RSJ Portfolio Portfolio Optimization

← Alle Beiträge

2026-11-04

So prüfen Sie, ob ein Portfolio-Optimierer überangepasst ist

So prüfen Sie, ob ein Portfolio-Optimierer überangepasst ist
portfolio optimization modern portfolio theory portfolio correlation portfolio optimization hierachical risk parity minimize volatility minimize semivariance maximize sharpe

So prüfen Sie, ob ein Portfolio-Optimizer überanpasst

Sie haben den Optimizer laufen lassen, Sie haben Gewichtungen erhalten, und sie sehen wunderbar präzise aus: 11,4 % hier, 7,8 % dort, eine Volatilitätskennzahl mit zwei Nachkommastellen. Genau diese Präzision ist das Problem. Ein Mean-Variance-Optimizer passt sich bereitwillig an das Rauschen einer historischen End-of-Day-Kursreihe an und liefert Ihnen ein Portfolio zurück, das die Vergangenheit wunderbar beschreibt und die Zukunft überhaupt nicht.

In diesem Artikel geht es um die Entscheidung, die nach dem Lauf kommt: wie Sie prüfen, dass ein Portfolio-Optimizer nicht überanpasst, bevor Sie Kapital auf sein Ergebnis setzen. Nicht mit einer einzelnen Kennzahl und nicht mit einem Versprechen des Anbieters, sondern mit einem kurzen, wiederholbaren Prüf-Workflow. Wir verwenden durchgängig RSJ Portfolio als konkretes Werkzeug, weil sein Workflow das Ziel, den Risikoschätzer und die Gewichtungsbeschränkungen offenlegt – die drei Stellschrauben, hinter denen sich Overfitting versteckt.

Warum die Prüfung wichtig ist, bevor Sie einer Allokation vertrauen

Eine überangepasste Allokation ist keine falsche Antwort auf die Frage, die Sie gestellt haben. Sie ist eine korrekte Antwort auf eine andere Frage: Welche Gewichtungen erklären diese bestimmte Kursstichprobe am besten? Die moderne Portfoliotheorie löst dieses Problem, unabhängig davon, ob die Stichprobe ein Signal enthält.

Die Symptome sind leicht zu übersehen, weil das Ergebnis professionell aussieht:

  • Die Gewichtungen konzentrieren sich ohne erkennbaren Grund auf eine Handvoll Titel.
  • Das ausgewiesene Risiko ist niedrig, aber nur im genau gewählten Datumsbereich.
  • Das Ergebnis ist unter einer Konfiguration attraktiv und unter jeder anderen unspektakulär.

Die Prüfung ist ein Workflow, keine Kennzahl. Vier Dinge müssen gleichzeitig gelten: Die Eingaben sind festgelegt und bekannt, die Methode passt zur Behauptung, die Gewichtungen sind unter kleinen Störungen stabil, und das Ergebnis übersteht einen Zeitraum, den der Optimizer nie gesehen hat. Lassen Sie eines davon aus, und Sie raten.

Der Grund, warum ein Desktop-Werkzeug hier einem Notebook überlegen ist: Ein Notebook erlaubt es Ihnen, zwischen Läufen still und heimlich drei Dinge zu ändern. RSJ Portfolio trennt Konfiguration, Auswahl und Empfehlung in getrennte Schritte, sodass Sie jeweils einen Parameter ändern und trotzdem wissen können, was Sie geändert haben.

Wie ein nicht überangepasstes Ergebnis aussieht

Definieren Sie vor dem Testen das Ziel. Eine vertretbare Allokation hat vier Eigenschaften.

1. Sie ist unter kleinen Änderungen stabil. Verschieben Sie den Datumsbereich um ein Quartal, tauschen Sie das Risikomodell, verschärfen Sie eine Gewichtungsbeschränkung – das Portfolio sollte driften, nicht kippen. Wenn 40 % des Kapitals von einer Aktie auf eine andere wandern, weil Sie das Fenster um drei Monate verschoben haben, beschreibt der Optimizer Rauschen.

2. Die Methode passt zur Behauptung. Wenn Sie minimale Volatilität angefordert haben, sollte das Ergebnis durch die Korrelationsstruktur der Kandidaten erklärbar sein. Sie sollten auf die Gewichtungen zeigen und sagen können: „Diese Titel korrelieren schwach, also bewegen sie sich zusammen weniger." Wenn die Antwort stattdessen lautet: „Diese drei Aktien hatten 2021 zufällig einen guten Lauf", dann war das Ziel nicht wirklich minimale Volatilität, sondern Rückblick.

3. Es übersteht einen Holdout-Zeitraum. Passen Sie auf einem Fenster an und bewerten Sie auf einem späteren Fenster, das der Optimizer nie berührt hat. Das ist das, was einem Beweis mit rein historischen Daten am nächsten kommt.

