So berechnen Sie die Gewichte eines Minimum-Varianz-Portfolios
Geben Sie mir eine Kandidatenliste von Aktien und einige Jahre Schlusskurse, und das Minimum-Varianz-Problem hat genau eine Antwort: den Gewichtsvektor, der für diese Daten die niedrigstmögliche Portfoliovarianz erzeugt. Keine Renditeprognose, keine Marktmeinung — nur die Kovarianzstruktur der von Ihnen ausgewählten Vermögenswerte.
Der Haken ist, dass „genau eine Antwort" nur für ein festes Universum, eine feste Kovarianzschätzung und eine feste Menge von Nebenbedingungen gilt. Ändern Sie eines der drei, und die Gewichte verschieben sich. Die nützliche Fähigkeit besteht also nicht darin, einmal Zahlen in einen Solver zu tippen; sie besteht darin, die Berechnung so durchzuführen, dass sie reproduzierbar ist und Sie sie erneut ausführen können, wenn sich die Eingaben ändern.
Diese Anleitung leistet beides. Sie gehen in sechs Schritten von Rohpreisen zu einem geprüften Gewichtsvektor, mit einer Python-Referenzimplementierung, mit der Sie jedes Ergebnis überprüfen können, und sehen dann, wie RSJ Portfolio dieselben Schritte als verwalteten Desktop-Workflow ausführt — ohne Code, ohne selbst gebaute Datenpipeline.
Sie richtet sich an Investoren und Quants, die eine rigorose, wiederholbare Methode wollen. Wenn Sie die zugrunde liegende Theorie suchen, warum schwache Korrelation die Volatilität senkt, wird das separat in Why Low Correlation Stocks Reduce Portfolio Volatility behandelt; hier bleiben wir bei der Mechanik.
Voraussetzungen: Kurse, Mathematik und ein Ort zum Ausführen
Bevor Sie die erste Codezeile schreiben oder den ersten Klick machen, bringen Sie Folgendes in Ordnung:
- Historische Schlusskurse für jeden Kandidaten, bereinigt um Splits und Dividenden. Unbereinigte Kurse bringen künstliche Sprünge in die Renditen, und die Kovarianzmatrix verstärkt sie getreulich.
- Mehr Beobachtungen als Vermögenswerte. Eine Kovarianzmatrix über N Vermögenswerte benötigt mehr als N Renditebeobachtungen, um sich wohlzuverhalten. In der Praxis verwenden Sie mehrere Jahre Tagesdaten für etwa ein Dutzend Titel.
- Grundkenntnisse zu Renditen und Kovarianz — oder ein Tool, das diese Ebene für Sie übernimmt. Die Algebra ist nicht tief, aber die Datenverarbeitung drumherum ist der Ort, an dem die meisten Fehler passieren.
- Eine Umgebung. Python oder R, wenn Sie jeden Zwischenschritt berechnen und prüfen wollen. Eine dedizierte Anwendung, wenn Sie die Pipeline von Anfang bis Ende verwaltet haben wollen.
RSJ Portfolio ist eine Windows-Desktop-Anwendung, die in die zweite Kategorie fällt. Sie bezieht Kurse von unterstützten Datenanbietern, führt sie durch eine Pipeline zur Kursbereinigung, hält einen lokalen Cache vor und verarbeitet Portfolios, die in mehreren Währungen notiert sind, über einen Konvertierungspfad, der von einer lokalen Währungseinstellung gesteuert wird. Die Details finden Sie auf der Seite Data and currencies.
Damit kommen wir zur Berechnung.
Schritt für Schritt: Berechnung der Minimum-Varianz-Gewichte
Schritt 1 — Kurshistorie sammeln und bereinigen
Für den manuellen Weg exportieren Sie bereinigte Schlusskurse in eine einzige Tabelle: eine Zeile pro Datum, eine Spalte pro Ticker, ausgerichtet auf einen gemeinsamen Handelskalender. Entfernen Sie jede Spalte, die nicht über Ihr Fenster eine vollständige Historie hat; Teilreihen sind schlechter als fehlende.
