Viele Anlageoptionen, jeweils mit unterschiedlicher Rendite und Risiko, mit Korrelationen. Klassisches Finanz-OR-Problem: Markowitz mean-variance, seit 1952.
Kurz gesagt
Kommt Ihnen das bekannt vor?
- Das Unternehmen hat Liquiditätsüberschuss; statt auf dem Konto entscheidet die Geschäftsführung monatlich nach Bauchgefühl.
- Der Bankberater sagt 'diese Fonds passen zu Ihnen'; ob sie wirklich passen, prüfen wir nicht.
- Wir haben FX, Gold, Aktien; das Portfolio ist zu 50% in USD und niemand misst die Risikoverteilung.
- Ein Mitarbeiter geht in Rente und will sein Sparguthaben anlegen; er findet keine Beratung dazu, welcher Fondsmix zu ihm passt.
- Investition ins Unternehmen, Anleihen halten oder Maschine kaufen? Wir entscheiden mit einer Zahl wie 'historische Aktienrendite'.
- Unser Risikoappetit hat sich geändert — früher aggressiv, jetzt konservativ — wir wissen nicht, wie wir das Portfolio umbauen sollen.
- Steuern, Gebühren, Mindestanlagebeträge — wir verteilen ohne zu modellieren, wie diese die Entscheidung beeinflussen.
Warum es wichtig ist
Wie wird es gelöst?
Technische Tiefe
Wie wird es gelöst?
Technische TiefeIn einem Satz: Zwei Anlagen, die sich in dieselbe Richtung bewegen (hohe Korrelation), sind keine Diversifikation — nur ein größerer Einsatz. Echte Diversifikation entsteht aus Paaren, bei denen die eine steigt, wenn die andere fällt. Erwartete Rendite ist nicht alles; auch das gegenseitige Ausgleichen zählt.
Dies ist das Portfolio Optimization Problem an der Schnittstelle von Operations Research (Disziplin, die mit Mathematik und Computereinsatz Geschäftsentscheidungen löst) und Finanzmathematik. Klassische Formulierung: Markowitz Mean-Variance Optimization (1952). Lösung in drei Stufen:
1. Modellierung. Kandidatenliste (n Anlagen), erwartete Rendite je Anlage (μᵢ), paarweise Kovarianzen (σᵢⱼ) — das Herzstück. Bedingungen: Gewichte summieren zu 1, jedes Gewicht ≥ 0 (kein Leerverkauf), Min/Max pro Anlage, Obergrenzen für Sektor- oder Regiongruppen. Ziel: entweder Rendite maximieren bei gegebenem Risiko oder Varianz minimieren bei gegebener Rendite.
2. Entscheidung mit Solver. Markowitz ist ein quadratisches Programm (QP); moderne Solver lösen in Sekunden. 5-50 Anlagen: Sekunden; 100+: Minuten. Efficient Frontier wird ausgegeben. Einzelpunkt: Tangentialportfolio (max Sharpe). In der Praxis ist die Kovarianzschätzung (die Tabelle, wie sich jedes Anlagepaar gemeinsam bewegt) am schwersten; Shrinkage-Schätzer (statistische Methode, die Extremwerte in historischen Daten glättet) und Faktormodelle helfen.
3. Feldintegration. Output: prozentuale Gewichte pro Anlage. Rebalancing-Zeitplan, Risiko-Rendite-Visualisierung (Frontier + aktuelle Position), What-If (TRY -20%, Zinsen +500 bps). Regelmäßige Reports — erwartete vs. realisierte Rendite, Sharpe, Treynor, Max Drawdown."