4. Es ist in der eigenen Logik des Produkts interpretierbar. RSJ Portfolio allokiert auf Kandidaten, die schwach korrelieren – oder deren Abwärtsrisiko schwach korreliert –, was die Volatilität des resultierenden Portfolios senkt. Wenn sich Ihr Ergebnis nicht in diesen Begriffen beschreiben lässt, behandeln Sie es als verdächtig, bis Sie es erklären können. (Zur zugrunde liegenden Idee siehe How to Reduce Portfolio Volatility with Low Correlation Stocks.)

Schritt-für-Schritt-Prüfung mit RSJ Portfolio

Die folgende Prüfung setzt voraus, dass Sie bereits eine Kandidatenliste haben. Wenn Sie bei null anfangen, listet der Leitfaden für den Einstieg die empfohlenen Startparameter auf; legen Sie diese zuerst fest und kommen Sie dann zurück, um sie zu belasten.

Schritt 1 – Eingaben festlegen und einfrieren

Legen Sie im Konfigurationsschritt den Datenanbieter, die lokale Währung, den Datumsbereich und die Bereinigungseinstellungen fest. Schreiben Sie sie dann auf und rühren Sie sie für den Rest der Übung nicht an.

Das ist wichtiger, als es klingt. Die Seite zu Daten und Währungen dokumentiert die Kursbereinigungs-Pipeline, den lokalen Cache und den Konvertierungspfad für Portfolios, die in mehreren Währungen notiert sind. Jedes davon ist eine legitime Quelle für Variation – und damit eine legitime Möglichkeit, sich selbst versehentlich zu täuschen, wenn Sie es mitten im Test ändern. Wenn Sie die Kursseite bereits automatisiert haben, ist der Workflow in Automate Portfolio Optimization with Cached End-of-Day Prices ein guter Ort, um die Eingabeschicht langweilig zu halten.

Bewahren Sie Ihre Läufe in datierten Ordnern auf, damit ein Export nie mehrdeutig ist:

mkdir -p runs/2026-11-04/baseline \
         runs/2026-11-04/objective-semivariance \
         runs/2026-11-04/risk-model-2 \
         runs/2026-11-04/tight-constraints

Schritt 2 – Baseline ausführen und alles protokollieren

Erstellen Sie die Kandidatenliste, wählen Sie ein ausdrücklich genanntes Ziel und erzeugen Sie eine Empfehlung. Für einen ersten Durchgang ist minimale Volatilität die am wenigsten mehrdeutige Wahl: Die Behauptung ist eng und leicht zu widerlegen.

Machen Sie nicht nur einen Screenshot des Kreisdiagramms. Die Empfehlungsseite weist die Optimizer-Parameter neben der resultierenden Allokation aus – genau die Paarung, die Sie brauchen. Halten Sie sie in einem Laufprotokoll fest:

run_id,objective,risk_model,date_from,date_to,max_weight,volatility,notes
baseline,minimum_volatility,<model 1>,2019-01-01,2025-12-31,0.10,<reported>,frozen inputs
objective-semivar,minimum_semivariance,<model 1>,2019-01-01,2025-12-31,0.10,<reported>,same candidate list
risk-model-2,minimum_volatility,<model 2>,2019-01-01,2025-12-31,0.10,<reported>,same candidate list
tight-constraints,minimum_volatility,<model 1>,2019-01-01,2025-12-31,0.05,<reported>,cap halved

Verwenden Sie die exakten Bezeichnungen, die die Anwendung anzeigt; die Platzhalter oben dienen nur dazu, das Schema ehrlich zu halten.

Schritt 3 – Jeweils einen Parameter belasten

Führen Sie nun die gleiche Kandidatenliste und den gleichen Datumsbereich erneut aus und ändern Sie pro Lauf genau eine Sache:

  • Den Risikoschätzer. RSJ Portfolio bietet acht Risikomodelle, und sie stimmen bei denselben Kursen nicht miteinander überein. Diese Uneinigkeit ist der Test.
  • Das Ziel. Minimale Semivarianz, Conditional Value at Risk und hierarchische Risikoparität sind alle verfügbar, und sie gewichten die Ränder unterschiedlich. Minimum Variance vs Hierarchical Risk Parity: Which Fits? behandelt, wann welches besser passt – hier interessiert Sie nur, ob sich die Allokationen ähneln.
  • Die Gewichtungsbeschränkungen. Halbieren Sie die Obergrenze pro Titel und sehen Sie, ob sich das Portfolio reibungslos umschichtet oder in denselben drei Titeln zusammenfällt.