Mit RSJ Portfolio ist dies Konfiguration statt Code. Sie wählen den Datenanbieter, legen den Datumsbereich fest und setzen die Bereinigungsoptionen vor dem ersten Lauf. Das Configuration chapter des Benutzerhandbuchs listet jede Einstellung auf.
Eine Prüfung lohnt sich in beiden Fällen: Schauen Sie sich die größten Tagesbewegungen pro Ticker an. Ein 40-prozentiger Tageseinbruch bei einem Large Cap, der nicht tatsächlich stattgefunden hat, ist fast immer ein unbereinigter Split.
Schritt 2 — Renditen und die Kovarianzmatrix berechnen
Wandeln Sie Kurse in einfache oder logarithmische Renditen um und schätzen Sie dann die Kovarianzmatrix Σ. Wenn Sie die Zahlen selbst nachvollziehen wollen, ist dies der gesamte Kern:
import numpy as np
import pandas as pd
# rows: dates, columns: tickers, values: adjusted close
prices = pd.read_csv("prices.csv", index_col="date", parse_dates=True).dropna(how="any")
returns = prices.pct_change().dropna()
sigma = returns.cov().values * 252 # annualised sample covariance
mu = returns.mean().values * 252 # not needed for min-variance, but useful later
n = sigma.shape[0]
print(f"{n} assets, {len(returns)} return observations")
Zwei Dinge sind hier wichtig. Erstens ist der Skalierungsfaktor (252) eine Konvention, kein Gesetz — er ändert die Größenordnung der Varianz, nicht das Argmin. Zweitens ändert der gewählte Schätzer tatsächlich die Gewichte. Die Stichprobenkovarianz ist der Standard; RSJ Portfolio bietet eine Auswahl wählbarer Risikomodelle, und die methods page beschreibt jedes davon. Einen Vergleich, wie sich die Wahl auf die Allokationen auswirkt, finden Sie in Portfolio Optimizer with Selectable Risk Models: A Comparison.
Schritt 3 — Das Optimierungsproblem aufschreiben
Minimum-Varianz ist ein quadratisches Programm:
minimise wᵀ Σ w
subject to Σᵢ wᵢ = 1 (fully invested)
0 ≤ wᵢ ≤ cap (no shorting, per-stock cap)
Das Ziel ist die Portfoliovarianz. Die erste Nebenbedingung macht aus den Gewichten ein Portfolio statt eines beliebigen Vektors. Die zweite ist der Punkt, an dem das Urteilsvermögen ins Spiel kommt: Ohne Obergrenze wird der Optimierer fröhlich 60 % in die Aktie stecken, die die niedrigste Varianz und die schwächste gemeinsame Bewegung mit allem anderen hat.
Schritt 4 — Die Gewichte lösen
Jeder Solver für quadratische Programmierung ist geeignet. Sequential Least Squares reicht für ein paar Dutzend Vermögenswerte:
from scipy.optimize import minimize
def variance(w, sigma):
return w @ sigma @ w
constraints = [{"type": "eq", "fun": lambda w: w.sum() - 1.0}]
bounds = [(0.0, 0.20)] * n
w0 = np.repeat(1.0 / n, n)
res = minimize(
variance, w0, args=(sigma,), method="SLSQP",
bounds=bounds, constraints=constraints,
options={"ftol": 1e-12, "maxiter": 1000},
)
weights = pd.Series(res.x, index=prices.columns).round(4).sort_values(ascending=False)
print(weights)
print("status:", res.success, "| variance:", round(res.fun, 6))
In RSJ Portfolio ist dieser Schritt eine Auswahl, kein Skript: Wählen Sie Minimum Volatility als Ziel, wählen Sie das Risikomodell und führen Sie den Optimierer aus. Das Recommendation chapter dokumentiert die Parameter und die resultierende Allokationsansicht.
