Nichtparametrische integrierte Rendite- und Risikoprognosen im Asset Management mit Hilfe von Prädiktorselektionsverfahren (PDF)

Im Asset Management stellt sich dem Investor die zentrale Aufgabe der systematischen Strukturierung des Anlagekapitals. Optimierungskalküle wie die Portfolio-Selection des Nobelpreisträgers Harry M. Markowitz basieren insbesondere auf der Betrachtung der Renditen der Anlagealternativen als stochastische Zufallsvariablen und auf der Annahme, dass die zukünftigen Erwartungswerte, Varianzen und Korrelationen der Renditeverteilungen bekannt sind oder zumindest näherungsweise bestimmt werden können. Einige empirische Befunde legen nahe, dass für den Zweck des Asset Managements Renditeschätzungen bedeutsamer als Risikoschätzungen sind. Während für Renditeprognosen mehr oder weniger elaborierte Modelle zum Einsatz kommen, werden als Risikoschätzer häufig noch (zeitgewichtete) historische Varianz-Kovarianz-Matrizen verwendet. Der Zielkonflikt zwischen akzeptiertem Risiko und erwarteter Rendite ist jedoch eines der grundlegenden Probleme in der Finanzwirtschaft, so dass die mit einer Investition verbundene Unsicherheit für die finanzwirtschaftliche Theorie und Praxis eine große Rolle spielt. Gegenstand dieser Arbeit ist zunächst die Untersuchung der theoretischen Eignung, adäquaten Umsetzbarkeit und empirischen Leistungsfähigkeit der nichtparametrischen Kernregression zur Erstellung von Prognosemodellen für die Asset Allokation. Die Methodik kann sowohl zur Modellierung von Renditeerwartungen als auch zur Prognose des konsistenten integrierten Risikos verwendet werden. Zur nichtparametrischen Selektion der relevanten Einflussgrößen existieren vielversprechende Ansätze, deren empirische Leistungsfähigkeit analysiert wird. Ein solches Modell soll nicht nur statistisch fundiert, sondern auch ökonomisch interpretierbar sein und somit die Möglichkeit bieten, den Zusammenhang nachzuvollziehen und qualitativ zu bewerten. Der theoretischen Eignung und adäquaten Umsetzbarkeit der Verfahren widmet sich diese Arbeit daher unter Berücksichtigung sowohl der finanzwirtschaftlichen Problemstellung als auch der Anforderungen der statistischen Methoden. Die empirische Leistungsfähigkeit der Modelle wird anhand umfangreicher Simulationsstudien und historischer Kapitalmarktdaten untersucht.