Schreiben Sie die Testmatrix auf, bevor Sie sie ausführen, damit die Übung ein Test bleibt und nicht zu einer Suche nach einer Konfiguration wird, die Ihnen gefällt:

# test-plan.yaml — your own checklist, one change per run
candidate_list: core-40
date_range: 2019-01-01..2025-12-31
runs:
  - id: baseline
    change: none
  - id: risk-model-2
    change: risk_estimator
  - id: objective-semivariance
    change: objective
  - id: tight-constraints
    change: weight_constraints

Schritt 4 – Out of Sample testen

Verkürzen Sie das Anpassungsfenster – beenden Sie es zum Beispiel zwei Jahre früher – und führen Sie die Empfehlung erneut aus. Wenden Sie dann die resultierenden Gewichtungen unverändert auf den ausgeschlossenen späteren Zeitraum an und sehen Sie, was tatsächlich passiert ist.

Das können Sie mit den exportierten Gewichtungen und jeder Kursreihe tun, der Sie bereits vertrauen:

import numpy as np
import pandas as pd

prices = pd.read_csv("holdout_prices.csv", index_col="date", parse_dates=True)
returns = prices.pct_change().dropna()

weights = pd.read_csv("runs/2026-11-04/baseline/weights.csv", index_col="symbol")["weight"]
weights = weights.reindex(returns.columns).fillna(0.0)

portfolio = returns.mul(weights, axis=1).sum(axis=1)
print(f"holdout annualised volatility: {portfolio.std() * np.sqrt(252):.2%}")
print(f"holdout cumulative return:     {(1 + portfolio).prod() - 1:.2%}")

Der Vergleich, auf den es ankommt, ist Volatilität im Anpassungsfenster gegenüber Volatilität im Holdout. Ein Portfolio, dessen Risiko sich ungefähr verdoppelt, sobald der Optimizer die Daten aus den Augen verliert, wurde an diese Daten angepasst, nicht an den Markt.

Schritt 5 – Die Gewichtungsvektoren direkt vergleichen

Das ist der Schritt, den die meisten überspringen, und er ist der billigste. Exportieren Sie die Gewichtungen aus jedem Lauf und messen Sie, wie weit sie sich bewegt haben.

import pandas as pd

base = pd.read_csv("runs/2026-11-04/baseline/weights.csv", index_col="symbol")
alt = pd.read_csv("runs/2026-11-04/risk-model-2/weights.csv", index_col="symbol")

joined = base.join(alt, how="outer", lsuffix="_base", rsuffix="_alt").fillna(0.0)
joined["abs_delta"] = (joined["weight_alt"] - joined["weight_base"]).abs()

print(f"one-way turnover between runs: {joined['abs_delta'].sum() / 2:.1%}")
print(joined.sort_values("abs_delta", ascending=False).head(10))

Wenn Sie jemals eine Kovarianzmatrix und ein quadratisches Programm von Hand aufgebaut haben – auf die harte Tour –, wissen Sie bereits, warum dieser manuelle Vergleich dem Neuaufbau der gesamten Pipeline in einem Notebook überlegen ist: Das Budget von Lauf zu Lauf bleibt für die eigentliche Frage reserviert, nicht für die Infrastruktur.

Das Konzeptkapitel des Benutzerhandbuchs legt den statistischen Hintergrund dar, gegen den Sie testen; es lohnt sich, ihn einmal zu lesen, damit Ihre Schwellenwerte in der Methode begründet sind und nicht in der Intuition.

Ergebnisse interpretieren und Sonderfälle

Der Turnover zwischen Läufen braucht einen Referenzpunkt. Meine Faustregel: Eine Änderung eines Parameters, die weniger als ein Fünftel des Kapitals bewegt, ist unauffällig; eine Änderung, die mehr als die Hälfte bewegt, bedeutet, dass die Allokation nicht durch die Daten identifiziert wird, sondern durch den Schätzer.

Achten Sie auf diese Muster:

  • Allmähliche Drift – die Gewichtungen verschieben sich in dieselbe Richtung, während die Beschränkung enger wird. Vereinbar mit einer robusten Allokation.
  • Eine Klippe – eine kleine Änderung, und das Portfolio ist nicht wiederzuerkennen. Der Optimizer passt Rauschen an.
  • Konzentration nach einer geringfügigen Änderung – wenn einige Titel dominieren, sobald Sie den Risikoschätzer tauschen, wird das Ergebnis von den Eigenheiten dieses Schätzers getrieben und nicht von der Korrelationsstruktur.
  • Ein Einzelmodell-Ergebnis – attraktiv unter einem der acht Risikomodelle, mittelmäßig unter den übrigen. Behandeln Sie die attraktive Version als Ausreißer.

Die Datenkonfiguration verdient eine eigene erneute Prüfung. Portfolios, die in mehreren Währungen notiert sind, folgen einem Konvertierungspfad, und unterschiedliche Bereinigungsentscheidungen erzeugen unterschiedliche Eingabereihen. Jede Änderung dort entwertet Ihre früheren Stabilitätsvergleiche – führen Sie die Matrix erneut aus, statt anzunehmen, dass die Schlussfolgerung noch gilt.