Schritt 5 — Die Nebenbedingungen verschärfen und erneut lösen
Führen Sie es einmal mit einer lockeren Obergrenze aus, schauen Sie sich die Konzentration an und verschärfen Sie dann. Eine Obergrenze von 20 % und eine von 10 % ergeben zwei verschiedene Portfolios und zwei verschiedene Varianzschätzungen; die Lücke zwischen ihnen zeigt Ihnen, wie viel des „Optimums" wirklich eine Wette auf ein oder zwei Titel war.
In der App werden Gewichtsbeschränkungen als Optimierer-Eingaben festgelegt, sodass dies ein erneuter Lauf statt einer Neufassung ist.
Schritt 6 — Die Allokation festhalten oder exportieren
Speichern Sie den Gewichtsvektor zusammen mit den Eingaben, die ihn erzeugt haben: Datumsbereich, Universum, Risikomodell, Nebenbedingungen. Ein Gewichtsvektor ohne seine Parameter ist nicht reproduzierbar. RSJ Portfolio bietet Exportoptionen für die resultierende Allokation.
So bestätigen Sie, dass es funktioniert hat
Vier Prüfungen, in aufsteigender Strenge:
- Zulässigkeit. Die Gewichte summieren sich innerhalb der Toleranz zu 1, keines ist negativ (wenn Sie Leerverkäufe verboten haben), keines überschreitet die Obergrenze.
- Zielfunktionswert. Vergleichen Sie die optimierte Varianz mit einem gleichgewichteten Portfolio und mit zufälligen zulässigen Gewichtsvektoren. Das Optimum muss alle übertreffen.
- Out-of-Sample-Stabilität. Teilen Sie die Historie: Schätzen Sie auf dem ersten Teil und bewerten Sie die Varianz dieser Gewichte auf dem zweiten. Mit der Datumsbereichsauswahl von RSJ Portfolio können Sie In-Sample- und Out-of-Sample-Fenster direkt festlegen.
- Modellrobustheit. Führen Sie es mit einem anderen Risikoschätzer erneut aus — zum Beispiel Minimum-Semivarianz statt Minimum-Volatilität. Wenn sich die Top-Positionen kaum ändern, spiegelt die Allokation die Daten wider; wenn sie sich völlig umschichten, spiegelt sie den Schätzer wider.
w_eq = np.repeat(1.0 / n, n)
print("optimised :", round(variance(res.x, sigma), 6))
print("equal wt :", round(variance(w_eq, sigma), 6))
print("max weight:", round(res.x.max(), 4), "| sum:", round(res.x.sum(), 10))
Eine umfassendere Checkliste zum Stresstesten der Ausgabe, bevor Sie danach handeln, finden Sie in How to Validate Portfolio Optimizer Output Before You Trade.
Fehlerbehebung bei häufigen Problemen
-
Singuläre oder nahezu singuläre Kovarianzmatrix. Tritt auf, wenn Vermögenswerte nahezu Duplikate sind oder wenn die Beobachtungen die Vermögenswerte kaum übersteigen. Lösung: Historie verlängern, redundante Ticker entfernen oder die Schätzung schrumpfen:
sigma_shrunk = 0.9 * sigma + 0.1 * np.diag(np.diag(sigma)) -
Instabile Gewichte. Kleine Änderungen der Eingaben erzeugen große Verschiebungen der Allokation — das klassische Symptom einer ungeconstrainedten Minimum-Varianz-Lösung. Lösung: Obergrenzen pro Aktie, ein längeres Fenster oder ein Shrinkage-Schätzer.
-
Währungseffekte. Bei einem Portfolio, das in mehreren Währungen notiert ist, muss die Kovarianz auf Renditen berechnet werden, die in einer gemeinsamen Währung ausgedrückt sind. RSJ Portfolio handhabt dies über seine lokale Währungseinstellung und seinen Konvertierungspfad; die Besonderheiten bei mehreren Währungen werden in Portfolio Optimization for Multi-Currency Portfolios: A Guide behandelt.
-
Datenfehler. Ein einzelner fehlerhafter Kurs kann eine Kovarianzschätzung dominieren. Führen Sie entweder Ihren eigenen Ausreißerfilter aus oder verwenden Sie die Bereinigungspipeline in RSJ Portfolio, bevor der Optimierer die Daten sieht.