Alternativen
Manuell + Bankberater
KostenlosKostenlos (Kommission in den Produkten)
Für wen geeignet: Kleines Kapital (unter 100K TRY), 1-3 Anlagen
- + Keine Softwarekosten
- + Menschlicher Kontakt
- + Bank übernimmt Regulatorik
- − Interessenkonflikt — eigene Produkte
- − Keine numerische Optimierung
- − Risikoappetit nicht personalisiert gemessen
- − Skaliert nicht
Robo-Advisor / digitale Vermögensverwaltung
Enterprise0,5-1,5% jährlich oder 100-2000 TRY/Jahr fix
Für wen geeignet: Privat oder kleine KMU, 100K-5M TRY
- + Automatisches Rebalancing
- + Markowitz- oder Black-Litterman-Algorithmus
- + Geringe Gebühr, transparent
- − In TR wenige Anbieter
- − Keine Integration eigener Anlagen (Reinvestition)
- − Customizing begrenzt
Professionelle Portfolioverwaltung (institutionell)
Enterprise1-2% jährlich + Performance Fee
Für wen geeignet: 5M+ TRY, institutionell
- + Profi-Team, Analyse, Reporting
- + Professionelles Risikomanagement
- + Regulatorik, Audit
- − Teuer
- − Mindestanlage hoch (1-5M TRY)
- − Transparenz variiert
Open-Source-Solver + Python-Finanzbibliotheken
Open SourceLizenz kostenlos; 4-8 Wochen intern oder 100K-300K TRY Beratung
Für wen geeignet: Finanzkundige KMU / Personen; fortgeschritten
- + Volle Kontrolle, anpassbar
- + Markowitz, Black-Litterman, Risk Parity in Open-Source-Libs
- + Keine Lizenz
- − Finanz- + Python-Kompetenz nötig
- − Kursdaten möglicherweise kostenpflichtig
- − Selbstwartung
Empfehlung
Im Gespräch fragen
- Welche Optimierungsmethode? Markowitz, Black-Litterman, Risk Parity verfügbar?
- Welcher Kovarianz-Schätzer? (Shrinkage, Faktormodell, Stichprobe)
- Wie wird mein Risikoappetit gemessen? Umfrage, Historie, Simulation?
- Sind Transaktionskosten (Gebühren, Steuern, Spreads) integriert?
- Wie wird Rebalancing-Frequenz gesetzt? Quartal, Halbjahr, schwellenbasiert?
- Stress-Tests und Szenarien (z.B. Zinsen +500 bps, TRY -20%)?
- Historische 3-5 Jahres-Performance transparent berichtet?
- Wie bekommen wir Positionshistorie und Reports im Standardformat zurück, wenn wir aufhören?
Technische Details
Anmerkung der Redaktion
Umgangssprachlich „Asset Allocation", „Portfolio-Diversifikation", „Anlagemix". Akademisch Portfolio Optimization Problem oder Markowitz Mean-Variance Optimization. Ohne den Unterschied zu kennen, akzeptiert man den Fondvorschlag der Bank, ohne hinterfragen zu können, unter welchen Annahmen optimiert wurde.
Was am häufigsten übersehen wird: die Schätzung der Kovarianzmatrix. Renditen schätzen ist relativ einfach (Fehler groß, aber machbar); Kovarianzen schätzen ist wegen der Matrix-Dimension viel schwerer — 50 Anlagen = 1275 Parameter. Naive Stichprobenschätzer sind schlecht; moderne Methoden (Shrinkage, Faktormodelle) sind nötig.
Schritt für Schritt — für das KMU
Stufe 1 — Erst sich selbst messen. Risikoappetit: akzeptable Volatilität (Jahres-Sigma)? Horizont: 1, 5, 10 Jahre? Liquiditätsbedarf? Steuersituation?
Stufe 2 — Anlageuniversum definieren. Typisch in TR: TRY-Einlage, Aktien (BIST), FX, Gold, Anleihen, REIT-Fonds, Reinvestition. Historie (5-10 Jahre) und Korrelationen je Anlage.
Stufe 3 — Pilot. Paper-Optimierung, 3-6 Monate virtuell beobachten. Erfolgskriterium: bei Ziel-Vol mindestens +2 Prozentpunkte Rendite-Erwartung.
Stufe 4 — Umsetzung. Echtes Geld, regelmäßiges Rebalancing. Jährlicher Review."
Risiken — was schiefgehen kann
- Rendite-Schätzfehler. Vergangene Rendite ≠ Zukunft. Fehler 30-50% drehen den Output dramatisch. Black-Litterman, um Expertenmeinung einzubeziehen.
- Korrelationen ändern sich. In Krisen → 1; Diversifikation verschwindet temporär. Stress-Test."
- Liquidität ignoriert. Immobilien 30% — nicht verkaufbar im Bedarfsfall. Liquidity Constraint."
- Steuer- und Regulatorikwandel. TR verändert Regime oft. Nach-Steuer-Rendite optimieren."
Lösungsmethode — technischer Blick
| Ansatz | Typische Größe | Lösezeit | Garantiertes Optimum? |
|---|---|---|---|
| Quadratische Programmierung (klassisch) | 5-100 Anlagen | Sekunden | Ja |
| Black-Litterman (Bayes) | 5-100 Anlagen | Minuten | Ja (Bayes) |
| Risk Parity | Beliebig | Sekunden | Nein (Heuristik) |
| Monte Carlo + Szenarien | Stochastisch | Minuten | Nein |
| Robuste Optimierung | Unsichere Parameter | Sek-Min | Worst-Case-Optimum |
Zielfunktion wählen:
- Ziel 1 — Maximales Sharpe-Verhältnis: Standard.
