
würdig, insbesondere was den Vektor der erwarteten Rendite angeht. Die empirische
Varianz-Kovarianz-Matrix wird als stabiler erachtet und ist somit eher für diesen
Zweck geeignet.25

Markowitz hält die Kombination von subjektiven Anlegerprognosen mit den syste-
matischen Prognosen komplexerer statistischer Methoden für eine potenziell bessere
Methode, um die Eingabefaktoren des Modells zu bestimmen. Nach der statistischen
Ermittlung der Prognosewerte sollen die Inputs mit den Erwartungen des Investors
kombiniert werden und somit neue, revidierte Eingabevektoren bilden.26 Prognose-
verfahren, wie z. B. ARIMA,ARCH/GARCH, künstliche neuronale Netze u. a. wä-
ren zur Schätzung des Renditevektors und der Varianz-Kovarianz-Matrix denkbar.

2.2.3 Ansatz der Portfolio Selection nach MARKOWITZ

2.2.3.1 Effiziente Portfolios


Der Grundgedanke der Portfolio-Theorie von Markowitz ist die Reduzierung des
Portfoliorisikos durch Diversifikation. Für den einfachen Fall eines Portfolios mit
zwei Wertpapieren kann iterativ die Linie möglicher Portfolios in ein µ-σ-Diagramm
aufgetragen werden, indem die Parameter Portfoliorendite und Portfoliorisiko für
diverse unterschiedliche Gewichtungskombinationen [w1; w2] bestimmt werden.

Die Abbildung 2.3 stellt die Kurven möglicher µ-σ-Kombinationen für das in Kru-
schwitz (2003) dargestellte Zwei-Wertpapier-Portfolio dar.27 Die erste Anlage besitzt
eine erwartete Rendite von 0.083 und eine Renditestandardabweichung von 0.0424.
Die zweite Anlage hat eine erwartete Rendite von 0.112 mit einer Standard-

24
vgl. Markowitz (1952), S. 91
25
vgl. Kleeberg (1995)
26
vgl. Markowitz (1952), S. 91
27
vgl. Kruschwitz (2003), S. 343 ff.

13
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

abweichung von 0.0567. Die verschiedenen gewölbten Kurven bilden für verschie-
dene Korrelationen ρ12 zwischen den beiden Wertpapieren die durch Mischung der
beiden Wertpapiere realisierbaren µ-σ-Kombinationen ab.28

Abbildung 2.3: Kurven möglicher Portfolios im Zwei-Wertpapier-Fall

[Quelle: Eigene Darstellung in Anlehnung an Kruschwitz (2003), S. 349]

Bereits in einem Zwei-Wertpapier-Fall ist es möglich, durch Diversifikation ein Port-


folio zu erhalten, dessen erwartete Rendite größer als diejenige der sichersten Anlage
(Anlage 1), und dessen Risiko zugleich niedriger als das der sichersten Anlage ist. Es
wird auch ersichtlich, dass der Diversifikationseffekt umso größer ist, je kleiner die
Korrelation zwischen den beiden Anlagen ist.

Aufgrund der Annahmen, dass Rendite etwas Gutes und Risiko etwas Schlechtes
darstellt, können einige µ-σ–Kombinationen der Abbildung 3 von Beginn an als inef-
fizient klassifiziert werden. Die Definition eines effizienten Portfolios lautet:

Ein Portfolio gilt als effizient, wenn es kein anderes Portfolio gibt, das bei der glei-
chen erwarteten Rendite eine kleinere Volatilität besitzt oder bei gleicher Volatilität
eine höhere erwartete Rendite generiert.29

Die Portfolios auf der durchgezogenen Linie in der Abbildung 2.4 stellen die
effizienten Portfolios für das aufgeführte Beispiel dar. Die gestrichelte Linie
repräsentiert die ineffizienten Portfoliomischungen. So wird beispielsweise das
Portfolio A von dem Portfolio C dominiert, da C bei gleichem Risiko eine höhere
erwartete Rendite besitzt. Das Portfolio mit der kleinsten möglichen Varianz ist
durch Punkt B dargestellt. Die Portfoliogewichtungen, aus denen die µ-σ–

28
Es wird von einer vollständigen Investierung des vorhandenen Kapitals ausgegangen, d. h.
w1 + w2 = 1
29
vgl. Markowitz (1952), S. 82

14
2.2 Portfolio Selection nach MARKOWITZ

dargestellt. Die Portfoliogewichtungen, aus denen die µ-σ–Kombination in Punkt B


resultiert, bezeichnet man als Minimum-Varianz-Portfolio.

Abbildung 2.4: Kurve effizienter Portfolios im Zwei-Wertpapier-Fall

[Quelle: Eigene Darstellung in Anlehnung an Kruschwitz (2003), S. 350]

2.2.3.2 Optimale Portfolios


Ist die Kurve der effizienten Portfolios ermittelt, so stellt sich die Frage, welches
Portfolio auf dieser Kurve für den Investor optimal ist. Markowitz geht von einem
risikoaversen Anleger aus, der das für ihn nutzenmaximierende Portfolio wählen
wird.

Abbildung 2.5: Ermittlung des optimalen Portfolios

[Quelle: Eigene Darstellung in Anlehnung an Kruschwitz (2003), S. 351]

Die Bestimmung des für einen Anleger optimalen Portfolios wird grafisch in der
Abbildung 2.5 dargestellt. Wie bereits im Abschnitt 2.1.3 diskutiert wurde, bedeuten
höhere Iso-Nutzenkurven für den Anleger auch einen höheren Nutzen. Dem Investor

15
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

können zwei verschiedene Portfolios den Nutzen U1 verschaffen. Diese Portfolios


sind allerdings nicht optimal, da der Nutzen U2, der durch das Portfolio OP erreicht
werden kann, höher ist. Der Nutzen U3 kann durch die vorhandenen Wertpapiere
nicht erreicht werden. Dies ist in der Abbildung ersichtlich: Die Iso-Nutzenkurve U3
schneidet kein effizientes Portfolio. Das Portfolio OP stellt in der Abbildung das
optimale Portfolio dar, da es von der höchstmöglichen Iso-Nurzenkurve tangiert
wird.

2.2.4 Ermittlung effizienter Portfolios im Mehr-Wertpapier-Fall

Das Zwei-Wertpapier-Beispiel liefert die Intuition hinter der Portfolio Selection von
Markowitz. Kurven effizienter Portfolios können auch für den realistischeren Fall
von mehr als zwei Anlagen bestimmt werden. Dies ist iterativ nicht mehr möglich,
kann aber, wie in diesem Abschnitt gezeigt wird, für den Fall erlaubter Leerverkäufe
mathematisch hergeleitet werden. Problematischer erweist sich die Bestimmung der
effizienten Portfolios für den Fall ohne Leerverkäufe. Die resultierende Kurve ist
nicht mit einer Funktion darzustellen und muss mit Methoden der quadratischen Pro-
grammierung bestimmt werden.30

Herleitung
Im Folgenden wird für den Fall erlaubter Leerverkäufe die Herleitung der varianzmi-
nimalen Portfoliogewichte bei gegebener Portfoliorendite aufgeführt.

Zu minimieren ist die Portfoliovarianz unter den Nebenbedingungen, dass der Erwar-
tungswert vorgegeben ist (erste Nebenbedingung) und der Investor voll investiert ist
(zweite Nebenbedingung)31. Jeder Lösungsvektor hierzu ist ein Portfolio auf dem
effizienten Rand. Zur Vereinfachung der folgenden Terme wird unter denselben Ne-
benbedingungen die halbe Varianz minimiert. Dies ändert nichts an dem Endergeb-
nis. Die Optimierungsaufgabe lautet:

1
[2.21] min w w' Σ RR w
2

[2.22] u.d.N. µP − µR 'w = 0

und

30
In R eignen sich besonders die Funktionen portfolio.optim( ) und solve.QP( ) für die Ermittlung
effizienter Portfoliokurven bzw. optimaler Portfolios.
31
1 ist eine N×N Einheitsmatrix.

16
2.2 Portfolio Selection nach MARKOWITZ

N
[2.23] ∑ wi = w'1 = 1' w = 1
i =1
bzw. 1 − 1' w = 0
Die Lagrange-Funktion zu dem Minimierungsproblem lautet:

1
[2.24] L(w, λ1 , λ 2 ) = w' Σ RR w − λ1 (µ R ' w − µ P ) − λ 2 (1' w − 1)
2

Die notwendigen Bedingungen für ein Minimum sind:

∂L !
[2.25] = Σ RR w − λ1µ R − λ2 1 =0
∂w
∂L !
[2.26] = µ p − µR 'w =0
∂λ1
∂L !
[2.27] = 1 − 1' w =0
∂λ2

Hinreichend für ein Minimum ist, dass ΣRR positiv definit ist. Unter der Annahme,
dass Wertpapierrenditen linear unabhängig sind, ist dies der Fall.32 Ökonomisch be-
deutet dies, dass man kein Portfolio zusammenstellen kann, das eine Varianz von
null besitzt.

Um dieses Gleichungssystem zu lösen, multipliziert man Formel 2.25 mit der Inver-
sion der Varianz-Kovarianz-Matrix.

[2.28] w P = λ1 Σ −RR
1 −1
µ R + λ2 Σ RR 1

Damit hat man eine Formel für den gesuchten Vektor w, allerdings sind die Lag-
rangemultiplikatoren λ1 und λ2 noch nicht bekannt. Um diese zu ermitteln, wird For-
mel 2.28 unter Beachtung von [2.26] und [2.27] jeweils mit µR und 1 multipliziert.
Dadurch ergibt sich:

[2.29] µ R ' w p = λ1 µ R ' Σ −RR


1
µ R + λ2 µ R ' Σ −RR
1
1= µp
und
−1
[2.30] 1' w P = λ1 1' Σ RR µ R + λ2 1' Σ −RR
1
1 =1

32
vgl. Lischka (1998), S. 55

17
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

Die Gleichungen [2.29] und [2.30] stellen ein lineares Gleichungssystem mit den
zwei Unbekannten λ1 und λ2 dar, da µR und ΣRR bekannt sind und µP ein Parameter
ist.

Im Folgenden werden die Skalare A, B, C und D definiert, um die weiteren Berech-


nungen zu vereinfachen.
[2.31] A := 1' Σ −RR
1
µ R = µ R ' Σ −RR
1
1

[2.32] B := µ R ' Σ −RR


1
µR >0

−1
[2.33] C := 1' Σ RR 1 >0

[2.34] D := BC − A 2 >0

Damit kann man das lineare Gleichungssystem in [2.29] und [2.30] vereinfachen:

[2.35] λ1 B + λ 2 A = µ P

[2.36] λ1 A + λ2 C = 1

Jetzt können die beiden Lagrangemultiplikatoren durch Auflösung der Gleichungen


[2.35] und [2.36] in Abhängigkeit von µP dargestellt werden:

µ PC − A
[2.37] λ1 =
D
und
B − µP A
[2.38] λ2 =
D

Die zwei Parameter können nun in [2.28] eingesetzt werden. Die Portfolios, die für
die erwartete Portfoliorendite µP die minimale Varianz haben, können so ausgedrückt
werden:

λ1 λ2
647 48 647 48
⎛ µ C − A ⎞ −1 ⎛ B − µ P A ⎞ −1
[2.39] w P (µ P ) = ⎜ P ⎟ Σ RR µ R + ⎜ ⎟ Σ RR 1
⎝ D ⎠ ⎝ D ⎠

Durch Umformen dieser Gleichung erhält man:

18
2.2 Portfolio Selection nach MARKOWITZ

[2.40]
w P (µ P ) =
1
D
[(
B Σ −RR
1
) (
1 − A Σ −RR
1 1
)]
µ R + C Σ −RR
D
1
[( ) (
µ R − A Σ −RR
1
1 ⋅ µP)]
14444244443 14444244443
a b

Wie schon angedeutet, werden jetzt die Vektoren a und b definiert, die konstant sind,
da sie ausschließlich von µR und ΣRR und abhängen.

[2.41] a :=
1
D
[(
B Σ −RR
1
) (
1 − A Σ −RR
1
µR )]

[2.42] b :=
1
D
[(
C Σ −RR
1
) (
µ R − A Σ −RR
1
1 )]

Nachdem a und b definiert sind, kann man die Formel für die effizienten Portfolio-
gewichtungen als lineare Funktion der gewünschten Portfoliorendite so schreiben:

[2.43] w P (µ P ) = a + b µ P

Varianz der effizienten Portfolios


Die Varianz eines beliebigen Portfolios auf dem effizienten Rand lässt sich wie die
Varianz eines jeden Portfolios berechnen:

[2.44] σ P2 = w' Σ RR w

Durch Einsetzten von [2.43] erhält man:

[2.45] σ P2 = (a + bµ P )' Σ RR (a + bµ P )

Weitere Berechnungen ergeben:

B A C 2
[2.46] σ P2 = + 2 ⋅ µP + µP
D D D

Durch Umformung der Gleichung 2.46 ergibt sich:

2
C⎛ A⎞ 1
[2.47] σ = ⎜ µP − ⎟ +
2
P
D⎝ C⎠ C

19
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

Kurve effizienter Portfolios


Die Formel 2.47 kann auch nach der erwarteten Portfoliorendite aufgelöst werden.
Man erhält die Formel für die erwartete Rendite eines Portfolios in Abhängigkeit von
seiner Varianz:
A D ⎛ 2 1⎞
[2.48] µP = ± ⋅ ⎜σ P − ⎟
C C ⎝ C⎠

Der effiziente Rand schließt den „minus“-Term aus, ein rationaler Investor würde bei
gegebenem Risiko immer die Alternative mit dem höchsten Erwartungsnutzen wäh-
len. Die Formel für den effizienten Rand lautet demnach:

A D ⎛ 2 1⎞
[2.49] µP = + ⋅ ⎜σ P − ⎟
C C ⎝ C⎠

Beispiel
In der Abbildung 2.6 sind die Kurven effizienter Portfolios eines beispielhaften Vier-
Wertpapier-Portfolios33 für den Fall ohne Leerverkäufe und für den soeben hergelei-
teten Fall mit Leerverkäufen mittels der durchgezogenen Linien aufgeführt. Es wird
ersichtlich, dass sich mit Leerverkäufen theoretisch bessere Portfolios erreichen las-
sen.

Abbildung 2.6: Effiziente Portfoliokurven für ein beispielhaftes Vier-Wertpapier-Portfolio

33
Die erwartete Renditen sowie die Varianz-Kovarianz-Matrix für die Wertpapiere A,B,C und D
dieses Vier-Wertpapier-Beispielportfolios sind im Anhang B.1 aufgeführt.

20
2.2 Portfolio Selection nach MARKOWITZ

2.2.5 Das Minimum-Varianz-Portfolio im Mehr-Wertpapier-Fall

Das Portfolio mit der minimalen möglichen Varianz MVP ist in der Portfoliooptimie-
rung von besonderem Interesse. Wie nachfolgend gezeigt werden kann, hängen die
Wertpapiergewichtungen bei diesem Portfolio nicht von den erwarteten Renditen,
sondern nur von der historischen Varianz-Kovarianz-Matrix der Renditen ab. Da
diese als stabiler gilt als der historische Renditevektor, sollten die varianzminimalen
Portfolios auch stabiler sein als jedes andere effiziente Portfolio.34

Herleitung
Die Varianz eines Portfolios in Abhängigkeit der erwarteten Rendite

2
C⎛ A⎞ 1
σ = ⎜ µP − ⎟ +
2
P
D⎝ C⎠ C

besitzt ein offensichtliches Minimum für µP = A/C. Somit gilt für die erwartete Ren-
dite und für das Risiko des Minimum-Varianz-Portfolios:

A µ R ' Σ −RR
1
1
[2.50] µ MVP = = −1
= Aσ MVP
2

C 1' Σ RR 1

und

1 1
[2.51] σ MVP
2
= =
C 1' Σ −RR
1
1

Die Gewichtungen der Wertpapiere für das Minimum-Varianz-Portfolio sind nach


der Gleichung [2.39] gegeben durch:

w MVP = λ1 ⋅ Σ −RR
1
µ R + λ 2 ⋅ Σ −RR
1
1
⎛ A ⋅C − A⎞ ⎛ A ⎞
[2.52] = ⎜⎜ C ⎟ Σ −1 µ + ⎜ B − C ⋅ A ⎟ Σ −1 1
⎜ D ⎟⎟ RR R ⎜⎜ D ⎟⎟ RR
⎝ ⎠ ⎝ ⎠
−1
Σ RR 1
=
1' Σ −RR
1
1

21
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

Beispiel
In der Abbildung 2.7 sind für das Beispielportfolio der Abbildung 2.6 die Minimum-
Varianz-Portfolios MVP gekennzeichnet.

Abbildung 2.7: Minimum Varianz Portfolios des Vier-Wertpapier-Beispielportfolios

2.2.6 Das nutzenmaximierende Portfolio im Mehr-Wertpapier-Fall

Gemäß der Darstellung im Abschnitt 2.2.3.2 wird hier das optimale, nutzenmaximie-
rende Portfolio OP für den Fall mehrerer Wertpapiere untersucht.

Herleitung
Es wird unter der Nebenbedingung, dass der Investor vollständig investiert ist, nach
dem Portfolio auf der Kurve effizienter Portfolios gesucht, das den Nutzen des Inves-
tors maximiert. Das Optimierungsproblem lautet demnach:

max U µ ,σ 2 (w' µ R , w' Σ RR w )


[2.53]
u.d .N . w'1 = 1

Bevor dieses Problem angegangen wird, wird eine Kurzform für die Parameter der
Nutzenfunktion definiert:

[2.54] U (o ) := U µ ,σ 2 (w' µ R , w' Σ RR w )

34
vgl. Kleeberg (1995)

22
2.2 Portfolio Selection nach MARKOWITZ

Die Lagrangefunktion für das Optimierungsproblem lautet:

[2.55] L(w, δ ) = U (w' µ R , w' Σ RR w ) − δ (w'1 − 1)

Die notwendigen Bedingungen für die Maxima sind:

∂L ∂U (o ) ∂U (o ) !
[2.56] = µR + Σ RR w − δ 1 =0
∂w ∂µ ∂σ 2
und
∂L !
[2.57] = w'1 − 1 =0
∂δ

Die Auflösung der Bedingung [2.57] nach w liefert die Formel:

Σ −RR
1
⎛ ∂U (o ) ⎞
[2.58] w OP = ⋅ ⎜⎜ δ 1 − µ R ⎟⎟
∂U (o ) ⎝ ∂µ ⎠
∂σ 2

Multipliziert man diese Gleichung mit 1 unter der Berücksichtigung der Nebenbe-
dingung [2.57], erhält man den Wert für δ:

1 ⎛ ∂U (o ) ∂U (o ) ⎞
δ= ⎜⎜ + 1' Σ RR µ R ⎟
1' Σ RR 1 ⎝ ∂σ 2
∂µ ⎟⎠
1 ⎛ ∂U (o ) ∂U (o ) ⎞
[2.59] = ⎜⎜ +A ⎟
C ⎝ ∂σ 2
∂µ ⎟⎠
∂U (o ) 2 ∂U (o )
= σ MVP + µ MVP
∂σ 2
∂µ

Dabei bleibt die Definition der Skalare unverändert zu den Formeln 2.31-2.34. Setzt
man [2.59] in [2.58] ein, so ergibt sich:

⎛ ∂U (o ) ⎞ ∂U (o )
⎜ ⎟
⎜ 1 ∂µ A ⎟ −1 ∂µ
[2.60] w OP = + Σ 1− Σ −1 µ
⎜ C ∂U (o ) C ⎟ RR ∂U (o ) RR R
⎜ ⎟
⎝ ∂σ 2 ⎠ ∂σ 2

23
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

∂U (o )
−1 −
Σ 1 ∂µ ⎛ −1 A −1 ⎞
bzw. w OP = +
RR
⋅ ⎜ Σ RR µ R − Σ RR 1⎟
C ∂U (o ) ⎝ C ⎠
∂σ 2

Wenn die Gleichungen für das Minimum-Varianz-Portfolio [2.52] und für den Vek-
tor b [2.42] eingesetzt werden, erhält man des Ergebnis:

∂U (o )

∂µ C
[2.61] w OP = w MVP + ⋅ b
∂U (o ) D
∂σ 2
Der Term

∂U (o )

∂µ
∂U (o )
∂σ 2

stellt den Umkehrwert der Grenzrate der Substitution MRS35 des Investors dar, so
dass man auch schreiben kann:

C
[2.62] w OP = w MVP + D ⋅b
MRS µ ,σ 2 (o )

Beispiel
Abbildung 2.8: Optimale Portfolios im Vier-Wertpapier-Beispiel

35
vgl. Varian (2004), S. 47 f.

24
2.2 Portfolio Selection nach MARKOWITZ

Die Abbildung 2.8 veranschaulicht die optimalen Portfolios in dem Vier-Wertpapier-


Beispiel. Die zusätzlichen Linien entsprechen Iso-Nutzen-Linien des Typs in der
Formel 2.15. Der Risikoaversionsparameter λ wurde auf 2.5 gesetzt. Es wird ersicht-
lich, dass das optimale Portfolio in dem Fall erlaubter Leerverkäufe den Anleger auf
ein höheres Nutzenniveau bringt (U = 3.5), als das optimale Portfolio ohne Leerver-
käufe (U = 2.7).

2.2.7 Modellkritik

Die Portfolio-Selection-Theorie nach Markowitz beschäftigt sich mit der


Portfoliooptimierung unter der simultanen Berücksichtigung der erwarteten
Portfoliorendite auf der einen Seite und des eingegangenen Risikos in Form der
Portfoliovarianz oder der Standardabweichung des Portfolios auf der anderen Seite.
Der gesamte Vorgang der Portfolio Selection ist in der Abbildung 2.9
veranschaulicht.
Abbildung 2.9: Der Prozess der Portfolio-Optimierung nach MARKOWITZ

Prognose der N erwarte-


ten Renditen µR

Prognose der PORTFOLIO-


(N(N - 1))/2 + N OPTIMIERUNG Effiziente Portfolios
Kovarianzen und Varian-
zen ΣRR

Restriktionen bezüglich des Ziele des Anlegers,


Vektors der Portfolioge- z. B. Nutzenmaximie- Optimales
wichte w rung Portfolio

[Quelle: Eigene Darstellung in Anlehnung an Fabozzi/Gupta/Markowitz (2002), S. 8]

Die Gesamtzahl der zu schätzenden Inputs beläuft sich bei einem Portfolio mit N
Aktien allgemein auf N(N+3)/2. So sind zum Beispiel bei der Optimierung eines
Zehn-Wertpapier-Portfolios zehn erwartete Renditen, zehn Varianzen und 45 Kova-
rianzen zu prognostizieren. Insgesamt müssten in diesem Fall also 65 unbekannte
Parameter geschätzt werden.

Im Kern der Modernen Portfolio-Theorie nach Markowitz stehen die quantitative


Beschreibung des Portfoliorisikos, die Analyse der Porfoliodiversifikation und die
Ermittlung effizienter und optimaler Portfolios nach dem Grundsatz, für jede mögli-
che Portfoliorendite die Wertpapiermischung zu finden, welche die kleinste Rendite-

25
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

varianz verursacht. Dieser innovative Ansatz erlaubte es der Wissenschaft, die Ana-
lyse der Probleme der Geldanlage grundlegend voranzutreiben. Auf der Portfolio
Selection baut beispielsweise mit dem Capital Asset Pricing Model das wohl bekann-
teste Kapitalmarktmodell auf. Dieses wird im Abschnitt 2.5.1 vorgestellt.

Kritik an der Portfolio Selection wird vordergründig wegen des hohen Datenaufwan-
des geübt, welcher das in der Theorie elegante Modell für den praktischen Einsatz
stark in Frage stellt.

2.3 Index-Modell von SHARPE

2.3.1 Ansatz des Index-Modells von SHARPE

Die im Markowitz-Modell bestehende Datenproblematik hat 1963 zur Entwicklung


des Indexmodells36 durch Sharpe geführt.37 Der Grundgedanke des Index-Modells ist
die Reduzierung der zur Bestimmung der Effizienzkurve benötigten Inputgrößen.
Die Korrelation wird nicht zwischen sämtlichen Anlagen paarweise, sondern zwi-
schen jeder Anlage und dem Index berechnet.

In der Praxis werden auf einem nationalen Markt häufig Korrelationswerte zwischen
0,3 und 0,9 beobachtet.38 Sharpe geht davon aus, dass fundamentale Ursachen die
Gründe für diese positiven Korrelationswerte seien.39 Aus diesem Grund sollte ein
repräsentativer Index die Renditeunsicherheit der Anlagewerte vollständig erklären
können. Die Renditeentstehung kann demnach folgendermaßen modelliert werden40:

[2.63] Ri = ai + bi RI + ε i

mit: Ri: Rendite der Aktie i


a i: Konstante, unternehmensindividuelle Rendite
RI: Rendite des Indexes, der die für alle Unternehmen be-
deutsamen Ereignisse erfasst
b i: Sensitivität der Aktie i auf Änderungen von RI
ε i: Titelspezifische Störkomponente41

36
Auch Single-Index-Modell oder Diagonalmodell genannt.
37
vgl. Steiner/Bruns (2000), S. 15
38
vgl. Steiner/Bruns (2000), S. 16
39
vgl. Steiner/Bruns (2000), S. 16
40
vgl. Sharpe/Gordon/Alexander (1995), S. 206
41
Unternehmensspezifische Ereignisse wie z. B. ein Brand beeinflussen die Rendite eines Unterneh-
mens ebenfalls. Solche Unsicherheiten werden in der Gleichung durch die Störkomponente wiederge-
geben.

26
2.3 Index-Modell von SHARPE

Abbildung 2.10 stellt den Zusammenhang zwischen der Rendite eines Wertpapiers i
und der Entwicklung des Marktindexes dar. Die Werte ai und bi werden mit einer
linearen Regressionsgeraden geschätzt.

Abbildung 2.10: Zusammenhang zwischen Indexrendite und Aktienrendite

Aktienrendite Ri
εit2 y

x
bi=y/x

εit1

ai
Indexrendite RI

[Quelle: Eigene Darstellung in Anlehnung an Steiner/Bruns (2000), S. 17]

Im Anhang A.1 befindet sich die Herleitung der Formeln für die erwartete Porfolio-
rendite und die Portfoliovarianz im Index-Modell von Sharpe. Die erwartete Portfo-
liorendite lautet:

N N
[2.64] E [RP ] = ∑ wi ai + bP E [RI ] mit bP = ∑ wi bi
i =1 i =1

Die Portfoliovarianz setzt sich aus dem indexspezifischen bzw. systematischen Risi-
ko und dem titelspezifischen bzw. unsystematischen Risiko zusammen. Sie ergibt
sich im Index-Modell zu:

σ P2 = E [RP − E [RP ]]2


[2.65] N
= bP2σ I2 + ∑ wi2σ ε2i
i =1

Diese Formeln sind nötig, um mit dem Index-Modell von Sharpe die Effizienzkurve
zu berechnen. Es ist auch hier die Portfoliovarianz, bei gegebenen Renditeerwartun-
gen und der Bedingung der vollständigen Investition in die zur Verfügung stehenden
Anlagen, zu minimieren:

27
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

2
⎛ N ⎞ N
[2.66] min! ⎜ ∑ wi bi ⎟ σ I2 + ∑ wi2σ ε2i
⎜ ⎟
⎝i = 1 ⎠ i =1
N N
u.d.N. E [RP ] = ∑ wi ai + ∑ wi bi E [Ri ]
i =1 i =1
n
und ∑ wi = 1
i =1

Auf eine, wie im Modell von Markowitz dargestellte, ausführlichere Herleitung der
Lösung dieser Minimierungsaufgabe wird verzichtet, da das Single-Index-Modell
von Sharpe im empirischen Teil dieser Arbeit nicht weiter untersucht wird.

2.3.2 Modellkritik

In der Abbildung 2.11 ist der Prozess der Portfolio-Optimierung nach dem Single-
Index-Modell veranschaulicht.

Abbildung 2.11: Der Prozess der Portfolio-Optimierung im Index-Modell von SHARPE

Prognose der N Sensitivitä- Restriktionen bezüg-


ten bi lich des Vektors der
Portfoliogewichte w
Prognose der N titelspezifi-
schen Renditen ai

Prognose der N Varianzen Effiziente Portfolios


σε12………σεN2 PORTFOLIO-
OPTIMIERUNG
Prognose der Indexrendite
E[RI]
Ziele des Anlegers, Optimales
Prognose der Indexvarianz z. B. Nutzenmaximie-
σI2 rung
Portfolio

[Quelle: Eigene Darstellung]

Es sind insgesamt 3N+2 Daten zu schätzen. Bei einem Portfolio von zehn Wertpa-
pieren beträgt der Prognoseaufwand also 32 Daten.42

42
Im Markowitz-Modell wären es 65 gewesen, allerdings steigt die Parameterzahl dort exponentiell
mit der Aktienanzahl.

28
2.4 TOBIN-Separation

Das Index-Modell von Sharpe berücksichtigt die offensichtliche Abhängigkeit der


Wertentwicklung von Aktien auf einem Markt. Ein Aktienindex gibt in dem Modell
die Umweltbedingungen auf dem Markt wieder. Die Performance jeder Aktie des
Portfolios lässt sich durch die geschätzte Rendite des Indexes ableiten. Somit redu-
ziert sich der Schätzaufwand im Vergleich zum Markowitz-Modell erheblich.

Diesem reduzierten Prognoseaufwand steht allerdings ein deutlicher


Informationsverlust gegenüber. Die Gültigkeit der Annahmen, die im Index-Modell
über die Störkomponenten getroffen werden43, ist außerdem fragwürdig. So ist es
vorstellbar, dass unternehmensindividuelle Renditeentwicklungen durchaus
Auswirkungen auf andere Unternehmen haben können. In dem Fall würden sich aber
im Index-Modell für die Varianzen und Kovarianzen nur approximative Werte
ergeben.44

2.4 TOBIN-Separation

James Tobin erweiterte 1958 die Theorie von Markowitz, indem er die Möglichkeit
berücksichtigte, ein risikoloses Wertpapier in das Portfolio zu integrieren. Eine wei-
tere Annahme seines Modell war die Existenz eines vollkommen vollständigen Kapi-
talmarktes45, an dem jeder Anleger die Möglichkeit zu unbegrenzter Kreditaufnahme
hat.46

Die wichtigste neue Erkenntnis war, dass sich das Entscheidungsproblem des Anle-
gers in einer anderen Weise als bei dem von Markowitz behandelten Fall mit aus-
schließlich riskanten Investitionsmöglichkeiten in zwei Teile zerlegen oder separie-
ren lässt. Im ersten Schritt wird die Zusammensetzung des risikobehafteten
Wertpapierportfolios bestimmt. Dies passiert unabhängig von der jeweiligen Risiko-
neigung des Investors. Im zweiten Schritt entscheidet sich der Anleger, wie sehr das
Risiko und der erwartete Gewinn dieses riskanten Portfolios durch Geldanlage oder
Kreditaufnahme zum sicheren Zinssatz Rf, gemindert oder erhöht werden.47

Die erwartete Rendite eines Mischportfolios aus einer risikolosen Anlage und einer
risikobehafteten Anlage hängt maßgeblich von dem Anteil α des Vermögens ab, das
in das sichere Wertpapier investiert wird. Die folgende Formel veranschaulicht die
erwartete Rendite, die ein Anleger mit einem solchen Mischportfolio erreichen kann:
43
siehe Anhang A.1
44
vgl. Perridon/Steiner (1999), S. 259
45
In einem vollkommenen Kapitalmarkt gibt es keine Arbitragemöglichkeiten, keine Transaktions-
kosten und keine Einschränkungen beim Short-Selling. Soll- und Habenzinsen sind gleich, und alle
Wertpapiere sind beliebig teilbar. [siehe Franke/Härdle/Hafner (2003), S. 13]
46
vgl. Schmidt (1996), S. 331
47
vgl. Schmidt (1996), S. 332

29
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

[2.67] E [RP ] = α ⋅ R f + (1 − α ) ⋅ E [Rr ]

mit E[RP]: Erwartete Portfoliorendite


α: Anteil des Vermögens, das in die sichere Anlage
investiert wird
Rf: Risikoloser Zinssatz
Rr: Erwartete Rendite der risikobehafteten Anlage

Es ist mit einer risikolosen Anlage und einem gegebenen risikobehafteten Portfolio
durch Kreditaufnahme, das heißt ein negatives α, oder die Anlage zum sicheren Zins-
satz möglich, ein Mischportfolio zu bilden, dessen erzielbare Parameter µ und σ auf
der Geraden liegen, welche die zwei Anlagen verbindet. Das beste riskante Portfolio
in diesem Sinne ist dasjenige, welches es ermöglicht, für ein gegebenes Risiko die
höchste erwartete Rendite zu erreichen. Die Abbildung 2.12 veranschaulicht, wie
eine risikolose Anlage Rf mit einem ineffizienten risikobehafteten Portfolio INEFF
und dem effizienten risikobehafteten Portfolio EFF kombiniert werden kann. Es wird
ersichtlich, dass das effiziente risikobehaftete Portfolio bei der Tobin-Separation das
Tangentialportfolio auf der Kurve effizienter Portfolios von Markowitz ist.

Abbildung 2.12: Die TOBIN-Separation

[Quelle: Eigene Darstellung in Anlehnung an Kruschwitz (2003), S. 366]

Die Gerade effizienter Portfolios in der Tobin-Separation kann man demnach schrei-
ben als:

E [REFF ] − R f
[2.68] E [RP ] = R f + ⋅σ P
σ EFF

30
2.5 Kapitalmarktmodelle

Im nächsten Schritt sind die subjektiven Risikopräferenzen des Anlegers notwendig,


um das Verhältnis der risikolosen Anlage und des risikobehafteten Portfolios im neu-
en optimalen Mischportfolio zu bestimmen. Jeder Anleger wird das Mischportfolio
wählen, welches ihn auf das höchstmögliche Nutzenniveau bringt. Abbildung 2.13
verdeutlicht, welche µ-σ-Kombinationen der Anleger im Falle eines ausschließlich
aus riskanten Wertpapieren zusammengestellten Portfolios und im Falle der Tobin-
Separation mit einer risikolosen Anlage wählen würde.

Aus der Abbildung 2.13 wird ersichtlich, dass die Tobin-Separation dem Anleger
ermöglicht, ein höheres Nutzenniveau zu erreichen als bei der Portfolio Selection
von Markowitz mit ausschließlich risikobehafteten Wertpapieren.

Im Anhang A.2 sind die Herleitungen des effizienten Tangentialportfolios EFF und
der Geraden effizienter Portfolios nach Tobin aufgeführt.

Abbildung 2.13: Optimale Portfolios nach TOBIN und MARKOWITZ

[Quelle: Eigene Darstellung]

2.5 Kapitalmarktmodelle

In den Modellen von Markowitz und Tobin wird aus mehreren Wertpapieren die
Kurve effizienter Portfolios und das Tangentialportfolio ermittelt. Im Folgenden
Schritt wird ein für den Anleger optimales Portfolio ermittelt, indem seine Nutzen-
funktion maximiert wird. Diese Ansätze sind normativ, da sie besagen, wie sich ein
individueller Investor verhalten soll. Die Kapitalmarktmodelle versuchen vorder-

31
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

gründig zu erklären wie Wertpapierpreise zustande kommen. Diese Theorien sind


explikativer Natur.48

Der klassische Ansatz der Kapitalmarkttheorie ist das 1964-1966 von Sharpe, Lintner
und Mossin49 entwickelte Capital Asset Pricing Model CAPM. Außerdem wird die,
auf einer anderen theoretischen Basis entwickelte Arbitrage Pricing Theory APT
behandelt.

2.5.1 Capital Asset Pricing Model

2.5.1.1 Annahmen
Die grundlegende Annahme des Modells besagt, dass sich Anleger dem Modell der
Modernen Portfolio-Theorie gemäß verhalten. Folgende Annahmen des CAPM wur-
den bereits im Rahmen der Portfolio-Theorie getroffen50:

- Investoren bewerten Investitionen nach deren erwarteter Rendite und nach


dem Risiko über eine bestimmte Periode.
- Investoren sind nie gesättigt.
- Investoren verhalten sich risikoavers.
- Wertpapiere sind unendlich teilbar.
- Es existiert eine sichere Anlage.
- Steuern und Transaktionskosten werden nicht berücksichtigt.

Außerdem werden im CAPM zusätzliche Annahmen aufgestellt:

- Alle Investoren haben denselben einperiodigen Planungshorizont.


- Der sichere Zinssatz ist für sämtliche Investoren identisch.
- Informationen sind frei und sofort verfügbar.
- Investoren haben homogene Erwartungen bezüglich µ, σ2 und σij.

2.5.1.2 Die Kapitalmarktlinie


Der erste Schritt zur Konstruktion des CAPM besteht in der Ermittlung der Kapital-
marktlinie. Der Aufbau der Kapitalmarktlinie erfolgt analog zur Tobin-Separation51,
allerdings stellt die Kapitalmarktlinie durch die zusätzlichen Annahmen des CAPM,
die Linie effizienter Portfolios für sämtliche Investoren dar. Die individuellen Portfo-
lios unterscheiden sich nur noch durch die verschiedenen Mischverhältnisse zwi-

48
vgl. Sharpe/Alexander/Bailey (1995), S. 261
49
Perridon/Steiner (1999), S. 260 beziehen sich auf: Sharpe (1964), Lintner (1965) und Mossin (1966)
50
vgl. Sharpe/Alexander/Bailey (1995), S. 261
51
siehe Abschnitt 2.4 und Anhang A.2

32
2.5 Kapitalmarktmodelle

schen der sicheren Anlage und dem risikobehafteten Portfolio.52 Durch die getroffe-
nen zusätzlichen Annahmen wird das risikobehaftete Portfolio jedes Anlegers diesel-
be Struktur besitzen. Dieses Portfolio wird auch Marktportfolio genannt.53 Wenn von
der Gültigkeit des CAPM ausgegangen wird, so können die Wertpapiergewichtungen
des riskanten Portfolios aus den relativen Marktkapitalisierungen der in ihm vorhan-
denen Assets bestimmt werden; wenn jeder Investor die Wertpapiere zu einem iden-
tischen Verhältnis kauft, so wird das Verhältnis, zu dem die Gesamtheit der Investo-
ren diese Anlagen besitzen, demjenigen jedes Anlegers entsprechen.

Ähnlich wie bei der Tobin-Separation ist die Formel der Kapitalmarktlinie:

E [RM ] − R f
[2.69] E[ R P ] = R f + σP
σM

mit: E[RP]: Erwartete Rendite des Portfolios


Rf: Risikoloser Zinssatz
E[RM]: Erwartete Rendite des Marktportfolios
σ M: Standardabweichung des Marktportfolios
σP: Standardabweichung des Portfolios

Die Steigung der Kapitalmarktlinie beträgt:

E [RM ] − R f
[2.70] m KML =
σM

Sie stellt den Marktpreis für eine Änderung des Risikos um eine Einheit σ dar und
wird aus diesem Grund auch als Marktpreis des Risikos bezeichnet.54

Graphisch entspricht die Kapitalmarktlinie der Geraden effizienter Portfolios der


Tobin-Separation und ist in der Abbildung 2.12 veranschaulicht. Durch die Annah-
men des CAPM kann das effiziente risikobehaftete Portfolio EFF als Marktportfolio
bezeichnet werden.

2.5.1.3 Die Wertpapierlinie


Die Wertpapierlinie ist die entscheidende Erweiterung der Portfolio-Theorie und
stellt das Grundmodell des CAPM dar. Sie veranschaulicht den Zusammenhang zwi-
schen erwarteter Wertpapierrendite und Risiko des Wertpapiers, der im Marktgleich-

52
vgl. Perridon/Steiner (1999), S. 264
53
vgl. Steiner/Bruns (2000), S. 23
54
vgl. Perridon/Steiner (1999), S. 265

33
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

gewicht immer gegeben sein muss. Eine ausführliche Herleitung der Wertpapierlinie
befindet sich im Anhang A.3. Die Wertpapierlinie lautet:

[2.71] [ ] σσ
E [Ri ] = R f + E [RM ] − R f ⋅ iM
2
M

mit: Rf: Risikoloser Zinssatz


E[Ri]: Erwartete Rendite des Wertpapiers i im Markt-
gleichgewicht
E[RM]: Erwartete Rendite des Marktportfolios
σiM2: Kovarianz des Wertpapiers mit dem Marktport-
folio
σM2: Renditevarianz des Marktportfolios

Demnach kann für eine einzelne risikobehaftete Investition im Kapitalmarktgleich-


gewicht eine Rendite erwartet werden, die aus der risikolosen Rendite und einer Ri-
sikoprämie zusammensetzt ist. Die Risikoprämie ergibt sich aus dem Produkt des
Marktpreises des Risikos55 [E[RM]-Rf] mit der Höhe des Risikos der einzelnen Anla-
ge, die durch den Ausdruck σiM/σM2 gemessen wird. Für dieses Risikomaß hat sich
der Ausdruck des Betafaktors β durchgesetzt. Es gilt:

σ iM σ
[2.72] βi = = ρ iM i
σM 2
σM

Schließlich kann die Standardgleichung des CAPM aufgestellt werden:

[2.73] [ ]
E [Ri ] = R f + E [RM ] − R f ⋅ β i

Die Wertpapierlinie ist in der Abbildung 2.14 veranschaulicht. Basierend auf der Ka-
pitalmarktlinie beantwortet sie die Fragestellung, wie ein einzelnes Wertpapier im
Marktgleichgewicht zu bewerten ist. Befindet sich ein Wertpapier oberhalb der
Wertpapierlinie, so gilt es als unterbewertet. Anleger werden diesen günstigen Preis
des Wertpapiers nutzen und es kaufen. Durch diese erhöhte Nachfrage wird aller-
dings der Preis der Anlage steigen und konsequenterweise die Rendite der Anlage
fallen. Für überteuerte Wertpapiere, die sich unter der Wertpapierlinie befinden, gilt
dieser Gedankengang umgekehrt. Das CAPM-Gleichgewicht geht demnach davon
aus, dass sich die Rendite eines Wertpapiers durch seinen Beta-Faktor vollständig

55
in der angelsächsischen Literatur: Market Risk Premium

34
2.5 Kapitalmarktmodelle

erklären lässt, sowie dass Ungleichgewichte auf dem Markt nur kurzfristig bestehen
können und schließlich wieder zum Gleichgewicht tendieren.

