RSJ Portfolio Portfolio Optimization

← Alle Beiträge

2026-10-27

Aktien automatisch nach geringer Korrelation filtern

Aktien automatisch nach geringer Korrelation filtern
portfolio optimization modern portfolio theory portfolio correlation portfolio optimization hierachical risk parity minimize volatility minimize semivariance maximize sharpe

Aktien automatisch nach geringer Korrelation screenen

Jeder Low-Correlation-Screen beginnt gleich: Sie ziehen End-of-Day-Kurse für die Namen, die Sie interessieren, berechnen eine paarweise Korrelationsmatrix, sortieren die Paare und behalten diejenigen, die sich unabhängig voneinander bewegen. Dann trifft der nächste Kursstapel ein, und Sie machen es erneut – von Hand, in derselben Tabelle, in der Hoffnung, dass Sie daran gedacht haben, den neuen Ticker hinzuzufügen.

Der repetitive Teil ist nicht die Statistik. Es ist die Pflege: Kurse erneut herunterladen, Datumsbereiche neu ausrichten, eine Matrix neu berechnen, die quadratisch gewachsen ist, und sie von Hand neu ranken. Dieser Artikel handelt davon, diese Schleife in eine konfigurierte Pipeline zu verwandeln, die gegen bereinigte End-of-Day-Kurse läuft und die überlebenden Kandidaten direkt an den Optimierer übergibt.

Warum manuelles Korrelations-Screening nicht skaliert

Die Aufgabe selbst ist trivial. Sie zuverlässig und wiederholt zu erledigen, ist es nicht.

  • Die Matrix wächst schneller als Ihre Geduld. Paarweise Korrelationen wachsen quadratisch mit der Kandidatenliste. Zwanzig Namen sind 190 Paare; sechzig Namen sind 1.770. Irgendwann hören Sie auf, das Raster zu lesen, und beginnen, die oberste Zeile zu überfliegen.
  • Jeder neue Kurs entwertet das Ranking. Eine Korrelationsschätzung auf Basis der Daten des letzten Quartals ist nicht die Schätzung, die Sie dieses Quartal wollen. Manuell erfolgt die Aktualisierung nur, wenn Sie daran denken.
  • Datumsbereiche verschieben sich unbemerkt. Ein Symbol von einem Anbieter mit einem anderen Startdatum der Historie gezogen, und die berechnete Korrelation vergleicht still und leise nicht mehr für jedes Paar denselben Zeitraum.
  • Die Tabelle deckt nur ab, woran Sie gedacht haben. Verpasste Kandidaten sind konstruktionsbedingt unsichtbar – Sie können das Fehlen eines Namens nicht bemerken, der nie in der Liste stand.

Was die Automatisierung ändert, ist nicht die Mathematik, sondern die Aktualität und die Konsistenz. Der Screen läuft in Ihrem Rhythmus gegen bereinigte End-of-Day-Kurse, mit demselben Datumsbereich und denselben Bereinigungsregeln für jeden Kandidaten, sodass die Kandidatenliste die neuesten Daten widerspiegelt, ohne dass Sie irgendetwas neu aufbauen müssen.

Hinweis zum Umfang: Dieser Artikel behandelt den Workflow. Zur Statistik – warum schwach korrelierte Renditen und schwach korrelierte Abwärtsbewegungen ein Portfolio mit geringerer Volatilität erzeugen – siehe Why Low Correlation Stocks Reduce Portfolio Volatility.

Einmalige Einrichtung: Die Datenpipeline konfigurieren

Alles Folgende wird einmal konfiguriert. Das ist der Teil, den Leute überspringen und dann dem Tool die Schuld geben.

RSJ Portfolio ist eine Windows-Desktop-Anwendung, die aus historischen End-of-Day-Kursen ein statistisch optimiertes Portfolio erstellt. Sie analysiert die Renditekorrelation zwischen Aktien und weist Kapital Kandidaten zu, die schwach korrelieren – oder deren Abwärtsbewegungen schwach korrelieren –, unter Verwendung der modernen Portfoliotheorie. Die Einrichtung besteht aus vier Entscheidungen:

  • Datenanbieter und lokale Währung. Wählen Sie in der Konfiguration einen unterstützten Anbieter und legen Sie die lokale Währung fest. Jeder Kandidat wird dann auf einer vergleichbaren Basis notiert, bevor die Korrelation berechnet wird, was relevant wird, sobald Ihre Liste nicht mehr nur eine Währung umfasst.
  • Datumsbereich und Bereinigungseinstellungen. Legen Sie diese einmal fest, und die Kursbereinigungs-Pipeline wendet sie konsistent auf jeden Screening-Lauf an – Lücken und Ausreißer werden jedes Mal gleich behandelt, statt pro Tabelle gepatcht zu werden.
  • Kandidatenliste. Bauen Sie sie in der Selection-Ansicht durch Suche nach Symbolen auf. Diese Liste ist die Eingabe, gegen die der automatisierte Screen läuft, sie dient also zugleich als Ihre Definition des Universums.
  • Korrelationsfenster und -maß. Entscheiden Sie vorab, ob Sie sich für die Renditekorrelation, die Abwärtskorrelation oder beides interessieren. Wenn sich das Fenster zwischen Läufen ändert, sind die Ergebnisse zwischen Läufen nicht vergleichbar.

Halten Sie diese Entscheidungen in der Versionskontrolle neben Ihren Notizen fest. Es kostet nichts und erspart Ihnen in drei Monaten die Diskussion mit sich selbst:

# screens/manifest.yaml — your record of the setup, not a file the app reads
screen: low-correlation-core
data:
  provider: <selected in-configuration>
  local_currency: EUR
  date_range:
    start: 2019-01-01
    end: 2026-10-23
  cleaning: default
correlation:
  measure: [return, downside]
  window: full_range
candidate_list:
  source: selection-view
  symbols_count: 42

Die Anzahl ist wichtig. Wenn ein Lauf ein anderes Ergebnis liefert als der letzte, wollen Sie zuerst wissen, ob sich das Universum geändert hat – und diese Zahl beantwortet das mit einem Blick.

Die automatisierte Screening-Pipeline

Einmal konfiguriert, besteht ein Screen aus vier Stufen. Sie steuern sie aus der App; die Arbeit liegt in der Abfolge, nicht im Klicken.

Schritt 1 — Einlesen

RSJ Portfolio zieht historische End-of-Day-Kurse vom konfigurierten Anbieter in den lokalen Cache. Da der Cache bestehen bleibt, laden wiederholte Screens dieselbe Historie nicht erneut herunter. Das macht einen wöchentlichen oder monatlichen Rhythmus praktikabel statt zu einer Kaffeepause.

Schritt 2 — Bereinigen und ausrichten

Die Kursbereinigungs-Pipeline behandelt Lücken und Ausreißer, und der konfigurierte Datumsbereich wird einheitlich auf die Kandidatenliste angewendet. In dieser Stufe wird der Fehlermodus „ein Symbol hat ein anderes Historienfenster" beseitigt – aber nur, wenn Sie den Datumsbereich zwischen den Läufen stabil gehalten haben.

Schritt 3 — Korrelieren

Das Tool analysiert die Renditekorrelation zwischen den Kandidaten – und deren Abwärtskorrelation – und identifiziert die Namen, die schwach korrelieren. Das ist der eigentliche Screen: Statt dass Sie ein 42×42-Raster lesen, erhalten Sie die Teilmenge, in die es sich zu investieren lohnt.

Schritt 4 — Allokieren

Die überlebenden Kandidaten fließen in den Optimierer, wo Sie auswählen:

  • Ziel – Minimum Volatility für reine Risikoreduktion, Maximum Sharpe Ratio, Minimum Semi Variance, Hierarchical Risk Parity oder Conditional Value at Risk.
  • Risikoschätzer – eines von acht Risikomodellen. Welches Sie wählen, verändert die Gewichte, wählen Sie es also bewusst und halten Sie es über Läufe hinweg fest, die Sie vergleichen wollen. Einen direkten Vergleich finden Sie in Portfolio Optimizer with Selectable Risk Models: A Comparison.
  • Gewichtsbeschränkungen – die Limits, die auf einzelne Positionen angewendet werden sollen.

Exportieren Sie dann das Ergebnis und speichern Sie es neben dem Manifest.

Zum Kontrast der harte Weg: Sie besäßen ein Skript, das über Anbieter iteriert, Währungen normalisiert, Lücken vorwärts auffüllt und bei jedem Lauf eine Korrelationsmatrix neu aufbaut – und Sie besäßen auch die Fehler darin.

