Deep and (Un-) Constrained Portfolio Optimization

zurück zur Übersicht

Projektart und Laufzeit

FFF-Förderprojekt, Dezember 2023 bis Juni 2024

Koordinator

Financial Economics

Forschungsschwerpunkt

Wealth Management

Beschreibung

Seit ihren Anfängen in den 1950er Jahren leidet die Portfoliooptimierung unter Fehlern bei der Schätzung der Eingabeparameter (Michaud, 1989). Um die daraus resultierende schwache Leistung zu überwinden, mildern die jüngsten Fortschritte im Bereich des maschinellen Lernens die Auswirkungen von Schätzungsfehlern, indem sie die Portfoliogewichte direkt aus den rohen Eingabedaten optimieren, z. B. mithilfe von tiefen neuronalen Netzen. Diesen ersten Ansätzen fehlt jedoch ein wichtiger praktischer Aspekt, da sie die (Portfolio-)Gewichtungsbeschränkungen vernachlässigen, mit denen sich Vermögensverwaltungsgesellschaften in der Praxis konfrontiert sehen (z. B. Leerverkaufsbeschränkungen, Beschränkungen des Engagements in einer bestimmten Branche, Zielvorgaben für das Faktorengagement, Diversifizierungsanforderungen oder Obergrenzen für Transaktionskosten). Wir bemühen uns, die bestehenden Ansätze zu verbessern, indem wir die Umsetzung solcher Beschränkungen ermöglichen. Zum Abschluss dieses Projekts planen wir, neben einer wissenschaftlichen Abhandlung eine Software-Toolbox in R und/oder Python bereitzustellen, die unsere Erkenntnisse umsetzt.

Projektleiter

Ass.-Prof. Dr. Sebastian Stöckl