Abbildung 2.14: Die Wertpapierlinie

Aktienrendite Ri

E[RM] Wertpapierlinie

Rf
Beta-Faktor βi der
βM=1 Aktie i

[Quelle: Eigene Darstellung in Anlehnung an Steiner/Bruns (2000), S. 27]

2.4.1.4 Systematisches und unsystematisches Risiko


Im Anhang A.1 wurde die Formel zur Festlegung des Portfoliorisikos deriviert. Das
Portfoliorisiko im Index-Modell ergibt sich zu:

N 2 2
[2.74] σ P2 = bP2σ I2 + ∑ wi σ ε i
123
SYSTEMATISCHES RISIKO i1=4124 3
UNSYSTEMATISCHES RISIKO

Das Portfoliorisiko lässt sich aus einem Term für das systematische, also vom Markt
abhängige, Risiko und einem Term für das unsystematische, wertpapierspezifische
Risiko bestimmen. Die Konvergenz des Portfoliorisikos gegen das systematische
Risiko wird mit steigender Anzahl an Wertpapieren im Portfolio deutlich:

0
SYSTEMATISCHES RISIKO
6447 44
8
64748 N 2 2
[2.75] lim σ P2 = lim bP2σ I2 + lim ∑ wi σ ε i
N →∞ N →∞ N →∞
i =1
= bP2σ I2

bzw. im CAPM:

35
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

lim σ P2 = β P2σ I2
N →∞

[2.76]
N
mit β P = ∑ wi ⋅ β i
i =1

Die Eliminierung des unsystematischen Risikos ist demnach umso effektiver, je di-
versifizierter das Portfolio ist. Die Abbildung 2.15 veranschaulicht die Entwicklung
des Portfoliorisikos bei steigender Diversifikation.

Abbildung 2.15: Systematisches und unsystematisches Portfoliorisiko bei steigender


Diversifikation
Portfoliorisiko σP2

UNSYSTEMATISCHES RISIKO

SYSTEMATISCHES RISIKO
Anzahl der Aktien
im Portfolio

[Quelle: Eigene Darstellung in Anlehnung an Sharpe/Alexander/Bailey (1995)]

2.5.1.5 Modellkritik
Das CAPM stellt das wichtigste Modell zur Erklärung von Wertpapierrenditen in
Abhängigkeit von deren Risiko und zur Analyse der Risikoreduktion durch Diversi-
fikation dar. Die Aussage, dass Investoren lediglich für die Aufnahme von systemati-
schem Risiko vom Markt in Form von erwarteter Rendite belohnt werden und dass
unsystematisches, diversifizierbares Risiko keine Risikoprämie verursacht, ist eine
wichtige Erkenntnis in der Kapitalmarkttheorie.

Seit der Entwicklung durch Sharpe, Lintner und Mossin wurde das CAPM in zahlrei-
chen Untersuchungen auf seine empirische Gültigkeit getestet. Das Modell konnte
bisher weder eindeutig verifiziert noch falsifiziert werden. Hervorzuheben sind die
vielen und zum Teil unrealistischen Annahmen, auf die sich das Modell stützt. Des
Weiteren ist die Stationarität der Modellparameter, vor allem des Beta-Faktors, im
Zeitablauf nicht gegeben.56 Die zentrale Aussage der Kapitalmarktlinie beschreibt
daher nicht das reale Anlegerverhalten, sondern verdeutlicht die Gleichgewichtsbe

56
vgl. Steiner/Bruns (2000), S. 28 f.

36
2.6 Performance-Messung von Portfolios

dingungen für die Unabhängigkeit von Investitionsentscheidungen von persönlichen


Rendite-Risiko-Präferenzen.57

2.5.2 Arbitrage Pricing Theory

Die Basis der Arbitrage Pricing Theory APT ist nicht mehr die Portfolio-Theorie,
sondern ein in sich geschlossenes Arbitragegebäude.58 Eine ausführliche Behandlung
der APT gehört demnach nicht in diese Arbeit; da sie aber in der Literatur die geläu-
figste Alternative zum CAPM darstellt, wird deren Grundgedanke im Folgenden kurz
dargestellt.

Die von Ross 1976 entwickelte Arbitrage Pricing Theory basiert auf einem anderen
Ansatz als das CAPM, bei dem die Erklärung von Wertpapierrenditen lediglich auf
der Rendite und das Risiko des Marktportfolios zurückgeführt wird. Die APT erklärt
Wertpapierrenditen anhand mehrerer Faktoren, sie kann in folgender Form geschrie-
ben werden:

E [Ri ] = R f + (E [F1 ] − R f )β i1 + (E [F2 ] − R f )β i 2 + K + (E [FK ] − R f )β iK


14444444444244444444443
Risikoprämie
[2.77]
= R f + ∑ (E [Fk ] − R f )β ik
K

k =1

E[Fk] entspricht der erwarteten Rendite eines Portfolios, welche vom k-ten Faktor
abhängt und von allen anderen Faktoren vollkommen unabhängig ist. Der Betafaktor
βik ist das Sensitivitätsmaß der Aktienrendite gegenüber dem k-ten Faktor. Der Vor-
teil, der durch die APT hervorgehen soll, ist die Erklärung der Risikoprämien von
Wertpapieren aus mehreren wirtschaftlichen Einflussgrößen.59

2.6 Performance-Messung von Portfolios

Unter Performance-Messung ist die Beurteilung und der Vergleich des relativen An-
lageerfolgs von Portfolios zu verstehen. In der Praxis kann durch die Performance-
Messung die Leistung von Portfoliomanagern quantifiziert und verglichen werden.60

57
vgl. Perridon/Steiner (1999), S. 264
58
vgl. Steiner/Bruns (2000), S. 30
59
vgl. Kruschwitz (2003), S. 370
60
vgl. Steiner/Bruns (2000), S. 567 f.

37
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

In der Entwicklung neuer Portfoliokonzepte können verschiedene Ansätze auf ihre


Güte getestet werden und gegebenenfalls verbessert oder ausgeschlossen werden.

Die Besonderheit der verschiedenen Methoden zur Performance-Messung liegt in der


zweidimensionalen Rendite-Risiko-Beurteilung der Portfolios. Eine im Portfolio-
Management typische Aussage, ein bestimmtes Portfolio habe seine Benchmark ge-
schlagen, ist aufgrund der alleinigen Betrachtung der Portfoliorendite, unbrauchbar:
Das gesamte Kapital würde in das Portfolio mit der höchsten Überperformance in-
vestiert werden.

Die Festlegung einer Benchmark, an der die Performance eines Portfolios gemessen
wird, ist von großer Bedeutung. Ein Vergleich der Portfolios mit einer Benchmark
erfolgt in sämtlichen der in diesem Abschnitt vorgestellten Performancemaße. Nach
Sharpe sollte eine Benchmark folgenden Anforderungen gerecht werden: 61

- Bei der Benchmark sollte es sich um eine real erwerbbare Anlagealternative


handeln.
- Die Benchmark sollte sehr gut diversifiziert und deshalb schwer risikoadjus-
tiert zu schlagen sein.
- Der reale Erwerb der Benchmark sollte kostengünstig durchzuführen sein.
- Die Benchmark sollte vor dem Zustandekommen von Anlageentscheidungen
festgelegt sein.

Im Folgenden werden die gängigen Maße zur Quantifizierung der Performance von
Portfolios aufgeführt.

SHARPE-Ratio
Die Sharpe-Ratio, auch Reward to Variability Ratio genannt, diskontiert die Über-
rendite gegenüber dem risikolosen Zinssatz mit dem Risiko des Portfolios. Die For-
mel zur Festlegung der Sharpe-Ratio lautet:62

RP − R f
[2.78] SR P =
σP

Verbal drückt die Sharpe-Ratio die erzielte Risikoprämie je Einheit des Gesamtrisi-
kos aus. Die Portfolioperformance ist demnach umso besser einzustufen, je höher der
Wert der Sharpe-Ratio ist. Vergleicht man die Formel 2.77 mit der Formel 2.70, so
wird ersichtlich, dass der Wert der Sharpe-Ratio einem Ex-post-Anstieg der Kapi-

61
vgl. Steiner/Bruns (2000), S. 574
62
vgl. Perridon/Steiner (1999), S. 295

38
2.6 Performance-Messung von Portfolios

talmarktlinie entspricht. Portfolios lassen sich über die Sharpe-Ratio miteinander


vergleichen. Portfolios mit einer höheren Sharpe-Ratio gelten als risikoadjustiert
effizienter als Portfolios mit einer niedrigen Sharpe-Ratio.63

TREYNOR-Koeffizient
Der Treynor-Koeffizient ist auch unter der Bezeichnung Reward to Volatility Ratio
bekannt. Dieser Koeffizient stützt sich ebenfalls auf das CAPM, berücksichtigt je-
doch statt der Volatilität des Portfolios dessen systematisches Risiko. Die Formel des
Treynor-Koeffizienten lautet:64

RP − R f
[2.79] TK P =
βP

Je höher das Performancemaß von Treynor bei einem Portfolio ausfällt, desto besser
wurde die Übernahme systematischen Risikos belohnt. Portfolios mit einem höheren
Treynor-Koeffizienten werden in der Performance-Messung besser abschneiden als
Portfolios mit niedrigeren Werten.

JENSEN-Alpha
Das Jensen-Alpha, auch Differential Return genannt, bietet eine alternative Herange-
hensweise für die Performance-Messung von Portfolios. Auch dieser Ansatz stützt
sich auf das Modellgerüst des CAPM. Die verbuchte Überrendite eines Portfolios
wird mit der erwarteten Überrendite dieses Portfolios verglichen. Die Formel hierzu
lautet:65

[2.80] JAP = (RP − R f ) − (R BM − R f ) ⋅ β P + ε PF

mit E [ε PF ] = 0
Jensens Alpha misst die Performance eines Portfolios relativ zum Markt. Das Ver-
fahren eignet sich jedoch nicht zu einem Vergleich von Portfolios mit unterschiedl-
chem systematischem Risiko und ist eher als absolutes Maß zur Beurteilung der
Leistung von Portfoliomanagern einzusetzen.66

Die Performance-Maße von Jensen und Treynor verwenden das systematische Risiko
bei der Risikoabdiskontierung. Ein gut diversifiziertes Portfolio, das denselben Beta-

63
vgl. Steiner/Bruns (2000), S. 576
64
vgl. Perridon/Steiner (1999), S. 295
65
vgl. Steiner/Bruns (2000), S. 582
66
vgl. Perridon/Steiner (1999), S. 294

39
2 Moderne Portfolio-Theorie und Kapitalmarktmodelle

Faktor besitzt wie ein zweites, schlechter diversifiziertes Portfolio, würde mit dem-
selben Faktor abdiskontiert werden. Dies ist keine faire Beurteilung, da das Portfolio
mit dem kleineren unsystematischen Risiko ein kleineres Risikomaß besitzen sollte.
Sowohl dem Jensen-Alpha als auch dem Treynor-Koeffizienten können dieselben
Kritikpunkte wie dem CAPM angelastet werden.67

Eine relative Beurteilung unterschiedlicher Portfolios ist lediglich mit den Verfahren
von Sharpe und Treynor möglich.

In dem empirischen Teil dieser Arbeit werden die Portfolio-Management-Techniken


durch die Analyse ihrer Sharpe-Ratios miteinander verglichen.

2.7 Fazit

In diesem Kapitel wurden die Grundlagen der Modernen Portfolio- und Kapital-
markt-Theorie dargestellt. Diese Theorien haben das Wertpapiermanagement revolu-
tioniert und die akademische Untersuchung der Wertpapier- und Kapitalmärkte mög-
lich gemacht. Der Ökonomie-Nobelpreis „for their pioneering work in the theory of
financial economics”, der 1990 an Markowitz68, Sharpe69 und Miller70 ging, unter-
streicht die Relevanz der aufgeführten Theorien.

Bis zur Veröffentlichung des Artikels Portfolio Selection von Markowitz im Jahre
1952 gab es keine fundierte wissenschaftliche Erklärung für die in der Praxis betrie-
bene Diversifikation von Wertpapierportfolios. Die Erkenntnis, dass Wertpapiere, die
besonders niedrige Korrelationen zueinander aufweisen das Portfoliorisiko erheblich
senken können, und die Ermittlung effizienter Wertpapiermischungen gehen auf
Markowitz zurück.

Die Portfolio Selection nach Markowitz war die Ausgangstheorie, nach der sich die
gesamte Moderne Portfolio-Theorie und das CAPM von Sharpe, Lintner und Mossin
entwickeln ließen. In der akademischen Welt gilt das CAPM als Grundgerüst der
Kapitalmarkttheorie. Die zentralen Aussagen des CAPM sind die Vergütung für die
Aufnahme von systematischem, das heißt marktabhängigem Risiko, und die Mög-
lichkeit, unsystematisches Risiko vollständig wegzudiversifizieren.

67
vgl. Perridon/Steiner (1999), S. 295
68
für “Foundations of Portfolio Theory”
69
für “Capital Asset Prices with and without Negative Holding”
70
für „Leverage“

40
2.7 Fazit

Andererseits bauen sowohl die Portfolio Selection als auch das CAPM auf vielen und
zum Teil unrealistischen Annahmen auf. Der erhebliche Datenaufwand, insbesondere
bei der Portfolio-Optimierung nach Markowitz, macht einen Einsatz des Modells in
der Praxis kompliziert. Lösungsansätze dieser Datenproblematik, wie das Index-
Modell von Sharpe, reduzieren zwar den Datenaufwand, führen jedoch zu einem
entsprechenden Informationsverlust. Ein weiterer Kritikpunkt, der an der Mittelwert-
Varianz-Optimierung geübt wird, ist die Tatsache, dass sobald ein Wertpapier auf-
grund der geschätzten Daten den anderen Anlagen des Portfolios im Rendite-Risiko-
Kontext überlegen ist, die Optimierungsroutine dieses Wertpapier deutlich überge-
wichten wird. Fehler in den geschätzten Renditen haben somit einen starken Einfluss
auf die Gestaltung und Performance des Portfolios. Da aber Fehler in der Renditeein-
schätzung im Wertpapiermanagement durchaus vorkommen, ist die Kurve effizienter
Portfolios ex ante nicht zu bestimmen.

41
3 Portfolio-Management nach BLACK
und LITTERMAN

3.1 Defizite der Portfoliooptimierung nach MARKOWITZ

Die im Kapitel 2 dargestellte Portfolio-Selection-Theorie von Markowitz stellt eine


quantitativ generell anerkannte Methode dar, um den Trade-off zwischen den zwei
Grundzielen der Renditemaximierung und der Risikominimierung bei Investitionen
zu erklären. Dieser Ansatz bildet nach wie vor das akademische Grundgerüst der
Portfoliotheorie. In der Praxis konnte sich der Markowitz’sche Ansatz aufgrund di-
verser schwerwiegender Probleme allerdings nur eingeschränkt durchsetzen. Die vier
Hauptprobleme bei der Anwendung des klassischen Ansatzes sind:71

Extreme Portfolioallokationen
Häufig beinhalten optimierte Portfolios sowohl auf der Long-Seite als auch auf der
Short-Seite extreme Portfoliogewichte. Diese Gewichte könnten in der Praxis bereits
aus institutionellen und rechtlichen Gründen nicht umgesetzt werden.72 Die Mittel-
wert-Varianz-Optimierung tendiert auch bei Portfolios mit Restriktionen, wie zum
Beispiel der Ausschluss von Leerverkäufen, zu extremen Portfoliogewichten.

Abbildung 3.1: Portfoliogewichte nach MARKOWITZ mit und ohne Leerverkäufe

Mit Leerverkäufen Ohne Leerverkäufe

In der Abbildung 3.1 sind die Markowitz-Gewichte73 eines Sieben-Wertpapier-


Portfolios aus den Aktien des DAX mit der höchsten Marktkapitalisierung darge

71
Vgl. He/Litterman (1999), S. 2 f. und Drobetz (2002), S. 4 ff.
72
vgl. Drobetz (2002), S. 6
73
Nutzenmaximierendes Portfolio mit U= µ - 0.5 λ σ2; Der Risikoaversionsparameter wurde auf
λ = 200 gesetzt, um das Beispiel anschaulicher zu machen.

42
3.1 Defizite der Portfoliooptimierung nach MARKOWITZ

stellt.74 In der ersten Tabelle wurden Leerverkäufe, in der zweiten nur Longpositio-
nen erlaubt. Beide Portfolios weisen eine hohe Konzentration auf. Die SIE-Aktie
wird aufgrund ihrer sehr hohen historischen Rendite bei relativ niedriger Volatilität75
stark übergewichtet. In dem ersten Portfolio der Abbildung 3.1 werden einige Werte
stark geshortet, um eine erhöhte Beteiligung an den historisch stärkeren Aktien zu
ermöglichen.

Sensitivität der Portfoliogewichte


Ein weiteres Problem stellt die starke Sensitivität der Portfoliogewichte gegenüber
Veränderungen der Inputfaktoren dar. Besonders Veränderungen der erwarteten
Renditen führen zu unrealistisch großen Umschichtungen im Portfolio. Dies hat zum
einen die Folge hoher Transaktionskosten, zum anderen steht eine zu hohe Um-
schichtungsfrequenz für inkonsistentes Portfolio-Management und ist nach außen nur
schwer kommunizierbar.76 Die Abbildung 3.2 verdeutlicht diese Problematik.

Abbildung 3.2: Sensitivität der MARKOWITZ-Portfolios ohne und mit Leerverkaufsrestriktio-


nen auf eine revidierte Renditeprognose

Die erwartete Rendite für das Jahr 2004 der SIE-Aktie wurde ceteris paribus um zehn
Prozent erhöht. Die grauen Balken stellen die Portfoliogewichte vor der Revision der

74
Es handelt sich dabei, geordnet nach der Marktkapitalisierung, um folgende Werte: Siemens AG
(SIE), Deutsche Telekom AG (DTE), Deutsche Bank AG (DBK), Allianz AG (ALV), E.ON AG
(EOA), Daimler Chrysler AG (DCX), SAP AG (SAP) [Stand: 30.12.2003]. Im Anhang B.3.3 sind die
Marktkapitalisierungen der 15 größten DAX-Aktien veranschaulicht.
Die historischen Renditen sowie die Varianz-Kovarianz-Matrix wurden über die letzten 100
Börsentage des Jahres 2003 ermittelt (08.08.03-30.12.03) und auf Jahresrenditen bzw. Jahresvolatilitä-
ten hochgerechnet. Die zugehörigen Matrizen befinden sich im Anhang B.2. Die Gewichte dieses
Sieben-Wertpapier-Portfolios beziehen sich somit auf das Jahr 2004. Dieses Sieben-Wertpapier-
Portfolio wird auch in den folgenden Abschnitten als Beispielportfolio zur Illustration verschiedener
Eigenschaften des Markowitz’schen Ansatzes sowie des Black-Litterman-Ansatzes herangezogen.
75
siehe Anhang B.2
76
vgl. Drobetz (2002), S. 7

43
3 Portfolio-Management nach BLACK und LITTERMAN

Renditeerwartung dar. Die schwarzen Balken zeigen die Gewichte unter der revidier-
ten Renditeerwartung. Analog zur Abbildung 3.1 sind in dem ersten Portfolio Leer-
verkäufe erlaubt, in dem zweiten hingegen nicht. Die nach oben korrigierte Rendite-
erwartung für SIE bewirkt in beiden Portfolios starke Umschichtungen, welche die
Konzentration auf wenige Wertpapiere verstärken.

Informationsaggregation
Der Markowitz’sche Ansatz erfordert die Spezifikation der Renditeerwartungen
sämtlicher Wertpapiere sowie die dazugehörige Varianz-Kovarianz-Matrix. Die
Schwierigkeit, qualitativ gute Renditeprognosen zu erstellen, und die Tatsache, dass
Portfoliomanager in der Regel nur in ausgewählten Wertpapierklassen über verlässli-
che Renditeerwartungen verfügen, stellt die Portfoliomanager bei der Zusammenstel-
lung der Eingabematrizen für die Mittelwert-Varianz-Optimierung vor eine große
Herausforderung.77

Keine Möglichkeit, Aussagen über die Prognosegüte zu treffen


Portfoliomanager haben durch den Einsatz verschiedener Analyseinstrumente bezüg-
lich ihrer Prognosen häufig verschiedene Konfidenzen. Derartige Unterschiede in der
Güte der Prognosen können in dem Markowitz-Formalismus nicht berücksichtigt
werden.

Diese Probleme, die durch den praktischen Einsatz der klassischen Portfoliotheorie
aufkommen, führen dazu, dass das Modell in der Praxis nur bedingt umgesetzt wer-
den kann. Der Versuch, das Modell durch verschiedene Restriktionen realistischer zu
machen, ist oft mit einem unverhältnismäßigen Aufwand verbunden. Für Black und
Litterman war dies der Anstoß, ein Portfolio-Management-Modell zu entwickeln, das
die oben angesprochenen Defizite des klassischen Ansatzes besser löst.78

3.2 Der Ansatz des BLACK-LITTERMAN-Verfahrens

In diesem Abschnitt wird die grundsätzliche Vorgehensweise des Black-Litterman-


Verfahrens beschrieben, in den folgenden Abschnitten kann dann die Vorgehenswei-
se formalisiert werden.

Das Black-Litterman-Verfahren orientiert sich ständig an einem von dem Portfolio-


manager a priori festgelegten Referenzportfolio. Dieses Portfolio soll dem langfristi-
gen Anlegerverhalten des Investors entsprechen. Hat der Portfoliomanager keine
77
vgl. Drobetz (2002), S. 5
78
vgl. He/Litterman (1999), S. 3

44
3.2 Der Ansatz des BLACK-LITTERMAN-Verfahrens

Erwartung bezüglich künftiger Renditeentwicklungen von Wertpapieren in seinem


Portfolio, stimmt er indirekt den impliziten Renditeerwartungen zu. Dies führt dazu,
dass die Gewichtungen der Wertpapiere in dem Portfolio denen des Referenzportfo-
lios entsprechen. Das Black-Litterman-Verfahren erlaubt, eine beliebige Anzahl von
Renditeprognosen unter Berücksichtigung der Prognosequalität in die Portfolioopti-
mierung zu integrieren. Es können sowohl absolute Prognosen über erwartete Rendi-
teniveaus von einem Wertpapier als auch relative Prognosen über stärker und schwä-
cher performende Wertpapiere in das Verfahren integriert werden.

Das Ergebnis des Prozesses ist ein revidierter Renditevektor, der von dem Vektor der
impliziten Renditen in Richtung der Renditeerwartungen abweicht. Dieser revidierte
Renditevektor kann schließlich einer Mittelwert-Varianz-Optimierungsroutine über-
führt werden. Als Ergebnis des Black-Litterman-Verfahrens erhält man intuitive
Veränderungen in den Portfoliogewichten, die konsistent mit den subjektiven Prog-
nosen sind, und deshalb in der Praxis leichter umgesetzt werden können.

Festzuhalten bleibt, dass es sich bei dem Black-Litterman-Ansatz nicht um eine al-
ternative Optimierungstechnik handelt. Das Black-Litterman-Verfahren ist eine Me-
thode, um ausgehend von einem neutralen Referenzportfolio die Renditeprognosen
den eigenen Renditeerwartungen in einer sehr flexiblen Art anzupassen. Abbildung
3.3 fasst die Black-Litterman-Vorgehensweise zusammen:

Abbildung 3.3: Der BLACK-LITTERMAN-Ansatz

Marktgewichte oder Renditeprognosen der


Strategische Referenzgewichte Portfoliomanager

Referenz-oder Gleichgewichtsrendi- Güte der


ten: Renditeprognosen
implizite Renditeerwartungen

Revidierte Black-Litterman-Renditeerwartungen

Mittelwert-Varianz-Optimierung

Black-Litterman-Portfoliogewichte

[Quelle:Eigene Darstellung in Anlehnung an Zimmermann/Drobetz/Oertmann (2002), Kap.10-S. 13]

45
3 Portfolio-Management nach BLACK und LITTERMAN

3.3 Referenzportfolios und implizite Renditen als Ausgangspunkt


des BLACK-LITTERMAN-Verfahrens

Der innovative Ansatz des Black-Litterman-Verfahrens (1992) hat die Zielsetzung,


die im Abschnitt 3.1 aufgeführten Schwächen der Portfoliooptimierung nach Marko-
witz zu verhindern, und somit ein Modell zu schaffen, das für den Einsatz in der Pra-
xis besser geeignet ist. Die wichtigste Eigenschaft des Black-Litterman-Modells ist
die Möglichkeit, implizite Renditen, welche im Folgenden erklärt werden, mit sub-
jektiven Erwartungen über Kursentwicklungen von Wertpapieren im Portfolio konsi-
stent zu verbinden.79

Die impliziten Renditen, welche den Ausgangspunkt des Black-Litterman-


Verfahrens bilden, werden durch eine Umkehroptimierung deriviert. Im ersten
Schritt muss der Portfoliomanager die mittel- bis langfristigen Portfoliogewichte der
Wertpapiere seines Portfolios festlegen. Diese Referenzgewichte können den Gleich-
gewichtsgewichten, wie sie dem CAPM-Modell zugrunde liegen, entsprechen oder
aber auch Gegenstand strategischer Überlegungen des Portfoliomanagers sein.80
Black und Litterman schlagen vor, die aus den Marktkapitalisierungen resultierenden
impliziten Gleichgewichtsrenditen als Ausgangspunkt für das Black-Litterman-
Verfahren zu verwenden:

“Our model does not assume that the world is always at the CAPM equilibrium, but
rather that when expected returns move away from their equilibrium values, imbal-
ances in markets will tend to push them back. Thus, we think it is reasonable to as-
sume that expected returns are not likely to deviate too far from equilibrium values.
This intuitive idea suggests that the investor may profit by combining his views about
returns in different markets with the information contained in the equilibrium.”81

Ein nutzenmaximierender Portfoliomanager mit einer Nutzenfunktion gemäß der


Formel 2.15 erhöht in dem Markowitz-Verfahren seinen Nutzen durch die optimale
Aufteilung seines Budgets auf die Wertpapiere im Portfolio, bei gegebenen erwarte-
ten Renditen µ und bei gegebener Varianz-Kovarianz-Matrix Σ der Renditen. Ohne
Restriktionen hat die Maximierungsaufgabe folgende Form:

λw' Σw
[3.1] max w w' µ −
2

mit der Lösung:

79
vgl. Drobetz (2002), S. 11
80
vgl. Drobetz (2002), S. 11 f.
81
Black/Litterman (1991), S. 3

46
3.3 Referenzportfolios und implizite Renditen als Ausgaangspunkt des BLACK-
LITTERMAN-Verfahrens

[3.2] (
w* = λΣ −1 µ )
Im Black-Litterman-Verfahren ist aber vorerst w* schon bekannt, sei es durch das
CAPM-Gleichgewicht, die marktkapitalisierungsgerechten Gewichte oder die strate-
gisch festgelegten Gewichte. Die Umkehroptimierung legt die benötigten erwarteten
Renditen fest, um in dem Markowitz-Verfahren genau die Referenzgewichte wREF zu
erhalten. Diese Renditen werden durchweg in der Arbeit als implizite Renditen Π*
oder, im Fall des Marktportfolios als Referenzportfolio, Gleichgewichtsrenditen be-
zeichnet. Die Umkehroptimierung stellt eine Umformung der Formel 3.2 dar, und
lässt sich folgendermaßen darstellen:

[3.3] Π* = λΣw REF

Die Abbildung 3.4 veranschaulicht den Unterschied zwischen den Markowitz- Ge-
wichtungen mit Leerverkaufsrestriktion auf der Basis historischer Renditen und den
Referenzgewichtungen auf der Basis der impliziten Renditen.82 Es ist ersichtlich,
dass das Referenzportfolio (schwarze Balken) viel breiter gestreut ist als das Marko-
witz-Portfolio (graue Balken). Dieses Portfolio entspricht viel eher der gängigen An-
lagepraxis.

Abbildung 3.4: Portfoliogewichtungen auf Basis historischer und impliziter Renditen

Black und Litterman stellen die Annahme auf, dass die Varianz-Kovarianz-Matrix
der impliziten Renditen proportional zu der Varianz-Kovarianz-Matrix der histori-
schen Renditen ist und dass die impliziten Renditen stabiler als die historischen Ren-

82
Die impliziten Renditen für dieses Beispiel sind im Anhang B.2 bzw. in der Abbildung 3.5 veran-
schaulicht.

47
3 Portfolio-Management nach BLACK und LITTERMAN

diten sind.83 Durch diese Annahmen kann die Verteilung der erwarteten Renditen im
Gleichgewicht folgendermaßen beschrieben werden:

[3.4] E[R] ~ N (Π, τΣ)

Wobei E[R] den Erwartungswertvektor und N(.) die Normalverteilungsfunktion be-


zeichnen. Die Dimensionen sind dabei wie folgt: E[R] und Π sind N×1 Vektoren und
die Varianz-Kovarianz-Matrix Σ ist eine N×N Matrix, wobei N die Anzahl der Wert-
papiere ist. Der Skalar τ misst den Proportionalitätsfaktor der historischen Renditevo-
latilität zur erwarteten Renditevolatilität. Je größer das Vertrauen des Portfoliomana-
gers in das eigene Referenzportfolio ist, umso kleiner sollte der Parameter τ gewählt
werden. In der Literatur wird die Anwendung niedriger Werte für τ empfohlen.84

3.4 Die Verbindung des Referenzportfolios mit Renditeerwartungen

3.4.1 Spezifikation von Renditeerwartungen im BLACK-LITTERMAN-


Modell

Der entscheidende Schritt bei der Formalisierung des Black-Litterman-Verfahrens ist


die Spezifikation der subjektiven Renditeerwartungen. Dies erfolgt ebenfalls in Form
einer Wahrscheinlichkeitsverteilung.

In der Regel werden Portfoliomanager Erwartungen über die Renditeentwicklung


einiger Werte in ihrem Portfolio haben, die von den impliziten Renditen abwei-
chen.85 Das Black-Litterman-Modell ermöglicht es, sowohl absolute als auch relative
Renditeerwartungen in den Prozess der Asset Allocation einzubeziehen. Es ist nicht
zwingend, dass für jedes Wertpapier in dem Portfolio eine Renditeerwartung spezifi-
ziert wird.

Die folgenden Beispiele verdeutlichen, wie absolute (A) und relative (B und C) Ren-
diteerwartungen in dem Black-Litterman-Modell ausgedrückt werden können.

83
vgl. Zimmermann/Drobetz/Oertmann (2002), Kap. 10, S. 14
84
Drobetz (2002) setzt für seine Analysen τ = 0.3. Lee empfiehlt den Wert von τ zwischen 0.01 und
0.05 zu setzen, vgl. Idzorek (2004), S. 14
85
vgl. Idzorek (2004), S. 7

48
3.4 Die Verbindung des Referenzportfolios mit Renditeerwartungen

(A) „ALV wird eine Rendite von 60 % erwirtschaften (ca. 15 % unter der
impliziten Rendite).“
(B) „EOA wird eine um 5 % höhere Rendite erwirtschaften als DBK.“
(C) „Die Wertpapiere DTE und DCX werden die Wertpapiere DBK und
ALV um 10 % outperformen.“

Nachdem der Investor sämtliche von den impliziten Renditen abweichenden Erwar-
tungen in Form der obigen Beispiele verbal festgelegt hat, müssen diese Erwartungen
in eine Form umgewandelt werden, die es ermöglicht, sie in den Black-Litterman-
Prozess zu integrieren.

In dem Modell wird angenommen, dass die Erwartungen bzw. Prognosen des Portfo-
liomanagers gemäß der Formel 3.5 als k unterschiedliche Linearkombinationen der N
Wertpapiere ausgedrückt werden können. k stellt die Anzahl der formulierten Prog-
nosen dar.

[3.5] P ⋅ E[R] = V + ε

Der Renditeerwartungsvektor V hat die Dimension k×1. Als k×1 Vektor mit den
Prognosefehlern wird ε verwendet. Die ermittelten Renditeerwartungen V werden
durch die Matrix P den jeweils richtigen Wertpapieren zugewiesen. Jede einzelne
Erwartung kann durch einen 1×N Vektor den Wertpapieren eindeutig zugeordnet
werden. Aus diesem Grund handelt es sich bei der Matrix P allgemein um eine k×N
Matrix. Das erste Element des Vektors V zeigt die Höhe der Renditeprognose an, das
erste Element des Vektors ε den damit verbundenen Schätzfehler.

Die Erwartungen werden mit einem Schätzfehler versehen, da sie in der Praxis nicht
mit Sicherheit geäußert werden können. Über den Vektor der Schätzfehler ε wird
angenommen, er sei unabhängig und normal verteilt.86 Das Maß für die Prognosegüte
ist in dem Black-Litterman-Verfahren die Varianz-Kovarianz-Matrix, der Schätzfeh-
ler Ω. Wegen der Annahme der Unabhängigkeit der Prognosen untereinander, redu-
ziert sich die k×k Matrix Ω zu einer Diagonalmatrix, wobei die Varianzen der
Schätzfehler ε entlang der Diagonalen eingetragen werden. Im Black-Litterman-
Modell gilt die Annahme der Normalverteilung der Prognosen gemäß87:

[3.6] P ⋅ E[R] ~ N (V, Ω)

In dem Sieben-Wertpapier-Beispiel würden die Prognosen (A), (B) und (C) folgen-
dermaßen formalisiert werden:

86
vgl. Idzorek (2004), S. 10
87
vgl. Idzorek (2004), S. 16

49
3 Portfolio-Management nach BLACK und LITTERMAN

⎛ E[ R ALV ] ⎞
⎜ ⎟
⎜ E[ R DCX ] ⎟
⎜ E[ R ⎟
⎜ DBK ] ⎟ ⎛ 0.60 ⎞ ⎛⎜ ε ( A) ⎞⎟
⎜ ⎟
[3.7] P ⋅ ⎜ E[ R DTE ] ⎟ = ⎜ 0.05 ⎟ + ⎜ ε ( B ) ⎟
⎜ E[ R ⎟ ⎜ ⎟ ⎜⎜ ⎟⎟
⎜ EOA ] ⎟ ⎝ 0.10 ⎠ ⎝ ε (C ) ⎠
⎜ E[ RSAP ] ⎟
⎜ ⎟
⎝ E[ RSIE ] ⎠

mit

⎛ 1 0 0 0 0 0 0⎞
⎜ ⎟
[3.8] P=⎜ 0 0 −1 0 1 0 0⎟
⎜ − 0.49 0.45 − 0.51 0.55 0 0 0 ⎟
⎝ ⎠

Die erste Reihe der Matrix P stellt die absolute Erwartung (A) dar. Da ALV das erste
Wertpapier im Beispielportfolio darstellt und sich die Erwartung ausschließlich auf
dieses Wertpapier bezieht, ist der erste Wert der ersten Zeile eine eins. Sämtliche
anderen Elemente der ersten Reihe der Matrix P sind null.

Die zweite Reihe der Matrix stellt die relative Erwartung (B) dar. Es wird ein ge-
wichtungsneutrales Portfolio gebildet, indem die stärkere Aktie der Prognose die
Longposition (Wert: 1), und die schwächere Aktie die Shortposition (Wert: –1) ein-
nimmt. Die Höhe der Überperformance kommt in der zweiten Reihe der Matrix V
zum Tragen (Wert: 0.05).

Die dritte Reihe der Matrix P stellt den kompliziertesten Fall gleichzeitiger relativer
Renditeerwartungen für mehr als zwei Wertpapiere dar, in dem Beispiel durch die
Erwartung (C) dargestellt. Analog zu einer relativen Erwartung des Typs (B) müssen
sich die Werte der Aktien mit der stärkeren erwarteten Performance zu eins addieren,
die Werte der outperformten Wertpapiere müssen summiert minus eins ergeben. Die
Aufteilung der auf eins bzw. minus eins begrenzten Werte zwischen den beiden Ak-
tienklassen erfolgt proportional zu deren Marktkapitalisierung.88 Die Berechnung der
Werte in der dritten Spalte der Matrix P erfolgte gemäß der Formel 3.9:

88
vgl. Idzorek (2004), S. 12

50
3.4 Die Verbindung des Referenzportfolios mit Renditeerwartungen

⎛ M .Cap ALV ⎞
⎜− ⎟
⎜ M .Cap ALV + DBK ⎟
⎜ M .Cap DCX ⎟ ⎛⎜ − 0.49 ⎞⎟
⎜ M .Cap ⎟ ⎜ 0.45 ⎟
⎜ DCX + DTE ⎟ ⎜ ⎟
⎜− M .Cap DBK ⎟ ⎜ − 0.51 ⎟
[3.9] P3. ' = ⎜ M .Cap ALV + DBK ⎟ = ⎜ 0.55 ⎟
⎜ M .Cap DTE ⎟ ⎜ ⎟
⎜ ⎟ ⎜ 0 ⎟
⎜ M .Cap DCX + DTE ⎟ ⎜ 0 ⎟
⎜ 0 ⎟ ⎜ ⎟
⎜ ⎟ ⎝ 0 ⎠
⎜ 0 ⎟
⎜ 0 ⎟
⎝ ⎠

mit: M.Capi: Marktkapitalisierung der Aktie i

Ist dem Portfoliomanager der Grad an Unsicherheit bzw. die Varianz seiner Erwar-
tungen ex ante nicht bekannt, so kann anstatt dieser die Varianz der Prognoseportfo-
lios herangezogen werden:89

[3.10] Ω kk = Pk . ΣPk . '

Da in diesem Beispiel die Güte der Prognosen unbekannt ist, wird die Varianz-
Kovarianz-Matrix - der Schätzfehler Ω - gemäß Formel 3.10 approximiert. Es ergibt
sich:
⎛ 0.0065 0 0 ⎞
⎜ ⎟
[3.11] Ω=⎜ 0 0.0037 0 ⎟
⎜ 0 0 0.0016 ⎟⎠

3.4.2 Die BLACK-LITTERMAN-Formel

Im Black-Litterman-Modell wird angenommen, dass die unbekannte Verteilung der


erwarteten Renditen eine gemischte Verteilung ist, die aus den Verteilungen der im-
pliziten Renditen Π und der Renditeprognosen V basiert. Die Verteilungen der im-
pliziten Renditen des Referenzportfolios ist in der Formel 3.4 spezifiziert, die Vertei-
lung der Renditeprognosen wird in der Formel 3.6 dargestellt.

Der optimale Schätzer für den Vektor der erwarteten Renditen entspricht dem Mit-
telwert der gemischten Verteilung der erwarteten Renditen.90 Dieser kann durch die

89
vgl. Idzorek (2004), S. 13

51
3 Portfolio-Management nach BLACK und LITTERMAN

Auflösung des folgenden Optimierungsproblems, das die Varianz der erwarteten


Renditen um die impliziten Renditen minimiert, hergeleitet werden: 91

[3.12] min E[R] [E[R] − Π ]T ⋅ (τ Σ )−1 ⋅ [E[R] − Π ]

Für den in der Praxis relevanten Fall unsicherer Renditeprognosen gilt folgende Ne-
benbedingung:

N .B. : P ⋅ E[R] = V + ε
[3.13]
wobei P ⋅ E[R] ~ N (V, Ω )

Nach Black/Litterman(1992) lautet die Black-Litterman-Formel des revidierten er-


warteten Renditevektors unter Berücksichtigung unsicherer Renditeprognosen: 92

[3.14] [
E[R] = (τ Σ )−1 + P' Ω −1P ] [(τ Σ)
−1 −1
Π + P' Ω −1V ]
Die Verteilung der revidierten erwarteten Renditen ist wiederum eine Normalvertei-
lung. Sie ist in der folgenden Formel 3.15 wiedergegeben.93

[3.15]

[
E[R] gemischt ~ N ⎜ E[R], (τ Σ )−1 + (P' ΩP ) ⎟

]
−1 ⎞

Bei der Formel 3.14 bildet die Basis des gesamten Black-Litterman-Verfahrens.
Durch diese Formel werden das impliziten Renditen und die subjektiven Prognosen
zu einem neuen, revidierten Vektor erwarteter Renditen zusammengefasst. Durch die
Weitergabe dieses Vektors an eine Mittelwert-Varianz-Optimierungsroutine, können
schließlich die Black-Litterman-Portfoliogewichte ermittelt werden.

3.4.3 Umsetzung der subjektiven Renditeerwartungen mit dem BLACK-


LITTERMAN-Verfahren

In der Abbildung 3.5 stellen die grauen Balken die impliziten Referenzrenditen dar.
Die schwarzen Balken bilden die auf Basis der geäußerten Prognosen revidierten

90
vgl. Zimmermann/Drobetz/Oertmann, Kap. 10, S. 18
91
vgl. Black/Litterman (1992), Anhang 8
92
vgl. Black/Litterman (1992), Anhang 8
93
Für die Herleitung der neuen, gemischten Verteilung der erwarteten Renditen verweisen
Black/Litterman (1991) auf das Verfahren der mixed estimation in Theil (1971).