Schließlich sollten Sie wissen, was Sie nicht dem Overfitting anlasten sollten:

  • Sehr kurze Historien. Zu wenige Beobachtungen, um eine Kovarianzmatrix zu schätzen; jeder Optimizer wird instabil wirken.
  • Illiquide Kandidaten. Veraltete Kurse erzeugen künstlich niedrige Korrelationen.
  • Eine intern korrelierte Kandidatenliste. Wenn Ihr Universum aus zwanzig Halbleiteraktien besteht, wird keine Methode eine diversifizierte Antwort liefern.

Das sind Datenbeschränkungen. Sie als Overfitting zu bezeichnen, führt dazu, dass Sie Parameter abstimmen, die nie das Problem waren.

FAQ

Wie viele Parametervariationen muss ich durchführen, bevor ich sagen kann, dass ein Portfolio-Optimizer nicht überanpasst?

Es gibt keine feste Zahl. Eine praktische Prüfung besteht darin, das Ziel, den Risikoschätzer und die Gewichtungsbeschränkungen jeweils einzeln zu variieren und zu bestätigen, dass sich die Allokation allmählich ändert statt zu kippen. In RSJ Portfolio können Sie die Empfehlung mit einem anderen Ziel oder Risikomodell erneut ausführen, während die Kandidatenliste und der Datumsbereich fest bleiben, was den Vergleich direkt macht.

Reicht ein einzelner Out-of-Sample-Test aus, um Overfitting auszuschließen?

Ein einzelner Holdout-Zeitraum ist eine nützliche erste Prüfung, aber kein Beweis. Er sagt Ihnen, ob die auf einem Fenster angepassten Gewichtungen auf einem späteren Fenster noch sinnvoll sind. In Kombination mit Parameterstabilitätsprüfungen ergibt sich ein stärkeres Signal, denn eine Allokation, die sowohl unter Parameteränderungen stabil als auch out of sample vernünftig ist, ist weniger wahrscheinlich ein Artefakt der historischen Kursreihe.

Beeinflusst die Wahl des Risikomodells in RSJ Portfolio, ob das Ergebnis überangepasst wirkt?

Ja. Das Produkt bietet acht Risikomodelle, und verschiedene Schätzer reagieren unterschiedlich auf dieselben historischen Kurse. Wenn die Allokation nur unter einem bestimmten Risikomodell attraktiv ist und unter den anderen zusammenbricht, ist das ein Warnsignal. Dieselbe Kandidatenliste mit einem anderen Risikomodell erneut auszuführen, ist eine der einfachsten Stabilitätsprüfungen, die der Workflow bietet.

Kann mir RSJ Portfolio direkt sagen, ob mein Portfolio überangepasst ist?

Kein Werkzeug kann das bescheinigen. RSJ Portfolio erstellt aus historischen End-of-Day-Kursen ein statistisch optimiertes Portfolio und legt das Ziel, den Risikoschätzer und die Gewichtungsbeschränkungen offen, damit Sie die Prüfschritte selbst durchführen können. Das Konzeptkapitel des Benutzerhandbuchs erklärt den statistischen Hintergrund, und die Empfehlungsseite weist die Parameter und die resultierende Allokation aus, die Sie für die Prüfungen benötigen.

Das Urteil müssen Sie selbst erzeugen

Overfitting-Prüfungen sind kein Feature, das Sie kaufen; sie sind eine Disziplin, die Sie anwenden. Frieren Sie die Eingaben ein, führen Sie eine Baseline mit einem ausdrücklich genannten Ziel aus, stören Sie jeweils einen Parameter, halten Sie einen Zeitraum zurück und vergleichen Sie Gewichtungsvektoren statt Diagramme. Vier Läufe und ein Holdout sagen Ihnen mehr über eine Allokation als jede einzelne Risikokennzahl.

RSJ Portfolio ist genau für diese Schleife gebaut: eine Windows-Desktop-Anwendung, die historische End-of-Day-Kurse in ein statistisch optimiertes Portfolio verwandelt, wobei das Ziel, der Risikoschätzer und die Gewichtungsbeschränkungen alle auswählbar sind – und die Parameter neben dem Ergebnis ausgewiesen werden. Installieren Sie es unter der Einzelbenutzerlizenz, legen Sie Ihre Startparameter anhand des Leitfadens für den Einstieg fest und führen Sie Ihre erste Stabilitätsmatrix auf einer Kandidatenliste aus, die Sie bereits verstehen. Der Optimizer bleibt derselbe; der Unterschied ist, dass Sie wissen, was seine Antwort wert ist.

Verwandte Beiträge

EU label: AI-generated content