Automatisierung mit RSJ Portfolio: Ein verwalteter Workflow
Alles oben Genannte lässt sich in einem einzigen Desktop-Workflow zusammenfassen: Kandidaten suchen und auswählen, das Ziel Minimum Volatility wählen, einen Risikoschätzer auswählen, Gewichtsbeschränkungen festlegen, ausführen. Die Mathematik ist die moderne Portfoliotheorie, konsistent angewendet, wobei die Datenbeschaffung und -bereinigung bereits erledigt sind.
Der Sinn des Tools liegt in dem Teil, der von Hand im großen Maßstab schwer zu bewältigen ist: Es analysiert die Renditekorrelation zwischen Kandidaten und allokiert Kapital hin zu Aktien, die schwach korrelieren — oder deren Abwärtsbewegung schwach korreliert —, was tatsächlich die Volatilität des resultierenden Portfolios senkt. Mehr über das Produkt erfahren Sie auf der overview page, und die Getting Started guide behandelt die Konfiguration, die es sich lohnt, vor dem ersten Lauf einzustellen.
Der Windows-Installer befindet sich auf der downloads page mit einem veröffentlichten SHA-512 in einem versionierten Dateinamen, zusammen mit dem vollständigen Benutzerhandbuch. Wenn Sie den Download vor der Ausführung überprüfen wollen:
certutil -hashfile <installer>.exe SHA512
Vergleichen Sie die Ausgabe mit dem Hash auf der Download-Seite.
FAQ
Was ist der Unterschied zwischen Minimum-Varianz- und Minimum-Volatilitäts-Portfolios? Sie bezeichnen dasselbe Ziel: die Minimierung der Varianz des Portfolios (oder äquivalent seiner Volatilität). Der Begriff „Minimum Variance" ist in der akademischen Literatur gebräuchlicher, während „Minimum Volatility" in der Praxis oft verwendet wird.
Kann ich Minimum-Varianz-Gewichte in Excel berechnen? Ja — das Solver-Add-in von Excel kann die Portfoliovarianz durch Ändern der Gewichte unter Nebenbedingungen minimieren. Für größere Universen oder fortgeschrittene Risikomodelle ist ein dediziertes Tool wie RSJ Portfolio effizienter und weniger fehleranfällig.
Wie viele Aktien brauche ich für ein zuverlässiges Minimum-Varianz-Portfolio? Es gibt keine feste Zahl, aber typischerweise können 10–20 Aktien mit geringer Korrelation Diversifikationsvorteile erzielen. Darüber hinaus nimmt die marginale Varianzreduktion ab. Entscheidend ist die Korrelationsstruktur, nicht nur die Anzahl.
Erfordert RSJ Portfolio Programmierkenntnisse? Nein. RSJ Portfolio ist eine Windows-Desktop-Anwendung mit grafischer Oberfläche. Sie können Aktien auswählen, Parameter konfigurieren und den Optimierer ausführen, ohne Code zu schreiben.
Fazit
Die Berechnung selbst ist kurz: Kurse → Renditen → Kovarianz → restringiertes quadratisches Programm → Gewichte. Was sie nützlich macht, ist die reproduzierbare Durchführung, mit dem Kovarianzschätzer und den Nebenbedingungen neben dem Ergebnis festgehalten, und dann die Prüfung, ob die Antwort ein anderes Fenster und ein anderes Risikomodell übersteht.
Führen Sie es einmal in Python aus, um die Maschinerie zu sehen. Führen Sie es dann in RSJ Portfolio aus, wo Daten, Bereinigung und Währungsumrechnung für Sie erledigt werden und die Nebenbedingungen ein Formularfeld statt einer Codezeile sind.
RSJ Portfolio wird pro Einzelnutzer lizenziert; die pricing page listet auf, was die Lizenz umfasst, und führt Sie zur Kasse.
Verwandte Beiträge
- Modern Portfolio Theory vs Hierarchical Risk Parity
- Portfolio Optimization for Multi-Currency Portfolios: A Guide
- Why Low Correlation Stocks Reduce Portfolio Volatility