52
3.4 Die Verbindung des Referenzportfolios mit Renditeerwartungen

Black-Litterman-Renditeerwartungen ab.94 Durch die Korrelation der Renditen än-


dern sich auch die Renditeerwartungen der Wertpapiere, für die keine Prognose auf-
gestellt wurde.95

Abbildung 3.5: Implizite Renditen und BLACK-LITTERMAN-Renditeerwartungen

In der folgenden Abbildung 3.6 werden sowohl die Portfoliogewichte des Referenz-
portfolios als auch die Black-Litterman-Portfoliogewichte, die durch Weitergabe der
revidierten Black-Litterman-Renditen an den Mittelwert-Varianz-Optimierer erhalten
wurden, veranschaulicht. Die Gewichtungen der Wertpapiere, für die keine Prognose
abgegeben wurde, haben sich kaum verändert. Die Abweichungen der Black-
Litterman-Portfoliogewichte zu den Referenzgewichten der restlichen Aktien spie-
geln in konsistenter Weise die Prognosen des Portfoliomanagers wider, eine extreme
Konzentration der Portfoliogewichte auf wenige Wertpapiere wird vermieden.

Abbildung 3.6: Referenzgewichte und BLACK-LITTERMAN-Portfoliogewichte

94
Für die Berechnung wurde der Wert des Skalars τ auf 0.05 gesetzt.
95
SAP und SIE

53
3 Portfolio-Management nach BLACK und LITTERMAN

3.5 Sensitivitätsanalysen

Um die Funktionsweise des Black-Litterman-Verfahrens besser darzustellen, werden


in diesem Abschnitt Sensitivitätsanalysen bezüglich des Verhaltens der Black-
Litterman-Portfoliogewichte bei der Variation verschiedener Parameter des Modells
vorgestellt. In den folgenden Analysen wird von einer einzigen abgegebenen Progno-
se (C) ausgegangen, die Gewichtungen der in der Prognose vorkommenden Wertpa-
piere ALV, DCX, DBK und DTE sind Gegenstand der folgenden Untersuchungen.

Sensitivität der Portfoliogewichte bezüglich des Renditedifferentials V


In der ersten Sensitivitätsanalyse werden die Auswirkungen einer Variation des er-
warteten Renditedifferentials V zwischen den zwei Wertpapiergruppen analysiert.
Das Renditedifferential der entsprechenden Aktien wird ceteris paribus zwischen
0 % und 20 % variiert. Abbildung 3.7 zeigt die jeweils resultierenden
Portfoliogewichte für die vier Wertpapiere.

Abbildung 3.7: Entwicklung der BLACK-LITTERMAN-Portfoliogewichte bei Variation des


Renditedifferentials V

0.19
Gewichtung im Black-Litterman

0.18

0.17

0.16
Portfolio

0.15

0.14

0.13
0.12

0.11

0.1
0

12

15

18
5

.5

.5

.5

.5
1.

4.

7.

10

13

16

19

Prognostiziertes Renditedifferential in %

ALV DCX DBK DTE

Ausgehend von den Referenzgewichten werden die Long- bzw. Shortadjustierungen


mit dem Ansteigen des erwarteten Renditedifferentials immer größer. Die Verände-
rung der Portfoliogewichte erfolgt in einer stetigen, der Prognose gerechten Weise,
somit wird eine starke Portfoliokonzentration bei einer minimalen Erhöhung der er-
warteten Überrendite vermieden.

54
3.5 Sensitivitätsanalysen

Sensitivität der Portfoliogewichte auf Veränderungen in der Güte der Rendite-


prognose Ω
Im Folgenden wird untersucht, wie sich das Black-Litterman-Modell verhält, wenn
die Prognosegüte verändert wird. Eine geringere Güte der Prognose spiegelt sich in
einer höheren Varianz der Erwartungen wider und umgekehrt. In der Sensivitätsana-
lyse wird die Volatilität der (C) Prognose zwischen 0.0001 und 0.0050 variiert. In
der folgenden Abbildung 3.8 sind die Auswirkungen der unterschiedlichen Unsicher-
heitsniveaus in den Prognosen dargestellt.

Die in der Abbildung 3.8 dargestellten Portfoliogewichte sind intuitiv einsichtig: Un-
sichere Prognosen mit einer hohen Schätzfehlervolatilität haben nahezu keinen Ef-
fekt auf die Referenzgewichte. Je sicherer die Prognosen werden, desto stärker wer-
den die Portfoliogewichte in die Richtung der Prognosen adjustiert. Der Abbildung
kann entnommen werden, dass der Effekt einer veränderten Prognosegüte auf die
Portfoliogewichte insgesamt graduell verläuft, eine Ausnahme stellt der Bereich sehr
kleiner Volatilitäten dar. In diesem Bereich hat eine Verbesserung oder Verschlech-
terung der Prognosegüte sehr starke Auswirkungen auf die Gewichtungen der Wert-
papiere im Portfolio.

Abbildung 3.8: Entwicklung der BLACK-LITTERMAN-Portfoliogewichte bei Variation der


Prognosegüte Ω

0.3500
Gewichtung im Black-Litterman

0.3000

0.2500
Portfolio

0.2000

0.1500

0.1000

0.0500

0.0000
0.0001 0.0050
Varianz der Prognose (C) [Ω]

ALV DCX DBK DTE

55
3 Portfolio-Management nach BLACK und LITTERMAN

Sensivitivität der Portfoliogewichte bezüglich des Vertrauens in die impliziten


Renditen des Referenzportfolios τ
Die letzte Sensitivitätsanalyse widmet sich dem abstraktesten Parameter des Black-
Litterman-Modells, dem Skalar τ. Dieser staucht die historische Varianz-Kovarianz-
Matrix und kann entsprechend als Indikator für das Vertrauen interpretiert werden,
das der Portfoliomanager seinem Referenzportfolio entgegenbringt. Je kleiner bzw.
größer τ ist, umso stärker bzw. geringer ist das Vertrauen in die impliziten Renditen.
In der Analyse wird τ zwischen 0.01 und 1 variiert.

Abbildung 3.9: Entwicklung der BLACK-LITTERMAN -Portfoliogewichte bei Variation des


Skalars τ
0.45000
Gewichtung im Black-Litterman Portfolio

0.35000

0.25000

0.15000

0.05000

-0.05000
0.01
0.08
0.15
0.22
0.29
0.36
0.43
0.5
0.57
0.64
0.71
0.78
0.85
0.92
0.99
-0.15000
Vertrauensparameter für die Benchmark τ
ALV DCX DBK DTE

Die Veränderungen der Portfoliogewichte, veranschaulicht in der Abbildung 3.9, sind


auch in diesem Fall intuitiv. Je mehr Vertrauen der Portfoliomanager seiner Bench-
mark entgegenbringt, desto näher werden sich die Gewichtungen ceteris paribus an
den Referenzgewichtungen orientieren. Werte für über 0.5 dürften wenig Sinn ma-
chen, da sich die Gewichtungen ab dem Bereich bereits sehr stark an den Prognosen
orientieren.

3.6 Fazit

Der klassische portfoliotheoretische Ansatz von Markowitz ist theoretisch elegant


und stellt in der akademischen Literatur das Gerüst der Portfoliotheorie dar. Es wur-
de allerdings anhand von Beispielen gezeigt, dass der Ansatz in der Praxis zu erheb

56
3.6 Fazit

lichen Problemen führen kann. Diese Defizite führen dazu, dass der traditionelle An-
satz von Portfoliomanagern kaum oder nur in stark veränderter Form eingesetzt wird.
Aus diesem Grund haben Black und Litterman 1990 ein innovatives Verfahren ent-
wickelt, das Portfoliomanagern erlaubt, ausgehend von stabilen Gleichgewichtsrendi-
ten oder impliziten Renditen, subjektive Renditeprognosen und einen Grad an Ver-
trauen in diese Prognosen im Asset-Allocation-Prozess zu berücksichtigen.
Letztendlich handelt es sich bei dem Black-Litterman-Modell um eine Methode, die
einen komplexen gewichteten Durchschnitt der impliziten Renditen und der erwarte-
ten Renditen festlegt.

Die Portfoliogewichte sind durch den Einsatz des Black-Litterman-Verfahrens viel


realistischer, da Erwartungen der Portfoliomanager eindeutig widergespiegelt und
stark konzentrierte Portfolios vermieden werden. Aus diesen Gründen konnte sich
das Black-Litterman-Modell seit der Publikation im Jahr 1990 in zahlreichen Fi-
nanzunternehmen als Portfolio-Management-Modell durchsetzen.96

96
vgl. He/Litterman (1999), S. 2

57
4 Technische Handelsmodelle

4.1 Wertpapierprognosen

Die Prognose von Wertpapierkursen ist eine umstrittene Thematik. Es lassen sich
bezüglich Wertpapierprognosen drei verschiedene Lager unterscheiden. Dabei han-
delt es sich um die in der akademischen Welt verbreitete Random-Walk-Theorie und
die Hypothese effizienter Märkte, um die Fundamentalanalyse sowie um die techni-
sche Analyse.97 Nachfolgend werden die grundlegenden Gedankengänge hinter den
ersten beiden Ansätzen vorgestellt. Im nächsten Abschnitt wird die technische Ana-
lyse etwas ausführlicher behandelt, da sie die Grundlage der im empirischen Teil der
Arbeit eingesetzten Handelsmodelle bildet.

Random-Walk-Theorie und die Hypothese effizienter Märkte


Die Random-Walk-Theorie besagt, dass Preise auf den Finanzmärkten zufällig um
ihren inneren Wert fluktuieren. Diese Theorie basiert auf der Hypothese effizienter
Märkte, die besagt, dass sich Kurse auf jegliche neuen Informationen ohne Verzöge-
rung anpassen.98

Die Standardform des Random-Walk-Modells geht davon aus, dass sich der künftige
Kurs Pi,t+1 einer Aktie i aus dem aktuellen Kurs Pi,t und der Realisierung einer Zu-
fallsvariablen εi,t ergibt:

[4.1] Pi ,t +1 = Pi ,t + ε i ,t

Dabei gelten folgende Bedingungen:

- Die Kursänderungen εi gehorchen einer Normalverteilung.


- Der Erwartungswert der Kursänderungen ist null, also E[εi] = 0.
- Aufeinander folgende Kursänderungen sind unabhängig.

Diesen Theorien zufolge kann jegliche Wertpapieranalyse nicht zur Vorhersage von
künftigen Aktienkursen verwendet werden.99

Es besteht allerdings bezüglich der These effizienter Märkte ein Widerspruch, das so
genannte Informationsparadoxon. Wenn sich jede neue Information augenblicklich

97
vgl. Yao/Tan (1999), S. 222
98
vgl. Perridon/Steiner (1999), S. 210
99
vgl. Perridon/Steiner (1999), S. 210

58
4.2 Technische Indikatoranalyse

im Kurs niederschlägt, dann bedarf es dazu Investoren, die durch ihre informations-
bedingte steigende oder fallende Nachfrage für diese Kursanpassung sorgen und dar-
aus Profit ziehen. Demnach ist eine Informationsauswertung seitens der Marktteil-
nehmer unabdingbar, um der These effizienter Märkte Gültigkeit zu verschaffen. 100

Die Random-Walk-Theorie konnte trotz vieler wissenschaftlicher Untersuchungen


bisher weder eindeutig verifiziert noch falsifiziert werden.101

Fundamentalanalyse
Die Fundamentalanalyse stellt die älteste und meist verbreitete Analyseform von
Wertpapieren dar.102 Die grundlegende Hypothese der Fundamentalanalyse geht da-
von aus, dass der Kurs einer Aktie um ihren inneren Wert schwankt. Die Ermittlung
dieses wahren Wertes einer Aktie anhand von makroökonomischen, branchen- und
unternehmensspezifischen Analysen steht im Mittelpunkt der Fundamentalanalyse.
Liegt der aktuelle Kurs der untersuchten Aktie unter dem ermittelten inneren Wert,
dann gilt die Aktie als unterbewertet und kann gekauft werden.103

4.2 Technische Indikatoranalyse

4.2.1 Grundgedanke der technischen Analyse

Murphy (2004) definiert die technische Analyse von Wertpapieren folgendermaßen:

„Technische Analyse ist das Studium von Marktbewegungen, in erster Linie durch
den Einsatz von Charts, um zukünftige Kurstrends vorherzusagen. Der Begriff
‚Marktbewegung‘ beinhaltet die drei wesentlichen Informationsquellen, die dem
Techniker zur Verfügung stehen – Kurs, Umsatz und Open Interest104.“105

Die technische Analyse basiert auf drei Grundannahmen:106

- Die Marktbewegung diskontiert alles.


- Kurse bewegen sich in Trends.
- Die Geschichte wiederholt sich.

100
vgl. Steiner/Bruns (2000), S. 42 f.
101
vgl. Perridon/Steiner (1999), S. 210 f.
102
vgl. Steiner/Bruns (2000), S. 209
103
vgl. Steiner/Bruns (2000), S. 209 ff.
104
Open Interest wird nur bei Futures und Optionen benutzt
105
Murphy (2004), S. 21
106
vgl. Murphy (2004), S. 21 ff.

59
4 Technische Handelsmodelle

Im Folgenden werden diese Grundannahmen kurz erläutert.

Die Marktbewegung diskontiert alles


Der technische Analyst glaubt, dass alle für den Börsenkurs relevanten Informatio-
nen, seien sie fundamentaler, psychologischer oder sonstiger Natur, durch den Kurs
widergespiegelt werden. Die Folge dieser Annahme ist, dass für Prognosen allein die
Untersuchung der Kurse in der Vergangenheit verlangt wird. Die Regel, dass Markt-
preise steigen werden, wenn die Nachfrage das Angebot übertreffen wird und umge-
kehrt, gilt als Basis aller ökonomischer und fundamentaler Vorhersagen. Der Tech-
niker benutzt den Umkehrschluss dieser Regel, der besagt, dass bei steigenden
Kursen die fundamentalen Daten des Wertes positiv und analog bei fallenden Kursen
die Fundamentaldaten negativ sein müssen. So ist es möglich, durch die Erkennung
von Kurstrends oder wichtigen Umkehrformationen grundlegende Änderungen der
fundamentalen Situation eines Wertpapiers auf den Charts zu erkennen, bevor die
Informationen öffentlich zugänglich sind. Die Charts werden also nicht als Grund für
steigende oder fallende Kurse gesehen, sondern als Indikator für die bullishe oder
bearishe Psychologie an den Märkten.107

Kurse bewegen sich in Trends


Die technische Analyse besagt, dass sich Kurse in Trends bewegen. Trends können
Aufwärtstrends oder Abwärtstrends sein. Die Aufgabe der technischen Analyse be-
steht im Großteil darin, Kurstrends möglichst früh zu erkennen und ihnen zu folgen,
bis sich Anzeichen einer Trendumkehr zeigen. Eine Prämisse der Charttechnik über
Kurstrends besagt:

„Ein Trend in Bewegung setzt sich mit größerer Wahrscheinlichkeit fort, als dass er
sich umkehrt.“108

Die Geschichte wiederholt sich


Diese Annahme basiert letztendlich auf psychologischen Verhaltensweisen von An-
legern beim Auftreten bestimmter Chartmuster. Da die menschliche Psyche nicht
dazu tendiert sich zu verändern109, werden vergangene Verhaltensweisen von Inves-
toren genutzt, um Aussagen über künftige Entwicklungen zu treffen.

107
vgl. Murphy (2004), S. 22
108
vgl. Murphy (2004), S. 24
109
vgl. Murphy (2004), S. 24

60
4.2 Technische Indikatoranalyse

4.2.2 Methoden der technischen Analyse

Die technische Analyse benutzt gemäss der Abbildung 4.1 graphische, mathemati-
sche und psychologische Methoden. Diese Methoden werden im Folgenden erläutert.

Abbildung 4.1: Methoden der technischen Analyse

Technische Analyse

Graphische Mathematische Psychologische


Methoden Methoden Methoden

[Quelle: Eigene Darstellung in Anlehnung an Wetzer (2003), S. 83]

Graphische Methoden
Die graphische Chartanalyse gilt als die älteste und meistverbreitete Form der
technischen Analyse.110 Der Analyst versucht durch verschiedene Werkzeuge
vorherrschende Trends zu bestätigen oder Trendwenden zu erkennen. Trendlinien,
Unterstützungen, Widerstände, Schulter-Kopf-Schulter-Formationen, Fibonacci-
Analyse, Dow-Theorie, Elliot-Wellen-Theorie und andere sind die Werkzeuge der
Chartanalytiker.111

Mathematische Methoden
Die mathematischen Verfahren versuchen durch mathematische Transformation der
Marktdaten zu technischen Indikatoren und statistischer Bearbeitung der Marktdaten
ebenfalls gewisse Muster in den Daten zu erkennen. Diese Erkenntnisse können dann
zur Generierung von Handelssignalen für den Investor zur Verfügung gestellt wer-
den.112

Psychologische Methoden
Die dritte Hauptrichtung der technischen Analyse ist die Sentimentanalyse. Hier
werden Indikatoren gebildet, welche die aktuelle Marktstimmung wiedergeben. Das
aktuelle Massenverhalten kann unter anderem durch Umfragen über die Positionie-
rung von Investoren, Indikatoren, wie zum Beispiel die Put-Call-Ratio, oder die im-

110
vgl. Wetzer (2003), S. 84
111
Diese Techniken werden im weiteren Verlauf der Arbeit nicht angewandt, da sie auf vornehmlich
subjektiven Kriterien basieren und somit für die Systematisierung und Programmierung in Computern
schlecht geeignet sind. An diesen Techniken interessierte Leser wird die Lektüre von Murphy (2004)
empfohlen.
112
vgl. Wetzer , S. 84

61
4 Technische Handelsmodelle

plizite Volatilität von Optionen - die Berechnung des Verhältnisses zwischen Ge-
winn-Aktien zu Verlustaktien - wiedergegeben werden. Die Hauptannahme der Sen-
timentanalyse besagt, dass die Masse immer irrt. Anhänger der Sentimentanalyse
versuchen daher, durch Aufbau von Positionen gegen das Massenverhalten erfolg-
reich zu handeln.113

Die Handelsmodelle114 in dieser Arbeit basieren auf Indikatoren der technischen A-


nalyse. Die Berechnung und Interpretation der eingesetzten Indikatoren werden im
nächsten Abschnitt dargestellt.

4.2.3 Eingesetzte Indikatoren und Werkzeuge

Im Folgenden werden die im späteren Verlauf der Arbeit eingesetzten technischen


Indikatoren beschrieben. Florek (2000) unterteilt technische Indikatoren in vier ver-
schiedene Gruppen.115 In der Abbildung 4.2 sind die Indikatorgruppen und einige zu
den Gruppen gehörende Indikatoren aufgelistet. Auf die fett gedruckten Indikatoren
wird in den folgenden Abschnitten näher eingegangen.

Abbildung 4.2: Segmentierung technischer Indikatoren

TECHNISCHE INDIKATOREN

Trendfolge- Oszillatoren Trend- Volatilitäts-


Indikatoren bestimmung Indikatoren
Gleitende RSI ADX Bollinger
Durchschnitte Bänder
Momentum DMI
MACD Standard-
Stochastik Ravi abweichung
… … …
Sonstige: Bänder, Volumen & Open Interest, Market Sentiment

Inputs: Kursdaten, Volumen, Open Interest, Statistiken, Ratios, Sentiments, Fun-


damentals, Volatilitäten,…

[Quelle: Eigene Darstellung in Anlehnung an Florek (2000), S. 183]

113
vgl. Wetzer, S. 84 und Murphy (2004), S. 257
114
Handelsmodelle und deren Funktionsweise werden im Abschnitt 4.3 erläutert.
115
vgl. Florek (2000), S. 182

62
4.2 Technische Indikatoranalyse

Trendfolge-Indikatoren
Trendfolge-Indikatoren sind darauf ausgerichtet, die Richtung des vorherrschenden
Trends zu bestimmen. Der Trader geht von einer Fortführung des Trends aus, bis der
Trendfolge-Indikator eine Trendwende anzeigt.116 Die Erkennung der Trends erfolgt
stets etwas zeitverzögert. In Seitwärtstrends ergeben sich aufgrund der sehr kurzfris-
tigen Auf- und Abwärtsbewegungen häufig Fehlsignale, während in Phasen anhal-
tender Trends recht erfolgreiche Aussagen getroffen werden.

Oszillatoren
Momentums-Oszillatoren schwingen in der Regel innerhalb einer bestimmten Band-
breite und eignen sich in Seitwärtsphasen zum Auffinden von Wendepunkten der
Kurse. Eine starke Aussagekraft besitzen Oszillatoren, wenn sie sich in ihren Ex-
trembereichen befinden. Ein Wertpapier wird als überkauft bezeichnet, wenn der
Oszillator besonders hohe Werte aufweist. Wenn der Oszillator sehr niedrige Werte
annimmt, gilt dies als Signal für eine Überverkauft-Situation des Wertpapiers. Dies
sind Situationen, in denen von einer zumindest kurzfristigen Korrektur der vorherr-
schenden Kursbewegung ausgegangen werden kann. Divergenzen117 zwischen den
Kursen und dem Oszillator deuten ebenfalls auf eine Wende der Kurse hin.118

Volatilitätsindikatoren
Volatilitätsindikatoren messen die Schwankungsintensität der Kurszeitreihe. Mit
ihnen lässt sich zum Beispiel bestimmen, ab wann eine Kursbewegung als außerge-
wöhnlich stark zu interpretieren ist.

Trendintensitätsindikatoren
Da Trendfolger nur in Trendmärkten und analog Oszillatoren nur in Seitwärtstrends
funktionieren, wird häufig versucht, mit Trendintensitätsindikatoren festzustellen,
wann ein Trend vorliegt und wie stark dessen Ausprägung ist.

4.2.3.1 Gleitende Durchschnitte


Gleitende Durchschnitte119 stellen, wie der Name schon sagt, Durchschnitte der
Kurszeitreihe dar. Sie bereinigen Kurszeitreihen von kurzfristigen Schwankungen
und erlauben somit die Feststellung lang-, mittel- oder kurzfristiger Trends.120

116
vgl. Florek (2000), S. 184
117
Eine Divergenz besteht, wenn die Kurse höhere Hochs bzw. tiefere Tiefs verzeichnen und der
Oszillator dies nicht bestätigt, indem er tiefere Hochs bzw. höhere Tiefs aufzeichnet.
118
vgl. Murphy (2004), S. 229
119
auch: Moving Averages.
120
vgl. Wetzer, S. 85

63
4 Technische Handelsmodelle

Die Formel für die Berechnung des aktuellen Wertes eines einfachen gleitenden
Durchschnitts ist:

1 x
[4.2] MAx = ∑ C t − i +1
x i =1

mit: Ct: Schlusskurs in t


MAx: Gleitender Durchschnitt der Länge x

Eine Standardeinstellung für x gibt es nicht, da es an dem Analysten liegt, welche


Glättung er vornehmen möchte.121

Es gibt mehrere Varianten gleitender Durchschnitte. Exponentiell gewichtete Durch-


schnitte lassen in ihrer Berechnung sämtliche Werte der Kurszeitreihe einfließen. Die
Gewichtung vergangener Daten nimmt durch den Glättungsparameter α mit ihrem
Alter exponentiell ab. Die Formel für die Berechnung eines exponentiellen Durch-
schnitts lautet:

Ct + αCt −1 + α 2 Ct − 2 + K + α n −1Ct − n +1
[4.3] EMAα =
1 + α + α 2 + K + α n −1

mit: α: Glättungsparameter
Ct: Schlusskurs in t

Auch bei dem exponentiell geglätteten Durchschnitt gibt es keine Standardeinstel-


lung für α.122

Die geläufigste Interpretationsmöglichkeit von gleitenden Durchschnitten ist die


Crossover-Interpretation. Demnach wird das Schneiden der Kurse oder eines kürze-
ren gleitenden Durchschnitts über den längeren gleitenden Durchschnitt als Kaufsig-
nal interpretiert. Kreuzt der kürzere gleitende Durchschnitt den längeren von oben
nach unten, gilt dies als ein Verkaufssignal.

121
In der Praxis werden für x häufig die Fibonacci-Zahlen 13, 21, 34, 55,… eingesetzt. [vgl. Murphy
(2004), S. 217]
122
Approximativ gilt folgender Zusammenhang zwischen dem x beim einfachen Durchschnitt und
dem α beim exponentiell geglätteten Durchschnitt: [vgl.Wetzer (2003), S. 86]

α = 2 / (x + 1)

64
4.2 Technische Indikatoranalyse

4.2.3.2 Moving Average Convergence Divergence


Der Moving Average Convergence Divergence MACD-Indikator wurde 1979 von
Gerald Appel vorgestellt und stellt eines der am meisten verbreiteten Instrumente der
technischen Analyse dar. Der MACD wird aus der Differenz zweier exponentiell
gewichteter gleitender Durchschnitte berechnet. Die so erhaltene MACD-Linie wird
ihrerseits durch die Ermittlung eines exponentiell geglätteten Durchschnitts geglättet,
so dass insgesamt zwei Linien den MACD-Indikator darstellen. Die Formel für die
Ermittlung der MACD-Linien sind:

MACD − Linie = EMAs ( Kurs ) − EMAl ( Kurs )


[4.4]
Signallinie = EMAx ( MACD − Linie)

mit: EMAt: Exponentiell gewichteter Durchschnitt mit einer


Länge des Zeitfensters t

Die Standardeinstellungen für die Berechnung des MACDs sind s = 12, l = 26 und
x = 9.123

Für den MACD besteht wie bei den gleitenden Durchschnitten die Crossover- Inter-
pretationsmöglichkeit. Oftmals wird durch Subtraktion der Signallinie von der
MACD-Linie ein Oszillator gebildet, mit dem Überkauft-/Überverkauft-Situationen
und Divergenzen festgestellt werden können.124

4.2.3.3 Relative Strength Index


Der Relative Strength Index RSI ist ein von J. Welles Wilder entwickelter Momen-
tums-Oszillator, den er 1978 in seinem Buch New Concepts in Technical Trading
Systems erstmalig vorgestellt hat. Der RSI bewegt sich zwischen den Werten null und
100. Üblicherweise werden Wertigkeiten unter 20 bzw. über 80 zum Generieren von
Handelssignalen genutzt. Das Verlassen dieser extremen Zonen ist ein allgemein
akzeptiertes Signal zum Ein- bzw. Ausstieg aus dem Markt.

Die Formel für die Berechnung des RSI lautet:

100
[4.7] RSI = 100 − ( )
1 + RS
wobei:

123
vgl. Florek (2000), S. 192
124
vgl. Florek (2000), S. 192 und Wetzer (2003), S. 88

65
4 Technische Handelsmodelle

[4.8]
Durchschnitt der Schlusskurse von x Tagen mit steigenden Kursen
RS =
Durchschnitt der Schlusskurse von x Tagen mit fallenden Kursen

Die Standardeinstellung für x beträgt 14 Zeiteinheiten.125

Um den Durchschnittswert für Tage mit positiver Kurstendenz zu bestimmen, wer-


den die gesamten Kursgewinne, die innerhalb der x Tage an Tagen mit steigenden
Kursen angefallen sind, addiert, und die Summe durch die gewählte Länge des RSI
geteilt126. Der RSI kann durch die Standardinterpretationsweisen für Oszillatoren
analysiert werden.

4.2.3.4 Bollinger Bänder


Die von John Bollinger entwickelten Bollinger Bänder basieren auf der Annahme
einer Normalverteilung der Renditen. Unter dieser Annahme lässt sich folgern, dass
Kurse stets eine Konzentration um ihren Mittelwert zeigen. Durch die Ermittlung der
Standardabweichungen σ der Kurse um deren gleitenden Durchschnitt lassen sich die
Bollinger Bänder festlegen, indem die mit einem Faktor λ multiplizierte Standardab-
weichung vom Durchschnitt subtrahiert bzw. addiert wird. Wählt man den Wert zwei
für den Faktor θ, kann geschlussfolgert werden, dass sich Kurse in ca. 95 % der Fälle
innerhalb der Bollinger Bänder bewegen. Die Formel zur Berechnung der Bollinger
Bänder lautet127:

1 n
σ= ∑ (Ct −i +1 − MAn )2
n i =1
[4.9] unteres Bollinger Band = MAn − θ ⋅ σ
oberes Bollinger Band = MAn + θ ⋅ σ

mit: MAn: Gleitender Durchschnitt der Länge n,


σ: Standardabweichung zwischen den letzten n Schlusskursursen
und MAn,
θ: Multiplikationsfaktor für die Standardabweichung.

Die Standardeinstellungen sind n = 20 und θ = 2.128

125
vgl. Murphy (2004), S. 241
126
vgl. Murphy (2004), S. 241
127
vgl. Müller/Nietzer (2000), S. 45 f.
128
vgl. Omega Research User Manual, Suchbegriff: Bollinger Bands

66
4.2 Technische Indikatoranalyse

Bollinger Bänder werden in der Regel im Zusammenspiel mit anderen Indikatoren


eingesetzt, um Umkehrpunkte am Markt zu identifizieren. Wenn der Kurs das obere
Band erreicht, wird nach weiteren Anzeichen für eine Kurswende gesucht, um dann
mit hoher Wahrscheinlichkeit folgern zu können, dass sich der Kurs in die Richtung
des anderen Bandes bewegen wird.129

4.2.3.5 Swings
Ein Kurs wird als Swing-High bezeichnet, wenn der Höchstkurs höher als der
Höchstpreis der jeweils n-Zeiteinheiten links und rechts von der aktuellen Zeiteinheit
ist. Die Umkehrregel gilt für Swing-Lows.130

Abbildung 4.3: Swing-High und Swing-Low

Balkenchart Swing
High
Höchstkurs

Schlusskurs
Swing
Low
Eröffnungskurs

Tiefstkurs n n n n

Die Abbildung 4.3 veranschaulicht jeweils ein Swing-High und ein Swing-Low für
den Fall n = 2. Im linken Teil der Abbildung wird kurz die Interpretationsweise von
Balkencharts dargestellt. Swings können als Widerstands- und Unterstützungspunkte
der Kurse interpretiert werden.131 Ein Ausbruch aus den Swing-Niveaus, kann den
Beginn eines Trends signalisieren.

4.2.3.6 Candlestick-Formationen
Die Analyse japanischer Candlestick Charts basiert im Gegensatz zu den bisher be-
schriebenen Indikatoren auf der visuellen Identifikation bestimmter Muster in den
Kursen. Diese Muster, auch Candlestick-Formationen genannt, wurden von japani-
schen Reishändlern in der Mitte des achtzehnten Jahrhunderts eingeführt.132 Einige
Formationen deuten auf die Fortsetzung eines bestehenden Trends hin, andere signa-
lisieren Wendepunkte der Kurse.133 Es gibt inzwischen eine Fülle von Fachliteratur,

129
vgl. Müller/Nietzer (2000), S. 47 f.
130
vgl. Omega Research User Manual, Suchbegriff: Swing
131
vgl. Omega Research User Manual, Suchbegriff: Swing
132
vgl. Bigalow (2002), S. 2 f.
133
vgl. Bigalow (2002), S. 2 f.

67
4 Technische Handelsmodelle

die sich ausschließlich mit den Candlestick-Formationen und deren Anwendung be-
schäftigt. In dieser Arbeit werden die starken Umkehrformationen Hammer und
Shooting Star untersucht.

Der Hammer ist eine bullishe Umkehrformation, der Shooting Star eine bearishe
Umkehrformation. Die folgende Abbildung 4.4 veranschaulicht zwei Hammer-
Formationen sowie zwei Shooting-Star-Formationen. Im linken Teil der Abbildung
wird die Interpretationsweise von Balkencharts kurz dargestellt.

Abbildung 4.4: Hammer- und Shooting-Star-Formationen

Candlestick-Chart

[Quelle: Eigene Darstellung in Anlehnung an Murphy (2004), S. 305]

Die Kriterien für die Existenz eines Hammers sind134:

- Die Lunte sollte mindestens doppelt so lang sein wie der Körper der Kerze.
- Der Kerzenkörper befindet sich am oberen Ende der Kerze.
- Die Kerze soll möglichst keinen oder einen sehr kleinen Docht haben.
- Die Hammer-Formation muss sich am Tiefpunkt eines Abwärtstrends befin-
den.
- Die folgende Kerze muss die Hammer-Formation bestätigen.

Eine Shooting-Star-Formation muss folgende Kriterien erfüllen135:

- Der Docht sollte mindestens doppelt so lang sein wie der Körper der Kerze.
- Der Kerzenkörper befindet sich am unteren Ende der Kerze.
- Die Kerze soll möglichst keine oder eine sehr kleine Lunte haben.
- Die Shooting-Star-Formation muss sich am Hochpunkt eines Abwärtstrends
befinden.
- Die folgende Kerze muss die Shooting-Star-Formation bestätigen.

134
vgl. Bigalow (2002) , S. 38
135
vgl. Bigalow (2002), S. 58

68
4.3 Handelsmodelle

Ein Kurs am nächsten Tag über dem Kerzenkörper des Hammers bzw. unter dem
Kerzenkörper eines Shooting Stars wird in dieser Arbeit als Formationsbestätigung
interpretiert.

Die Effektivität der Candlestick-Muster kann verbessert werden, indem diese mit
technischen Indikatoren, wie dem Stochastik oder den Bollinger Bändern kombiniert
werden.136

4.3 Handelsmodelle

4.3.1 Grundsätzliches über Handelsmodelle

Die Möglichkeit, auf Wertpapiermärkten viel Geld zu verdienen, hat seit deren Exis-
tenz zu der Entwicklung einer Fülle unterschiedlicher Analysekonzeptionen geführt,
durch deren Einsatz sich Investoren erfolgreiches Handeln versprechen. Handelsmo-
delle stellen eine schriftliche Festlegung der Handelsstrategie dar, nach der man han-
deln möchte.137 Da die formulierte Handelsstrategie in einem Handelsmodell syste-
matisch umgesetzt wird, unterliegt die Performance eines Handelssystems keinen
subjektiven Entscheidungen mehr. Die im vorherigen Abschnitt 4.2 behandelte tech-
nische Indikatorenanalyse ist als Analyseinstrument in Handelsmodellen besonders
geeignet, da man anhand der Indikatoren Handelsregeln sehr objektiv definieren und
in einem Computer eingeben kann.

Die Akzeptanz von automatischen Handelsmodellen ist sowohl in der Wissenschaft


als auch in der Praxis zum Teil problematisch. Kapitalmarkttheoretiker berufen sich
auf die Theorie effizienter Märkte und die Random-Walk-Theorie138, nach denen die
Möglichkeit, durch Handelsmodelle systematisch Gewinne zu erzielen, ausgeschlos-
sen wird. Einwände aus der Praxis haben unterschiedliche Begründungen. Zum einen
existieren ideologische Schranken bezüglich der Analyseform. Institutionelle Inves-
toren bevorzugen in der Regel die Fundamentalanalyse und lehnen somit technische
Modelle a priori ab. Analysten sehen ihre Arbeit durch einen extensiveren Einsatz
automatischer Handelssysteme gefährdet und treten ihnen deshalb negativ gegen-
über. Dadurch werden vergangene Verluste der Modelle überbewertet, Gewinne
dennoch als normal angesehen und die Modelle als schlecht dargestellt.139

136
vgl. Bigalow (2002), S. 25
137
vgl. Wetzer (2003), S. 13
138
vgl. Abschnitt 4.1
139
vgl. Wetzer (2003), S. 21 ff.

69
4 Technische Handelsmodelle

Allerdings bieten Handelsmodelle gegenüber diskretionärem140 Handel diverse Vor-


teile: Der wohl wichtigste Vorteil besteht in der Eliminierung menschlicher Emotio-
nen aus dem Handel, da Emotionen für viele Händler die entscheidende Barriere zu
profitablem Handeln darstellen.141 Die Möglichkeit, bestimmte Handelsansätze durch
Testläufe auf historischen Zeitreihen zu testen und analysieren, besteht nur bei sys-
tematischen Handelsmodellen und stellt einen weiteren Vorteil gegenüber dem sub-
jektiven Handeln dar. Außerdem erlauben mechanische Strategien den Einsatz einer
systematischen Mengensteuerung, die das Handelsergebnis empfindlich beeinflussen
kann.142

4.3.2 Komponenten und Segmentierung von Handelsmodellen

Die zwei Hauptkomponenten eines Handelssystems sind das Signalmodell und das
Money-Management-Modell.143

Eine Signalmodell besteht aus Entry-Long- und Entry-Short-Signalen, sowie aus


Exit-Long- und Exit-Short-Signalen. Die Entry-Signale veranlassen das Eröffnen von
Positionen am Markt. Dabei wird bei Long-Signalen der Wert gekauft und bei Short-
Signalen der Wert leerverkauft. Die Exit-Signale bestimmen, wann eingegangene
Positionen wieder geschlossen werden sollen. Oft werden Exit-Signale aufgrund von
Risikomanagement Überlegungen getroffen. Die gängigsten Exit-Signale werden als
Stop-Losse144 und Trailingstops145 bezeichnet.

Das Money-Management-Modell stellt eine Strategie dar, die beschreibt wie viel
Kapital bei dem Spielen der Signale einzusetzen ist. Wetzer (2003) zeigt, dass die
Auswahl des richtigen Money Managements bei einem Signalmodell, das einen posi-
tiven Erwartungswert liefert, die wichtigste Komponente eines Handelssystems sein
kann. Eine ausführliche Behandlung der verschiedenen Money-Management-
Strategien würde den Rahmen dieser Arbeit sprengen. Da im empirischen Teil die
Signale der Handelsmodelle von vorrangiger Bedeutung sind, liegt der Fokus auf

140
Unter diskretionärem Handel versteht man subjektiven Handel, der nicht durch strenge Handelsre-
geln beschränkt wird.
141
vgl. Wetzer (2003), S. 19
142
vgl. Wetzer (2003)
143
vgl. Wetzer (2003), S. 14
144
Ein Stop-Loss wird beim Eingehen einer Position gesetzt, und veranlasst eine automatische Schlie-
ßung der Position bei dem Unterschreiten bzw. Überschreiten des gesetzten Stop-Loss-Kurses. Somit
kann der generierte Verlust einer Position von Anfang an begrenzt werden.
145
Trailing-Stops stellen Exit-Niveaus dar, die bei laufenden Positionen dynamisch angepassst wer-
den. Durch Trailing-Stops wird sichergestellt, dass bei profitabel laufenden Positionen Gewinne mit-
genommen werden.

70
4.3 Handelsmodelle

deren Entwicklung.146 Die Abbildung 4.5 veranschaulicht den Aufbau eines Han-
delsmodells.

Abbildung 4.5: Aufbau eines Handelsmodells

Marktdaten Signalmodell Gewinn- und Verlustreihe

Trading Rules Strukturanalyse

Money Management Modell Gesamtperformance


Mengenvariation

[Quelle: Eigene Darstellung in Anlehnung an Wetzer (2003) , s. 15]

Handelsmodelle können auf verschiedenen Ideologien basieren. Die Abbildung 4.6


veranschaulicht Kriterien, nach denen die Handelsmodelle klassifiziert werden. Die-
se Kriterien werden im Folgenden kurz erläutert.147

Abbildung 4.6: Segmentierung von Handelsmodellen


Kriterium der Seg- Mögliche Ausprägungen
mentierung
Zugrunde liegende 1. Trendfolge-Modelle
Strategie 2. Breakout-Modelle
3. Gegentrend-Modelle
Zugelassene Aktionen 1. Immer am Markt (Reversal-Modell)
2. Mit neutraler Phase
Anzahl der Analysen 1. Bedingte Modelle
2. Unbedingte Modelle
Art der Analysen 1. Filtermodelle
2. Prognosemodelle
3. Graphische Modelle
Bedingungen für Long- 1. Symmetrische Modelle
/Short-Positionen 2. Asymmetrische Modelle
Umgang mit Parame- 1. Fixe Parameter
tern 2. Optimierung
Zeithorizont des 1. Kurzfristig
Marktengagements 2. Mittelfristig
3. Langfristig

[Quelle: Eigene Darstellung in Anlehnung an Wetzer (2003), S. 16]

146
Stridsman (2003) und Wetzer (2003) behandeln Money Management, die Mengensteuerung bei
Signalen von Handelsmodellen, ausführlich.
147
vgl. Wetzer (2003), S. 16 ff.

71
4 Technische Handelsmodelle

Zugrunde liegende Strategie


Trendfolge-Modelle versuchen, lange Marktbewegungen in eine Richtung auszunut-
zen. In Seitwärtsphasen werden diese Modelle viele kleine Verluste generieren, um
diese dann mit wenigen großen Gewinnen zu übertreffen. Gegentrend-Modelle sig-
nalisieren in Seitwärtsmärkten Wendepunkte am Markt. Sie haben eine hohe Treffer-
quote, der Gewinn pro Trade ist allerdings verhältnismäßig gering. In Trendphasen
generieren diese Modelle häufig Fehlsignale. Breakout-Modelle warten, bis der Kurs
wichtige Marken durchbricht und handeln dann entweder in Richtung dieser Bewe-
gung oder in die Gegenrichtung.

Zugelassene Aktionen
Reversal-Modelle sind immer am Markt investiert. Das bedeutet, dass Positionen
gleichzeitig zur Eröffnung einer Gegenposition geschlossen werden. Modelle mit
neutraler Phase hingegen lassen Phasen, in denen das Modell nicht am Markt ist, zu.