- Ziel 2 — Maximale Rendite bei Risiko-Cap: Wenn Vol-Limit gesetzt ist.
- Ziel 3 — Maximum-Drawdown-Limit: Worst-Case-Limit.
- Ziel 4 — Minimales Risiko bei Zielrendite: Bei festem Ertragsziel.
Für türkische Anleger: Nach-Steuer-Rendite + TRY-basierte reale Rendite (inflationsbereinigt) kritisch.
Akademische Quellen
Siehe sources im Frontmatter.
Quellen
- Markowitz, H. (1952). Portfolio selection. Journal of Finance, 7(1), 77–91. Grundlagenartikel der MPT, Nobelpreis.
- Sharpe, W. F. (1964). Capital asset prices. Journal of Finance, 19(3), 425–442. CAPM.
- Ledoit, O. und Wolf, M. (2004). A well-conditioned estimator for large-dimensional covariance matrices. Journal of Multivariate Analysis, 88(2), 365–411.
- Türkischer Kapitalmarktrat (SPK) — Jahresberichte und Regulatorik. Referenz für TR-Finanzmarkt.
- YÖK-Thesenzentrum — Stichwort ‘portföy optimizasyonu’ — 80+ Arbeiten. tez.yok.gov.tr
Glossar
- Portfoliooptimierung
- Kapital auf mehrere Anlagen unter einem Rendite-Risiko-Tradeoff verteilen.
- Mean-Variance-Analyse
- Der klassische Finanzrahmen nach Markowitz, der Anlageentscheidungen in der Ebene erwarteter Rendite (Mean) vs. Risiko (Varianz) analysiert.
Ähnliche Probleme
Fixes Budget, viele Kandidatenprojekte — welche Teilmenge wähle ich, damit der Gesamtertrag maximal wird?
Ein Investitionskomitee einer mittelständischen Holding oder eines KMU steht jährlich vor 50-200 Kandidatenprojekten (Werkserweiterung, neue Linie, Lager, IT-Modernisierung, Digitalisierung) bei festem Jahresbudget (50-500M TRY): welche Teilmenge wählen, damit das Budget eingehalten und der Gesamtertrag (NPV) maximal wird? Die intuitive Regel 'nach NPV/Investitionsquote sortieren und von oben nehmen' verfehlt kleine, aber renditestarke Projekte, die in die letzten 5-10 % des Budgets passen — empirisch weicht sie 5-15 % vom Optimum ab, bei mehrdimensionalen Restriktionen (Budget + Arbeitsstunden + Maschinenstunden) wächst die Lücke auf 10-25 %. Dieselbe Struktur kehrt wieder bei der monatlichen Marketingkampagnenauswahl, bei kapazitätsbeschränkter Frachtbeladung und bei der Lieferantenauswahl. Die verbreitete Überzeugung im Komitee 'ein mathematisches Optimum lässt sich nicht bestimmen, man entscheidet nach Gefühl' ist falsch — eine optimale Lösung für 200-1000 Kandidaten wird in Minuten geliefert.
Mehrere Inputs + mehrere Outputs — Wie messe ich die relative Effizienz meiner Filialen oder Einheiten?
Diese Seite richtet sich an Sie, wenn Sie eine Bank mit 100-500 Filialen, eine Krankenhauskette mit 200-1.500 Betten an mehreren Standorten, eine Bildungsdirektion mit Hunderten von Schulen oder eine öffentliche Stelle führen, die Provinz für Provinz vergleicht. Die Kernfrage: welche Ihrer Filialen/Kliniken/Schulen sind effizient und welche nicht — und an welchem 'Peer' sollen sich die schwachen orientieren, um wie viel zu schließen? Jede Einheit verbraucht gleichzeitig mehrere Inputs (Personal, Fläche, Budget) und produziert mehrere Outputs (Erträge, Kunden/Patienten/Schüler, Qualität); eine Einzelkennzahl wie 'Ertrag pro Mitarbeiter' bildet das nicht ab und kann eine effiziente Einheit als schwach ausweisen oder umgekehrt. Richtig aufgesetzt — weil der Peer-Benchmark einen konkreten Verbesserungsbezug liefert — steigt die Akzeptanz von Verbesserungsplänen für schwache Einheiten um 40-70%, was bei einem mittelgroßen Filialnetz grob 10-50 Millionen TRY operativer Marge pro Jahr entspricht.