Die Finanzkrise 2008 machte deutlich, dass traditionelle, statische Anlagenallokations-Modelle in unterschiedlichen Marktsituationen nicht immer vorteilhafte Ergebnisse liefern. Vor allem in turbulenten Marktphasen zeigten statisch allokierte Portfolios nicht den gewünschten Diversifikationseffekt. Auf Basis dieser Erkenntnisse beschäftigt sich die nachstehende Bachelor-Thesis mit dem Aufbau einer dynamischen Anlagenallokation auf Basis monatlicher Value-at-Risk (VaR)-Prognosen und liefert hierzu einen theoretischen, methodischen und empirischen Beitrag. Die VaR-Prognose findet dabei durch die Anwendung einer Monte-Carlo-Simulation mit zeitveränderlichen Volatilitäten statt, welche durch ein GARCH(1,1)-Modell geschätzt werden. Dadurch wird ein Modell etabliert, das im Vergleich zu einer vorher definierten Benchmark-Allokation in der Lage ist, Kapitalmarktrisiken frühzeitig zu erkennen und dahingehend Risikopositionen im Portfolio abzubauen.
Inhaltsverzeichnis
- Einleitung
- Problemstellung
- Zielsetzung
- Aufbau und Übersicht
- Theoretische Grundlagen
- Anlagenallokationen und ihre Bedeutung
- Einführung
- Einordnung verschiedener Allokations-Strategien
- Risikomessung
- Einführung
- Klassische vs. alternative Konzepte zur Messung des Risikos
- Der Value-at-Risk
- Definition des Value-at-Risk
- Nicht-parametrischer Ansatz
- Parametrischer Ansatz
- Beurteilung des Konzepts
- Volatilitätsmodellierung und Prognose
- Einführung
- Stationarität und Volatilität
- Prognosegüte der Volatilität
- Generalized-Autoregressive-Conditional-Heteroskedasticity-Modell
- Das GARCH (1,1)-Modell
- Maximum-Likelihood-Methode
- Prognose der zukünftigen Volatilität via GARCH (1,1)
- Value-at-Risk-Prognose durch Monte-Carlo-Simulation und zeitabhängiger Volatilität
- Einführung
- Monte-Carlo-Simulationen
- Value-at-Risk Prognosen durch die Anwendung von Monte-Carlo-Simulationen mit zeitabhängiger Volatilität
- Methodische Umsetzung
- Rahmenbedingungen
- Modellsetup
- Die Allokationsstrategie
- Monats-Prognose des Portfolio Value-at-Risk über den Zeitraum 2007 bis 2012
- Vergleich der VaR-Prognose mit vorgegebenen Risikolimit
- Neu-Allokation der Portfoliogewichte bei Überschreiten des Risikolimits
- Ergebnissimulation – Backtesting
- Darstellung der Ergebnisse und Performance Messung
- Vergleich zur Benchmark-Strategie
- Diskussion und Schlussfolgerung
Zielsetzung und Themenschwerpunkte
Die vorliegende Bachelor-Thesis befasst sich mit der Entwicklung einer dynamischen Anlagenallokationsstrategie auf Basis monatlicher Value-at-Risk (VaR)-Prognosen. Ziel ist es, ein Modell zu entwickeln, das in der Lage ist, Kapitalmarktrisiken frühzeitig zu erkennen und durch Anpassung der Portfoliogewichte das Risiko zu minimieren.
- Die Herausforderungen traditioneller, statischer Anlagenallokationsmodelle in dynamischen Märkten
- Die Bedeutung der Risikomessung und -steuerung im Portfoliomanagement
- Die Anwendung des Value-at-Risk (VaR)-Konzepts zur Risikomessung
- Die Modellierung und Prognose der Volatilität durch das GARCH (1,1)-Modell
- Die Anwendung von Monte-Carlo-Simulationen zur VaR-Prognose mit zeitabhängiger Volatilität
Zusammenfassung der Kapitel
Die Einleitung stellt das Thema der Arbeit vor und erläutert die Problemstellung, Zielsetzung und den Aufbau der Arbeit. Das zweite Kapitel beleuchtet die theoretischen Grundlagen. Es werden verschiedene Anlagenallokationsstrategien vorgestellt und das Konzept des Value-at-Risk (VaR) zur Risikomessung erläutert. Außerdem wird die Volatilitätsmodellierung und -prognose mit dem GARCH (1,1)-Modell behandelt. Das dritte Kapitel beschreibt die methodische Umsetzung der Arbeit, einschließlich der Rahmenbedingungen und des Modellsetups. Es werden die Schritte zur Prognose des VaR und die Anpassung der Portfoliogewichte bei Überschreiten des Risikolimits erläutert. Das vierte Kapitel zeigt die Ergebnisse der Simulation und des Backtestings. Es wird die Performance der entwickelten Strategie im Vergleich zu einer Benchmark-Strategie analysiert. Abschließend werden die Ergebnisse in der Diskussion und Schlussfolgerung zusammengefasst.
Schlüsselwörter
Die Arbeit beschäftigt sich mit den Themen Anlagenallokation, Value-at-Risk (VaR), Risikomessung, Volatilität, GARCH (1,1)-Modell, Monte-Carlo-Simulation, Portfolio-Optimierung, Backtesting, dynamische Anlagenallokation.
Häufig gestellte Fragen
Was ist das Ziel einer dynamischen Anlagenallokation?
Ziel ist es, Portfoliogewichte flexibel an Marktrisiken anzupassen, um Verluste in turbulenten Phasen zu minimieren und frühzeitig Risikopositionen abzubauen.
Was versteht man unter Value-at-Risk (VaR)?
Der VaR ist ein Risikomaß, das angibt, welcher Verlust innerhalb eines bestimmten Zeitraums mit einer festgelegten Wahrscheinlichkeit nicht überschritten wird.
Wie hilft das GARCH(1,1)-Modell bei der Prognose?
Das GARCH-Modell wird verwendet, um zeitveränderliche Volatilitäten zu schätzen, was genauere Vorhersagen über zukünftige Marktschwankungen ermöglicht.
Warum wird eine Monte-Carlo-Simulation eingesetzt?
Sie dient dazu, eine Vielzahl möglicher zukünftiger Lernszenarien für das Portfolio durchzuspielen, um auf dieser Basis eine fundierte VaR-Prognose zu erstellen.
Was zeigte das Backtesting der Strategie für den Zeitraum 2007-2012?
Das Backtesting untersuchte, ob das Modell im Vergleich zu einer statischen Benchmark-Strategie Kapitalmarktrisiken (wie die Krise 2008) besser bewältigen konnte.
- Citation du texte
- Philipp Günther (Auteur), 2018, Erzeugung einer dynamischen Anlagenallokation auf Basis monatlicher Value-at-Risk-Prognosen, Munich, GRIN Verlag, https://www.grin.com/document/454971