Anzahl der Analysen


Ein unbedingtes Modell besteht auf einer einzelnen Wenn-Dann-Bedingung. Ist diese
Bedingung erfüllt, so wird entsprechend gehandelt. Bedingte Modelle bestehen aus
mehreren verschachtelten Wenn-Dann-Bedingungen. Ist eine bestimmte Bedingung
erfüllt, so werden die Marktdaten nach weiteren Bedingungen untersucht. Es wird
erst gehandelt, nachdem alle hintereinander geschalteten Bedingungen erfüllt sind.

Art der Analysen


Prognosemodelle besitzen unter den verschiedenen Analysearten die größte wissen-
schaftliche Fundierung. Sie basieren auf Methoden der Statistik und Ökonometrie.
Filtermodelle transformieren den Kursdatensatz mathematisch in einen neuen Daten-
satz. Die Prognosen über die Kursentwicklung stammen aus der Interpretation der
neuen Datenreihen. Graphische Modelle gründen sich auf die Erkennung gewisser
graphischer Muster in den Kursen, die mit hoher Wahrscheinlichkeit positive Rendi-
ten erzeugen.

Bedingungen für Positionen


Sind die gleichen Handelsregeln für das Eingehen von Short-Positionen und Long-
Positionen verantwortlich, so spricht man von einem symmetrischen Modell. Ge-
schehen Verkauf- und Kaufentscheidungen nach unterschiedlichen Kriterien, ist das
Modell asymmetrisch.

72
4.3 Handelsmodelle

Umgang mit Parametern


Modelle können danach unterschieden werden, ob sie ohne oder mit fixen Parame-
tern agieren, oder ob die Parameter optimiert148 werden.

Zeithorizont der Marktaktionen


Modelle lassen sich auch nach der Dauer unterscheiden, die der Anleger aufgrund
eines Signals durchschnittlich am Markt investiert. Modelle können kurz-, mittel-
oder langfristiger Natur sein.

4.3.3 Konstruktion von Handelsmodellen

Ein Handelssystemprogrammierer hat bei dem Aufbau eines Handelsmodells unter-


schiedliche Arbeitsschritte zu vollbringen:149

Vorüberlegungen
Vor dem Programmierbeginn sollte sich der Investor seines Investment-Stils bewusst
werden. Er sollte sich mit den grundsätzlichen Eigenschaften wie die zugrunde lie-
gende Strategie, die bevorzugte Analysemethode, die Signalhäufigkeit, die Treffer-
quote, den Zeithorizont etc. des zu programmierenden Handelsmodells auseinander
setzen.150 Dieser Schritt ist von außerordentlicher Relevanz, da ein Anleger nur in
der Lage sein wird, Handelssignale eines Modells umzusetzen, das seiner Anleger-
mentalität entspricht.

Schriftliche Formulierung der Handelsstrategie


Nachdem sich der Investor für einen Handelsansatz entschieden hat, wird dieser in
eine für ihn verständliche und vertretbare Handelsstrategie umformuliert, die an-
schließend als Programmcode in den Rechner eingegeben wird.

Test der Strategie


Die Strategie wird getestet, indem sie auf möglichst repräsentativen historischen Da-
tenreihen angewandt wird. Die Performance sowie gewisse Kennzahlen werden dann
ausgewertet, um das Modell im Falle unzufriedenstellender Signale auszusondern.

148
siehe Abschnitt 4.3.3, Unterpunkt: Optimierung der Strategie
149
vgl. Wetzer (2003), S. 23 ff.
150
siehe Abbildung 4.6

73
4 Technische Handelsmodelle

Optimierung der Strategie


Enthält die Handelsstrategie Parameter, wie zum Beispiel die Länge des Zeitfensters
eines gleitenden Durchschnitts, so können diese ebenfalls anhand einer historischen
Datenreihe optimiert werden. Die Strategie wird mit Hilfe spezieller Computerpro-
gramme mit verschiedenen Parameterwerten auf der Optimierungsdatenreihe ange-
wandt. Die Auswahl der optimalen Parameter sollte sich nicht nur auf den erwirt-
schafteten Gewinn stützen, da dies häufig zu einem Curve Fitting führt: Das
Handelsmodell wurde der Datenreihe angepasst. Es soll aber nach einem robusten
Modell, das zuverlässig auf verschiedenen Datenreihen ähnlich gut funktioniert, ge-
sucht werden. Deshalb muss ein Test des optimierten Modells auf einer anderen, dem
Modell unbekannten historischen Kurszeitreihe durchgeführt werden. Weichen die
Ergebnisse im Testzeitraum stark von denen im Optimierungszeitraum ab, so ist das
Modell nicht robust und für den Handel ungeeignet.

Handel
Strategien, die der Trader im Test als gut erachtet, können in den Handel gehen.

Überwachung und Verbesserung des Handelsmodells


Die Handelssignale des Modells sollten von dem Händler ständig beobachtet werden.
Läuft das Modell nicht nach Plan, kann dies auf veränderte Marktkonditionen zu-
rückzuführen sein. Das Modell sollte nochmals überprüft und angepasst oder vorerst
aus dem Handel genommen werden.

4.3.4 Performanceanalyse von Handelsmodellen

In diesem Abschnitt werden ohne Anspruch auf Vollständigkeit Kennzahlen zur Per-
formanceanalyse von Handelsmodellen vorgestellt. Diese Kennzahlen geben im Mo-
delltest eine Unterstützung bei der Frage, ob ein bestimmtes Modell als gut befunden
wird oder ob es verworfen oder verbessert werden soll. Während der Optimierung
eines Handelssystems werden diese Kennzahlen herangezogen, um zu bestimmen, ob
das Modell robuste Ergebnisse liefert.151 Ein Modell ist umso robuster je stabiler sich
die Kennzahlen bei der Variation der Parameter und des Testzeitraumes erweisen.

Die Kennzahlen Nettogewinn, durchschnittliches Tradeergebnis und Erfolgswahr-


scheinlichkeit beschreiben die Performance eines Handelsmodells bezüglich der
Rendite. Der Maximum Drawdown und die Standardabweichung der Tradeergebnisse
sind Risikokennzahlen. Die interessantesten Kennzahlen bilden sich aus einer Kom-
bination aus Rendite- und Risikomassen. Zu dieser Gruppe gehören der Profit Fac-

151
vgl. Pruitt/Hill (2003), S. 77

74
4.3 Handelsmodelle

tor, die Profit to Maximum Drawdown Ratio und der Risk-Adjusted-Return bzw. bei
Portfolios von Handelssystemen der Portfolio-Risk-Adjusted-Return.

Kennzahlen sind, wie alle empirisch abgeleiteten Daten, nicht stabil, sondern abhän-
gig von der zugrunde liegenden Stichprobe.152 Durch die Wahl eines langen Testzeit-
raumes, der unterschiedliche Marktphasen umfasst, können die Kennzahlen dennoch
Aussagen über die Güte des Modells liefern. Im Folgenden werden die in dieser Ar-
beit eingesetzten Performancekennzahlen vorgestellt.

Nettogewinn bzw. Net Profit


Diese Kennzahl stellt den Nettogewinn des Handelssystems in dem getesteten Zeit-
raum dar. Der Nettogewinn besteht aus den Bruttogewinnen abzüglich der
Bruttoverluste:

[4.16] Nettogewinn = Bruttogewinn − Bruttoverlust

Der Nettogewinn wird häufig in der Modellevaluierung überschätzt. Ein Modell, das
einen hohen Nettogewinn verbucht, kann den Investor trotzdem ruinieren, wenn der
Maximum Drawdown153 zu hoch ist. Der Nettogewinn sagt außerdem nichts über die
Verteilung der Gewinne und Verluste aus. Da das Ziel des Handels die Erwirtschaf-
tung von Gewinnen ist, ist diese Kennzahl dennoch von kardinaler Bedeutung, sollte
aber stets in Kombination mit anderen Kennzahlen analysiert werden.154

Durchschnittliches Tradeergebnis bzw. Average Trade


Das durchschnittliche Ergebnis pro Trade wird folgendermaßen berechnet:

Nettogewinn
[4.17] Durchschnittliches Tradeergebnis =
Anzahl der Trades

Auch diese Kennzahl darf nicht als alleinige Entscheidungsgrundlage eingesetzt


werden, da zum Beispiel ein System mit einem hohen durchschnittlichen Tradeer-
gebnis bei einer ungleichmäßigen Verteilung der Gewinne und Verluste über die Zeit
als nicht robust einzustufen ist.155 Der Vorteil dieser Kennzahl liegt darin, dass durch
die Normierung des Gewinns auf die Signalanzahl verschiedene Systeme verglichen
werden können.156

152
vgl. Wetzer (2003), S. 33
153
siehe weiter unten
154
vgl. Pruitt/Hill (2003), S. 81 f.
155
vgl. Stridsman (2003), S. 16 ff.
156
vgl. Wetzer (2003), S. 33

75
4 Technische Handelsmodelle

Erfolgswahrscheinlichkeit bzw. Percent Winning Trades


Die Erfolgswahrscheinlichkeit eines Trades besteht aus dem Verhältnis zwischen der
Anzahl erfolgreicher Trades und aller Trades:

Anzahl erfolgreicher Trades


[4.18] Erfolgswahrscheinlichkeit = .
Anzahl aller Trades

Prozentzahl profitabler Märkte bzw. Percent Profitable Markets


Die Kennzahl Percent Profitable Markets besagt, auf wie vielen der getesteten Märk-
te das Handelsmodell Gewinne generieren konnte. Diese Kennzahl ist für die Stabili-
tät des Handelsmodells von großer Relevanz, da viele verschiedene Märkte das Mo-
dell auch verschiedenen Marktphasen untersetzen, und sollte deutlich über 50 %
liegen.

Maximum Drawdown
Diese Kennzahl misst den durch das Handelsmodell temporär höchsten verursachten
Kapitalverlust. Dieser stellt den größten Abstand zwischen dem Hochpunkt und dem
darauf folgenden Tiefpunkt der Equitykurve aller Trades dar.157 Der Maximum Intra-
day Drawdown ist die gängigste Kennzahl für das Risiko eines Handelsmodells und
sollte, im Gegensatz zum Total Net Profit, minimiert werden.158 Anleger mit einem
verhältnismäßig niedrigen Handelskapital sollten keine Strategie handeln, die tempo-
rär einen hohen Kapitalrückgang verursachen könnte, da dieser ihren Einsatz ver-
nichten könnte und weiteres Handeln der letztendlich profitablen Strategie unmög-
lich macht.

Standardabweichung um das durchschnittliche Tradeergebnis


Die Berechnung der Standardabweichung um das durchschnittliche Tradeergebnis
erfolgt nach der Formel [4.19]:

1 Trades
[4.19] σ Trades = ∑ (Tradei − AvgTrade )2
Trades i =1

mit: Trades: Anzahl der Trades


AvgTrade: Durchschnittliches Tradeergebnis

157
Bsp.: Beträgt das Kapital zu Beginn eines Trades 100 €, nach 2 Tagen 120 €, nach 6 Tagen 60 €
und beim Schlissen des Trades 90 €, so beträgt der Maximum Intraday Drawdown: 120 € - 60 € = 60
€, obwohl der Verlust des Trades nur 100 € - 90 € = 10 € beträgt.
158
vgl. Pruitt/Hill (2003), S. 82

76
4.3 Handelsmodelle

Ist die Differenz zwischen dem durchschnittlichen Tradeergebnis abzüglich 1,96


Standardabweichungen größer als null, so kann daraus geschlossen werden, dass das
Handelsmodell statistisch signifikante Gewinne erzielt.159

Portfolio-Standardabweichung
Wenn ein Handelsmodell auf ein großes Portfolio von Wertpapieren getestet wird, so
kann die Portfoliostandardabweichung wie folgt berechnet werden:

Markets
1
[4.20] σ Portfolio = ∑ (NetProfit i − Avg NetProfit )2
Markets i =1

mit: Markets: Anzahl der Wertpapiere im Portfolio


NetProfiti: Nettogewinn des Handelsmodells auf
dem i-ten Markt
Avg Net Profit: Durchschnittlicher Nettogewinn des
Handelsmodells auf allen Wertpapieren

Je größer diese Kennzahl ausfällt, desto mehr Risiko ist mit dem Handel des Han-
delsmodells verbunden.

Profit Factor
Der Profit Factor setzt den erwirtschafteten Bruttogewinn mit dem Bruttoverlust ins
Verhältnis. Ein gutes Risikomanagement wird niedrige Verluste generieren, während
ein gutes Regelwerk hohe Gewinne zur Folge haben sollte. Ein Profit Factor, der
größer als eins ist, bedeutet höhere Gewinne als Verluste. Je höher dieses Verhältnis
ausfällt, desto besser für den Investor.160 Andererseits sollten unrealistisch hohe Wer-
te des Profit Factors den Systemdesigner vor einem überoptimierten oder unrobusten
System warnen.

Profit to Maximum Drawdown Ratio


Die Profit to Maximum Drawdown Ratio P/MaxDD ist das Verhältnis des Nettoge-
winns zum größten absoluten Kapitalrückgang. In dem TradestationTM Performance
Report ist diese Kennzahl nicht aufgeführt, sie lässt sich aber schnell berechnen:

Nettogewinn
[4.21] P / MaxDD = .
Maximum Drawdown

159
Unter der Annahme normal verteilter Tradeergebnisse befinden sich 95 % der Tradeergebnisse in
dem Intervall Durchschnittsergebnis - 1,96 * Standardabweichung bis Durchschnittsergebnis + 1.96 *
Standardabweichung. [vgl.: Stridsman (2003), S. 24]
160
vgl. Wetzer (2003), S. 34

77
4 Technische Handelsmodelle

Diese Ratio besagt, um das wievielfache die Gewinne den größten absoluten Kapital-
rückgang überschreiten. Im Idealfall liegt der Wert dieser Kennzahl weit über eins.161

Risk Adjusted Return


Eine weitere Vereinigung zwischen Rendite und Risikomasse stellt der Risk Adjusted
Return RAR dar, der folgendermaßen berechnet wird:

Durchschnittliches Tradeergebnis
[4.22] RAR =
Standardabweichung

Auf der Basis der Überlegung, dass höhere Gewinne in der Regel durch höheres Ri-
siko erwirtschaftet werden können, ist das Handelsmodell mit dem höchsten Risk
Adjusted Return das, was mit der größten Sicherheit gehandelt werden kann.162

Portfolio - Risk Adjusted Return


Beobachtet man das Handelsmodell gleichzeitig auf mehreren Märkten, so stellt das
Portfolio Risk Adjusted Return Portfolio-RAR eine gute Rendite-Risiko-
Performancekennzahl dar.

Um das Portfolio-RAR zu berechnen, muss zuerst der durchschnittliche Gewinn des


Handelsmodells über alle Wertpapiere des Portfolios berechnet werden:

Markets
1
[4.23] o/ Net Profit = ∑ Net Profit i
Markets i =1
wobei:
NetProfiti: Nettogewinn des Handelsmodells auf dem i-ten
Markt

Anschließend wird auch hier der durchschnittliche Gewinn mit der Portfolio-
Standardabweichung ins Verhältnis gesetzt.

4.4 Fazit

In diesem vierten Kapitel wurden die gängigsten technischen Indikatoren und die
Bausteine systematischer Handelsmodelle vorgestellt. Im nächsten Kapitel können
dann nach diesen Grundsätzen Handelsmodelle entwickelt werden.

161
Vgl. Wetzer (2003), S. 35
162
vgl. Stridsman (2003), S. 24 f.

78
4.4 Fazit

Die Random-Walk-Theorie, nach der Aktienkursprognosen nicht erfolgreich zu


erstellen sind, basiert auf der Hypothese effizienter Märkte, die durch das Informati-
onsparadoxon allerdings eine erhebliche Argumentationsschwäche beinhaltet. Die
Random-Walk-Theorie konnte trotz intensiver Untersuchungen bisher weder verifi-
ziert noch falsifiziert werden. In der Anlagepraxis werden Wertpapierkurse sehr wohl
analysiert. Hierbei stellen die Fundamentalanalyse und die technische Analyse die
zwei Hauptanalyseformen dar.

Die Fundamentalanalyse besitzt die größere akademische Berechtigung, da bei-


spielsweise auch die Random-Walk-Theorie besagt, dass Aktien um ihren inneren
Wert fluktuieren.

Die technische Analyse basiert nicht auf einem derartig soliden theoretischen Fun-
dament. In der Praxis werden allerdings häufig Entscheidungen aufgrund technischer
Analyse der Märkte getroffen.163 Zuzüglich zu der Tatsache, dass täglich in der Welt
weit mehr Geld für Finanztransaktionen als für Güter- und Dienstleistungen umge-
setzt wird,164 können folgende Überlegungen angestellt werden:

- Erstens kann davon ausgegangen werden, dass die technische Analyse bereits
aus dem Grunde, dass so viele Marktteilnehmer sich an ihr orientieren, eine
gewisse Aussagekraft besitzt. Oft wird die technische Analyse als eine sich
selbst erfüllende Prophezeiung klassifiziert. Wenn dies zutreffen würde, so
hieße es, dass mit technischer Analyse durchaus Geld zu verdienen ist.

- Zweitens basiert ein großer Teil der Fundamentalanalyse auf den Daten der
Transaktionen für Güter und Dienstleistungen, die jedoch vom Volumen her
im Vergleich zu den Finanztransaktionen relativ unbedeutend sind.

- Drittens kann die Fundamentalanalyse, deren Eingabedaten relativ statisch


sind, nicht die kurzfristigen, von der Psychologie der Anleger getriebenen,
Schwankungen von Wertpapieren erklären. Ihr Anlagehorizont ist eher mittel-
bis langfristiger Natur.

Es lässt sich zusammenfassen, das die technische Analyse das bessere Instrument für
kurzfristige Timing-Entscheidungen sein dürfte. Langfristige Investitionen sollten
sich nicht ausschließlich auf die technische Analyse stützen.

163
Die technische Analyse wurde laut einem Report der Bank of England im Jahre 1989 von 90 % der
mit Devisen handelnden Institutionen in irgendeiner Weise zur Entscheidungsunterstützung einge-
setzt. [vgl. Davidson (1995)]
164
Im Jahr 1995 wurden z. B. täglich 1,2 Trillionen U.S.Dollar gehandelt. Dies entsprach dem fünf-
zigfachen von dem, was weltweit täglich für Güter und Dienstleistungen ausgegeben wurde. [vgl.
Yao/Tan (1999), S. 222]

79
5 Empirischer Teil

5.1 Vorgehensweise

In diesem Teil der empirischen Arbeit kann das systematische Portfolio-


Management-Modell entwickelt werden. Das Modell soll in der Lage sein, sowohl
den langfristigen Erwartungen des Portfoliomanagers zu entsprechen als auch kurz-
fristige Chancen am Markt systematisch auszunutzen.

In einem ersten Schritt muss sich der Portfoliomanager Gedanken über die langfristi-
ge Zusammensetzung seines Wertpapierportfolios machen. Dieser Prozess wird als
strategische Asset Allocation bezeichnet. In dieser Arbeit wird dem Vorschlag von
Black und Litterman gefolgt, die marktkapitalisierungsgerechten Gewichtungen als
Referenzgewichtungen zu verwenden. Die konkrete Auswahl der Aktien erfolgt im
Abschnitt 5.3.1. Allerdings ist es auch möglich, ein individuelles, den persönlichen
langfristigen Erwartungen entsprechendes, strategisches Portfolio zusammenzustel-
len.

Taktische Asset Allocation wird angewendet, um kurzfristige Chancen am Aktien-


markt wahrzunehmen. Mit der taktischen Asset Allocation wird eine aktive Investiti-
onspolitik betrieben, welche versucht, im Vergleich zu einer rein passiven strategi-
schen Asset Allocation eine bessere Performance zu erzielen. Diese Chancen am
Markt werden durch das entwickelte Handelsmodell identifiziert und dann als Prog-
nosen dem Black-Litterman-Verfahren weitergegeben. Der Vergleichbarkeit halber
wird ein Portfolio mit denselben Aktien nach dem Markowitz-Verfahren organisiert.
Der Vektor erwarteter Renditen des Markowitz-Portfolios wird bei der Existenz ei-
nes Signals des Handelsmodells zu 50 % aus der historischen Durchschnittsrendite
und zu 50 % aus der erwarteten Signalrendite bestehen. Liegen für Aktien keine
Handelssignale vor, so besteht die erwartete Rendite vollständig aus der historischen
Durchschnittsrendite.

Die neuen Portfoliogewichtungen werden daraufhin in Richtung der geäußerten


Prognosen angepasst. Dazu wird in dem ersten Teil dieses Kapitels versucht, ein pro-
fitables und stabiles Handelsmodell für die Aktien des DAX zu entwickeln. Der
Testzeitraum bei der Entwicklung des Handelsmodells ist der Zeitraum vom
02.01.2002 bis zum 30.12.03.

Im Abschnitt 5.3.2 des Kapitels werden aus den Handelssignalen des entwickelten
Handelsmodells Prognosen spezifiziert, die dann als Renditeerwartungen an das
Black-Litterman-Verfahren und das Markowitz-Verfahren weitergegeben werden.

80
5.2 Entwicklung des Handelsmodellst

Diese systematischen Portfolio-Management-Ansätze werden über das Jahr 2004


angewandt und schließlich auf ihre Performance untersucht.

Der Aufbau des systematischen Black-Litterman-Portfolio-Management-Modells ist


in der Abbildung 5.1 veranschaulicht.

Abbildung 5.1: Aufbau des systematischen Portfolio-Management-Modells nach BLACK und


LITTERMAN

Strategische Asset Allocation Taktische Asset Allocation

Spezifikation von Entwicklung eines Spezifikation der


strategischen Portfo- Handelsmodells Inputs des Black-
Litterman- Subjektiv
liogewichten
Verfahrens und der
ODER Risikoaversion

CAPM-Gewichte Handelssignale
(Prognosen)

Systematisch
Black-Litterman-Verfahren

Black-Litterman-Portfoliogewichtungen

Es wird im Folgenden ausschließlich mit stetigen Renditen gearbeitet.

5.2 Entwicklung des Handelsmodells

Die im Folgenden getesteten Handelsmodelle basieren auf einer einfachen Money-


Management-Strategie, bei der jedes Handelssignal mit einem Handelskapital von
100.000 € umgesetzt wird.

5.2.1 Handelsregeln der einfachen Handelsmodelle

In diesem Abschnitt werden Handelsmodelle getestet, die gemäß den Standardinter-


pretationsweisen der im Abschnitt 4.2.3 vorgestellten Indikatoren Signale generieren.
Es werden sieben Trendfolgemodelle und fünf Gegentrendmodelle durchgespielt. Im
Folgenden werden die Handelsregeln dieser Modelle beschrieben. Ziel ist es, einen

81
5 Empirischer Teil

Eindruck zu bekommen, welche Indikatoren während des Testzeitraumes auf den


DAX-Aktien gute Signale generieren konnten. Diese Informationen werden dann bei
der Entwicklung des Handelssystems, das im Portfoliomodell eingesetzt werden soll,
behilflich sein.

Handelsregeln der einfachen Trendfolgemodelle

Handelsmodell Nr. 1: Moving-Average-Crossover

Entry Long: Kaufe zum Schlusskurs, wenn zum Schlusskurs der kurze Durchschnitt über
dem langen Durchschnitt liegt und der kurze Durchschnitt den langen
Durchschnitt von unten nach oben schneidet.
Exit Long: Glattstellen zur Reversalbedingung.
Entry Short: Verkaufe zum Schlusskurs, wenn zum Schlusskurs der kurze Durchschnitt
unter dem langen Durchschnitt liegt und der kurze Durchschnitt den langen
Durchschnitt von oben nach unten schneidet.
Exit Short: Glattstellen zur Reversalbedingung.

Das Trendfolgesystem Nr. 1 benutzt zwei Parameter (Länge des kurzen Durch-
schnitts k = 5, Länge des Langen Durchschnitts l = 13). Es handelt sich um ein Re-
versalsystem, das zwei Aktionen ermöglicht (2 Entries = 2 Exits).

Handelsmodell Nr. 2: Moving-Average-Crossover

Dieses Modell funktioniert analog zu dem Handelsmodell Nr. 1, es ändern sich ledig-
lich die Längen der Zeitfenster, über die die gleitenden Durchschnitte berechnet wer-
den. Der kurze Durchschnitt hat die Länge k = 9, der längere Durchschnitt hat die
Länge l = 21.

Handelsmodell Nr. 3: MACD-Crossover

Entry Long: Kaufe zur nächsten Eröffnung, wenn zum Schlusskurs die MACD-Linie über
der Signallinie liegt und die MACD-Linie die Signallinie von unten nach o-
ben schneidet.
Exit Long: Glattstellen zur Reversalbedingung.
Entry Short: Verkaufe zur nächsten Eröffnung, wenn zum Schlusskurs die MACD-Linie
unter der Signallinie liegt und die MACD-Linie die Signallinie von oben
nach unten schneidet.
Exit Short: Glattstellen zur Reversalbedingung.

82
5.2 Entwicklung des Handelsmodellst

Das Trendfolgemodell Nr. 3 benutzt drei Parameter (Länge des kurzen exponentiel-
len Durchschnitts = 12, Länge des langen exponentiellen Durchschnitts = 26, Länge
des exponentiellen Durchschnitts zur Berechnung der Signallinie = 9). Es handelt
sich um ein Reversalsystem, das zwei Aktionen ermöglicht (2 Entries = 2 Exits).

Handelsmodell Nr. 4: Swing-Breakout I

Entry Long: Kaufe zur nächsten Eröffnung, wenn der aktuelle Schlusskurs das aktuell
gültige Swing-High übersteigt.
Exit Long: Glattstellen zur Reversalbedingung.
Entry Short: Verkaufe zur nächsten Eröffnung, wenn der aktuelle Schlusskurs das aktuell
gültige Swing-Low unterschreitet.
Exit Short: Glattstellen zur Reversalbedingung.

Der einzige Parameter dieses Handelsmodells ist die Stärke des Swings,
Strength = 2. Es handelt sich um ein Reversalsystem das zwei Aktionen ermöglicht
(2 Entries = 2 Exits).

Handelsmodell Nr. 5: Swing-Breakout II

Dieses Modell funktioniert analog zu dem Modell Nr. 4, es ändert sich lediglich die
Stärke des Swings, nämlich Strength = 3. Dies führt dazu, dass relativ unstabile Un-
terstützungs- und Widerstandspunkte keine Signale generieren.

Handelsmodell Nr. 6: Swing-Breakout III

Dieses Modell funktioniert ebenfalls analog zu dem Modell Nr. 4; es ändert sich
auch hier die Stärke des Swings, Strength wird auf vier gesetzt. Die hier ermittelten
Swings sind die eindeutigeren Unterstützungs- bzw. Widerstandspunkte im Ver-
gleich zu denen der Handelsmodelle Nr. 4 und Nr. 5.

Handelsmodell Nr. 7: Bollinger-Band-Breakout

Entry Long: Kaufe zum Schlusskurs, wenn der aktuelle Schlusskurs das aktuell gültige
obere Bollinger Band übersteigt.
Exit Long: Glattstellen zur Reversalbedingung.
Entry Short: Verkaufe zum Schlusskurs, wenn der aktuelle Schlusskurs das aktuell gültige
untere Bollinger Band unterschreitet.

83
5 Empirischer Teil

Exit Short: Glattstellen zur Reversalbedingung.

Das Ausbruchmodell benutzt zwei Parameter (Länge des gleitenden Durch-


schnitts = 9, Standardabweichungsfaktor zur Ermittlung der Lage der Bänder = 2). Es
handelt sich um ein Reversalsystem, das zwei Aktionen ermöglicht (2 Entries = 2
Exits).

Handelsregeln der einfachen Gegentrendmodelle

Handelsmodell Nr. 8: RSI-Reversalsystem

Entry Long: Kaufe zum Schlusskurs, wenn zum Schlusskurs der RSI über der Überver-
kauft-Grenze liegt und der RSI die Überverkauft-Grenze von unten nach o-
ben schneidet.
Exit Long: Glattstellen zur Reversalbedingung, zum Stop-Loss oder zum Trailingstop.
Entry Short: Verkaufe zum Schlusskurs, wenn zum Schlusskurs der RSI unter der Über-
kauft-Grenze liegt und der RSI die Überkauft-Grenze von oben nach unten
schneidet.
Exit Short: Glattstellen zur Reversalbedingung, zum Stop-Loss oder zum Trailingstop.

Das Gegentrendmodell benutzt vier Parameter (Länge des Zeitfensters zur Berech-
nung des RSI = 14, Lage der Überkauftzone = 70, Lage der Überverkauftzone = 30
und Länge des Zeitfensters des Trailingstops = 3). Der Stop-Loss ist beim Eingehen
von Longpositionen der aktuelle Tiefstkurs, beim Eingehen von Shortpositionen der
aktuelle Höchstkurs. Der Trailingstop wird bei Longpositionen bei Kursen unter dem
tiefsten Tiefpunkt der letzten drei Tage aktiviert, bei Shortpositionen bei Kursen über
dem höchstem Höchstkurs der letzten drei Tage. Das System ermöglicht neutrale
Marktphasen, wenn die Stops zum Einsatz kommen. Es existieren demnach sechs
mögliche Aktionen (2 Entries = 2 Exits und 4 weitere Exits).

Handelsmodell Nr. 9: Bollinger-Band-Reversals

Entry Long: Kaufe zur nächsten Eröffnung über dem aktuellen unteren Bollinger Band,
wenn der aktuelle Schlusskurs unterhalb des aktuellen unteren Bollinger
Bands notiert.
Exit Long: Glattstellen zur Reversalbedingung.
Entry Short: Verkaufe zur nächsten Eröffnung unter dem aktuellen oberen Bollinger
Band, wenn der aktuelle Schlusskurs oberhalb des aktuellen oberen Bollin-
ger Bands notiert.
Exit Short: Glattstellen zur Reversalbedingung.

84
5.2 Entwicklung des Handelsmodellst

Das Gegentrendsystem Nr. 8 benutzt zwei Parameter (Länge des gleitenden Durch-
schnitts = 9, Standardabweichungsfaktor zur Ermittlung der Lage der Bänder = 2). Es
existieren zwei mögliche Aktionen (2 Entries = 2 Exits).

Handelsmodell Nr. 10: Bollinger-Band-Reversals mit Stop-Loss

Entry Long: Kaufe zur nächsten Eröffnung über dem aktuellen unteren Bollinger Band,
wenn der aktuelle Schlusskurs unterhalb des aktuellen unteren Bollinger
Bands notiert.
Exit Long: Glattstellen zur Reversalbedingung oder zum Stop-Loss.
Entry Short: Verkaufe zur nächsten Eröffnung unter dem aktuellen oberen Bollinger
Band, wenn der aktuelle Schlusskurs oberhalb des aktuellen oberen Bollin-
ger Bands notiert.
Exit Short: Glattstellen zur Reversalbedingung oder zum Stop-Loss.

Das Gegentrendsystem Nr. 8 benutzt zwei Parameter (Länge des gleitenden Durch-
schnitts = 9, Standardabweichungsfaktor zur Ermittlung der Lage der Bänder = 2).
Der Stop-Loss wird bei Shortpositionen auf dem Niveau des aktuellen Höchstkurses
gesetzt, bei Longpositionen auf dem aktuellen Tiefstkurs. Es existieren vier mögliche
Aktionen (2 Entries + 2 Exits).

Handelsmodell Nr. 11: Bollinger-Band-Reversal mit Stop-Loss und Trailingstop

Entry Long: Kaufe zur nächsten Eröffnung über dem aktuellen unteren Bollinger Band,
wenn der aktuelle Schlusskurs unterhalb des aktuellen unteren Bollinger
Bands notiert.
Exit Long: Glattstellen zur Reversalbedingung, zum Stop-Loss oder zum Trailingstop.
Entry Short: Verkaufe zur nächsten Eröffnung unter dem aktuellen oberen Bollinger
Band, wenn der aktuelle Schlusskurs oberhalb des aktuellen oberen Bollin-
ger Bands notiert.
Exit Short: Glattstellen zur Reversalbedingung, zum Stop-Loss oder zum Trailingstop.

Das Gegentrendsystem Nr. 8 benutzt drei Parameter (Länge des gleitenden Durch-
schnitts = 9, Standardabweichungsfaktor zur Ermittlung der Lage der Bänder = 2,
Länge des Zeitfensters des Trailingstops = 3). Der Stop-Loss wird beim Eingehen
von Shortpositionen auf dem Niveau des aktuellen Höchstkurses gesetzt, beim Ein-
gehen von Longpositionen auf dem aktuellen Tiefstkurs. Der Trailingstop wird bei
Longpositionen bei Kursen unter dem tiefsten Tiefpunkt der letzten drei Tage akti-
viert, bei Shortpositionen bei Kursen über dem höchstem Höchstkurs der letzten drei
Tage. Es existieren vier mögliche Aktionen (2 Entries + 2 Exits).

85
5 Empirischer Teil

Handelsmodell Nr. 12: Candlestick-Reversals

Entry Long: Kaufe am nächsten Tag, wenn eine Hammer-Formation bestätigt wird, d.h.
der Kurs über dem Hochpunkt der Hammer-Kerze notiert.
Exit Long: Glattstellen zur Reversalbedingung, zum Stop-Loss oder zum Trailingstop.
Entry Short: Verkaufe am nächsten Tag, wenn eine Shooting-Star-Formation bestätigt
wird, d. h. der Kurs unter dem Tiefpunkt der Shooting-Star-Kerze notiert.
Exit Short: Glattstellen zur Reversalbedingung, zum Stop-Loss oder zum Trailingstop.

Das Gegentrendmodell Nr. 12 benutzt zwei Parameter (Länge des Zeitfensters zur
Trendbestätigung = 3, Länge des Zeitfensters des Trailingstops = 3). Der Stop-Loss
und der Trailingstop funktionieren analog zu dem Handelsmodell Nr. 11. Das System
ermöglicht neutrale Marktphasen und hat vier verschiedene Aktionen
(2 Entries = 2 Exits und weitere 4 Exits).

5.2.2 Performance der einfachen Handelsmodelle im Testzeitraum

Die Performance der Signalmodelle Nr. 1 bis Nr. 12 in dem Testzeitraum vom
01.01.2002 bis zum 31.12.2003 wird hier anhand der Performancekennzahlen Profit
Factor PF, Profit to maximum Drawdown Ratio P/MaxDD, Portfolio-Risk Adjusted
Return PF-RAR und Prozentzahl der profitablen Märkte PercProfitable, veranschau-
licht.165 Im Anhang C.1 befinden sich die detaillierten Performancetabellen, in denen
für jedes Signalmodell die Performancekennzahlen für jede DAX-Aktie sowie die
zusammengefassten Performancekennzahlen über alle Aktien aufgelistet sind.

Abbildung 5.2: Performancekennzahlen der einfachen Handelsmodelle


Trendfolgemodelle Gegentrendmodelle

165
siehe Abschnitt 4.3.4

86
5.2 Entwicklung des Handelsmodellst

Die Abbildung 5.2 veranschaulicht die, den Ertrag und das Risiko beinhaltenden Per-
formancekennzahlen der zwölf einfachen Handelsmodelle. Offensichtlich besteht ein
Zusammenhang zwischen den drei Kennzahlen, deren Aussagen sich unter Ausnah-
me des Handelsmodells Nr. 12 gegenseitig bestätigen.166 In der Abbildung 5.3 ist mit
der Prozentzahl profitabler Märkte eine vierte, zur Evaluierung der Systemstabilität
äußerst wichtige Kennzahl aufgeführt.

Abbildung 5.3: Prozentzahl profitabler Märkte der einfachen Handelsmodelle

Die beiden Moving-Average-Crossover-Modelle (Nr. 1 und Nr. 2) besitzen eine gute


Performance, da der Profit Factor bei 1.70 bzw. 1.53 liegt. Das Modell Nr. 1 hat al-
lerdings nur in 53.33 % der Märkte einen Profit erzielt. Robuster scheint mit 66.66 %
profitablen Märkten das Handelsmodell Nr. 2. Das MACD-Crossover-Modell (Nr. 3)
kommt aufgrund seines negativen durchschnittlichen Gewinns und den nur 33.33 %
profitablen Märkten nicht für eine Weiterentwicklung in Frage. Bei den Swing-
Breakout-Modellen (Nr. 4, 5 und 6) fällt auf, dass sich sowohl die Performance als
auch die Anzahl profitabler Märkte verbessert, je eindeutiger das Swing-Niveau de-
finiert wird. Das Bollinger-Band-Breakout-Modell ist offensichtlich das im Testzeit-
raum am besten performende Modell. Allerdings ist es unwahrscheinlich, dass diese
sehr gute Performance durch ein derartig einfaches Regelwerk ohne weiteres auch in
der Zukunft systematisch zustande kommen kann.

Das RSI-Reversal-Modell (Nr. 8) ist auf den meisten Märkten profitabel, nämlich auf
66.66 %. Allerdings zeichnet es sich ebenfalls durch ein niedriges Portfolio-Risk-
Adjusted-Return aus, was darauf schließen lässt, dass die Ergebnisse sehr starken
Schwankungen unterworfen sind. Sowohl die Bollinger-Band-Reversal-Modelle
(Nr. 9, 10 und 11) als auch das Candlestick-Reversal-Modell Nr. 12 generieren auf
den meisten Märkten Verluste.

Insgesamt kann gesagt werden, dass die Moving-Average-Crossover, und die Brea-
kout-Trendfolgemodelle im Testzeitraum profitabel agieren konnten. Sowohl das
166
Der Grund für den außergewöhnlich hohen Profit Factor im Handelsmodell Nr. 12 ist ein außeror-

87
5 Empirischer Teil

MACD-Trendfolgemodell als auch sämtliche Gegentrendmodelle erwirtschafteten


unbefriedigende Ergebnisse und werden aus diesem Grunde im nächsten Abschnitt
nicht weiterbehandelt.

5.2.3 Weiterentwicklung der Handelsmodelle

Filterung
Aufgrund der vorgenommenen Tests der einfachen Handelsmodelle gelten insbeson-
dere die Breakout-Modelle Nr. 5, Nr. 6 und Nr. 7 als erfolgversprechend. Die Model-
le Nr. 1 und Nr. 2 haben ebenfalls gute Ergebnisse geliefert, ihr Ansatz wird deshalb
zur Filterung der Signale der drei gewählten Breakout-Modelle eingesetzt.

Es wird also untersucht, inwiefern sich die Modellperformance verändert, wenn die
Signale zuzüglich des Breakouts auch einer Moving-Average-Bedingung zu Grunde
liegen. Die Handelsregeln der gefilterten Handelsmodelle für die einfachen Modelle
Nr. 5, Nr. 6 und Nr. 7 werden im Folgenden beschrieben. Die Bezeichnung „_Filter“
steht für den Moving-Average-Filter, die kursiv geschriebenen Teile der Handelsre-
gel veranschaulichen die neue Komponente der Modelle.

Handelsmodell Nr. 5_Filter

Entry Long: Kaufe zum Schlusskurs, wenn der aktuelle Schlusskurs das aktuell gültige
Swing-High übersteigt und der 5-tägige gleitende Durchschnitt sowohl über
dem 13-tägigen gleitenden Durchschnitt als auch über dem 34-tägigen glei-
tenden Durchschnitt liegt.
Exit Long: Glattstellen zur Reversalbedingung.
Entry Short: Verkaufe zum Schlusskurs, wenn der aktuelle Schlusskurs das aktuell gülti-
ge Swing-Low unterschreitet und der 5-tägige gleitende Durchschnitt so-
wohl unter dem 13-tägigen gleitenden Durchschnitt als auch unter dem 34-
tägigen gleitenden Durchschnitt liegt.
Exit Short: Glattstellen zur Reversalbedingung.

Das gefilterte Ausbruchmodell benutzt vier Parameter (Kurse zur Bestimmung des
Swing-Niveaus = 3, Länge der drei gleitenden Durchschnitte= 5, 13 und 34). Es han-
delt sich um ein Reversalsystem, das zwei Aktionen ermöglicht (2 Entries = 2 Exits).

dentlich hoher verbuchter Gewinn mit der Aktie Fresenius Medical Care (FME).

88
5.2 Entwicklung des Handelsmodellst

Handelsmodell Nr. 6_Filter

Dieses Modell funktioniert analog zu dem Modell Nr. 5_Filter, es ändert sich die
Anzahl der erforderten Kurse, nämlich vier pro Seite, neben den Swing-Kursen, um
diese zu gültigen Swings zu machen.

Handelsmodell Nr. 7_Filter

Entry Long: Kaufe zum Schlusskurs, wenn der aktuelle Schlusskurs das aktuell gültige
obere Bollinger Band übersteigt und der 5-tägige gleitende Durchschnitt so-
wohl über dem 13-tägigen gleitenden Durchschnitt als auch über dem 34-
tägigen gleitenden Durchschnitt liegt.
Exit Long: Glattstellen zur Reversalbedingung.
Entry Short: Verkaufe zum Schlusskurs, wenn der aktuelle Schlusskurs das aktuell gültige
untere Bollinger Band unterschreitet und der 5-tägige gleitende Durchschnitt
sowohl unter dem 13-tägigen gleitenden Durchschnitt als auch unter dem
34-tägigen gleitenden Durchschnitt liegt.
Exit Short: Glattstellen zur Reversalbedingung.

Das gefilterte Ausbruchmodell benutzt fünf Parameter (Länge des gleitenden Durch-
schnitts = 9, Standardabweichungsfaktor zur Ermittlung der Lage der Bänder = 2,
Länge der drei gleitenden Durchschnitte = 5, 13 und 34). Es handelt sich um ein Re-
versalsystem das zwei Aktionen ermöglicht (2 Entries = 2 Exits).

Performance der gefilterten Handelsmodelle im Testzeitraum


Die Abbildung 5.4 veranschaulicht die Performancekennzahlen der drei Handelsmo-
delle sowohl vor als auch nach der Filterung. In der Abbildung 5.5 ist die Prozentzahl
profitabler Märkte aufgetragen.

Abbildung 5.4: Performancekennzahlen der Handelsmodelle Nr. 5, Nr. 6 und Nr. 7 vor und
nach der Filterung

89
5 Empirischer Teil

Die Filterung konnte vor allem die Performance des Swing-Breakout-Modells Nr. 5
verbessern. Die Performance des Bollinger-Band-Breakout-Modells Nr. 7 ver-
schlechterte sich allerdings, da sowohl die Profit to maximum Drawdown Ratio als
auch das Portfolio-RAR deutlich gefallen sind. Die gleichzeitige Steigerung des Pro-
fit Factors von 2.1 auf 3.36 kommt vor allem durch den extrem hohen Gewinn, den
das Modell Nr. 7_Filter auf der Bayer-Aktie (BAY) verbuchen konnte, zustande.

Abbildung 5.5: Prozentzahl profitabler Märkte der Handelsmodelle Nr. 5, Nr. 6 und Nr. 7 vor
und nach der Filterung

Die deutlich niedrigere Anzahl profitabler Märkte und die soeben angesprochene
Inkohärenz der Performancemaße nach der Filterung des Handelsmodells Nr. 7 lässt
vermuten, dass die im Abschnitt 5.2.2 geäußerten Bedenken über die Stabilität des
Modells gerechtfertigt waren. Das Handelsmodell Nr. 5 konnte nach der Filterung
bei verbesserten Performancekennzahlen auf deutlich mehr Märkten (Steigerung von
50 % auf 60 %) profitabel agieren, das Handelsmodell Nr. 6 agierte durch die Filte-
rung auf 63.33 % Märkten profitabel (vorher: 56.67 %). Im Folgenden werden die
zwei erfolgversprechenden Swing-Breakout-Modelle Nr. 5_Filter und Nr. 6_Filter
weiterentwickelt.

Zusätzliche Exit-Regeln
Die gefilterten Swing-Breakout-Handelsmodell Nr. 5_Filter und Nr. 6_Filter werden
in diesem Schritt um spezifische Exit-Regeln erweitert. Es handelt sich dabei sowohl
um Stopp-Loss-Regeln als auch um einen Trailingstop. Dies hat zur Folge, dass die
Handelsmodelle auch neutrale Marktphasen haben werden. Durch dieses schnellere
Schließen der Positionen können hoffentlich Verluste, die aus der Trägheit der Mo-
delle beim Positionsschluss resultieren, gemindert werden.

Die Stops agieren folgendermaßen: Der Stop-Loss ist bei Longpositionen durch das
aktuelle Swing-Low gegeben. Fallen die Kurse unter dieses Niveau, wird die Long-
position geschlossen. Bei Shortpositionen stellt das letzte Swing-High den Stopkurs
dar, ein Überschreiten dieser Marke führt zu einem Schließen der Position. Der Trai-

90
5.2 Entwicklung des Handelsmodellst

lingstop stellt bei Longpositionen den tiefsten Tiefstkurs der vergangenen 13 Tage
dar, bei Shortpositionen den höchsten Höchstkurs der vergangenen 13 Tage. Befin-
den sich das aktuelle Swing-Low über dem Long-Trailingstop bzw. das aktuelle
Swing-High unter dem Short-Trailingstop, so gelten diese als Trailingstopniveaus.
Die Handelsregeln der mit diesen Exits versehenen Handelsmodelle sehen folgen-
dermaßen aus:

Handelsmodell Nr. 5_Filter_Stops

Entry Long: Kaufe zum Schlusskurs, wenn der aktuelle Schlusskurs das aktuell gültige
Swing-High übersteigt und der 5-tägige gleitende Durchschnitt über dem 13-
tägigen gleitenden Durchschnitt liegt.
Exit Long: Glattstellen, wenn der Schlusskurs das aktuelle Swing-Low unterschreitet
oder wenn der Schlusskurs unter den tiefsten Kurs der letzten 13 Tage fällt.
Entry Short: Verkaufe zum Schlusskurs, wenn der aktuelle Schlusskurs das aktuell gültige
Swing-Low unterschreitet und der 5-tägige gleitende Durchschnitt unter dem
13-tägigen gleitenden Durchschnitt liegt.
Exit Short: Glattstellen, wenn der Schlusskurs das aktuelle Swing-High übersteigt oder
wenn der Schlusskurs über den tiefsten Kurs der letzten 13 Tage steigt.

Das Handelsmodell benutzt fünf Parameter (Kurse zur Bestimmung des Swing-
Niveaus = 3, Länge der drei gleitenden Durchschnitte = 5, 13 und 34, Länge des
Zeitfensters des Trailingstops). Es handelt sich um ein Reversalsystem, das zwei Ak-
tionen ermöglicht (2 Entries = 2 Exits).

Handelsmodell Nr. 6_Filter_Stops

Entry Long: Kaufe zum Schlusskurs, wenn der aktuelle Schlusskurs das aktuell gültige
Swing-High übersteigt und der 5-tägige gleitende Durchschnitt über dem 13-
tägigen gleitenden Durchschnitt liegt.
Exit Long: Glattstellen, wenn der Schlusskurs das aktuelle Swing-Low unterschreitet
oder wenn der Schlusskurs unter den tiefsten Kurs der letzten 13 Tage fällt.
Entry Short: Verkaufe zum Schlusskurs, wenn der aktuelle Schlusskurs das aktuell gülti-
ge Swing-Low unterschreitet und der 5-tägige gleitende Durchschnitt unter
dem 13-tägigen gleitenden Durchschnitt liegt.
Exit Short: Glattstellen, wenn der Schlusskurs das aktuelle Swing-High übersteigt oder
wenn der Schlusskurs über den tiefsten Kurs der letzten 13 Tage steigt.
.
Das Handelsmodell benutzt fünf Parameter (Kurse zur Bestimmung des Swing-
Niveaus = 4, Länge der drei gleitenden Durchschnitte= 5, 13 und 34, Länge des Zeit-
fensters des Trailingstops). Es handelt sich um ein Reversalsystem das zwei Aktio-
nen ermöglicht (2 Entries = 2 Exits).

91
5 Empirischer Teil

Performance der mit Stops versehenen Handelsmodelle im Testzeitraum


Die Abbildung 5.6 veranschaulicht die Performancekennzahlen der Handelsmodelle
Nr. 5 und Nr. 6 mit den ursprünglichen Handelsregeln, den gefilterten Handelsregeln
und den mit Stops versehenen gefilterten Handelsregeln. Eine Verbesserung der
Kennzahlen konnte in diesem Schritt nicht erreicht werden.

Abbildung 5.6: Performancekennzahlen der Handelsmodelle Nr. 5, Nr. 6 vor und nach der
Filterung und mit zusätzlichen Exit-Regeln

Allerdings konnte, wie die Abbildung 5.7 zeigt, die Prozentzahl profitable Märkte für
das Handelsmodell Nr. 5_Filter_Stops ein weiteres Mal deutlich erhöht werden (von
60 % auf 70 %). Diese Kennzahl ist ein wichtiges Signal für die Stabilität des Han-
delsmodells, da die hohe Anzahl getesteter Märkte das Modell zwangsläufig unter-
schiedlichen Marktphasen aussetzt.

Abbildung 5.7: Prozentzahl profitabler Märkte der Handelsmodelle Nr. 5, Nr. 6 vor und nach
der Filterung und mit zusätzlichen Exit-Regeln

Wegen der hohen Anzahl profitabler Märkte und den immer noch guten Performan-
cekennzahlen wird das Handelsmodell Nr.5_Filter_Stops für die kurzfristigen Ti-
ming-Prognosen zum Management eines Portfolios aus DAX-Aktien eingesetzt.
Festzuhalten bleibt, dass nicht das profitabelste Handelsmodell für den praktischen
Einsatz, sondern das als stabilste erachtete Modell ausgewählt wird.

92
5.3 Systematische Portfolio-Management-Modelle

5.3 Systematische Portfolio-Management-Modelle

5.3.1 Auswahl der Aktien für die Portfolios

In diesem Abschnitt werden die Aktien ausgewählt, die in die Portfolios kommen
sollen. Die Entscheidung fällt auf Aktien aus dem DAX-Index, da das technische
Handelsmodell für den Handel dieser Werte konzipiert wurde. Auf eine Aufnahme
sämtlicher DAX-Aktien in die Portfolios wird aus folgenden Gründen verzichtet:

- Die Portfolio-Optimierung von sehr großen Portfolios kann sich je nach Güte
der Numerik des verwendeten Statistikprogrammes als problematisch erwei-
sen. Die Varianz-Kovarianz-Matrix kann unter Umständen nicht invertiert
werden, da sie als singulär betrachtet wird. Einen möglichen Umweg bietet da
die Cholesky-Dekomposition.
- Da im Black-Litterman-Verfahren je nach Prognose die marktkapitalisie-
rungsgerechten Referenzgewichtungen der Aktien etwas erhöht oder gemin-
dert werden, ändert die Aufnahme relativ kleiner Werte die Portfolioperfor-
mance nur in geringem Maße und würde in der Praxis vor allem zu erhöhten
Transaktionskosten führen.

Aus diesen Gründen fällt die Wahl der Aktien im Portfolio auf einige große Werte
im DAX. Zur Entscheidungsunterstützung wird die Lorenzkurve der prozentualen
Marktkapitalisierungen der DAX-Aktien zum 02. Januar 2004, veranschaulicht in der
Abbildung 5.8, herangezogen.167

Abbildung 5.8: Lorenzkurve der prozentualen Marktkapitalisierungen der DAX-Aktien

[Stand: 02.01.04; Quelle: Eigene Berechnung ausgehend von den Kursen und der Anzahl der Aktien
am Markt; Quellen YahooFinance,Deutsche Börse AG]

Die Wahl fällt auf ein Portfolio mit den fünfzehn am 02. Januar 2004 am stärksten
kapitalisierten Aktien, da diese Werte ca. 84 % des DAX-Volumens ausmachen, und

167
Eine Tabelle mit sämtlichen DAX-Aktien und ihre Kürzel und Wirtschaftssektoren sowie Kursdia-
gramme und Marktkapitalisierungen befinden sich im Anhang B.3.

93
5 Empirischer Teil

somit den Index sehr gut repräsentieren. Es handelt sich dabei geordnet nach deren
Marktkapitalisierung um folgende Aktien:

Deutsche Telekom (DTE), Siemens (SIE), SAP (SAP), Allianz (ALV), Deutsche
Bank (DBK), Daimler Chrysler (DCX), E.On (EOA), BASF (BAS), BMW (BMW),
Münchener Rückversicherungen (MUV2), Deutsche Post (DPW), Bayer (BAY), RWE
(RWE), Volkswagen (VOW), Metro (MEO).

Die Abbildung 5.9 veranschaulicht die Aufteilung über die Wirtschaftssektoren des
marktkapitalisierungsgerechten Portfolios am 02. Januar 2004.

Abbildung 5.9: Aufteilung des marktkapitalisierungsgewichteten Fünfzehn-Wertpapier-


Portfolios über die Wirtschaftssektoren

4% 3%
17% Automobilindustrie
8%
Telekommunikation
Versicherungen
9%
Industrie
14% Versorger
Chemie
9%
Software
Banken
13% Logistik
11%
Einzelhandel
12%

[Stand: 02.01.04, Quelle: Eigene Berechnung]

Die gute Streuung über die Wirtschaftssektoren des Fünfzehn-Wertpapier-Portfolios


und die hohe Anzahl an Aktien sollten das unsystematische Risiko des Portfolios zu
einem erheblichen Maße reduzieren.

Die Benchmark für die systematisch geplanten Portfolios wird das marktkapitalisie-
rungsgewichtete Fünfzehn-Wertpapier-Portfolio sein. Der DAX-Index bietet sich
ebenfalls als Benchmark an, darauf wird allerdings aus Gründen der präziseren Beur-
teilung der Portfolio-Management-Modelle durch die gewählte Benchmark verzich-
tet.

94
5.3 Systematische Portfolio-Management-Modelle

5.3.2 Portfolio-Management-Modell nach BLACK und LITTERMAN auf


Basis der Gleichgewichtsrenditen und der Handelssignale

5.3.2.1 Festlegung der Inputfaktoren des Portfolio-Management-Modells


Zur Bestimmung der impliziten Gleichgewichtsrenditen sind die marktkapitalisie-
rungsgerechten Gewichtungen der Aktien im Portfolio wGG, die Varianz-Kovarianz-
Matrix Σ sowie der Risikoaversionsparameter λ des Portfolios notwendig. Die bereits
im Abschnitt 3.3 erläuterte Formel zur Berechnung der impliziten Renditen lautet:

Π* = λΣw REF

Die marktkapitalisierungsgerechten Gewichtungen wGG. Es liegen für sämtliche


Wertpapiere des Portfolios die Anzahl der Aktien auf dem Markt vor. Indem diese
mit dem aktuellen Kurs der Aktie multipliziert werden, erhält man die Marktkapitali-
sierungen der Werte.168 Die Marktkapitalisierung einer Aktie dividiert durch die
Summe der Marktkapitalisierungen aller Aktien des Portfolios ergibt dann die
marktkapitalisierungsgerechte Gewichtung dieser Aktie. Dieser Vorgang wird täg-
lich, so dass sich die marktkapitalisierungsgerechten Gewichtungen der Marktent-
wicklung dynamisch anpassen.

Die Varianz-Kovarianz-Matrix Σ wird durch die empirische Varianz-Kovarianz-


Matrix approximiert. Diese wird rollierend über ein Zeitfenster von hundert Börsen-
tagen in die Vergangenheit berechnet.

Der Risikoaversionsparameter λ wird auf 2.5 gesetzt. Dieser Wert entspricht nach
He und Litterman (1999) dem globalen durchschnittlichen Risikoaversionsparameter.

Der Skalar τ ist ein weiterer wichtiger Eingabefaktor des Black-Litterman-Modells.


In den folgenden Portfolios wird der Skalar den Anwendungen von Drobetz (2002)
folgend auf 0.3 gesetzt.

Die Prognosematrix V. Zu der Bestimmung der Prognosematrix werden über den


gesamten Testzeitraum die Marktpositionen des Handelsmodells bestimmt. Wenn
das Modell an einem bestimmten Tag Long ist, dann wird dies als eine positive Pro-
gnose gewertet, ist das Handelsmodell Short, wird dies als eine negative Prognose
interpretiert. Anschließend werden die realisierten Renditen an den Tagen, an denen
das Handelsmodell die Long- bzw. Short-Signale generiert hat, festgehalten.

In der Abbildung 5.10 sind die empirischen Verteilungen der Renditen sämtlicher
DAX-Werte im Testzeitraum vom 02.01.2002 bis zum 30.12.2003 bei Long- und

168
siehe Anhang B.3.3

95
5 Empirischer Teil

Short-Signalen, sowie die Normalverteilungen basierend auf den zwei ersten Mo-
menten der empirischen Verteilungen aufgeführt.

Abbildung 5.10: Empirische- und Normalverteilungen der Renditen der DAX-Aktien im


Testzeitraum bei Long- bzw. Short-Signalen

Anzahl Long-Signale: 5051 Anzahl Short-Signale: 5382


Mittelwert: 0.003221600 Mittelwert: -0.004419361
Varianz: 0.02830029 Varianz: 0.02943300
Jarque-Bera: 1979.962 Jarque-Bera: 696.2059
(p-value < 2.2e-16) (p-value < 2.2e-16)
t-Test: 8.0904 t-Test: -11.0153
(p-value < 2.2e-16) (p-value: 0.6401)

Der Jarque-Bera-Test verwirft sowohl bei der Verteilung der Renditen bei Long-
Signalen, als auch bei der Verteilung der Renditen bei Short-Signalen die Annahme
der Normalverteilung mit einem Signifikanzniveau von weit unter 1 %. Die Renditen
scheinen eher einer leptokurtischen Verteilung zu entsprechen. Die Annahme normal
verteilter Prognosen des Black-Litterman-Verfahrens wird dadurch leider verletzt.
Der t-Test unterstellt, dass die Renditen bei Long-Signalen signifikant größer als null
und die Renditen bei Short-Signalen signifikant kleiner als null sind. Allerdings ist
die Aussagekraft des t-Tests durch die Tatsache, dass die Daten nicht stochastisch
zustande gekommen, sondern das Ergebnis des Entwicklungsprozesses im Abschnitt
5.2. sind, sehr eingeschränkt. Im Falle eines Long-Signals wird die Renditeprognose
trotzdem für die entsprechende Aktie auf +0.32216 %, dem Mittelwert aller Long-
Signal-Renditen im Testzeitraum, gesetzt. Im Falle eines Short-Signals wird eine
Rendite von -0.44193611 % prognostiziert.

Die Prognosegütematrix Ω wird analog anhand der Varianzen der Handelssignal-


renditen im Testzeitraum bestimmt. Jeder Long-Signal-Prognose wird eine Varianz
von 0.02830029 zugewiesen, jeder Short-Signal-Prognose eine Varianz von
0.02943300.

96
5.3 Systematische Portfolio-Management-Modelle

Die Prognosezuordnungsmatrix P ist eine k×15 Matrix, wobei k die Anzahl der
aktuell existierenden Handelssignale darstellt. In diesem Beispiel werden nur absolu-
te Prognosen des Typs (A)169 erstellt, so dass in jeder Zeile der P-Matrix vierzehn
Nullen und eine Eins stehen, die das Handelssignal der richtigen Aktie zuordnen.

5.3.2.2 Performance des Portfolio-Management-Modells


Die Black-Litterman-Gewichte wurden für das Jahr 2004 jeden Tag auf Basis der
Gleichgewichtsrenditen und der Handelssignale berechnet.170 Abbildung 5.11 stellt
die Entwicklung der Rendite für das Black-Litterman-Portfolio und der Benchmark
dar.

Abbildung 5.11: Renditeentwicklung des Portfolio-Management-Modells nach BLACK und


LITTERMAN [τ = 0.3]

0.08
0.06
0.04
Renditeentwicklung

0.02
0
-0.02
-0.04
-0.06
-0.08
-0.1
-0.12
01.04

02.04

03.04

04.04

05.04

06.04

07.04

08.04

09.04

10.04

11.04

12.04

Benchmark Black-Litterman-Portfolio

Aus der Abbildung wird ersichtlich, dass das Black-Litterman-Portfolio die meiste
Zeit über eine leichte Überrendite gegenüber der Benchmark verzeichnen konnte.
Lediglich in der ausgeprägten Seitwärtsbewegung des Marktes im Januar und Febru-
ar 2004 war die Performance des Black-Litterman-Portfolios schwächer als diejenige
der Benchmark. Dies liegt eindeutig an der Schwäche des trendfolgenden Handels-
modells in derartigen Marktphasen.

Die Überrendite ist jedoch über den ganzen Handelszeitraum gering. Ein aggressive-
res Portfolio wird durch das Erhöhen des Skalars τ von 0.3 auf 2 erstellt. Bei diesem

169
vgl. Abschnitt 3.4.1
170
Im Anhang D.1 und D.2 befinden sich die R-Quellcodes der Funktionen der Portfolio-
Management-Modelle.

97
5 Empirischer Teil

Portfolio gehen die Signale des Handelsmodells stärker in die Berechnung der Black-
Litterman-Gewichtungen ein. Abbildung 5.12 stellt die Entwicklung der Renditen
dieses aggressiveren Black-Litterman-Portfolios dar.

Abbildung 5.12: Renditeentwicklung des Portfolio-Management-Modells nach BLACK und


LITTERMAN [τ = 2]
0.08
0.06
0.04
Renditeentwicklung

0.02
0
-0.02
-0.04
-0.06
-0.08
-0.1
-0.12
01.04

02.04
03.04

04.04

05.04

06.04
07.04

08.04

09.04
10.04

11.04
12.04
Benchmark Aggressives Black-Litterman-Portfolio

Bei diesem aggressiveren Portfolio kann die Benchmark zeitweilig viel deutlicher
outperformt werden. Allerdings sind die Rückschläge in den Marktphasen, in denen
das Handelsmodell schlechte Signale generiert, ebenfalls ausgeprägter als in dem
ersten vorgestellten Black-Litterman-Portfolio.

5.3.3 Portfolio-Management-Modell nach MARKOWITZ auf Basis der


historischen Renditen und der Handelssignale

Im Folgenden wird ein Portfolio nach dem Markowitz-Verfahren auf Basis histori-
scher Renditen und der Handelssignale untersucht. Der Vektor erwarteter Renditen
setzt sich hier im Falle eines vorhandenen Handelssignals zur Hälfte aus der Han-
delssignalprognose gemäß Abschnitt 5.3.3.1 und zur anderen Hälfte aus der mittleren
historischen Rendite über die letzten hundert Börsentage des Wertpapiers zusammen.
Wenn allerdings kein Handelssignal vorhanden ist, so besteht die erwartete Rendite
zu hundert Prozent aus der historischen Rendite. Die Varianz-Kovarianz-Matrix wird
auch hier rollierend über die letzten hundert Börsentage berechnet. Der Risikoaversi-
onsparameter wird wie in den Black-Litterman-Portfoliomodellen auf 2.5 gesetzt.

98
5.3 Systematische Portfolio-Management-Modelle

Abbildung 5.13: Renditeentwicklung des Portfolio-Management-Modells nach MARKOWITZ


[ohne Leerverkäufe]
0.23
Renditeentwicklung 0.18

0.13

0.08

0.03

-0.02

-0.07

-0.12
01.04

02.04
03.04
04.04
05.04

06.04
07.04

08.04

09.04
10.04

11.04
12.04
Benchmark Markowitz-Portfolio ohne Leerverk äufe

Die Abbildung 5.13 veranschaulicht die Renditeentwicklung des Markowitz-


Portfolios. Die Benchmark wird mit dem Markowitz-Portfolio deutlich outperformt.
In den ersten drei Monaten des Jahres notierte das Portfolio allerdings auch klar unter
der Performance der Benchmark.

5.3.4 Performance-Messung der vorgestellten Portfolio-Management-


Modelle

Die Eigenschaften der vorgestellten Portfolio-Management-Modelle und des Bench-


markportfolios werden in diesem Abschnitt gegenübergestellt. In der Abbildung 5.14
sind Kennzahlen zur Evaluierung der Portfolioperformance aufgeführt. Die Rendite
ist die im Handelszeitraum verbuchte Rendite. Die Jahresstandardabweichung ent-
spricht der annualisierten Standardabweichung der Tagesrenditen. Die Sharpe-Ratio
wird gemäß den Erläuterungen im Abschnitt 2.6 berechnet und interpretiert. Die Um-
schichtungskennzahl gibt die relative Anzahl der Kapitalumschichtungen über das
Jahr 2004 an.

Der Herfindahl-Index ist ein Konzentrationsmaß. Er wird für ein Portfolio aus N Ak-
tien folgendermaßen berechnet:

N
[4.1] H = ∑ wi2
i =1

99
5 Empirischer Teil

Ein Herfindahl-Index von 1 steht für die höchstmögliche Konzentration eines Portfo-
lios, hier wird das gesamte Vermögen auf eine einzige Anlage verteilt. Je kleiner der
Herfindahl-Index ausfällt, desto gleichmäßiger ist das Kapital auf die Anlagen ver-
teilt. In einem Fünfzehn-Wertpapier-Portfolio ist der kleinstmögliche Herfindahl-
Index 0.06666667. In der Abbildung ist der durchschnittliche Herfindahl-Index der
Portfolios über den gesamten Handelszeitraum angegeben.

Abbildung 5.14: Performance-Maße der vorgestellten Portfolios


Aggressives
(sicherer Zinssatz: Benchmark Black-Litterman Black-Litterman Markowitz
171
0.02275)

Rendite im Jahr 2004 0.055493 0.060003 0.054171 0.202748


Standardabweichung 0.162684 0.158019 0.158390 0.206883

Sharpe-Ratio 0.201269 0.235751 0.198379 0.870048

Umschichtungen 0.882075 10.361000 24.118390 34.960080

Durchschnittlicher Herfindahl- 0.081956 0.101559 0.191789 0.750166


Index

Das Black-Litterman-Modell verbucht 6 % Gewinn und liegt somit 0.45 % über der
Benchmark. Auffällig ist, dass das Black-Litterman-Modell die kleinste Standardab-
weichung der Gewinne besitzt. Aus diesen beiden Gründen lässt sich die höhere
Sharpe-Ratio des Black-Litterman-Modells gegenüber der Benchmark erklären.

Das aggressive Black-Litterman-Modell kann die Benchmark nicht outperformen.


Allerdings verdeutlicht die Abbildung 5.12, dass zeitweise eine deutliche Outperfor-
mance erreicht wurde. Die Standardabweichung ist bei diesem Portfolio ebenfalls
geringer als bei der Benchmark, dies führt zu einer höheren Sharpe-Ratio des aggres-
siven Black-Litterman-Portfolios im Gegensatz zur Benchmark.

Die Performance-Maße sowie die Abbildungen 5.11, 5.12 und 5.13 verdeutlichen,
dass die erwirtschaftete Rendite in dem Markowitz-Modell mit 20.27 % p. a. am
höchsten ist. Das Markowitz-Modell ist aufgrund dieser hohen Rendite auch dasjeni-
ge mit der höchsten Sharpe-Ratio, trotz der höchsten verbuchten Standardabwei-
chung.

Eine reine Beurteilung nach der Sharpe-Ratio ist jedoch wegen der unterschiedlichen
Eigenschaften der Portfolios unangebracht. Das Markowitz-Portfolio schichtet das
Kapital im Jahr 2004 ca. 35 Mal um, dies verursacht deutlich höhere Transaktions-
kosten als das Benchmarkportfolio, bei dem das ganze Jahr über nur ca. 88 % des

100
5.4 Fazit

Vermögens umgeschichtet werden. Die Black-Litterman-Portfolios schichten das


Kapital 10 bzw. 24 Mal um, was in dem Fall des aggressiven Black-Litterman-
Portfolios angesichts der verbuchten Performance unangemessen oft ist.

Die Aufteilung des Vermögens auf die Aktien erfolgt sowohl bei dem Benchmark-
portfolio als auch bei dem Black-Litterman-Portfolio sehr gleichmäßig, da der Her-
findahl-Index für die beiden Portfolios sehr niedrig ist. Das aggressivere Black-
Litterman-Portfolio weist eine leicht erhöhte Konzentration auf. Das Markowitz-
Portfolio besitzt einen durchschnittlichen Herfindahl-Index von 0.75, was auf eine
extrem hohe Konzentration des Vermögens auf wenige Wertpapiere schließen lässt.

Zusammenfassend kann gesagt werden, dass das Markowitz-Portfolio zwar auf dem
ersten Blick die beste Performance vermuten lässt, allerdings sehr hohe Transakti-
onskosten verursachen würde. Die hohe Konzentration dieses Portfolios zeugt von
schlechter Diversifikation und führt dem Portfolio ein hohes Maß an unsystemati-
schem Risiko bei. Aus diesen Gründen kommt die Anwendung des vorgestellten
Markowitz-Portfolios in der Praxis in dieser Form nicht in Frage.

Das erste Black-Litterman-Portfolio ist dem aggressiveren Black-Litterman-Portfolio


vorzuziehen, da es besser diversifiziert ist, weniger Transaktionskosten verursacht
und eine höhere Sharpe-Ratio besitzt. Trotz der höheren Sharpe-Ratio von 0.235 im
Gegensatz zu 0.201 kann das Black-Litterman-Portfolio nicht eindeutig der Bench-
mark präferiert werden, da diese etwas besser diversifiziert ist, und deutlich niedrige-
re Transaktionskosten verursacht.

5.4 Fazit

Die Handelssignale können offensichtlich die Performance des Fünfzehn-


Wertpapier-Portfolios die meiste Zeit über verbessern. Die Ergebnisse der Black-
Litterman-Portfolios sind jedoch leider nicht eindeutig. Eine Berücksichtigung der
Transaktionskosten würde die erzielte Outperformance deutlich mindern. Ob das
Modell dann in der Praxis noch profitabel gewesen wäre, ist fraglich.

Andererseits muss gesagt werden, dass die Seitwärtsbewegungen der Märkte in den
ersten zwei Drittel des Jahres 2004 eine äußerst schwierige Umgebung für das trend-
folgende Ausbruchsmodell darstellt. Die Tatsache, dass die absolute Performance der
Portfolio-Management-Modelle trotzdem relativ konstant über derjenigen der

171
Dieser Zinssatz entspricht dem 1-Jahres-EURIBOR zum 02.01.2004. [Quelle: www.euribor.org]

101
5 Empirischer Teil

Benchmark notieren konnte zeugt zum einen für eine gute Stabilität des Handelsmo-
dells und lässt in volatileren Marktphasen signifikantere Ergebnisse erwarten.

Die Wirkung absoluter Prognosen ist außerdem durch den starken Gleichlauf der
DAX-Aktien eingeschränkt. So treten beispielsweise Handelssignale in dem vorge-
stellten Portfolio häufig gleichzeitig auf172, dies liefert keine eindeutigen Aussagen
über aktuell besonders starke bzw. schwache Werte.

Verbesserungen hält der Autor vor allem durch die Erweiterung des Modells um
relative Prognosen des Typs (B)173 und/oder um kurzfristigere und sicherere
Prognosen durchaus für möglich. Die Flexibilität des Black-Litterman-Verfahrens
sollte ausgenutzt werden indem man eine Vielzahl unterschiedlicher Prognosen aus
unterschiedlichen Verfahren in das Portfolio-Management-Modell integriert.

172
siehe Signalmatrix DAX15.Strat_5FilterStop_AktuelleMP_020102_301204 auf der Internetseite
www.DA-PortfolioModelle.de.vu
173
siehe Abschnitt 3.4.1

102
6 Schlussfolgerung

In dieser Arbeit wurden mit der Portfolio-Selection-Theorie von Markowitz und dem
Capital Asset Pricing Model von Sharpe die Grundlagen der Modernen Portfolio-
Theorie vorgestellt; die Probleme, welche die Anwendung der reinen Portfolioopti-
mierung nach Markowitz in der Praxis nach sich zieht, wurden erörtert. Das innova-
tive Verfahren von Black und Litterman ermöglicht es dem Portfoliomanager, ausge-
hend von strategischen Referenzgewichtungen oder marktkapitalisierungsgerechten
CAPM-Gewichtungen, eine beliebige Anzahl von Prognosen unterschiedlicher Art in
den Optimierungsprozess einfließen zu lassen. Die Vorteile dieses Verfahrens ge-
genüber der reinen Portfoliooptimierung nach Markowitz wurden anhand von Bei-
spielen demonstriert.

Technische Handelsmodelle stellen eine von vielen Möglichkeiten dar, Anlageent-


scheidungen zu treffen. Der Aufbau von Handelsmodellen wurde dargestellt und es
wurde ein Handelsmodell zum Handel der DAX-Aktien entwickelt. Zwei wesentli-
che Vorteile von Handelsmodellen sind die vollständige Eliminierung subjektiver
Entscheidungen, und somit menschlicher Emotionen, aus dem Investmentprozess
sowie die Möglichkeit, die Performance der Handelsregeln auf historischen Daten zu
testen.

Im empirischen Teil der Arbeit wurden die Signale des entwickelten Handelsmodells
als Renditeprognosen in das Black-Litterman-Verfahren integriert. Dieses automati-
sche Portfolio-Management-Modell konnte die Benchmark die meiste Zeit über out-
performen. Das Vergleichsmodell auf Basis der Markowitz’schen Portfoliooptimie-
rung generierte zwar absolut gesehen die höchste Rendite, wird aber vor allem aus
Gründen zu hoher Konzentration und zu hoher Transaktionskosten als nicht handel-
bar eingestuft.

Abschließend kann gesagt werden, dass das Black-Litterman-Verfahren ein äußerst


flexibles Instrument für Portfolio-Management-Entscheidungen in der Praxis dar-
stellt. Das Verfahren vereint den Portfoliooptimierungsansatz von Markowitz mit
kapitalmarkttheoretischen Überlegungen (CAPM-Gleichgewicht) und gibt dem In-
vestor die Möglichkeit, eigene Prognosen konsistent in das Verfahren zu integrieren.

Ob eine Benchmark mit Black-Litterman-Portfolios geschlagen werden kann, hängt


primär von der Qualität der geäußerten Renditeprognosen ab. Handelsmodelle, die
sich durch eine hohe Robustheit auszeichnen, sind für diesen Zweck durchaus geeig-
net.

103
6 Schlussfolgerung

Weitere Verbesserungen des vorgestellten Ansatzes hält der Autor für möglich. Das
Black-Litterman Verfahren kann z.B. gleichzeitig mit mehreren Prognosen und un-
terschiedlichen Handelssignalen versorgt werden. Es sollten vermehrt auch relative
Prognosen spezifiziert werden. Dies kann z.B. durch ein Ranking der Aktien sowohl
mit dem stärksten Momentum als auch mit dem schwächstem Momentum erreicht
werden. Dadurch würden kurzfristige relative Stärken oder Schwächen von Wertpa-
pieren verstärkt ausgenutzt. Der Einsatz verschiedener quantitativer Methoden wie
ARIMA, ARCH/GARCH oder künstlicher neuronaler Netze ist simultan möglich
und könnte ebenfalls die Ergebnisse verbessern.

Die trendfolgenden Signale, die in dieser Arbeit angewandt wurden, scheinen in ei-
nem Portfolio mit derartig hoch korrelierten Wertpapieren wie es die DAX-Aktien
sind, weniger leistungsfähig als sie es in einem Portfolio mit sehr niedrig korrelierten
Wertpapieren wären, da Handelssignale aufgrund des starken Gleichlaufs der DAX-
Aktien häufig zum gleichen Zeitpunkt erscheinen174 und sich somit in der Black-
Litterman-Portfoliooptimierung teilweise neutralisieren. Es wäre denkbar, dass durch
die Bildung eines Portfolios mit niedriger korrelierten Aktien die Handelssignale
vereinzelter auftreten würden und somit gezielter wirken könnten.

Die wesentlichen Vorteile des vorgestellten Portfolio-Management-Modells für den


Portfolio-Manager sind:

- Die Bildung realistischer Portfoliogewichte basierend auf den Konzepten der


Modernen Portfolio-Theorie und Handelsmodellen
- Ausschaltung von Emotionen aus dem Handel
- Parallele Auswertung einer beliebigen Anzahl von Märkten durch Computer-
programme
- Geringere Abhängigkeit von Marktphasen weniger Aktien, da Handelssignale
auf fünfzehn Wertpapiermärkten parallel ausgeführt werden und zuvor vor al-
lem auf Robustheit getestet wurden
- Die gewonnene Zeit kann vom Portfolio-Manager sinnvoll zu extensiverem
quantitativem Research und zur sorgfältigen Planung mittel- bis langfristiger
Portfolios genutzt werden

Wenn es gelänge durch einem derartigen Portfolio-Modell mit einer hohen Zuverläs-
sigkeit konstant einige Prozentpunkte über dem Index oder der Benchmark zu per-
formen, könnte diese Überperformance in Portfolioabsicherungen auf dem Termin-
markt investiert werden. Der Anleger hätte dann die Chance mit einem minimalen
Verlustrisiko an der positiven Entwicklung der Benchmark voll zu partizipieren.

174
siehe Datenmatrix DAX15.Strat_5FilterStop_AktuelleMP_020102_301204 auf der
Internetseite www.DA-PortfolioModelle.de.vu

104
7 Literaturverzeichnis

Auckenthaler, C. (1991): Mathematische Grundlagen des modernen Portfolio-


Managements. Bank- und finanzwirtschaftliche Forschungen, Bd: 142. Bern; Stutt-
gart: Haupt.

Bigalow, S.W. (2002): Profitable Candlestick Trading. New York: John Wiley &
Sons.

Black, F./ Litterman, R. (1991): Global Asset Allocation with Equities, Bonds and
Currencies. “Fixed Income Research”, Goldman, Sachs & Company, Oktober.

Black, F./ Litterman, R. (1992): Global Portfolio Optimization. In: Financial Ana-
lysts Journal, September-October, S. 28-43.

Davidson, C. (1995): Development in the Forex Markets. Olsen and Associates: Pro-
fessional Library. Online:
http://www.ivey.uwo.ca/faculty/ssapp/Teaching/IntFinance/Readings/dev_fx.html

Dolic´, D. (2004): Statistik mit R. München; Wien: Oldenbourg.

Drobetz, W. (2003): Statistische Eigenschaften von Finanzmarkt-Zeitreihen. Lecture


notes: WWZ Universität Basel, Finanzmarkttheorie. Online:
http://www.wwz.unibas.ch/cofi/teaching/generallecturenotes/papers/01-01.pdf

Drobetz, W. (2002): Einsatz des Black-Litterman Verfahrens in der Asset Allocation.


Universität Basel, WWZ/Department of Finance, Working Paper No. 3/02

Fabozzi, F./Gupta, F./ Markowitz, H. (2002): The Legacy of Modern Portfolio The-
ory. S. 7-21 in: The Journal of Investing, Herbst.

Florek, E. (2000): Neue Trading - Dimensionen. München: FinanzBuch Verlag.

Franke, J./ Härdle, W./ Hafner, C. (2003): Einführung in die Statistik der Finanz-
märkte. Berlin: Springer Verlag.

Gast, C. (1998): Asset Allocation: Entscheidungen im Portfolio-Management. Bern:


Haupt.

105
7 Literaturverzeichnis

He, G./ Litterman, R. (1999): The Intuition behind Black-Litterman Model Portfo-
lios. ”Investment Management Research”, Goldman, Sachs & Company, December.

Idzorek, T.M. (2004): A Step by Step Guide to the Black-Litterman Model incorpo-
rating user-specified confidence levels.

Kleeberg, J. (1995): Der Anlageerfolg des Minimum-Varianz-Portfolios. Bad Soden:


Uhlenbruch Verlag.

Kruschwitz, L. (2002): Finanzierung und Investition. 3. Auflage. München: Olden-


bourg.

Kruschwitz, L. (2003): Investitionsrechnung. 9.Auflage. München; Wien: Olden-


bourg.

Ligges, U. (2005): Programmieren mit R. Berlin-Heidelberg: Springer Verlag.

Lischka, F. (1998): Das Capital Asset Pricing Model und seine zeitkontinuierliche
Erweiterung. Diplomarbeit an der Universität Karlsruhe. Online:
http://www.fabian-lischka.de/CAPM.pdf

Litterman, R. et.al. (2003): Modern Investment Management : An Equilibrium Ap-


proach. New Jersey: John Wiley & Sons.

Markowitz, H. (1952): Portfolio Selection. In: The Journal of Finance, Vol. VII,
Nr.1, März.

Müller, T./ Nietzer, H. (2000): Das grosse Buch der technischen Indikatoren: Alles
über Oszillatoren, Trendfolger, Zyklentechnik. 7.Aufl. Rosenheim: TM Börsenver-
lag.

Murphy, J.J. (2004): Technische Analyse der Finanzmärkte. 3.Auflage. München:


FinanzBuch Verlag.

Perridon, L./ Steiner, M. (1999): Finanzwirtschaft der Unternehmung. 10.Auflage.


München: Vahlen.

Pruitt, G./ Hill, J.R. (2003): Building Winning Trading Systems with TradestationTM.
New Jersey: JohnWiley&Sons.

Schmidt, R.H. (1996): Grundzüge der Investitions- und Finanzierungstheorie. 3. Auf-


lage. Wiesbaden: Gabler.

106
7 Literaturverzeichnis

Sharpe, W.F./ Alexander, G.J./ Bailey, J.V. (1995): Investments. 5th edition. New
Jersey: Prentice Hall.

Steiner, M./ Bruns, C. (2000): Wertpapiermanagement. 7.Auflage. Stuttgart: Schäf-


fer-Poeschel.

Stridsman, T. (2003): Trading systems and money management. New York:


McGraw-Hill.

Varian, H.R. (2004): Grundzüge der Mikroökonomik. 6. Auflage. München: Olden-


bourg.

Weber, F. (2001): Modellrisiko bei Value-at-Risk Schätzungen: eine empirische Un-


tersuchung für den schweizerischen Aktien- und Optionenmarkt. Dissertation an der
Universität Freiburg in der Schweiz.

Wetzer, R. (2003): Quantitative Handelsmodelle. München: Herbert Utz Verlag.

Yao, J./ Tan, C. (1999): Neural Networks for Technical Analysis: A Study on KLCI.
In: International Journal of Applied Finance, Vol.2; No.2, S. 221-241.

Zimmermann, H./ Drobetz, W./ Oertmann P. (2002): Global Asset Allocation: New
Methods and Applications. New York: JohnWiley&Sons.

Sonstige Quellen

Deutsche Börse: www.deutsche-boerse.de

EURIBOR: www.euribor.org

Omega Research TradestationTM User Manual (intergriert in der Software)

Yahoo.Finance: http://de.finance.yahoo.com/

107
Anhangverzeichnis

Anhang A: Herleitungen .........................................................111


A.1 Herleitung der erwarteten Portfoliorendite und der
Portfoliovarianz im Single-Index-Modell von SHARPE ........................ 111

A.2 Herleitung des effizienten Portfolios risikobehafteter Wertpapiere


und der Geraden effizienter Portfolios bei der TOBIN-Separation ...... 115

A.3 Herleitung der Wertpapierlinie im CAPM.............................................. 118

Anhang B: Daten .....................................................................120


B.1 Daten des Vier-Wertpapier-Beispielportfolios ........................................ 120

B.2 Daten des Sieben-Wertpapier-Beispielportfolios .................................... 121

B.3 Daten des DAX-Index ................................................................................ 123


B.3.1 DAX-Aktien……………………………………. ................................. 123
B.3.2 Kurse der DAX-Aktien………….......................................................... 124
B.3.3 Marktkapitalisierungen der DAX-Aktien des Fünfzehn-Wertpapier-
Portfolios…………………. ............................. …………………128

Anhang C: Handelsmodelle .....................................................129


C.1 Performance der getesteten Handelsmodelle........................................... 130

C.2 TradestationTM-Quellcodes der Handelsmodelle .................................... 147

Anhang D: Systematische Portfolio-Management-Modelle....154


D.1 R-Quellcode der Funktion des Portfolio-Management-Modells nach
BLACK-LITTERMAN.............................................................................. 158

D.2 R-Quellcode der Funktion des Portfolio-Management-Modells nach


MARKOWITZ ........................................................................................... 164

109
Anhang

Anhang A: Herleitungen

A.1 Herleitung der erwarteten Portfoliorendite und der Portfoliova-


rianz im Single-Index-Modell von SHARPE

Die Renditeentstehung im Index-Modell entspricht:

[A.1] Ri = ai + bi RI + ε i

mit: Ri: Rendite der Aktie i


a i: Konstante, unternehmensindividuelle Rendite
RI: Rendite des Indexes, der die für alle Unterneh-
men bedeutsamen Ereignisse erfasst
b i: Konstante Sensitivität der Aktie i auf Verände-
rungen der Indexrendite
ε i: Titelspezifische Störkomponente

Des weiteren werden in dem Index-Modell von Sharpe hinsichtlich der Störkompo-
nenten folgende Annahmen getroffen175:

1. Der Erwartungswert der Störkomponenten ist null:

[A.2] E [ε i ] = 0

2. Die Störkomponenten des i-ten Wertpapiers sind normalverteilt und haben einen
Erwartungswert von null. Die Varianz der Störkomponenten beträgt:

σ ε2 = E [ε i − E [ε i ]]2
[A.3]
i

σ ε = E [ε i ]2
2
i

3. Die Störkomponente der i-ten Anlage ist nicht mit der Indexrendite korreliert.
Damit gilt:

175
Vgl. Steiner/Bruns (2000), S. 17 f.

111
Anhang A: Herleitungen

[A.4] E [ε i ⋅ RI ] = 0

4. Die Störkomponenten des Wertpapiers i sind zeitlich unkorreliert. Daraus folgt:

[A.5] E [ε it1 ⋅ ε it 2 ] = 0

5. Die Störterme der Aktienrenditen sind untereinander unkorreliert, so dass gilt:

[A.6] [
E εi ⋅ε j = 0 ]
Wird jetzt die Renditeformel A.1 in Erwartungswerten ausgedrückt, so erhält man:

[A.7] E [Ri ] = E [ai + bi RI + ε i ] .

Dieser Term wird kann durch die Berücksichtigung der ersten Annahme in der For-
mel A.2 vereinfacht werden:

[A.8] E [Ri ] = ai + bi E [RI ]

Nachdem die erwartete Rendite für die Wertpapiere unter dem Index-Modell bekannt
ist, kann die Varianz der Wertpapiere hergeleitet werden:

σ i2 = E [Ri − E [Ri ]]2


[A.9]
σ i2 = E [(ai + bi RI + ε i ) − (ai + bi E [RI ])]2

Nachdem ai im Term wegfällt, gelangt man durch Auflösung der binomischen For-
mel zu:

[A.10]
[( )
σ i2 = E bi2 (RI − E [R I ])2 + ε i2 + 2bi (RI − E [R I ])ε i ]
σ = b E ((R − E [R ]) ) + E (ε ) + 2b ⋅ E [(R − E [RI ])ε i ]
2 2 2 2
i i I I i i I

Unter der Berücksichtigung der oben getroffenen Annahmen erhält man für die Vari-
anz der Rendite der i-ten Anlage folgenden Term:

[A.11] σ i2 = bi2σ I2 + σ ε2
i

112
Anhang A: Herleitungen

Ähnlich wie bei dem Markowitz-Modell kommt neben der erwarteten Rendite und
deren Varianz der Berechnung der Kovarianz der Wertpapierrenditen untereinander
Bedeutung zu. Die Kovarianz zwischen zwei Wertpapieren i und j wird im Indexmo-
dell von Sharpe anhand der Formel A.12 berechnet.

[A.12]

[ ] [ [ ])]
Cov Ri , R j = E (Ri − E [Ri ]) ⋅ (R j − E R j
= E {[(a + b R + ε ) − (a + b E [R ])] ⋅ [(a + b R
i i I i i i I j j I ]
+ ε j ) − (a j + b j E [R I ]) }
= E [(b (R − E [R ]) + ε ) ⋅ (b (R − E [R ]) + ε )]
i I I i j I I j

[
= E bi b j (RI − E [RI ]) + ε i ε j + bi (RI − E [RI ])ε j + b j (RI − E [RI ])ε i
2
]
Unter den oben getroffenen Annahmen betragen die Erwartungswerte der letzten drei
Terme null, die Formel der Kovarianz ergibt sich demnach zu:

[A.13] [
Cov Ri , R j = bi b j σ I2 ]
Die Rendite und das Risiko eines Portfolio mit N Anlagen mit den Gewichtungen wi
werden anhand der folgenden Formeln ermittelt. Für die Portfoliorendite gelten die
Zusammenhänge:

[A.14]
N N
(N N N
RP = ∑ wi Ri = ∑ wi ai + bi RI + ε = ∑ wi ai + RI ∑ wi bi + ∑ wi ε i
i
)
i =1 i =1 i =1 i =1 i =1

N N
[A.15] E [RP ] = ∑ wi ai + bP E [RI ] mit bP = ∑ wi bi
i =1 i =1

Die Portfoliovarianz wird, nach wie vor unter den Annahmen eins bis vier, mit der
Formel A.16 berechnet.

113
Anhang A: Herleitungen

[A.16]

σ P2 = E (RP − E [RP ])2


2
⎛ N N N ⎛ N ⎞⎞
= E ⎜ ∑ wi ai + RI ∑ wi bi + ∑ wi ε i − ⎜ ∑ wi ai + bP E [RI ]⎟ ⎟
⎜ ⎜ ⎟⎟
⎝i = 1 i =1 i =1 ⎝i = 1 ⎠⎠
2
⎛ N ⎞
= E bP (RI − E [RI ]) + ∑ wi ε i
⎜ ⎟
⎜ ⎟
⎝ i =1 ⎠
N
= bP2σ I2 + ∑ wi2σ ε2i
i =1

Die Kurve effizienter Portfolios im Single-Index-Modell von Sharpe für den Fall
erlaubter Leerverkäufe entspricht der Lösung des folgenden Minimierungsproblems:

2
⎛ N ⎞ N
[A.17] min! ⎜ ∑ wi bi ⎟ σ 2 + ∑ wi2σ ε2i
⎜ ⎟ I
⎝i = 1 ⎠ i =1

Unter den Nebenbedingungen:

N N
[A.18] E [RP ] = ∑ wi ai + ∑ wi bi E [RI ]
i =1 i =1

und

N
[A.19] ∑w
i =1
i = 1.

114
Anhang A: Herleitungen

A.2 Herleitung des effizienten Portfolios risikobehafteter Wertpa-


piere und der Geraden effizienter Portfolios bei der TOBIN-
Separation

Die erwartete Rendite eines Mischportfolios P lässt sich in Abhängigkeit vom relati-
ven Anteil α , der zu dem sicheren Zinssatz angelegt wird, folgendermaßen beschrei-
ben:

[A.20] E [RP ] = α ⋅ R f + (1 − α ) ⋅ E [Rr ]

mit: E[RP]: Erwartete Portfoliorendite


α: Anteil des Vermögens, das in die sichere Anlage
investiert wird
Rf: Risikoloser Zinssatz
Rr: Erwartete Rendite der risikobehafteten Anlage
und
E [REFF ] − R f
[A.21] E [RP ] = R f + ⋅ σ P2
σ EFF
2

[A.22] α = 1 − w'1

Die Gesamtrendite eines Portfolios beträgt dann:

[A.23] µ P = w' µ R + (1 − w'1 )R f

Der Portfoliorand ist gegeben durch die Lösungen des folgenden Optimierungsprob-
lems:
1
min! w' Σ RR w
[A.24] w 2
u.d .N . w' µ R + (1 − w'1 )R f = µ P

Die Lagrange-Funktion dazu und die notwendigen und hinreichenden Bedingungen


für ein Minimum sind:

w' Σ RR w − ϑ (w' µ R + (1 − w'1)R f − µ P )


1
[A.25] L(w,ϑ ) =
2

∂L
= Σ RR w − ϑ (µ R − 1R f )
!
[A.26] =0
∂w

115
Anhang A: Herleitungen

∂L !
[A.27] = w' µ R + (1 − w'1)R f − µ P =0
∂ϑ

Um dieses Gleichungssystem zu lösen, wird [A.26] mit der Inversion der Varianz-
Kovarianz-Matrix multipliziert:

[A.28] w = ϑ ⋅ Σ −RR
1
(µ R − R f 1)
Zur Ermittlung des Lagrangemultiplikators wird diese Gleichung einmal mit 1 und
einmal mit µR multipliziert, wobei [A.22] und [2.23] beachtet, und die Definitionen
der Skalare [2.31] bis [2.34] einbezogen werden:

[A.29] 1' w = 1 − w0 = ϑ (A − R f C )

[A.30] µ R ' w = µ P − w0 R f = ϑ (B − R f A)

Damit erhält man:

µP − R f µP − Rf
[A.31] ϑ= =
R 2f C − 2 R f A + B H
mit
[A.32] H := R 2f C − 2 R f A + B = (µ R − R f 1)' Σ −RR
1
(µ R − R f 1)
Dann ergibt sich das Portfolio minimaler Varianz für die erwartete Portfoliorendite
µP zu:

µP − R f
[A.33] wP = −1
⋅ Σ RR (µ R − R f 1)
H

Die Varianz dieses Portfolios ist:

σ P2 = w P ' Σ RR w P
µP − R f µP − Rf
= ⋅ (µ R − R f 1)' Σ RR
−1 −1
' Σ RR Σ RR (µ R − R f 1)
H H
[A.34] µP − R f µP − R f
= ⋅H ⋅
H H
(µ P − R f )2

=
H

116
Anhang A: Herleitungen

Löst man diesen Term nach µP auf, so ergibt sich:

[A.35] µ P = R f ± H ⋅ σ P2

Der rationale Investor wird folgende Formel für die Gerade effizienter Portfolios in
dem Falle der Tobin-Separation wählen:

[A.36] µ P = R f + H ⋅ σ P2 = R f + H ⋅ σ P

117
Anhang A: Herleitungen

A.3 Herleitung der Wertpapierlinie im CAPM

Steiner und Bruns176 leiten die Wertpapierlinie folgendermaßen her: Bildet man ein
Portfolio aus α Teilen des Wertpapiers i und (1 - α) Teilen des Marktportfolios M, so
beträgt die erwartete Rendite dieses Portfolios:

[A.37] E [RP ] = α ⋅ E [Ri ] + (1 − α ) ⋅ E [RM ]

Das Risiko dieses Portfolios ergäbe sich dann zu:

[A.38] [
σ P = α 2σ i2 + (1 − α )2 σ M2 + 2σ iM α (1 − α ) ]
1
2

Um zu ermitteln, welchen Einfluss eine Änderung des Anteils des Wertpapiers i auf
die Rendite und das Risiko des Portfolios hat, leitet man die beiden Gleichungen
nach α, dem Portfolioanteil des Wertpapiers i, ab.

dE [RP ]
[A.39] = E [Ri ] − E [RM ]

[A.40]
dσ P 1

[ −1
= ⋅ α 2σ i2 + (1 − α ) σ M2 + 2σ iM α (1 − α ) 2
2
2
]
[
⋅ 2ασ i2 − 2σ M2 + 2ασ M2 + 2σ iM − 4α 2σ iM ]
Die Preisbestimmung soll im Gleichgewicht vorgenommen werden. Da im Markt-
portfolio das Wertpapier i bereits enthalten ist, und eine weitere Erhöhung der Nach-
frage nach i ein Ungleichgewicht bewirken würde, wird der Portfolioanteil des Wert-
papiers i auf null gesetzt. Daraus folgt für die Ableitungen:

dE [RP ]
[A.41] = E [Ri ] − E [RM ]
dα α =0
dσ P σ iM − σ M2

1
= σ M2
2
( ) (− 2σ
−1 2 2
M + 2σ iM ) =
σM
α =0

Die Division dieser beiden Ableitungen ergibt das Austauschverhältnis zwischen


Rendite und Risiko. Dieses gibt an, wie viel zusätzliches Risiko für eine Steigerung
des Erwartungswertes der Rendite in Kauf zu nehmen ist.

176
vgl. Steiner/Bruns (2000), S. 24 ff.

118
Anhang A: Herleitungen

dE [RP ] dα dE [RP ] E [Ri ] − E [RM ]


[A.42] = =
dσ P dα α =0
dσ P σ iM − σ M2 σ M

Die Formel zeigt, dass die Steigung des Austauschverhältnisses von Rendite und
Risiko im Tangentialpunkt zwischen Kapitalmarktlinie und Portfoliokurve der Stei-
gung der Kapitalmarktlinie entspricht (Formel 2.70). Die beiden Terme lassen sich
also gleichsetzen:

E [RM ] − R f E [Ri ] − E [RM ]


[A.43] =
σM (
σ iM − σ M2 σ M)
Löst man diese Gleichung nach der erwarteten Rendite des Wertpapiers i auf, so er-
hält man die Wertpapierlinie:

[A.44] [
E [Ri ] = R f + E [RM ] − R f ⋅ ] σσ iM
2
M

119
Anhang B: Daten

B.1 Daten des Vier-Wertpapier-Beispielportfolios

Die Daten des Vier-Wertpapier-Portfolios wurden vom Autor zur anschaulichen Dar-
stellung der Kurven effizienter Portfolios im Kapitel 2 zusammengestellt.

Renditen in Prozent

⎛ µWP A ⎞ ⎛ 4.06 ⎞
⎜ ⎟ ⎜ ⎟
⎜ µWP B ⎟ ⎜ 5.2 ⎟
µ 4 WP =⎜ =
µWP C ⎟ ⎜ − 0.16 ⎟
⎜ ⎟ ⎜ ⎟
⎜µ ⎟ ⎜ 2.48 ⎟
⎝ WP D ⎠ ⎝ ⎠

Varianz-Kovarianz-Matrix

⎛ 6.07 − 3.43 2.28 − 0.45 ⎞


⎜ ⎟
⎜ − 3.43 9.75 1.78 − 1.85 ⎟
Σ 4WP =⎜
2.28 1.78 5.72 − 2.21⎟
⎜ ⎟
⎜ − 0.45 − 1.85 − 2.21 5.17 ⎟
⎝ ⎠

120
Anhang B: Daten

B.2 Daten des Sieben-Wertpapier-Beispielportfolios

Die durchschnittlichen Tagesrenditen sowie die Varianz-Kovarianz-Matrix der sie-


ben am 30.12.2003 am stärksten kapitalisierten DAX-Aktien [Siemens AG (SIE),
Deutsche Telekom AG (DTE), Deutsche Bank AG (DBK), Allianz AG (ALV), E.ON
AG (EOA), Daimler Chrysler AG (DCX), SAP AG (SAP)] wurden über die letzten
100 Börsentage des Jahres 2003 berechnet und gemäss der Formel 2.5 und der For-
mel 2.9 (Börsentage im Jahr 2004 = 257) annualisiert.

Annualisierte Renditen

⎛ µ ALV .ann ⎞ ⎛ 0.5453435 ⎞


⎜ ⎟ ⎜ ⎟
⎜ µ DCX .ann ⎟ ⎜ 0.6163026 ⎟
⎜µ ⎟ ⎜ 0.795517 ⎟
⎜ DBK .ann ⎟ ⎜ ⎟
µ 7WP.ann. = ⎜ µ DTE .ann ⎟ = ⎜ 0.2485116 ⎟
⎜ ⎟ ⎜ ⎟
⎜ µ EOA.ann ⎟ ⎜ 0.4039265 ⎟
⎜ µ SAP.ann ⎟ ⎜ 1.356567 ⎟
⎜ ⎟ ⎜ ⎟
⎝ µ SIE .ann ⎠ ⎝ 1.004767 ⎠

Annualisierte Varianz-Kovarianz-Matrix

ALV DCX DBK DTE EOA SAP SIE


ALV 0.0064 0.0034 0.0034 0.0021 0.0023 0.0040 0.0041
DCX 0.0034 0.0045 0.0027 0.0015 0.0021 0.0031 0.0032
DBK 0.0034 0.0027 0.0040 0.0018 0.0018 0.0034 0.0032
DTE 0.0021 0.0015 0.0018 0.0019 0.0015 0.0018 0.0019
EOA 0.0023 0.0021 0.0018 0.0015 0.0032 0.0019 0.0021
SAP 0.0040 0.0031 0.0034 0.0018 0.0019 0.0107 0.0043
SIE 0.0041 0.0032 0.0032 0.0019 0.0021 0.0043 0.0049

121
Anhang B: Daten

Die impliziten Renditen wurden, um eine gute Vergleichbarkeit mit den historischen
Renditen zu gewährleisten, mit einem hohen Risikoaversionsparameters λ von 200
bestimmt und ebenfalls annualisiert.

Annualisierte Implizite Renditen

⎛ 0.7486 ⎞
⎜ ⎟
⎜ 0.5905 ⎟
⎜ 0.5902 ⎟
⎜ ⎟
Π 7WP.ann. = ⎜ 0.3708 ⎟
⎜ 0.4349 ⎟
⎜ ⎟
⎜ 0.8096 ⎟
⎜ ⎟
⎝ 0.7013 ⎠

122
Anhang B: Daten

B.3 Daten des DAX-Index

B.3.1 DAX-Aktien

Die folgende Tabelle B.1 listet die 30 DAX-Aktien auf, deren Börsenkürzel, deren
Wertpapierkennnummer (ISIN) sowie deren Wirtschaftssektoren.

Abbildung B.1: Tabelle der 30 DAX-Aktien


Aktie Kürzel ISIN Wirtschaftssektor
ADIDAS-SALOMON AG O.N. ADS DE0005003404 Consumer
ALLIANZ AG VNA O.N. ALV DE0008404005 Insurance
ALTANA AG O.N. ALT DE0007600801 Pharma + Healthcare
BASF AG O.N. BAS DE0005151005 Chemicals
BAYER AG O.N. BAY DE0005752000 Chemicals
BAY.HYPO-VEREINSBK.O.N. HVM DE0008022005 Banks
BAY.MOTOREN WERKE AG ST BMW DE0005190003 Automobile
COMMERZBANK AG O.N. CBK DE0008032004 Banks
CONTINENTAL AG O.N. CON DE0005439004 Automobile
DAIMLERCHRYSLER AG NA O.N DCX DE0007100000 Automobile
DEUTSCHE BANK AG NA O.N. DBK DE0005140008 Banks
DEUTSCHE BOERSE NA O.N. DB1 DE0005810055 Financial services
LUFTHANSA AG VNA O.N. LHA DE0008232125 Transportation + Logistics
DEUTSCHE POST AG NA O.N. DPW DE0005552004 Transportation + Logistics
DT.TELEKOM AG NA DTE DE0005557508 Telecommunication
E.ON AG O.N. EOA DE0007614406 Utilities
FRESEN.MED.CARE AG O.N. FME DE0005785802 Pharma + Healthcare
HENKEL KGAA VZO O.N. HEN3 DE0006048432 Consumer
INFINEON TECH.AG NA O.N. IFX DE0006231004 Technology
LINDE AG O.N. LIN DE0006483001 Chemicals
MAN AG ST O.N. MAN DE0005937007 Industrial
METRO AG ST O.N. MEO DE0007257503 Retail
MUENCH.RUECKVERS.VNA O.N. MUV2 DE0008430026 Insurance
RWE AG ST O.N. RWE DE0007037129 Utilities
SAP AG ST O.N. SAP DE0007164600 Software
SCHERING AG O.N. SCH DE0007172009 Pharma + Healthcare
SIEMENS AG NA SIE DE0007236101 Industrial
THYSSENKRUPP AG O.N. TKA DE0007500001 Industrial
TUI AG O.N. TUI DE0006952005 Transportation + Logistics
VOLKSWAGEN AG ST O.N. VOW DE0007664005 Automobile

[Stand : 30.01.2004; Quelle : www.deutsche-boerse.de]

123
Anhang B: Daten

B.3.2 Kurse der DAX-Aktien

Die Quelle für die Tageskurse der DAX-Aktien ist die Finanzseite von Yahoo. Die
Internetadresse lautet: http://de.finance.yahoo.com/. Auf Basis dieser Kurse wurden
die Handelsmodelle im Abschnitt 5.2 getestet. In den Abbildungen B.2-B.31 sind die
Schlusskurse aller DAX-Aktien über den Testzeitraum [02.01.2002 bis 30.12.2003]
und dem Handelszeitraum [02.01.2004-30.12.2004] dargestellt.

Die Aktienrenditen zur Berechnung der Portfolioperformance der Portfoliomodelle


im Abschnitt 5.3 wurden allerdings aus den, ebenfalls von Yahoo.Finance bereitge-
stellten, adjustierten Schlusskurse berechnet, da diese auch Dividenden und Akti-
ensplits berücksichtigen. Diese Kurse sind hier nicht aufgeführt.

Abbildungen B.2 -B.31: Kurse der DAX-Aktien vom 02.01.02-30.12.04

ADS ALV

140 350
120 300
100 250
80 200
60 150
40 100
20 50
0 0
01. 02

04. 02

07. 02

10. 02

01. 03

04. 03

07. 03

10. 03

01. 04

04. 04

07. 04

10. 04

01. 02

04. 02

07. 02

10. 02

01. 03

04. 03

07. 03

10. 03

01. 04

04. 04

07. 04

10. 04
ALT BAS

70 60
60 50
50 40
40
30
30
20 20
10 10
0 0
01. 02

04. 02

07. 02

10. 02

01. 03

04. 03

07. 03

10. 03

01. 04

04. 04

07. 04

10. 04

01. 02

04. 02

07. 02

10. 02

01. 03

04. 03

07. 03

10. 03

01. 04

04. 04

07. 04

10. 04

BAY HVM

50 50
40 40
30 30
20 20
10 10
0 0
01. 02

04. 02

07. 02

10. 02

01. 03

04. 03

07. 03

10. 03

01. 04

04. 04

07. 04

10. 04

01. 02

04. 02

07. 02

10. 02

01. 03

04. 03

07. 03

10. 03

01. 04

04. 04

07. 04

10. 04

124
0
5
10
15
20
25
0
5
10
15
20
25
0
10
20
30
40
50
0
10
20
30
40
50

0
20
40
60
80
100
01. 02 01. 02 01. 02 01. 02
01. 02
04. 02 04. 02 04. 02 04. 02
04. 02
07. 02 07. 02 07. 02 07. 02
07. 02
10. 02 10. 02 10. 02 10. 02 10. 02

01. 03 01. 03 01. 03 01. 03 01. 03

04. 03 04. 03 04. 03 04. 03 04. 03

DTE
LHA
DBK
CON
07. 03 07. 03 07. 03 07. 03
BMW

07. 03
10. 03 10. 03 10. 03 10. 03 10. 03

01. 04 01. 04 01. 04 01. 04 01. 04

04. 04 04. 04 04. 04 04. 04 04. 04

07. 04 07. 04 07. 04 07. 04 07. 04

10. 04 10. 04 10. 04 10. 04 10. 04

0
10
20
30
40
50
60
70
80
0
5
10
15
20
25
0
10
20
30
40
50
60
0
10
20
30
40
50
60
0
5
10
15
20
25

01. 02 01. 02 01. 02 01. 02 01. 02

04. 02 04. 02 04. 02 04. 02 04. 02

07. 02 07. 02 07. 02 07. 02 07. 02

10. 02 10. 02 10. 02 10. 02 10. 02

01. 03 01. 03 01. 03 01. 03 01. 03

04. 03 04. 03 04. 03 04. 03 04. 03


DB1

EOA
CBK

DCX

07. 03 07. 03 07. 03 07. 03 07. 03

DPW
10. 03 10. 03 10. 03 10. 03 10. 03

01. 04 01. 04 01. 04 01. 04 01. 04

04. 04 04. 04 04. 04 04. 04 04. 04

07. 04 07. 04 07. 04 07. 04 07. 04

10. 04 10. 04 10. 04 10. 04 10. 04

125
Anhang B: Daten
0
5
10
15
20
25
30
35
0
5
10
15
20
25
30
35
0
10
20
30
40
50
60
70
80

126
0
50
100
150
200
0
50
100
150
200
250
300
350
01. 02 01. 02 01. 02
01. 02 01. 02
04. 02 04. 02 04. 02
04. 02 04. 02
07. 02 07. 02 07. 02
07. 02 07. 02

10. 02 10. 02 10. 02 10. 02 10. 02

01. 03 01. 03 01. 03 01. 03 01. 03


Anhang B: Daten

04. 03 04. 03 04. 03 04. 03 04. 03

IFX

SAP
FME

MAN
07. 03 07. 03 07. 03

MUV2
07. 03 07. 03

10. 03 10. 03 10. 03 10. 03 10. 03

01. 04 01. 04 01. 04 01. 04 01. 04

04. 04 04. 04 04. 04 04. 04 04. 04

07. 04 07. 04 07. 04 07. 04 07. 04

10. 04 10. 04 10. 04 10. 04 10. 04

0
10
20
30
40
50
60
70
80
0
10
20
30
40
50
0
10
20
30
40
50
0
10
20
30
40
50
60
70
0
20
40
60
80
100

01. 02 01. 02 01. 02 01. 02


01. 02
04. 02 04. 02 04. 02 04. 02
04. 02
07. 02 07. 02 07. 02 07. 02
07. 02
10. 02 10. 02 10. 02 10. 02 10. 02
01. 03 01. 03 01. 03 01. 03 01. 03
04. 03 04. 03 04. 03 04. 03 04. 03
LIN

SCH
MEO

RWE
07. 03 07. 03 07. 03 07. 03
HEN3

07. 03
10. 03 10. 03 10. 03 10. 03 10. 03
01. 04 01. 04 01. 04 01. 04 01. 04
04. 04 04. 04 04. 04 04. 04 04. 04
07. 04 07. 04 07. 04 07. 04 07. 04

10. 04 10. 04 10. 04 10. 04 10. 04


0
5
10
15
20
25
30
35
40
0
20
40
60
80
100
01. 02
01. 02
04. 02
04. 02
07. 02
07. 02
10. 02 10. 02
01. 03 01. 03
04. 03 04. 03
SIE

TUI
07. 03 07. 03
10. 03 10. 03
01. 04 01. 04
04. 04 04. 04
07. 04 07. 04

10. 04 10. 04

0
10
20
30
40
50
60
70
0
5
10
15
20

01. 02 01. 02

04. 02 04. 02

07. 02 07. 02

10. 02 10. 02

01. 03 01. 03

04. 03 04. 03
TKA

07. 03 07. 03
VOW

10. 03 10. 03

01. 04 01. 04

04. 04 04. 04

07. 04 07. 04

10. 04 10. 04

127
Anhang B: Daten
Anhang B: Daten

B.3.3 Marktkapitalisierungen der DAX-Aktien des Fünfzehn-Wertpapier-


Portfolios

In dem folgenden Diagramm sind die kumulierten prozentualen Marktkapitalisierun-


gen des im Abschnitt 5.3 behandelten Fünfzehn-Wertpapier-Portfolios aufgetragen.
Die Marktkapitalisierungen wurden berechnet, indem der aktuelle Schlusskurs mit
der aktuellen Anzahl der Aktien am Markt multipliziert wurde. Quelle für die Anzahl
der Aktien am Markt ist die Internetseite der Deutschen Börse AG (www.deutsche-
boerse.de).177

Abbildung B.32: Kumulierte prozentuale Marktkapitalisierungen des Fünfzehn-Wertpapier-


Portfolios im Jahr 2004

177
Die Aktienstückzahlen vom 02.01.04 bis zum 29.01.04 stehen nicht zur Verfügung. Da diese aber
relativ statisch sind, wurden sie durch die Aktienstückzahlen vom 30.01.04 approximiert.

128
Anhang C: Handelsmodelle

In dem Abschnitt C.1 des Anhangs C sind die Performancemaße der vorgestellten
Handelsmodelle für sämtliche DAX Aktien über dem Testzeitraum vom 02.01.2002
bis zum 30.12.2003 aufgelistet. Anzumerken ist, dass die Handelsmodelle erst nach
50 Börsentagen aktiv werden. Dadurch wird gewährleistet, dass sämtliche Indikato-
ren Berechnet werden können.

In dem Abschnitt C.2 des Anhangs befinden sich die TradestationTM-Quellcodes der
vorgestellten Handelsmodelle.

Die Bezeichnungen der Performancemaße der Handelsmodelle sind in den folgenden


Tabellen aus Platzgründen gekürzt worden. Die Interpretationen der Kennzahlen
wurden im Abschnitt 4.3.4 erläutert. Die Kürzel stehen für folgende Performance-
kennzahlen:

NetPr.: Nettogewinn
Res.Gew.: Residualgewinn
MaxDD: Maximum Drawdown
Tr.Nr.: Anzahl der Trades
Perc.Win: Anteil erfolgreicher Trades
AvgProfit: Durchschnittliches Tradeergebnis
StDevPr: Standardabweichung um den durchschnittlichen Gewinn
PFStDevProfit: Portfolio-Standardabweichung
PF: Profit Factor
P/MaxDD: Profit to maximum Drawdown Ratio
RAR: Risk-Adjusted-Return
PF-RAR: Portfolio-Risk-Adjusted-Return
PercProfitable: Prozentzahl profitabler Märkte

129
Anhang C: Handelsmodelle

C.1 Performance der getesteten Handelsmodelle

Handelsmodell Nr.1

Market NetPr. Res.Gew. MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T -15120 -3986.61 -20674.6 19 36.84 -795.8 1181.64 0.69 -0.73 -0.7
ALV.T 100427 168898 -18583 8 62.5 12553.4 9879.85 5.03 5.4 1.27
ALT.T -30721 -32242.3 -58454.4 20 25 -1536.03 1681.14 0.61 -0.53 -0.9
BAS.T -29999 -29452.3 -32653.6 24 29.17 -1249.95 701.41 0.4 -0.92 -1.8
BAY_5 55522 52357.7 -43440.5 16 31.25 3470.14 4948.93 1.76 1.28 0.7
HVM.T 27921 -100196 -96026.7 29 24.14 962.8 3933.13 1.17 0.29 0.24
BMW.T -13821 -24981.8 -26061.7 20 30 -691.03 1684.84 0.77 -0.53 -0.4
CBK.T 140096 136072 -23862.5 13 38.46 10776.6 8213.99 4.37 5.87 1.31
CON_. 108483 8688.48 -17593.5 18 33.33 6026.83 6080.47 3.78 6.17 0.99
DCX.T -4271.1 -20292.8 -28338.3 16 37.5 -266.94 2182.9 0.92 -0.15 -0.1
DBK.T 8056.4 -13211.3 -33056.9 20 20 402.82 2448.24 1.12 0.24 0.16
DB1.T -36470 -29008.9 -43019.2 24 20.83 -1519.6 1789.47 0.6 -0.85 -0.9
LHA.T -8415.9 -59220.5 -52468.8 16 43.75 -525.99 3466.89 0.9 -0.16 -0.2
DPW.T -5753.6 -5753.62 -37193.3 22 27.27 -261.53 2147.63 0.92 -0.15 -0.1
DTE.T 34766 23872.6 -25856.6 16 43.75 2172.89 2964.54 1.76 1.34 0.73
EOA.T 9609.2 6355.86 -20416.4 17 41.18 565.25 1612.45 1.29 0.47 0.35
FME.T 119821 137069 -13608.8 10 60 11982.1 8118.15 8.41 8.8 1.48
HEN3. -36664 -44184.3 -51045.9 19 36.84 -1929.68 1323.75 0.44 -0.72 -1.5
IFX.T 81275 81274.9 -25493.2 11 36.36 7388.62 7540.12 2.47 3.19 0.98
LIN.T 23172 14008.8 -24568.4 14 35.71 1655.12 3100.63 1.48 0.94 0.53
MAN.T 15803 -7109.64 -42580.4 16 31.25 987.66 3683.28 1.23 0.37 0.27
MEO.T 73346 15286.8 -39166.2 15 46.67 4889.7 5345.52 2.28 1.87 0.91
MUV2. -41143 -43310.1 -76353.2 23 30.43 -1788.82 2619.71 0.68 -0.54 -0.7
RWE.T 22169 6610.15 -15516.7 17 47.06 1304.05 1869.92 1.58 1.43 0.7
SAP.T 4242 -27688.2 -45085.1 18 38.89 235.66 3574.53 1.05 0.09 0.07
SCH.T -14767 8941.92 -52518.4 19 31.58 -777.19 2021.75 0.77 -0.28 -0.4
SIE.T 44966 35901.4 -17451.8 12 50 3747.16 3386.28 2.24 2.58 1.11
TKA.T -13221 -46495.5 -77600.2 19 31.58 -695.87 3059.34 0.88 -0.17 -0.2
TUI.T -32880 -49884.9 -103746 18 33.33 -1826.65 3993.4 0.73 -0.32 -0.5
VOW.T -46491 -47455.5 -71720.1 24 20.83 -1937.14 1601.92 0.53 -0.65 -1.2

Kennzahlen

NetProfit ResidualGew MaxDD Trades


17997.90 3695.44 -41138.48 17.77

PercWin AvgProfit StDevProfit PFStDevProfit


33.77 1013.01 3142.97 4143.54

PercProfitable PF P/MaxDD PF-RAR RAR


53.33 1.70 1.12 0.24 0.08

130
Anhang C: Handelsmodelle

Handelsmodell Nr.2

Market NetPr. Res.Gew. MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T 9855.29 9855.29 -19356.7 22 50 447.97 980.2 1.29 0.51 0.46
ALV.T 51584.1 -8681.18 -47181.6 20 55 2579.2 3859.13 1.61 1.09 0.67
ALT.T 38420.8 30249.7 -15813.1 20 55 1921.04 1749.2 2 2.43 1.1
BAS.T -36196.4 -38412.8 -40231.9 26 34.62 -1392.2 899.77 0.44 -0.9 -1.55
BAY_5 38929 21251.4 -47638.4 23 34.78 1692.56 2991.78 1.39 0.82 0.57
HVM.T -10873.7 -32358.1 -90122 29 34.48 -374.95 2959.74 0.94 -0.12 -0.13
BMW.T -14789.4 -16916.5 -50927.5 24 45.83 -616.23 1515.79 0.79 -0.29 -0.41
CBK.T 77367.3 65332.3 -42016.1 19 47.37 4071.97 4022.81 2.07 1.84 1.01
CON_. 101528 15223.8 -13934.5 16 50 6345.49 3693.13 4.57 7.29 1.72
DCX.T 18982.2 14573.3 -43471.1 28 46.43 677.94 1366.27 1.3 0.44 0.5
DBK.T 2422.17 2422.17 -45921.9 22 36.36 110.1 2237.29 1.03 0.05 0.05
DB1.T -45994.2 -38851.4 -51173.9 28 35.71 -1642.7 1167.34 0.52 -0.9 -1.41
LHA.T 7324.78 -46954.2 -38917 20 50 366.24 2182.43 1.13 0.19 0.17
DPW.T 22024.4 -44466.7 -29317.6 21 28.57 1048.78 2350.02 1.38 0.75 0.45
DTE.T 5746.78 -5662.04 -38959.9 16 37.5 359.17 2982.59 1.09 0.15 0.12
EOA.T -14785.7 -26801.2 -40269.3 18 50 -821.43 1416.07 0.7 -0.37 -0.58
FME.T 144241 131627 -17546.5 18 50 8013.4 4491.34 5.68 8.22 1.78
HEN3. -27842.5 -26138.1 -43042.9 25 40 -1113.7 957.97 0.54 -0.65 -1.16
IFX.T -54112.8 -48748.5 -123940 25 52 -2164.5 3042.89 0.68 -0.44 -0.71
LIN.T 30301.2 -13263.2 -34116.3 18 50 1683.4 2500.05 1.57 0.89 0.67
MAN.T 435.34 -70777.9 -60975.8 18 33.33 24.19 3387.13 1 0.01 0.01
MEO.T 72010 23545.8 -14797.3 21 47.62 3429.05 2775.73 2.39 4.87 1.24
MUV2. -51026.6 -44441.5 -90470.9 26 42.31 -1962.6 2710.94 0.66 -0.56 -0.72
RWE.T 62658.8 64131.3 -9112.5 16 62.5 3916.18 2004.92 4.15 6.88 1.95
SAP.T 60555.6 33585.4 -51268 29 37.93 2088.12 2784.61 1.65 1.18 0.75
SCH.T 7935.79 7522.77 -28094.3 28 50 283.42 1334.51 1.12 0.28 0.21
SIE.T 3437.55 -7579.24 -52097 24 45.83 143.23 2110.51 1.04 0.07 0.07
TKA.T -9928.48 -57566.3 -58447.5 21 33.33 -472.79 2372.32 0.89 -0.17 -0.2
TUI.T 35501.8 13003.6 -50145.1 18 33.33 1972.32 3360.11 1.62 0.71 0.59
VOW.T -20737.2 -57098 -60289.7 28 35.71 -740.61 1291.66 0.73 -0.34 -0.57

Kennzahlen

NetProfit ResidualGew MaxDD Trades


16832.50 -5079.77 -44986.54 22.23

PercWin AvgProfit StDevProfit PFStDevProfit


43.03 757.08 2298.31 2357.82

PercProfitable PF P/MaxDD PF-RAR RAR


66.67 1.53 1.13 0.32 0.22

131
Anhang C: Handelsmodelle

Handelsmodell Nr.3

Market NetPr. Res.Gew. MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T -15514 -16488.9 -35774 34 35.29 -456.28 1042.22 0.82 -0.43 -0.44
ALV.T -25979 -29393.5 -78003 35 34.29 -742.25 1950.63 0.86 -0.33 -0.38
ALT.T 72654.6 73488.8 -20830 26 53.85 2794.41 1862.74 2.39 3.49 1.5
BAS.T -27457 -28014 -38402 39 33.33 -704.01 701.31 0.67 -0.71 -1
BAY_5 -4046.2 -23337.1 -56079 36 30.56 -112.39 2168.08 0.98 -0.07 -0.05
HVM.T -23307 -38975.8 -79186 37 32.43 -629.93 2211 0.88 -0.29 -0.28
BMW.T -66470 -66120 -92714 45 22.22 -1477.1 936.87 0.53 -0.72 -1.58
CBK.T 83529.8 66614.8 -36084 28 39.29 2983.21 2999.91 1.76 2.31 0.99
CON_. -30259 -57415.8 -56608 40 22.5 -756.46 1113.71 0.75 -0.53 -0.68
DCX.T -51369 -55423.8 -79675 35 37.14 -1467.7 1227.74 0.6 -0.64 -1.2
DBK.T 21086.1 4737.18 -31009 31 38.71 680.2 1598.62 1.23 0.68 0.43
DB1.T -26201 -23692 -36575 34 26.47 -770.62 977.74 0.69 -0.72 -0.79
LHA.T -45590 -61568.8 -84771 38 36.84 -1199.8 1113.29 0.64 -0.54 -1.08
DPW.T 64353.7 60000.4 -23540 28 42.86 2298.35 1959.5 2.01 2.73 1.17
DTE.T -65162 -70478.4 -97323 48 29.17 -1357.5 1067.09 0.62 -0.67 -1.27
EOA.T -64336 -69081.6 -89095 36 27.78 -1787.1 1019.54 0.47 -0.72 -1.75
FME.T 43193.7 18949.3 -59800 30 40 1439.79 2668.64 1.36 0.72 0.54
HEN3. -47044 -63236.7 -53611 42 30.95 -1120.1 624 0.51 -0.88 -1.8
IFX.T -36681 -26934.5 -79067 39 30.77 -940.54 2416.78 0.84 -0.46 -0.39
LIN.T 35947.4 35447.4 -29973 34 41.18 1057.28 1513.71 1.45 1.2 0.7
MAN.T 35091.9 35091.9 -30715 33 39.39 1063.39 1591.65 1.41 1.14 0.67
MEO.T -86922 -90389.6 -1E+05 47 21.28 -1849.4 1357.77 0.58 -0.75 -1.36
MUV2. -52669 -53645.8 -1E+05 35 28.57 -1504.8 2429.46 0.75 -0.49 -0.62
RWE.T 37998.3 40363.4 -22530 25 48 1519.93 1821.44 1.61 1.69 0.83
SAP.T 10480.5 11578.6 -64743 36 30.56 291.12 2504.95 1.06 0.16 0.12
SCH.T -3371.6 -1157.61 -31326 34 38.24 -99.16 1033.67 0.96 -0.11 -0.1
SIE.T -2741.9 -14194.4 -49484 36 47.22 -76.16 1478.48 0.98 -0.06 -0.05
TKA.T -6002 -6519.82 -46936 37 32.43 -162.22 1265.27 0.94 -0.13 -0.13
TUI.T 38598.8 37463.1 -55105 39 35.9 989.71 2171.99 1.28 0.7 0.46
VOW.T -20589 -23732.9 -92356 37 35.14 -556.47 1370.56 0.84 -0.22 -0.41

Kennzahlen

NetProfit ResidualGew MaxDD Trades


-8625.84 -14535.54 -59169.27 35.80

PercWin AvgProfit StDevProfit PFStDevProfit


33.89 -240.94 1564.80 1335.62

PercProfitable PF P/MaxDD PF-RAR RAR


33.33 1.02 0.18 -0.18 -0.27

132
Anhang C: Handelsmodelle

Handelsmodell Nr.4

Market NetPr. Res.Gew. MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T -48370 -55907 -52451.4 20 35 -2418.49 1499.97 0.4 -0.92 -1.61
ALV.T 14038 14038 -31097.2 22 50 638.09 2916.22 1.13 0.45 0.22
ALT.T -38981 -57991 -53468.5 21 33.33 -1856.22 2395.34 0.62 -0.73 -0.77
BAS.T -15856 -33634 -47480.2 20 45 -792.81 1306.4 0.72 -0.33 -0.61
BAY_5 10969 -3021.3 -55231.7 19 36.84 577.34 3434.04 1.1 0.2 0.17
HVM.T 37140 -31576 -54289.5 21 33.33 1768.58 3480.07 1.34 0.68 0.51
BMW.T -26239 -68413 -72739.8 21 42.86 -1249.47 2000.89 0.7 -0.36 -0.62
CBK.T 99914 92475.4 -28822 14 35.71 7136.71 7229.54 2.49 3.47 0.99
CON_. 51323 -79552 -48028.4 15 26.67 3421.55 6806.28 1.79 1.07 0.5
DCX.T -92564 -96343 -112061 24 37.5 -3856.84 1665.15 0.31 -0.83 -2.32
DBK.T -23885 -31556 -44699.8 23 39.13 -1038.47 1985.6 0.74 -0.53 -0.52
DB1.T -52238 -52238 -63587 22 22.73 -2374.45 1838.71 0.47 -0.82 -1.29
LHA.T -81806 -77965 -127656 23 34.78 -3556.77 2597.23 0.49 -0.64 -1.37
DPW.T 24033 -32462 -43667.1 18 38.89 1335.19 2594.5 1.4 0.55 0.51
DTE.T -12521 -10613 -38028 19 52.63 -659.01 1947.58 0.82 -0.33 -0.34
EOA.T -59346 -66704 -81217.9 16 37.5 -3709.13 2098.07 0.31 -0.73 -1.77
FME.T 97516 81169.8 -21099.5 16 56.25 6094.72 5037.47 3.07 4.62 1.21
HEN3. -35690 -45222 -51831.9 19 21.05 -1878.43 1480.2 0.46 -0.69 -1.27
IFX.T 5899.7 7683.88 -83949.3 26 38.46 226.91 3206.8 1.04 0.07 0.07
LIN.T -1848 -27408 -34048.9 20 40 -92.39 2151.33 0.98 -0.05 -0.04
MAN.T 18669 18668.7 -24211.9 22 31.82 848.58 2430.76 1.24 0.77 0.35
MEO.T 117291 107738 -30173.2 12 58.33 9774.25 6716.18 4.51 3.89 1.46
MUV2. 12138 -18702 -51035.4 20 45 606.88 3278.55 1.12 0.24 0.19
RWE.T 59778 65105.8 -8616.5 14 57.14 4269.87 2399.32 5.52 6.94 1.78
SAP.T -8263 -61508 -55461.1 20 30 -413.14 3354.6 0.92 -0.15 -0.12
SCH.T -38581 -46331 -48821.3 23 34.78 -1677.43 1394.94 0.53 -0.79 -1.2
SIE.T 8195.6 2755.66 -35670.2 23 39.13 356.33 2215.74 1.09 0.23 0.16
TKA.T -14873 -61382 -57943.2 21 28.57 -708.23 2409.91 0.84 -0.26 -0.29
TUI.T 50024 30274.4 -36158.2 17 35.29 2942.58 3803.89 1.82 1.38 0.77
VOW.T -23432 -21281 -46250.5 24 20.83 -976.31 1563.13 0.71 -0.51 -0.62

Kennzahlen

NetProfit ResidualGew MaxDD Trades


1081.24 -18663.29 -51326.55 19.83

PercWin AvgProfit StDevProfit PFStDevProfit


37.31 54.52 2737.18 3171.07

PercProfitable PF P/MaxDD PF-RAR RAR


46.67 1.29 0.53 0.02 -0.20

133
Anhang C: Handelsmodelle

Handelsmodell Nr.5

Market NetPr. Res.Gew. MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T -22825 -33305 -39128 18 38.89 -1268.1 1475.98 0.61 -0.58 -0.86
ALV.T 23284 -14890 -43951 16 37.5 1455.23 4592.68 1.24 0.53 0.32
ALT.T -14533 -8681.2 -44111 15 33.33 -968.84 3313.97 0.8 -0.33 -0.29
BAS.T -11340 -21275 -40210 14 42.86 -810.02 1577.56 0.71 -0.28 -0.51
BAY_5 25062 11071.4 -45937 17 41.18 1474.24 3833.55 1.27 0.55 0.38
HVM.T 64218 37709.9 -57957 17 35.29 3777.55 5399.22 1.66 1.11 0.7
BMW.T -96232 -108537 -102913 20 20 -4811.6 1728.62 0.2 -0.94 -2.78
CBK.T 121564 121828 -44507 13 38.46 9351.07 8740.11 3.22 2.73 1.07
CON_. 41216 -21733 -58077 10 40 4121.64 10657.3 1.65 0.71 0.39
DCX.T -40889 -43091 -60314 12 41.67 -3407.4 3219.71 0.44 -0.68 -1.06
DBK.T -12899 -59030 -50175 17 23.53 -758.79 3195.87 0.83 -0.26 -0.24
DB1.T -11815 -6555 -30541 16 37.5 -738.42 2548.38 0.81 -0.39 -0.29
LHA.T -17675 -30786 -79312 14 35.71 -1262.5 4648.75 0.82 -0.22 -0.27
DPW.T 39103 28893.4 -16160 12 50 3258.59 4025.96 1.95 2.42 0.81
DTE.T 37581 37736.6 -22506 14 35.71 1726.73 2747.98 1.97 1.67 0.63
EOA.T -66851 -92262 -87573 14 28.57 -4775.1 2463.94 0.28 -0.76 -1.94
FME.T 100339 131651 -21445 10 60 10033.9 8766.79 4.22 4.68 1.14
HEN3. -31520 -42069 -47977 17 29.41 -1854.1 1599.33 0.47 -0.66 -1.16
IFX.T -28354 -86041 -79579 18 44.44 -1575.2 3738.75 0.78 -0.36 -0.42
LIN.T 10024 -303.28 -30152 14 42.86 715.99 3155.58 1.17 0.33 0.23
MAN.T 2909.8 -51840 -49395 16 37.5 181.86 3474.85 1.04 0.06 0.05
MEO.T 83354 91632.7 -19440 10 60 8335.39 7482.77 3.89 4.29 1.11
MUV2. 716.14 -7619.1 -63617 16 50 44.76 4408.62 1.01 0.01 0.01
RWE.T 32459 31618.8 -15922 12 33.33 2704.95 2811 2.25 2.04 0.96
SAP.T -32451 -63273 -85575 16 31.25 -2028.2 4378.16 0.71 -0.38 -0.46
SCH.T -21595 -18830 -32633 18 44.44 -1199.7 1823.75 0.65 -0.66 -0.66
SIE.T -1991.8 -35364 -42933 17 41.18 -117.17 2524.78 0.97 -0.05 -0.05
TKA.T 22220 2349.09 -29294 13 38.46 1709.26 3732.85 1.42 0.76 0.46
TUI.T 33684 18871.9 -44822 13 46.15 2591.08 5095.36 1.53 0.75 0.51
VOW.T -10207 -33729 -36286 16 31.25 -637.91 2143.63 0.82 -0.28 -0.3

Kennzahlen

NetProfit ResidualGew MaxDD Trades


7218.59 -8861.64 -47414.70 14.83

PercWin AvgProfit StDevProfit PFStDevProfit


38.20 456.52 3729.35 3611.95

PercProfitable PF P/MaxDD PF-RAR RAR


50.00 1.31 0.53 0.13 -0.08

134
Anhang C: Handelsmodelle

Handelsmodell Nr.5_Filter

Market NetPr. ResGew MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T -25929 -33815 -30064 12 41.67 -2160.8 1991.7 0.46 -0.86 -1.08
ALV.T 118282 186753 -18583 6 50 19713.6 12280 10.8 6.37 1.61
ALT.T 5150.7 5150.65 -38963 11 36.36 468.24 4215.4 1.1 0.13 0.11
BAS.T -1180 14944.8 -19269 10 40 -118.02 2447.1 0.96 -0.06 -0.05
BAY.T 66582 115769 -27584 8 37.5 8322.76 8188.1 2.92 2.41 1.02
HVM.T 88088 88087.9 -47737 11 45.45 8007.99 8213.3 2.29 1.85 0.97
BMW.T -39481 -43900 -55889 12 33.33 -3290.1 2927 0.44 -0.71 -1.12
CBK.T 104129 104129 -34907 11 45.45 9466.29 9970.4 2.82 2.98 0.95
CON_. 76316 13366.5 -28244 8 37.5 9539.45 13428 3.34 2.7 0.71
DCX.T -8352 25912.1 -41411 10 40 -835.2 3368 0.8 -0.2 -0.25
DBK.T 26005 24130.4 -23945 13 30.77 2000.36 3751.5 1.53 1.09 0.53
DB1.T -20425 -14982 -34531 14 21.43 -1458.9 2966.4 0.7 -0.59 -0.49
LHA.T 56509 105724 -47099 8 37.5 7063.63 12093 1.83 1.2 0.58
DPW.T 4456.1 -12056 -37686 12 33.33 371.34 3975.7 1.08 0.12 0.09
DTE.T 45427 66623.2 -19240 10 40 4542.72 4641.2 2.44 2.36 0.98
EOA.T -23289 1913.29 -43341 10 40 -2328.9 3665.2 0.6 -0.54 -0.64
FME.T 89099 120411 -19039 8 50 11137.4 11018 3.81 4.68 1.01
HEN3. -31891 -39506 -48582 13 38.46 -2453.1 1892.8 0.42 -0.66 -1.3
IFX.T 56509 105724 -47099 8 37.5 7063.63 12093 1.83 1.2 0.58
LIN.T 13241 46215 -29902 10 40 1324.05 4246.1 1.29 0.44 0.31
MAN.T -1091 -12699 -26689 12 41.67 -90.92 4466.5 0.98 -0.04 -0.02
MEO.T 67374 75483.7 -19440 10 50 6737.35 7336.2 2.83 3.47 0.92
MUV2. -29915 -36907 -68336 13 38.46 -2301.1 5327.6 0.74 -0.44 -0.43
RWE.T 24608 68359.6 -12861 10 40 2460.81 3414.1 1.83 1.91 0.72
SAP.T -45185 -67002 -90703 12 33.33 -3765.4 5999.5 0.62 -0.5 -0.63
SCH.T 10181 46858 -34948 10 40 1018.11 4159.4 1.26 0.29 0.24
SIE.T 25798 25798.1 -25934 11 54.55 2345.28 3913.9 1.58 0.99 0.6
TKA.T 14927 14927.3 -32610 11 54.55 1357.02 4395.6 1.26 0.46 0.31
TUI.T -15116 -15116 -67523 11 27.27 -1374.2 6002.9 0.81 -0.22 -0.23
VOW.T -34546 -37657 -59946 13 15.38 -2657.4 3441.3 0.57 -0.58 -0.77

Kennzahlen

NetProfit ResidualGew MaxDD Trades


20542.74 31421.35 -37736.80 10.60

PercWin AvgProfit StDevProfit PFStDevProfit


38.36 1937.99 5427.88 5437.25

PercProfitable PF P/MaxDD PF-RAR RAR


60.00 1.80 0.98 0.36 0.17

135
Anhang C: Handelsmodelle

Handelsmodell Nr.5_Filter_Stops

Market NetPr. Res.Gew. MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T -24760 -30547 -27059 18 38.89 -1375.6 1243.4 0.5 -0.92 -1.1
ALV.T 75875 59783.7 -31098 13 53.85 5836.51 4069.4 3.5 2.44 1.4
ALT.T 9023 18436.5 -28209 14 35.71 644.5 3359.3 1.2 0.32 0.2
BAS.T -14792 -14446 -23455 14 35.71 -1056.6 978.19 0.5 -0.63 -1.1
BAY.T 56582 56581.8 -23381 11 63.64 5143.8 4153.7 3.2 2.42 1.2
HVM.T 63806 36867.2 -37247 16 50 3987.88 3990.3 2 1.71 1
BMW.T -54646 45354.2 -56951 19 21.05 -2876.1 1637.9 0.4 -0.96 -1.8
CBK.T 1E+05 130535 -37256 12 41.67 10227.5 9058.5 3.4 3.29 1.1
CON_. 16849 -4905.9 -43008 13 38.46 1296.07 3565.3 1.4 0.39 0.4
DCX.T -40339 -58530 -51520 16 43.75 -2521.2 2139.4 0.5 -0.78 -1.2
DBK.T 12399 5486.75 -23970 16 31.25 774.91 2177.1 1.3 0.52 0.4
DB1.T -42362 -74110 -45605 19 36.84 -2229.6 1417.4 0.4 -0.93 -1.6
LHA.T 18461 17019.2 -57929 14 57.14 1318.65 4307.8 1.2 0.32 0.3
DPW.T 32439 132439 -21201 15 33.33 2162.61 3038.7 1.7 1.53 0.7
DTE.T 10581 3306.36 -20966 16 31.25 661.28 1996.4 1.3 0.5 0.3
EOA.T -52851 -78262 -67926 15 20 -3523.4 1546.5 0.2 -0.78 -2.3
FME.T 96911 96911.2 -11988 11 54.55 8810.11 6380.3 5.8 8.08 1.4
HEN3. -56334 -60487 -60762 18 22.22 -3129.7 1026.8 0.1 -0.93 -3.1
IFX.T 18461 17019.2 -57929 14 57.14 1318.65 4307.8 1.2 0.32 0.3
LIN.T 20853 14792.1 -25540 14 28.57 1489.48 2758.4 1.5 0.82 0.5
MAN.T 16595 -8994.2 -24628 14 42.86 1185.33 3385.1 1.3 0.67 0.4
MEO.T 69959 73619.3 -18353 12 50 5829.95 4357.1 3 3.81 1.3
MUV2. -30117 69882.9 -71212 17 41.18 -1771.6 3843.5 0.7 -0.42 -0.5
RWE.T 32382 38044.6 -9626 13 46.15 2490.92 1901.7 2.8 3.36 1.3
SAP.T 16379 116379 -35746 15 40 1091.9 4049.9 1.2 0.46 0.3
SCH.T 2700 1698.05 -23855 15 40 179.97 1660 1.1 0.11 0.1
SIE.T 25400 125399 -20590 16 43.75 1587.47 2261 1.6 1.23 0.7
TKA.T 3898 -51496 -50242 15 40 259.88 3118.7 1.1 0.08 0.1
TUI.T 24539 124539 -46948 14 42.86 1752.81 4500.4 1.4 0.52 0.4
VOW.T -12836 87164.1 -42648 16 37.5 -802.25 2027.4 0.8 -0.3 -0.4

Kennzahlen

NetProfit ResidualGew MaxDD Trades


13926.13 29649.34 -36561.55 14.83

PercWin AvgProfit StDevProfit PFStDevProfit


39.77 938.84 2989.02 3317.38

PercProfitable PF P/MaxDD PF-RAR RAR


70.00 1.54 0.88 0.28 0.03

136
Anhang C: Handelsmodelle

Handelsmodell Nr.6

Market NetPr. Res.Gew. MaxDD Tr.Nr. PercWin AvgProfit StDevPr PF P/MaxD RAR
ADS.T -4235 -9275.92 -17990.2 12 50 -352.88 1705.6 0.86 -0.24 -0.2
ALV.T 68430 135625 -34476.4 8 37.5 8553.8 10156.6 2.62 1.98 0.84
ALT.T 8709.8 5810.39 -30983.7 13 38.46 669.99 3395.38 1.17 0.28 0.2
BAS.T -30504 -40438.2 -59373.1 14 42.86 -2178.8 1740.65 0.45 -0.51 -1.3
BAY_5 66535 115874 -35328.9 10 40 6653.53 6573 2.7 1.88 1.01
HVM.T 104532 159835 -35717.7 10 40 10453.2 8851.1 3.09 2.93 1.18
BMW.T -47304 -80242.9 -50719.2 16 31.25 -2956.5 1902.41 0.36 -0.93 -1.6
CBK.T 126463 152512 -24115.2 9 55.56 14051.5 13019.4 4.09 5.24 1.08
CON_. 45702 -17247.2 -49926.9 8 37.5 5712.73 13538.1 1.85 0.92 0.42
DCX.T 19924 54187.7 -29727 8 50 2490.45 5027.28 1.76 0.67 0.5
DBK.T -16300 -58636.6 -62883 13 30.77 -1253.8 4275.78 0.79 -0.26 -0.3
DB1.T -28889 -29231 -39400.6 14 28.57 -2063.5 2879.27 0.6 -0.73 -0.7
LHA.T -15247 -15246.7 -78956.5 11 27.27 -1386.1 6224.95 0.84 -0.19 -0.2
DPW.T -11560 -21769.5 -57616.9 12 33.33 -963.33 4554.41 0.85 -0.2 -0.2
DTE.T 29741 46715.4 -30407.5 9 44.44 3304.58 5165.72 1.71 0.98 0.64
EOA.T -28479 -1813.71 -54862.4 10 40 -2847.9 2924.72 0.47 -0.52 -1
FME.T 101515 141160 -21837.1 8 62.5 12689.4 11018.6 5.15 4.65 1.15
HEN3. -34217 -44031.9 -44969 15 26.67 -2281.1 1685.87 0.41 -0.76 -1.4
IFX.T 79233 131760 -28448.7 10 40 7923.34 9257.73 2.14 2.79 0.86
LIN.T 5379.9 -230.12 -30151.8 12 33.33 448.32 3542.13 1.1 0.18 0.13
MAN.T 29657 21297.1 -23696 12 50 2471.45 4579.72 1.57 1.25 0.54
MEO.T 63638 70550.8 -30425.7 10 50 6363.77 7250.85 2.84 2.09 0.88
MUV2. 400.16 -937.95 -42025.9 12 33.33 33.35 5240.89 1.01 0.01 0.01
RWE.T 53408 97511.4 -9991.51 6 33.33 8901.37 9016.53 7.04 5.35 0.99
SAP.T -1E+05 -138427 -146248 16 18.75 -6725.3 4372.15 0.32 -0.74 -1.5
SCH.T 32713 72061.8 -16849.1 10 50 3271.33 3957.2 2.01 1.94 0.83
SIE.T 50077 71398.4 -15123 10 60 5007.68 4455.71 3.09 3.31 1.12
TKA.T -5984 -25855.7 -33326.4 13 38.46 -460.34 3576.55 0.91 -0.18 -0.1
TUI.T -4816 48439.6 -55177.2 9 33.33 -535.08 8030.1 0.94 -0.09 -0.1
VOW.T -43787 -70023.6 -62553.4 14 28.57 -3127.6 2616.64 0.45 -0.7 -1.2

Kennzahlen

NetProfit ResidualGew MaxDD Trades


16904.47 25711.02 -41776.93 11.13

PercWin AvgProfit StDevProfit PFStDevProfit


38.32 1518.37 5143.19 5182.63

PercProfitable PF P/MaxDD PF-RAR RAR


56.67 1.77 1.01 0.29 0.09

137
Anhang C: Handelsmodelle

Handelsmodell Nr.6_Filter

Market NetPr. Res.Gew. MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxD RAR
ADS.T -7373 -687.57 -22197 10 50 -737.31 1957.53 0.7 -0.33 -0.4
ALV.T 64850 130996 -31993 8 37.5 8106.3 10344.5 2.4 2.03 0.8
ALT.T 3795 3795.29 -39564 11 36.36 345.03 4166.21 1.1 0.1 0.1
BAS.T -8045 8079.56 -27436 10 40 -804.54 2262.73 0.7 -0.29 -0.4
BAY.T 84927 134114 -16298 6 50 14154.5 9530.83 7.1 5.21 1.5
HVM.T 79914 134400 -47737 10 40 7991.41 9125.91 2.2 1.67 0.9
BMW. -36799 -42155 -52271 12 33.33 -3066.59 2924.75 0.5 -0.7 -1.1
CBK.T 1E+05 127799 -27741 9 55.56 11305.6 12274.7 3 3.67 0.9
CON_. 81475 18525.9 -23039 6 33.33 13579.2 18283.7 4.4 3.54 0.7
DCX.T 19218 53482.1 -29727 8 37.5 2402.26 5008.87 1.7 0.65 0.5
DBK.T 32642 52130.4 -24385 9 44.44 3626.92 5358.21 1.9 1.34 0.7
DB1.T -18337 -23299 -31319 12 25 -1528.04 3390.15 0.7 -0.59 -0.5
LHA.T 45556 98082.7 -47099 8 37.5 5694.52 12384.3 1.6 0.97 0.5
DPW.T -44937 -61449 -77631 12 25 -3744.75 4431.12 0.6 -0.58 -0.9
DTE.T 23628 40805.8 -29535 9 44.44 2625.32 4970.75 1.6 0.8 0.5
EOA.T 2582 29247.3 -38133 8 50 322.71 3297.8 1.1 0.07 0.1
FME.T 87189 125941 -21258 6 50 14531.5 15062.7 4 4.1 1
HEN3. -38718 -43009 -56073 13 30.77 -2978.27 1923.16 0.4 -0.69 -1.6
IFX.T 45556 98082.7 -47099 8 37.5 5694.52 12384.3 1.6 0.97 0.5
LIN.T 34489 67463.9 -16981 8 37.5 4311.18 5649.16 2.2 2.03 0.8
MAN.T -10245 -21853 -31484 12 33.33 -853.77 4474.72 0.9 -0.33 -0.2
MEO.T 51860 58772.6 -30426 10 50 5185.95 7332.89 2.2 1.7 0.7
MUV2. -12478 -12478 -45412 11 36.36 -1134.37 5704.35 0.9 -0.27 -0.2
RWE.T 46543 88864.5 -12277 6 33.33 7757.22 9177.4 4.4 3.79 0.9
SAP.T -84770 -106587 -123311 12 25 -7064.13 6208.25 0.4 -0.69 -1.1
SCH.T 42060 81279.8 -20432 6 50 7010.05 8446.83 3.3 2.06 0.8
SIE.T 20002 40983.1 -27692 10 40 2000.21 4655.84 1.5 0.72 0.4
TKA.T 3638 3637.74 -32610 11 54.55 330.7 4508.47 1.1 0.11 0.1
TUI.T -15381 38054 -56445 9 33.33 -1709.04 7934.84 0.8 -0.27 -0.2
VOW.T -36046 -46293 -66581 12 16.67 -3003.83 3864.65 0.6 -0.54 -0.8

Kennzahlen

NetProfit ResidualGew MaxDD Trades


18618.22 35890.91 -38472.82 9.40

PercWin AvgProfit StDevProfit PFStDevProfit


37.94 1980.66 6278.19 5665.02

PercProfitable PF P/MaxDD PF-RAR RAR


63.33 1.84 1.01 0.35 0.17

138
Anhang C: Handelsmodelle

Handelsmodell Nr.6_Filter_Stops

Market NetPr. Res.Gew. MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T -15562 -21349 -22415 16 43.75 -972.6 1009.9 0.6 -0.69 -1
ALV.T 67461 61856.1 -24918 12 50 5621.7 4589.7 3 2.71 1.2
ALT.T 19837 27375.7 -28810 12 41.67 1653.08 4000.4 1.4 0.69 0.4
BAS.T -18879 -18532 -27541 14 35.71 -1348.5 1040.2 0.4 -0.69 -1
BAY.T 57779 106966 -16298 10 70 5777.86 4277 4.3 3.55 1.4
HVM.T 70291 170291 -30977 13 61.54 5407.02 4375.6 2.6 2.27 1.2
BMW.T -35721 64278.6 -42844 17 23.53 -2101.3 1713.6 0.5 -0.83 -1
CBK.T 1E+05 1.#R -26500 11 45.45 11040.9 9728.7 3.8 4.58 1.1
CON_. 22507 22507.2 -35314 11 45.45 2046.11 4205 1.6 0.64 0.5
DCX.T -23129 -24904 -37419 14 50 -1652.1 1823.8 0.5 -0.62 -1
DBK.T 14626 4974.72 -19061 14 35.71 1044.68 2376.8 1.4 0.77 0.4
DB1.T -34915 -32747 -38158 17 41.18 -2053.8 1490 0.4 -0.92 -1
LHA.T 17822 24421.8 -47811 13 61.54 1370.92 4397.9 1.3 0.37 0.3
DPW.T 7790 107790 -35976 15 26.67 519.36 3039.8 1.1 0.22 0.2
DTE.T 10364 6968.98 -22099 14 28.57 740.27 2911.9 1.3 0.47 0.3
EOA.T -31325 -26156 -46401 12 33.33 -2610.4 1930.1 0.3 -0.68 -1
FME.T 95034 121332 -11988 10 60 9503.39 6440 6.8 7.93 1.5
HEN3. -60663 -61600 -65755 18 22.22 -3370.2 995.06 0.1 -0.92 -3
IFX.T 17822 24421.8 -47811 13 61.54 1370.92 4397.9 1.3 0.37 0.3
LIN.T 29187 13643.7 -16612 13 38.46 2245.16 2896.4 1.9 1.76 0.8
MAN.T 9707 -15882 -29150 14 42.86 693.33 3291.5 1.2 0.33 0.2
MEO.T 62172 65832.1 -18353 12 50 5181.02 4146.9 2.8 3.39 1.3
MUV2. -34297 65703.4 -66286 17 29.41 -2017.5 3755.3 0.7 -0.52 -1
RWE.T 33325 33324.5 -8658 11 54.55 3029.5 1590.4 5.6 3.85 1.9
SAP.T -10204 89796.3 -51815 15 33.33 -680.25 3831.6 0.9 -0.2 -0
SCH.T 33884 33883.5 -14145 11 36.36 3080.31 2688.6 2.8 2.4 1.2
SIE.T 19119 119119 -21375 15 46.67 1274.63 1888.5 1.6 0.89 0.7
TKA.T -2019 -57414 -50242 15 46.67 -134.63 2977 1 -0.04 -0
TUI.T 10550 3591.39 -56150 13 30.77 811.55 4925.6 1.2 0.19 0.2
VOW.T -15371 -53692 -40314 15 33.33 -1024.8 2104.1 0.7 -0.38 -0

Kennzahlen

NetProfit ResidualGew MaxDD Trades


14621.35 29510.43 -33373.15 13.57

PercWin AvgProfit StDevProfit PFStDevProfit


41.52 1077.74 3136.69 3446.10

PercProfitable PF P/MaxDD PF-RAR RAR


63.33 1.76 1.03 0.31 0.10

139
Anhang C: Handelsmodelle

Handelsmodell Nr.7

Market NetPr. Res.Gew. MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxD RAR
ADS.T 1968.6 1968.61 -21728.9 11 45.45 178.96 2280.16 1.06 0.09 0.08
ALV.T -10519 -20097 -74547.1 12 33.33 -876.59 6483.75 0.91 -0.14 -0.14
ALT.T 12389 14465.9 -40795.4 13 53.85 952.98 3273.05 1.26 0.3 0.29
BAS.T -32893 -32767 -56967.4 12 41.67 -2741.05 2092.33 0.32 -0.58 -1.31
BAY_5 33765 100754 -46966.7 6 50 5627.43 11520.8 1.81 0.72 0.49
HVM.T 138892 193892 -27112.5 7 57.14 19841.8 14424.7 4.96 5.12 1.38
BMW.T -17574 4643.24 -28446.1 10 30 -1757.41 3318.72 0.66 -0.62 -0.53
CBK.T 138987 162475 -28822 8 50 17373.3 13148.5 5.72 4.82 1.32
CON_. 76688 6279.34 -14409.6 9 44.44 8520.83 8238.55 4.16 5.32 1.03
DCX.T -30775 -40694 -55313.1 16 43.75 -1923.41 2522.28 0.6 -0.56 -0.76
DBK.T 49074 59838.7 -28664.8 7 42.86 7010.54 8200.44 2.64 1.71 0.85
DB1.T 3712.4 11478.8 -19249 14 57.14 265.17 2134.31 1.1 0.19 0.12
LHA.T 106970 131970 -14992 6 66.67 17828.3 10455.7 12.4 7.14 1.71
DPW.T 34497 43085.1 -37700.6 10 50 3449.68 6184.3 1.9 0.92 0.56
DTE.T -69390 -71226 -103388 13 23.08 -5337.68 4411.39 0.37 -0.67 -1.21
EOA.T -9834 6210.12 -32125.9 7 42.86 -1404.86 3930.85 0.68 -0.31 -0.36
FME.T 77505 73792.2 -35351.5 12 50 6458.73 7537.16 2.48 2.19 0.86
HEN3. -66488 -86396 -70983.8 17 35.29 -3911.08 1672.02 0.21 -0.94 -2.34
IFX.T -1E+05 -96730 -159516 14 21.43 -7972.98 5852.6 0.39 -0.7 -1.36
LIN.T 20587 12263.2 -28109.4 14 42.86 1470.52 2597.48 1.47 0.73 0.57
MAN.T 26675 26674.7 -39490.9 11 27.27 2424.98 6650.34 1.42 0.68 0.36
MEO.T 62880 61131.4 -41628.5 9 44.44 6986.62 10512.3 1.98 1.51 0.66
MUV2. 14094 19228.6 -39650.5 12 58.33 1174.53 4322.39 1.23 0.36 0.27
RWE.T -23859 -23859 -32431.1 12 41.67 -1988.25 1915.47 0.42 -0.74 -1.04
SAP.T 82464 51794.2 -48590.9 14 42.86 5890.25 6667.6 2.02 1.7 0.88
SCH.T 9192.5 13587.6 -31844 15 46.67 612.83 2442.65 1.19 0.29 0.25
SIE.T -11888 -31035 -54176 13 46.15 -914.48 4982.71 0.88 -0.22 -0.18
TKA.T 56927 56926.7 -29729.3 11 45.45 5175.15 4586.73 2.42 1.91 1.13
TUI.T 97439 149975 -24048.3 9 44.44 10826.6 7052.59 5.51 4.05 1.54
VOW.T -4318 -2288.6 -26056.5 13 38.46 -332.19 3310.3 0.93 -0.17 -0.1

Kennzahlen

NetProfit ResidualGew MaxDD Trades


21851.47 26578.08 -43094.53 11.23

PercWin AvgProfit StDevProfit PFStDevProfit


43.03 1945.23 5109.07 6696.08

PercProfitable PF P/MaxDD PF-RAR RAR


63.33 2.10 1.14 0.29 0.17

140
Anhang C: Handelsmodelle

Handelsmodell Nr.7_Filter

Market NetPr. Res.Gew MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T -1E+05 -122476 -118618 7 0 -16769 2970.6 0 -0.99 -5.7
ALV.T 52549 120436 -27366 6 50 8758.21 12831 2.2 1.92 0.68
ALT.T -16677 2675.6 -20698 7 42.86 -2382.4 3060.4 0.5 -0.81 -0.8
BAS.T -30225 -16204 -43008 6 16.67 -5037.5 3401.3 0.2 -0.7 -1.5
BAY.T 71228 131813 -10146 3 66.67 23742.5 16371 54 7.02 1.45
HVM.T 38953 96153 -35795 6 50 6492.16 12122 1.9 1.09 0.54
BMW.T -49030 -19791 -85334 5 20 -9806.1 12387 0.4 -0.57 -0.8
CBK.T 146348 168196 -33031 4 75 36587.1 33428 8.3 4.43 1.09
CON_. 6666.3 19749 -27082 2 50 3333.13 9490.2 3 0.25 0.35
DCX.T -18218 20106 -31036 8 50 -2277.3 4880.1 0.6 -0.59 -0.5
DBK.T -12370 -12880 -41834 5 40 -2474.1 7152.4 0.7 -0.3 -0.4
DB1.T 5929.7 16874 -12610 5 40 1185.94 5172.6 1.3 0.47 0.23
LHA.T 46660 101522 -47079 6 33.33 7776.64 18027 1.7 0.99 0.43
DPW.T 10745 19333 -30724 6 33.33 1790.77 10210 1.2 0.35 0.18
DTE.T -11768 2911.9 -47812 5 40 -2353.5 10685 0.8 -0.25 -0.2
EOA.T 16004 31853 -10293 3 66.67 5334.55 11406 2.9 1.55 0.47
FME.T -48832 -19386 -67228 8 25 -6104 5518.7 0.4 -0.73 -1.1
HEN3. -9179 9755.1 -26706 5 20 -1835.7 5718 0.7 -0.34 -0.3
IFX.T 46660 101522 -47079 6 33.33 7776.64 18027 1.7 0.99 0.43
LIN.T 38206 87590 -10141 2 50 19103.1 37229 6.3 3.77 0.51
MAN.T 28399 79738 -21382 2 50 14199.4 40740 2.9 1.33 0.35
MEO.T -6029 -7777.5 -52187 5 40 -1205.9 14164 0.9 -0.12 -0.1
MUV2. 22300 91384 -50008 5 20 4459.91 16842 1.5 0.45 0.26
RWE.T 26676 68997 -12277 6 33.33 4445.93 7955.4 2.8 2.17 0.56
SAP.T -44353 -8620.9 -80723 6 33.33 -7392.2 12353 0.5 -0.55 -0.6
SCH.T 1863.2 42858 -28505 6 66.67 310.54 5285.8 1.1 0.07 0.06
SIE.T -3719 28477 -41244 3 33.33 -1239.6 16373 0.9 -0.09 -0.1
TKA.T 47324 94651 0 1 100 47324.2 0 0 0
TUI.T -39293 12622 -95255 7 28.57 -5613.3 7654.4 0.4 -0.41 -0.7
VOW.T -6491 28344 -33293 7 28.57 -927.28 8241.7 0.9 -0.19 -0.1

Kennzahlen

NetProfit ResidualGew MaxDD Trades


6431.32 39014.11 -39616.40 5.10

PercWin AvgProfit StDevProfit PFStDevProfit


37.25 1261.05 10716.55 13194.49

PercProfitable PF P/MaxDD PF-RAR RAR


53.33 3.36 0.67 0.10 -0.17

141
Anhang C: Handelsmodelle

Handelsmodell Nr.8

Market NetPr. Res.Gew. MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T 6257.9 106258 -2640 7 28.57 893.99 1358.9 2.29 2.37 0.66
ALV.T 12336 112336 -26522 17 29.41 725.67 2185.9 1.31 0.47 0.33
ALT.T -23665 76334.9 -29108 17 17.65 -1392.1 357.04 0.1 -0.81 -3.9
BAS.T 12108 112108 -4772 9 33.33 1345.31 2024.9 2.83 2.54 0.66
BAY_5 -13200 86800.2 -28605 18 16.67 -733.32 1618.8 0.67 -0.46 -0.5
HVM.T 769.73 100770 -25127 21 28.57 36.65 1670 1.01 0.03 0.02
BMW. 2482.6 -10326 11 36.36 225.69 1359.9 1.17 0.24 0.17
CBK.T 19251 119251 -18642 18 33.33 1069.51 1797.9 1.55 1.03 0.59
CON_. -27054 -28611 22 9.09 -1229.7 540.57 0.21 -0.95 -2.3
DCX.T 15364 115364 -4732 9 55.56 1707.15 1230.4 4.01 3.25 1.39
DBK.T 4390.3 104390 -6649 15 33.33 292.69 939.72 1.35 0.66 0.31
DB1.T 587.18 100587 -9548 16 25 36.7 987.22 1.03 0.06 0.04
LHA.T 12689 112689 -15897 18 38.89 704.95 1290.4 1.54 0.8 0.55
DPW.T 7759.5 107760 -15171 15 26.67 517.3 1243.9 1.44 0.51 0.42
DTE.T -15905 84094.9 -18698 7 28.57 -2272.2 1969.7 0.32 -0.85 -1.2
EOA.T -9526 90474.2 -9526 5 0 -1905.2 690.07 0 -1 -2.8
FME.T -23727 76273.4 -25061 21 23.81 -1129.8 650.88 0.32 -0.95 -1.7
HEN3. -2461 97538.7 -4339 10 20 -246.13 358.01 0.57 -0.57 -0.7
IFX.T 16028 18918.2 -19788 15 20 1068.5 2933 1.43 0.81 0.36
LIN.T 8560.4 108560 -14640 13 23.08 658.49 1267 1.65 0.58 0.52
MAN.T 1023.7 101024 -10285 14 14.29 73.12 1330.2 1.06 0.1 0.05
MEO.T 7057.3 107057 -17844 13 15.38 542.87 2428.9 1.32 0.4 0.22
MUV2. 37237 137237 -29762 12 41.67 3103.04 3630.2 2.31 1.25 0.85
RWE.T -5523 94477.5 -15253 13 30.77 -424.81 907.6 0.65 -0.36 -0.5
SAP.T 24823 124823 -32829 18 27.78 -1532.2 731.36 1.66 0.76 -2.1
SCH.T -5836 94164.1 -10695 10 40 -583.59 1099.2 0.59 -0.55 -0.5
SIE.T 5166.4 105166 -9396 15 33.33 344.43 1519.2 1.24 0.55 0.23
TKA.T 11013 111013 -12656 18 33.33 611.82 1244.2 1.55 0.87 0.49
TUI.T 20336 120336 -34706 17 23.53 1196.25 2374 1.51 0.59 0.5
VOW.T -14275 -20386 11 18.18 -1297.7 826.12 0.28 -0.7 -1.6

Kennzahlen

NetProfit ResidualGew MaxDD Trades


2802.28 100955.74 -17073.75 14.17

PercWin AvgProfit StDevProfit PFStDevProfit


26.59 74.51 1403.61 1174.48

PercProfitable PF P/MaxDD PF-RAR RAR


66.67 1.23 0.36 0.06 -0.31

142
Anhang C: Handelsmodelle

Handelsmodell Nr.9

Market NetPr. Res.Gew. MaxDD Tr.Nr. PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T -43831 -48011 -57555 9 33.33 -4870.2 2560.28 0.22 -0.76 -1.9
ALV.T -11196 60994.8 -53498 8 50 -1399.4 9512.11 0.87 -0.21 -0.2
ALT.T -7326.6 -5962.1 -61618 13 46.15 -563.59 3332.85 0.88 -0.12 -0.2
BAS.T 14814 15791.2 -33714 12 41.67 1234.5 2047.94 1.61 0.44 0.6
BAY_5 -7585.5 56495.3 -82664 6 50 -1264.3 12309.6 0.89 -0.09 -0.1
HVM.T -143405 -88906 -174417 7 42.86 -20487 14881.2 0.19 -0.82 -1.4
BMW.T -9255.9 18752.9 -42994 9 66.67 -1028.4 3585.62 0.77 -0.22 -0.3
CBK.T -165412 -142029 -181324 6 16.67 -27569 15930 0.02 -0.91 -1.7
CON_. -89353 -132137 -112709 5 40 -17871 15165.6 0.15 -0.79 -1.2
DCX.T 19546 12158.9 -32125 13 61.54 1503.5 3300.13 1.36 0.61 0.46
DBK.T -43354 -31103 -86055 7 57.14 -6193.4 8172.39 0.43 -0.5 -0.8
DB1.T -30208 -19962 -56998 10 40 -3020.8 3926.46 0.42 -0.53 -0.8
LHA.T -90910 -67833 -103508 6 16.67 -15152 8541.66 0.12 -0.88 -1.8
DPW.T -26592 -19462 -68871 8 50 -3324 8790.89 0.61 -0.39 -0.4
DTE.T 69499 67960.5 -54088 13 76.92 5346.1 4625.33 2.55 1.28 1.16
EOA.T -1960 14558.6 -33369 7 57.14 -280 4073.56 0.93 -0.06 -0.1
FME.T 36863 62496.7 -24200 10 50 3686.3 3144.72 3.36 1.52 1.17
HEN3. 49008 31116.9 -16680 17 64.71 2882.8 1537.35 3.17 2.94 1.88
IFX.T 105581 119291 -55889 14 71.43 7541.5 5876.99 2.47 1.89 1.28
LIN.T -20193 -27714 -52172 14 57.14 -1442.4 2523.22 0.68 -0.39 -0.6
MAN.T -55021 -55021 -93968 11 63.64 -5002 6811.69 0.47 -0.59 -0.7
MEO.T -88417 -88962 -130093 9 55.56 -9824.1 10717.4 0.38 -0.68 -0.9
MUV2. -35865 -28186 -68085 12 41.67 -2988.7 4345.27 0.59 -0.53 -0.7
RWE.T 40325 75854.1 -30613 10 60 4032.5 3180.74 2.93 1.32 1.27
SAP.T -114501 -114501 -146385 11 45.45 -10409 8079.19 0.28 -0.78 -1.3
SCH.T 16820 19706.5 -45734 15 46.67 1121.3 2732.74 1.33 0.37 0.41
SIE.T 10554 -762.87 -60771 13 53.85 811.85 5117.45 1.12 0.17 0.16
TKA.T -85432 -72715 -102258 9 44.44 -9492.4 5940.83 0.22 -0.84 -1.6
TUI.T -125424 -71209 -148509 5 20 -25085 11812.6 0.02 -0.84 -2.1
VOW.T 6662.2 8010.99 -45897 13 53.85 512.47 3338.72 1.12 0.15 0.15

Kennzahlen

NetProfit ResidualGew MaxDD Trades


-27519.04 -15042.90 -75225.35 10.07

PercWin AvgProfit StDevProfit PFStDevProfit


51.66 -2733.68 5566.84 8838.56

PercProfitable PF P/MaxDD PF-RAR RAR


33.33 1.01 -0.01 -0.31 -0.33

143
Anhang C: Handelsmodelle

Handelsmodell Nr.10

Market NetPr. Res.Gew MaxDD Tr.Nr PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T -13907 -36084 -23663 20 10 -828.47 495.95 0.47 -0.59 -1.67
ALV.T 37903 31927.3 -14401 28 3.57 -803.54 612.9 2.02 2.63 -1.31
ALT.T -27899 72101.5 -43556 28 7.14 -1288.9 668.55 0.48 -0.64 -1.93
BAS.T 11182 111182 -13694 27 11.11 -565.6 548.16 1.32 0.82 -1.03
BAY_5 -55685 44315.1 -61405 26 3.85 -2141.7 477.98 0.11 -0.91 -4.48
HVM.T -13787 -13787 -24762 22 4.55 -1458.6 1257.6 0.75 -0.56 -1.16
BMW.T -16795 83205.5 -25550 19 5.26 -883.92 869.73 0.45 -0.66 -1.02
CBK.T -7678 92322.1 -30531 29 6.9 -437.32 1523.8 0.89 -0.25 -0.29
CON_. -24386 75614.2 -35498 18 16.67 -1354.8 779.66 0.36 -0.69 -1.74
DCX.T -39627 60372.7 -39627 26 0 -1654.8 171.58 0.08 -1 -9.64
DBK.T -31412 68588.4 -35068 23 4.35 -1365.7 493.49 0.21 -0.9 -2.77
DB1.T -21305 -17994 -21465 24 4.17 -1115.7 595.62 0.42 -0.99 -1.87
LHA.T -63395 36604.8 -63395 29 3.45 -2186 452.76 0.11 -1 -4.83
DPW.T 2419.3 102419 -16937 25 20 -290.77 905 1.05 0.14 -0.32
DTE.T 16977 116977 -12017 23 13.04 600 1385.1 1.46 1.41 0.43
EOA.T -31491 68508.6 -32025 24 4.17 -1312.1 215.07 0.02 -0.98 -6.1
FME.T 35169 135169 -26624 25 12 1406.8 2313.5 1.86 1.32 0.61
HEN3. -25551 74448.8 -25551 32 9.38 -798.47 461.22 0.42 -1 -1.73
IFX.T 20442 120442 -38796 30 6.67 -1532 1371.7 1.24 0.53 -1.12
LIN.T -30988 -30988 -39849 33 3.03 -1161 313.08 0.33 -0.78 -3.71
MAN.T -59664 40335.8 -59664 31 3.23 -1924.7 282.23 0.03 -1 -6.82
MEO.T 4426.5 -39456 -26885 30 3.33 -984.25 866.46 1.08 0.16 -1.14
MUV2. 39010 139010 -41016 35 0 -1879 247.37 1.59 0.95 -7.6
RWE.T -5189 94810.8 -30768 32 6.25 -162.16 1152.6 0.89 -0.17 -0.14
SAP.T -75481 24519.5 -75481 30 3.33 -2516 594.46 0.09 -1 -4.23
SCH.T 3999.1 -32760 33 9.09 -580.63 711.94 1.08 0.12 -0.82
SIE.T 15411 -17717 -20136 27 7.41 -970.13 783.88 1.31 0.77 -1.24
TKA.T -45574 54426.3 -46332 23 4.35 -2390.9 448.28 0.24 -0.98 -5.33
TUI.T -39527 -55130 -46930 27 3.7 -1773.9 682.62 0.37 -0.84 -2.6
VOW.T 17794 117794 -17094 30 20 593.13 1121.4 1.38 1.04 0.53

Kennzahlen

NetProfit ResidualGew MaxDD Trades


-14153.59 53584.13 -34049.32 26.97

PercWin AvgProfit StDevProfit PFStDevProfit


6.80 -1065.96 751.00 897.66

PercProfitable PF P/MaxDD PF-RAR RAR


36.67 0.74 -0.17 -1.19 -2.50

144
Anhang C: Handelsmodelle

Handelsmodell Nr.11

Market NetPr. Res.Gew. MaxDD Tr.Nr. PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T 55.5 -22122 -10063.5 20 20 -130.37 499.79 1 0.01 -0.26
ALV.T 10944 4968.52 -13991.2 28 17.86 390.86 949.55 1.3 0.78 0.41
ALT.T -20929 79070.9 -32422.7 30 20 -970.64 422.48 0.52 -0.65 -2.3
BAS.T 9369 109369 -14695.7 27 22.22 -632.74 324.31 1.34 0.64 -1.95
BAY_5 -35821 64179.1 -46257.1 27 11.11 -1326.7 557.1 0.31 -0.77 -2.38
HVM.T -1227.3 98772.7 -27215.3 23 13.04 -53.36 1399.9 0.97 -0.05 -0.04
BMW.T -17828 82172.2 -18658.3 19 5.26 -938.3 377.01 0.21 -0.96 -2.49
CBK.T 5417.2 105417 -28065.4 31 25.81 174.75 1092 1.09 0.19 0.16
CON_. -7803.2 92196.8 -22663.2 20 25 -390.16 1004.1 0.78 -0.34 -0.39
DCX.T -38070 61930 -39383.2 26 3.85 -1464.2 184.13 0.03 -0.97 -7.95
DBK.T -6123 93877 -16054.3 23 17.39 -266.22 747 0.81 -0.38 -0.36
DB1.T -22763 -18605 -23127.4 25 16 -910.52 315.95 0.23 -0.98 -2.88
LHA.T -40048 59952 -45141.4 29 13.79 -1381 674.5 0.32 -0.89 -2.05
DPW.T -5218.3 94781.7 -22104.7 26 15.38 -573.34 718.01 0.87 -0.24 -0.8
DTE.T -20761 79238.9 -20761.1 23 17.39 -902.66 442.29 0.35 -1 -2.04
EOA.T -21077 78922.8 -25875.1 24 12.5 -878.22 336 0.23 -0.81 -2.61
FME.T 23499 123499 -12069.6 25 28 939.96 1219.7 1.92 1.95 0.77
HEN3. -13507 -16138.1 33 18.18 -409.29 454.78 0.64 -0.84 -0.9
IFX.T 15146 115146 -37653.2 30 6.67 -1708.6 963.58 1.19 0.4 -1.77
LIN.T -29887 70113.2 -37148.1 34 8.82 -1035.3 311.76 0.33 -0.8 -3.32
MAN.T -52914 47086.5 -55484.8 31 6.45 -1706.9 302.31 0.08 -0.95 -5.65
MEO.T 4883.9 104884 -19181.6 31 19.35 -937.75 351.43 1.11 0.25 -2.67
MUV2. 6916.4 106916 -40457.3 35 5.71 -498.83 1410.9 1.11 0.17 -0.35
RWE.T -14731 85268.6 -25970.6 32 15.63 -460.36 540.4 0.63 -0.57 -0.85
SAP.T -56618 43382.2 -56617.8 30 6.67 -1887.3 548.1 0.17 -1 -3.44
SCH.T -10545 89455.1 -28155.4 34 20.59 -746.03 441.69 0.76 -0.37 -1.69
SIE.T -4013.2 95986.8 -22296 29 17.24 -138.39 838.26 0.9 -0.18 -0.17
TKA.T -31420 68580.4 -34215.2 25 16 -1633.4 519.41 0.41 -0.92 -3.14
TUI.T -14678 85322.5 -38536.4 31 16.13 -473.47 1063.4 0.74 -0.38 -0.45
VOW.T 35189 135189 -13788.3 31 29.03 1135.14 994.4 2.01 2.55 1.14

Kennzahlen

NetProfit ResidualGew MaxDD Trades


-11818.66 77067.26 -28139.73 27.73

PercWin AvgProfit StDevProfit PFStDevProfit


15.62 -668.07 669.69 736.55

PercProfitable PF P/MaxDD PF-RAR RAR


30.00 0.75 -0.24 -0.91 -1.68

145
Anhang C: Handelsmodelle

Handelsmodell Nr.12

Market NetPr. Res.Gew. MaxDD Tr.Nr. PercWin AvgProfit StDevPr PF P/MaxDD RAR
ADS.T -6709.85 93290.1 -7113.95 4 25 -1677.5 1145.1 0.06 -0.94 -1.46
ALV.T 709.51 64892 -24955.8 10 20 70.95 3036.3 1.03 0.03 0.02
ALT.T 21193.5 121194 -6136.76 10 50 2119.4 1399.9 3.66 3.45 1.51
BAS.T -13502.2 86497.8 -13502.2 6 0 -2250.4 572.94 0 -1 -3.93
BAY_5 -7986.29 92013.7 -17635 10 30 -798.63 1209.1 0.55 -0.45 -0.66
HVM.T 23348.3 123348 -16702.7 7 42.86 3335.5 6184 2.12 1.4 0.54
BMW. -14917.4 85082.6 -20741.1 9 11.11 -1657.5 1893.1 0.43 -0.72 -0.88
CBK.T -13674.6 86325.4 -16110.6 4 0 -3418.7 1599 0 -0.85 -2.14
CON_. -6901.64 93098.4 -15156.6 14 35.71 -492.97 774.66 0.63 -0.46 -0.64
DCX.T -33374.4 66625.6 -33966 10 10 -3337.4 660.44 0.02 -0.98 -5.05
DBK.T 20544.3 -12530.2 11 27.27 1867.7 2539.2 2.15 1.64 0.74
DB1.T -22516.3 77483.7 -23390 17 17.65 -1620.2 713.4 0.37 -0.96 -2.27
LHA.T 8528.7 108529 -2817.52 4 50 2132.2 3111.5 3.59 3.03 0.69
DPW.T 6203.48 106203 -8583.7 5 40 1240.7 3815.6 1.72 0.72 0.33
DTE.T -20696.7 79303.3 -20696.7 10 20 -2069.7 811.15 0.15 -1 -2.55
EOA.T -11865.5 88134.5 -12331.7 7 28.57 -1695.1 645.67 0.05 -0.96 -2.63
FME.T 13339.3 113339 -2691 4 75 3334.8 2584.5 30.8 4.96 1.29
HEN3. -21759.7 78240.3 -21759.7 13 7.69 -1673.8 483.26 0.07 -1 -3.46
IFX.T -11960.8 88039.2 -22010.3 6 33.33 -1993.5 2543.3 0.46 -0.54 -0.78
LIN.T 12622.6 38241 -5569.48 5 40 2524.5 3380.3 3.51 2.27 0.75
MAN.T -21106 -32999 -23067.5 6 16.67 -3517.7 1164.1 0.02 -0.91 -3.02
MEO.T -24260.4 -30143 -30098.2 12 25 -2021.7 1147.2 0.27 -0.81 -1.76
MUV2. 27084.9 127085 -7301.6 7 57.14 3869.3 3718.1 3.47 3.71 1.04
RWE.T -11048 88952 -11048 6 0 -1841.3 502.06 0 -1 -3.67
SAP.T 13912.6 113913 -9916.7 9 33.33 1545.8 2731.3 1.98 1.4 0.57
SCH.T 19440 -14465.8 11 36.36 1767.3 2262.9 2.19 1.34 0.78
SIE.T 16718.9 116719 -6719.51 4 25 4179.7 7456.3 3.49 2.49 0.56
TKA.T -17494.3 82505.8 -17494.3 6 0 -2915.7 510.2 0 -1 -5.71
TUI.T -8759.5 91240.5 -11102.3 4 25 -2189.9 2118.8 0.04 -0.79 -1.03
VOW.T -502.32 99497.7 -19800.2 8 25 -62.79 2842.5 0.97 -0.03 -0.02

Kennzahlen

NetProfit ResidualGew MaxDD Trades


-2846.33 83808.99 -15180.50 7.97

PercWin AvgProfit StDevProfit PFStDevProfit


25.94 -378.31 1861.94 2370.33

PercProfitable PF P/MaxDD PF-RAR RAR


40.00 2.13 0.40 -0.16 -1.09

146
Anhang C: Handelsmodelle

C.2 TradestationTM-Quellcodes der Handelsmodelle

Handelsmodell Nr.1
Inputs: FastLength(5), SlowLength(34), Price(C);

vars: FastMA(0), SlowMA(0);

FastMA = Average(Price,FastLength);
SlowMA = Average(Price,SlowLength);

Condition1 = FastMA crosses over SlowMA;


Condition2 = FastMA crosses under SlowMA;

If Condition1 then buy on close;


If Condition2 then sell on close;

Handelsmodell Nr.2
Analog zum Handelsmodell Nr.1, die Inputs FastLength und SlowLength werden auf
9 bzw. 21 gesetzt.

Handelsmodell Nr.3
Inputs: FastMovAvg(12), SlowMovAvg(26), MACDMovAvg(9);

If CurrentBar > 2 AND MACD(Close, FastMovAvg, SlowMovAvg) Crosses Above


XAverage(MACD(Close, FastMovAvg, SlowMovAvg), MACDMovAvg)[1] Then
Buy ("MACDlong") This Bar on Close;

If CurrentBar > 2 AND MACD(Close, FastMovAvg, SlowMovAvg) Crosses Below


XAverage(MACD(Close, FastMovAvg, SlowMovAvg), MACDMovAvg)[1] Then
Sell ("MACDshort") This Bar on Close;

Handelsmodell Nr.4
Inputs: Strength(3), Length(30);
Variables: SWH(0), SXPrice(0), SWLo(0), SLoPrice(0);

SWH = SwingHigh(1, High, Strength, Length);

If SWH <> -1 Then


SXPrice = SWH;
If SXPrice <> 0 then begin
if close > SXPrice then buy on close;
end;

147
Anhang C: Handelsmodelle

SWLo = SwingLow(1,Low,Strength, Length);

If SWLo <> -1 then


SLoPrice = SWLo;
If SLoPrice <> 0 then begin
if close < SLoPrice then sell on close;
end;

Handelsmodell Nr.5
Analog zum Handelsmodell Nr.4, der Input Strength wird auf 3 gesetzt.

Handelsmodell Nr.5_Filter
Inputs: Strength(3), Length(30), MAs(5), MAm(13), MAl(34);
Variables: SWH(0), SXPrice(0), SWLo(0), SLoPrice(0),
longstoploss(0), shortstoploss(0);

SWH = SwingHigh(1, High, Strength, Length);

If SWH <> -1 Then


SXPrice = SWH;
if marketposition <=0 then begin
If SXPrice <> 0 then begin
if close > SXPrice
and average(C,MAs) > average(C,MAm) and average(C,MAs) > average(C,MAl)
then buy on close;
end;
end;

SWLo = SwingLow(1,Low,Strength, Length);

If SWLo <> -1 then


SLoPrice = SWLo;
if marketposition >=0 then begin
If SLoPrice <> 0 then begin
if close < SLoPrice
and average(c,MAs) < average(C,MAm) and average(c,MAs) < average(C,MAl)
then sell on close;
end;
end;

148
Anhang C: Handelsmodelle

Handelsmodell Nr.5_Filter_Stops
Inputs: Strength(3), Length(30), MAs(5), MAm(13), MAl(34);
Variables: SWH(0), SXPrice(0), SWLo(0), SLoPrice(0),
longtrailing(0), shorttrailing(0),
longstoploss(0), shortstoploss(0);

SWH = SwingHigh(1, High, Strength, Length);

If SWH <> -1 Then


SXPrice = SWH;
if marketposition <=0 then begin
If SXPrice <> 0 then begin
if close > SXPrice
and average(C,MAs) > average(C,MAm) and average(C,MAs) > average(C,MAl)
then buy on close;
end;
end;

SWLo = SwingLow(1,Low,Strength, Length);

If SWLo <> -1 then


SLoPrice = SWLo;
if marketposition >=0 then begin
If SLoPrice <> 0 then begin
if close < SLoPrice
and average(c,MAs) < average(C,MAm) and average(c,MAs) < average(C,MAl)
then sell on close;
end;
end;

{Stops}

longtrailing = SLoPrice;
shorttrailing = SXPrice ;

if C < longtrailing then


exitlong ("SW_TR_L")on close stop ;

if C > shorttrailing then


exitshort ("SW_TR_S")on close stop ;

exitlong ("trailingL") on lowest(l,13) stop;


exitshort ("trailingS")on highest(h,13) stop;

Handelsmodell Nr.6
Analog zum Handelsmodell Nr.4, der Input Strength wird auf 4 gesetzt.

149
Anhang C: Handelsmodelle

Handelsmodell Nr.6_Filter
Analog zum Handelsmodell Nr.5_Filter, der Input Strength wird auf 4 gesetzt.

Handelsmodell Nr.6_Filter_Stops
Analog zum Handelsmodell Nr.5_Filter_Stops, der Input Strength wird auf 4 gesetzt.

Handelsmodell Nr.7
Inputs: Length(9), StdDevUp(2), BarsOver(1), BarsBlw(1), versch(0);
Variables: BBTop(0), BBBot(0);

BBTop = BollingerBand(Close, Length, StdDevUp)[versch];


If CountIF(close > BBTop, BarsOver) = BarsOver Then
buy("BBS") on close ;

BBBot = BollingerBand(Close, Length, -StdDevUp)[versch];


If CountIF(close < BBBot, BarsBlw) = BarsBlw
then sell("BBL") on close;

Handelsmodell Nr.7_Filter
Inputs: Length(9), StdDevUp(2), sMA(5), mMA(13), lMA(34);
Variables: BBTop(0), BBBot(0);

BBTop = BollingerBand(Close, Length, StdDevUp);


If C > BBTop and
average(c,sMA) > average(c,mMA) and average(c,sMA) > average(c,lMA)
Then
buy("BBS") on close ;

BBBot = BollingerBand(Close, Length, -StdDevUp);


If C < BBBot and
average(c,sMA) < average(c,mMA) and average(c,sMA) < average(c,lMA)
then
sell("BBL") on close;

Handelsmodell Nr.8
Inputs: lengthRSI(14), overbought(70), oversold(30), trailinglength(3) ;

vars: longstoploss(0), shortstoploss(0);

condition1 = rsi(c,lengthRSI) crosses over oversold ;


condition2 = rsi(c,lengthRSI) crosses under overbought ;

150
Anhang C: Handelsmodelle

if condition1 then begin


buy this bar on close;
longstoploss = L;
end;

if condition2 then begin


sell this bar on close;
shortstoploss= H;
end;

exitlong at longstoploss stop;


exitshort at shortstoploss stop;

exitlong at lowest((l),trailinglength) stop;


exitshort at highest((h),trailinglength) stop;

Handelsmodell Nr.9
Inputs: Length(9), StdDevUp(2), BarsOver(1), BarsBlw(1);

Variables: BBTop(0), BBBot(0);

BBTop = BollingerBand(Close, Length, StdDevUp);


If CountIF(close > BBTop, BarsOver) = BarsOver Then
Sell("BBS") next bar at bbtop stop ;

BBBot = BollingerBand(Close, Length, -StdDevUp);


If CountIF(close < BBBot, BarsBlw) = BarsBlw Then
Buy("BBL") next bar at BBBot stop;

Handelsmodell Nr.10
Inputs: Length(9), StdDevUp(2), BarsOver(1), BarsBlw(1) ;

Variables: BBTop(0), BBBot(0),LongStopLoss(0), ShortStopLoss(0);

BBTop = BollingerBand(Close, Length, StdDevUp);


If CountIF(close > BBTop, BarsOver) = BarsOver Then begin
Sell("BBS") next bar at bbtop stop ;
shortstoploss = H;
end;

BBBot = BollingerBand(Close, Length, -StdDevUp);


If CountIF(close < BBBot, BarsBlw) = BarsBlw Then begin
Buy("BBL") next bar at BBBot stop;
longstoploss = L;
end;

151
Anhang C: Handelsmodelle

exitlong at longstoploss stop;


exitshort at shortstoploss stop;

Handelsmodell Nr.11
Inputs: Length(9), StdDevUp(2), BarsOver(1), BarsBlw(1), trailingOnLo(L) , TrailingOnSh(H) ;

Variables: BBTop(0), BBBot(0),LongStopLoss(0), ShortStopLoss(0), trailing(0);

BBTop = BollingerBand(Close, Length, StdDevUp);


If CountIF(close > BBTop, BarsOver) = BarsOver Then begin
Sell("BBS") next bar at bbtop stop ;
shortstoploss = H;
end;

BBBot = BollingerBand(Close, Length, -StdDevUp);


If CountIF(close < BBBot, BarsBlw) = BarsBlw Then begin
Buy("BBL") next bar at BBBot stop;
longstoploss = L;
end;

exitlong at longstoploss stop;


exitshort at shortstoploss stop;

exitlong at lowest(trailingonlo,3) stop;


exitshort at highest(trailingonsh,3) stop;

Handelsmodell Nr.12
Inputs: trendbest(3), trailing(3);

vars: longstlo(0), shortstlo(0);

{hammer}
condition1 = lowest(l,trendbest)=L; {downtrend}
if o > c then begin
condition2 = 2*(o-c)<= c-l; {lunte}
condition3 = o-c >= 2*(h-o); {docht}
end;
if o<=c then begin
condition2 = 2*(C-o) <= o-l; {lunte}
condition3 = c-o >= 2*(h-c); {docht}
end;

{shooting star}
condition4 = highest(h,trendbest) = H;
if o>c then begin

152
Anhang C: Handelsmodelle

condition5 = 2*(o-c)<= H-O;


condition6 = o-c >= 2*(c-l);
end;

if o<=c then begin


condition5 = 2*(c-o)<= H-C;
condition6 = c-o >= 2*(o-L);
end;

condition7 = condition1 and condition2 and condition3; {hammer!!}


condition8 = condition4 and condition5 and condition6; {shooting star!!}

if condition7 then begin


buy next bar on maxlist(o,c) stop;
longstlo = L;
end;

if condition8 then begin


sell next bar on minlist(o,c) stop;
shortstlo = H;
end;

exitlong at longstlo stop;


exitshort at shortstlo stop;

exitlong at lowest(l, trailing) stop;


exitshort at highest(h, trailing) stop;

153
Anhang D: Systematische Portfolio-Management-
Modelle

Es wurden zwei Funktionen in R programmiert, die ihrerseits mehrere Funktionen


beinhalten, um die täglichen Wertpapiergewichtungen der Portfolio-Management-
Modelle zu berechnen. Jede der inneren Funktionen kann auch selbstständig in R
eingegeben werden, wenn die Betrachtung der Zwischenschritte erwünscht ist.

Die Funktion B.L._Portfolio_Modell ermittelt die Wertpapiergewichtungen des


Portfolio-Management-Modells nach Black und Litterman für jede der 15 Aktien an
jedem Tag des Jahres 2004. Die Funktion für das Vergleichsportfolio nach Marko-
witz trägt die Bezeichnung P.S._Portfolio_Modell . Anhand der ermittelten
Wertpapiergewichtungen und der Wertpapierrenditen kann dann die Performance des
Portfolios berechnet werden.

Die Inputs der Funktionen sind (siehe auch im Abschnitt 5.3.3.1):

from = 1 [Erster Börsentag des Jahres 2004]


to = 257 [Letzter Börsentag des Jahres 2004]
Leerverkäufe = FALSE
Risikoaversion = 2.5
TageCovBerechnung = 100
Skalar (nur für B.L.) = 0.3 [Für das erste Black-Litterman-Portfolio]
2 [Für das aggressive B.-L.-Portfolio]
LongSignalRendite = 0.0032216
ShortSignalRendite = -0.00441936
LongSignalVarianz
(nur für B.L.) = 0.0283
ShortSignalVarianz
(nur für B.L.) = 0.029433

Es liegen folgende Datenmatrizen vor, die für die Berechnungen der Portfolioge-
wichte herangezogen werden:

DAX15.CLOSE.020102_301204:
759×15 Matrix der Schlusskurse für die 15 Aktien des Portfolios über den Zeitraum
vom 02.01.02 bis zum 30.12.04.

154
Anhang D: Systematische Portfolio-Management-Modelle

DAX15.LOGRENDITEN.CLOSE.020102_301204:
759×15 Matrix der log-Renditen für die 15 Aktien des Portfolios über den Zeitraum
vom 02.01.02 bis zum 30.12.04.

DAX15.SHARESinMARKET_2004:
257×15 Matrix der aktuellen Anzahl der Aktien auf dem Markt für die 15 Aktien des
Portfolios über das Jahr 2004.

DAX15.Strat_5FilterStop_AktuelleMP_020102_301204:
759×15 Matrix der aktuellen Positionierung des Handelsmodells (wobei eins für eine
Long-Positionierung, minus eins für eine Short- Positionierung und null für keine
Position im Markt stehen).

In D.1 befindet sich der Quellcode der Funktion B.L._Portfolio_Modell. Der


Quellcode der Funktion P.S._Portfolio_Modell ist im Abschnitt D.2.

Die Datenmatrizen sowie die unter D.1 und D.2 aufgeführten Funktionen können
unter der Internetseite www.DA-PortfolioModelle.de.vu im ASCII-Format herunter-
geladen werden.

Die Abbildung D.2 verdeutlicht den Aufbau und die Informationsflüsse der Funktion
B.L._Portfolio_Modell. Der Aufbau der Funktion P.S._Portfolio_Modell ist in
der Abbildung D.3 veranschaulicht. Die Informationsflüsse der Abbildungen D.1 und
D.2 sind folgendermaßen zu interpretieren:

Abbildung D.16: Legende zur Interpretation der Funktionsdiagramme

Datenwei-
Inputweiterga- Ergebnis- tergabe
be weitergabe

Funktionen Datenmatrizen

155
Anhang D: Systematische Portfolio-Management-Modelle

Abbildung D.17: Aufbau der Funktion B.L._Portfolio_Modell( )

156
Anhang D: Systematische Portfolio-Management-Modelle

Abbildung 18: Aufbau der Funktion P.S._Portfolio_Modell( )

157
Anhang D: Systematische Portfolio-Management-Modelle

D.1 R-Quellcode der Funktion des Portfolio-Management-Modells


nach BLACK-LITTERMAN

B.L._Portfolio_Modell <- function(from,to,Leerverkäufe=FALSE,


Risikoaversion,TageCovBerechnung,Skalar,
LongSignalRendite, ShortSignalRendite,
LongSignalVarianz, ShortSignalVarianz)
{

B.L._Modul_Cov <- function(for_the_day,TageCovBerechnung){

B.L._letztexxRendite <- function(for_the_day,TageCovBerechnung){

##TEXT_XXREND
# tag von 2004 wird in datenumber umgewandelt
datenumber <- for_the_day + 502
lastRenditeDay <- datenumber - 1
firstRenditeDay <- lastRenditeDay - TageCovBerechnung + 1
RenditeMatrix <- matrix(ncol=15,
nrow=lastRenditeDay-firstRenditeDay+1)

i <- firstRenditeDay - 1
j <- 0

while(i<lastRenditeDay){
i <- i + 1
j <- j +1
k <- 0

while(k<15){
k <- k + 1
RenditeMatrix[j,k] <-
DAX15.LOGRENDITEN.CLOSE.020102_301204[i,k]
}
}

B.L._Modul_letzteXXRendite <- RenditeMatrix


}

## TEXT COV
rendmatrix <- B.L._Modul_letzteXXRendite(for_the_day,TageCovBerechnung)
covarianzmatrix <- cov(rendmatrix)

B.L._Modul_Cov <- covarianzmatrix


}

B.L._Modul_BlackLittermanFormel <- function(for_the_day,Risikoaversion,


TageCovBerechnung,
Skalar, LongSignalRendite, ShortSignalRendite,

158
Anhang D: Systematische Portfolio-Management-Modelle

LongSignalVarianz, ShortSignalVarianz){

B.L._Modul_Pmatrix <- function(for_the_day){

##TEXT_PMAT
# tag von 2004 wird in datenumber umgewandelt
datenumber <- for_the_day + 502
Signalvector <-
STRAT_5FilterStop_AktuelleMP_alleDatum_DAX15[datenumber,]
AnzahlSignale <- sum(abs(Signalvector))

# nun wird gesucht, für welche aktien signale vorliegen


SignalLocationMatrix <- matrix(nrow=1,ncol= AnzahlSignale)
i <- 0
j <- 0
while(i<15){
i <- i + 1
if(Signalvector[i]!=0){
j <- j + 1
SignalLocationMatrix[j] = i
}
}

# jetzt kann die Pmatrix zusammengestellt werden


Pmatrix <- matrix(0,ncol=15, nrow=AnzahlSignale)
i <- 0
while(i<AnzahlSignale){
i <- i + 1
Pmatrix[i,SignalLocationMatrix[i]] <-
Signalvector[1,SignalLocationMatrix[i]]
}

B.L._Modul_Pmatrix <- Pmatrix


}

B.L.OmegaMat <- function(for_the_day,LongSignalVarianz,


ShortSignalVarianz){

##TEXT_OMEGAMAT
# tag von 2004 wird in datenumber umgewandelt
datenumber <- for_the_day + 502
Signalvector <-
STRAT_5FilterStop_AktuelleMP_alleDatum_DAX15[datenumber,]
AnzahlSignale <- sum(abs(Signalvector))
Omegamatrix1 <- matrix(ncol=AnzahlSignale,nrow=AnzahlSignale)
Omegamatrix <- matrix(0,ncol=AnzahlSignale,nrow=AnzahlSignale)

i <- 0
j <- 0

while(i<15){
i <- i + 1
if(Signalvector[1,i] != 0){
j <- j + 1

159
Anhang D: Systematische Portfolio-Management-Modelle

Omegamatrix1[j,j] <- Signalvector[1,i]


}
}

i <- 0
while(i<AnzahlSignale){
i <- i + 1

if(Omegamatrix1[i,i]==1){
Omegamatrix[i,i] <- Omegamatrix1[i,i]*
LongSignalVarianz
}
else{
Omegamatrix[i,i] <- Omegamatrix1[i,i]*
(-ShortSignalVarianz)
}
}

B.L._Modul_Omegamatrix <- Omegamatrix


}

B.L._Vmat <- function(for_the_day,LongSignalRendite,


ShortSignalRendite){

##TEXT_VMAT
# tag von 2004 wird in datenumber umgewandelt
datenumber <- for_the_day + 502
Signalvector <-
STRAT_5FilterStop_AktuelleMP_alleDatum_DAX15[datenumber,]
AnzahlSignale <- sum(abs(Signalvector))
Vmatrix1 <- matrix(ncol=1,nrow=AnzahlSignale)
Vmatrix <- matrix(ncol=1,nrow=AnzahlSignale)

i <- 0
j <- 0

while(i<15){
i <- i + 1
if(Signalvector[1,i] != 0){
j <- j + 1
Vmatrix1[j,1] <- Signalvector[1,i]
}
}

i <- 0

while(i<AnzahlSignale){
i <- i + 1

if(Vmatrix1[i,1]==1){
Vmatrix[i,1] <- Vmatrix1[i,1]*
LongSignalRendite
}

160
Anhang D: Systematische Portfolio-Management-Modelle

else{
Vmatrix[i,1] <- Vmatrix1[i,1]*ShortSignalRendite
}
}

B.L._Modul_Vmatrix <- Vmatrix


}

B.L._ImpRend <- function(for_the_day,TageCovBerechnung,


Risikoaversion){

# zuerst wird die function der marktkap.gerechten


#Gewichte spezifiziert !!
B.L._Wgg <- function(for_the_day){

##TEXT_WGG
# die gewichte basieren auf die heutige sharenumber
#und die gestrigen schlkusskurse
# tag von 2004 wird in datenumber umgewandelt
datenumber <- for_the_day + 502
SharesInMarket <- DAX15.SHARESinMARKET_2004[for_the_day,]
relevantClosings <-
DAX15.CLOSE.020102_301204[datenumber-1,]
kapitalisierungen <- SharesInMarket*relevantClosings
gesamtkapitalisierung <- sum(kapitalisierungen)

weightsGG <- kapitalisierungen/gesamtkapitalisierung

B.L._Modul_Wgg <- weightsGG


}

##TEXT_IMPREND
# die impliziten Renditen basierend auf
#TageCovBerechnung-Tage CovarianzMatrix,
#FÜR den eingegebenen Tag,
# Risikoaversion muss hier eingegeben werden !!
ImpliziteRenditen <- Risikoaversion*
B.L._Modul_Cov(for_the_day,
TageCovBerechnung)
%*%t(B.L._Modul_Wgg(for_the_day))

B.L._Modul_ImpliziteRendite <- ImpliziteRenditen


}

##TEXT_B.L._FORMEL
A <- solve(Skalar * B.L._Modul_Cov(for_the_day,TageCovBerechnung))
B <- t(B.L._Modul_Pmatrix(for_the_day)) %*%
solve(B.L._Modul_Omegamatrix(for_the_day,
LongSignalVarianz,ShortSignalVarianz)) %*%

161
Anhang D: Systematische Portfolio-Management-Modelle

B.L._Modul_Pmatrix(for_the_day)
C <- solve(A+B)
D <- A %*% B.L._Modul_ImpliziteRendite(for_the_day,
TageCovBerechnung,Risikoaversion)
E <- t(B.L._Modul_Pmatrix(for_the_day)) %*%
solve(B.L._Modul_Omegamatrix(for_the_day,
LongSignalVarianz,ShortSignalVarianz)) %*%
B.L._Modul_Vmatrix(for_the_day,LongSignalRendite,
ShortSignalRendite)
F <- D+E

B.L._Modul_BlackLittermanFormel <- C %*% F


}

B.L.PortfolioOptim <- function(Leerverkäufe,for_the_day,Risikoaversion,


TageCovBerechnung,Skalar,
LongSignalRendite, ShortSignalRendite,
LongSignalVarianz, ShortSignalVarianz){

##TEXT_PORT.OPTIM
BlackLittermanRenditen <- B.L._Modul_BlackLittermanFormel(
for_the_day,
Risikoaversion,TageCovBerechnung,Skalar,
LongSignalRendite, ShortSignalRendite,
LongSignalVarianz, ShortSignalVarianz)

dvec <- t((1/Risikoaversion)*BlackLittermanRenditen)


Dmat <- B.L._Modul_Cov(for_the_day,TageCovBerechnung)

# zuerst der Fall erlaubter Leerverkäufe------


if(Leerverkäufe==TRUE){
Amat <- matrix(1,nrow=15,ncol=1)
bvec <- 1
}

# jetzt der Fall ohne Leerverkäufe------------


if(Leerverkäufe==FALSE){
Amat.a <- matrix(0,ncol=15,nrow=15)
diag(Amat.a) <- 1
Amat.b <- matrix(1,nrow=15,ncol=1)
Amat <- matrix(c(Amat.b,Amat.a),nrow=15)
bvec.a <- 1
bvec.b <- rep(0,15)
bvec <- c(bvec.a,bvec.b)
}

PortfolioOptimierung <- solve.QP(Dmat=Dmat,dvec=dvec,


Amat=Amat,bvec=bvec,meq=1)

B.L._Modul_PortfolioOptim <- PortfolioOptimierung


}

162
Anhang D: Systematische Portfolio-Management-Modelle

##TEXT_B.L._PORTFOLIO
# letzter berechnungstag!!
nrowPortfolio <- to
ncolPortfolio <- 15
PORTFOLIO.weights.matrix <- matrix(nrow=nrowPortfolio - from + 1,
ncol=ncolPortfolio)

# das ist ein tag vor berechnungsanfang!!!


i <- from - 1
k <- 0

while(i<nrowPortfolio){
k <- k + 1
i <- i + 1
for_the_day <- i
B.L.Gewichte <- B.L._Modul_PortfolioOptim(Leerverkäufe=FALSE,
for_the_day,
Risikoaversion,TageCovBerechnung,Skalar,
LongSignalRendite, ShortSignalRendite,
LongSignalVarianz, ShortSignalVarianz)
j <- 0

while(j<ncolPortfolio){
j <- j + 1
PORTFOLIO.weights.matrix[k,j] <-
B.L.Gewichte$solution[j]
}
}

B.L._Portfolio_Modell <- PORTFOLIO.weights.matrix

163
Anhang D: Systematische Portfolio-Management-Modelle

D.2 R-Quellcode der Funktion des Portfolio-Management-Modells


nach MARKOWITZ

P.S._Portfolio_Modell <- function(from,to,Leerverkäufe=FALSE,


Risikoaversion,TageCovBerechnung,
LongSignalRendite,ShortSignalRendite){

P.S._Modul_letztexxRendite <- function(for_the_day,TageCovBerechnung){

# TEXT LETZTE XX RENDITE


# die letzten TageCovBerechnung Renditen
# tag von 2004 wird in datenumber umgewandelt
datenumber <- for_the_day + 502
lastRenditeDay <- datenumber - 1
firstRenditeDay <- lastRenditeDay - TageCovBerechnung + 1
RenditeMatrix <- matrix(ncol=15,nrow=lastRenditeDay-firstRenditeDay+1)

i <- firstRenditeDay - 1
j <- 0

while(i<lastRenditeDay){
i <- i + 1
j <- j +1
k <- 0

while(k<15){
k <- k + 1
RenditeMatrix[j,k]<-
DAX15.LOGRENDITEN.CLOSE.020102_301204[i,k]
}
}

P.S._Modul_letzteXXRendite <- RenditeMatrix


}

P.S._Modul_Cov <- function(for_the_day,TageCovBerechnung){

#TEXT COV
# die cov-Matrix basiert auf die letzten
#TageCovBerechnung Renditen, berechnet im
#Modul B.L._Modul_letzteXXRendite
rendmatrix <- B.L._Modul_letzteXXRendite(for_the_day,TageCovBerechnung)
covarianzmatrix <- cov(rendmatrix)

P.S._Modul_Cov <- covarianzmatrix


}

P.S.PortfolioOptim_withSignals <- function(Leerverkäufe,

164
Anhang D: Systematische Portfolio-Management-Modelle

for_the_day,Risikoaversion,
TageCovBerechnung,LongSignalRendite,
ShortSignalRendite){

# TEXT POPTIM
RendMat <- P.S._Modul_letzteXXRendite(for_the_day,TageCovBerechnung)
HistorischeRenditen <- matrix(c(mean(RendMat[,1]),
mean(RendMat[,2]),mean(RendMat[,3]),mean(RendMat[,4]),
mean(RendMat[,5]),mean(RendMat[,6]),mean(RendMat[,7]),
mean(RendMat[,8]),mean(RendMat[,9]),mean(RendMat[,10]),
mean(RendMat[,11]),mean(RendMat[,12]),mean(RendMat[,13]),
mean(RendMat[,14]),mean(RendMat[,15])),ncol=15)

AlleSignale <- STRAT_5FilterStop_AktuelleMP_alleDatum_DAX15[for_the_day + 502,]


LongSignale <- MinusOneToNull(AlleSignale)
ShortSignale <- PlusOneToNull(AlleSignale)
LongSignalPrognosen <- LongSignale*LongSignalRendite
ShortSignalPrognosen <- ShortSignale*-ShortSignalRendite
SignalRenditen <- LongSignalPrognosen+ShortSignalPrognosen
# GemischteRenditen-Berechnung:
GemischteRenditen <- matrix(nrow=1,ncol=15)

i <- 0

while(i<15){
i <- i + 1

if(SignalRenditen[1,i]!=0){
GemischteRenditen[1,i] <-
(SignalRenditen[1,i]+HistorischeRenditen[1,i])/2
}
else{
GemischteRenditen[1,i] <- HistorischeRenditen[1,i]
}
}

dvec <- t((1/Risikoaversion)*GemischteRenditen)


Dmat <- P.S._Modul_Cov(for_the_day,TageCovBerechnung)

# zuerst der Fall erlaubter Leerverkäufe-------


if(Leerverkäufe==TRUE){
Amat <- matrix(1,nrow=15,ncol=1)
bvec <- 1
}

# jetzt der Fall ohne Leerverkäufe-------


if(Leerverkäufe==FALSE){
Amat.a <- matrix(0,ncol=15,nrow=15)
diag(Amat.a) <- 1
Amat.b <- matrix(1,nrow=15,ncol=1)
Amat <- matrix(c(Amat.b,Amat.a),nrow=15)
bvec.a <- 1
bvec.b <- rep(0,15)
bvec <- c(bvec.a,bvec.b)
}

165
Anhang D: Systematische Portfolio-Management-Modelle

PortfolioOptimierung <-
solve.QP(Dmat=Dmat,dvec=dvec,Amat=Amat,bvec=bvec,meq=1)

P.S._Modul_PortfolioOptim_withSignals <- PortfolioOptimierung


}

#TEXT PORTFOLIOMODELL
# letzter berechnungstag!!
nrowPortfolio <- to
ncolPortfolio <- 15
PORTFOLIO.weights.matrix <-
matrix(nrow=nrowPortfolio - from + 1, ncol=ncolPortfolio)

# das ist ein tag vor berechnungsanfang!!!


i <- from - 1
k <- 0

while(i<nrowPortfolio){
k <- k + 1
i <- i + 1
for_the_day <- i
P.S.Gewichte <-
P.S._Modul_PortfolioOptim_withSignals(Leerverkäufe=FALSE,
for_the_day,Risikoaversion,TageCovBerechnung,
LongSignalRendite,ShortSignalRendite)
j <- 0

while(j<ncolPortfolio){
j <- j + 1
PORTFOLIO.weights.matrix[k,j] <- P.S.Gewichte$solution[j]
}
}

P.S._Portfolio_Modell <- PORTFOLIO.weights.matrix

166