# background only: the shape of the script the configured workflow replaces
import pandas as pd

prices = load_eod(candidates)            # per-provider quirks live here
returns = prices.pct_change().dropna()
corr = returns.corr()                    # rebuild on every new price row
pairs = corr.where(~np.eye(len(corr), dtype=bool)).unstack().sort_values()

Jede Zeile oben hat einen Sonderfall: load_eod für einen Anbieter, der nicht die vollständige Historie liefert, dropna(), das stillschweigend das Fenster für ein Symbol verkürzt, corr() auf einer Matrix, die niemand validiert.

Läufe überwachen und Fehler behandeln

Ein automatisierter Screen braucht trotzdem eine zweiminütige Nachkontrolle. Prüfen Sie drei Dinge:

  1. Hat sich die Kandidatenliste wesentlich geändert? Symbole hinzugefügt, entfernt oder eine Anzahl, die vom Manifest abweicht.
  2. Entspricht das Korrelationsfenster noch Ihrer Absicht? Ein für ein Experiment geänderter und nie zurückgesetzter Datumsbereich ist die häufigste Ursache für verwirrende Ergebnisse.
  3. Sind Ziel, Risikoschätzer und Beschränkungen die konfigurierten? Vergleichen Sie mit dem Manifest statt mit dem Gedächtnis.

Häufige Fehlermodi und wo Sie nachsehen sollten:

  • Unvollständige Historie für ein Symbol. Der Anbieter lieferte eine kürzere Reihe als der konfigurierte Datumsbereich. Diagnostizieren Sie an den Cache- und Bereinigungseinstellungen; das Symptom ist ein Kandidat, der stillschweigend aus dem Korrelationsset fällt.
  • Ein fehlender Konvertierungspfad für eine Währung. Relevant, sobald ein Kandidat in einer anderen Währung als Ihrer lokalen notiert ist – siehe Portfolio Optimization for Multi-Currency Portfolios: A Guide.
  • Ein Datumsbereich, der zu viele Daten ausschließt. Der Screen läuft, liefert eine dünne Matrix, und der Optimierer allokiert auf sehr wenig Evidenz.

Disziplin beim erneuten Lauf: Wenn ein einzelnes Symbol fehlschlägt, entfernen oder ersetzen Sie es in der Kandidatenliste. Lockern Sie nicht die Bereinigungseinstellungen für den gesamten Lauf, um eine schlechte Reihe unterzubringen – Sie ändern die Behandlung jedes anderen Kandidaten, um einen zu reparieren.

Und bevor Sie auf irgendein Ergebnis reagieren, führen Sie die Prüfungen aus How to Validate Portfolio Optimizer Output Before You Trade durch.

Jeden Lauf zu archivieren ist eine Zwei-Befehle-Gewohnheit:

mkdir -p screens/2026-10-27
cp manifest.yaml screens/2026-10-27/
git add screens/2026-10-27 && git commit -m "screen: 2026-10-27, 42 candidates, min-vol, downside corr"

Best Practices für automatisierte Korrelations-Screens

  • Halten Sie die Kandidatenliste kuratiert. Ein Screen ist nur so gut wie das Universum, das Sie ihm geben. Überprüfen Sie die Liste regelmäßig, statt sie unkontrolliert wachsen zu lassen – ein Name, der „nur mal zum Ausprobieren" hinzugefügt wurde, verändert jede Korrelation in der Matrix.
  • Passen Sie das Ziel an die Fragestellung an. Minimum Volatility, wenn Sie reine Risikoreduktion wollen, Minimum Semi Variance, wenn die Abwärtskorrelation das Anliegen ist, Hierarchical Risk Parity, wenn Sie eine ganz andere Allokationslogik wollen. Die Abwägungen zwischen den letzten beiden werden in Modern Portfolio Theory vs Hierarchical Risk Parity behandelt.
  • Nutzen Sie den lokalen Cache bewusst. Er macht wiederholte Läufe schnell, und das ist der Punkt – aber bestätigen Sie, dass der Datumsbereich noch den Zeitraum abdeckt, den Sie analysieren wollen, statt anzunehmen, der Cache sei aktuell.
  • Frieren Sie jeweils eine Variable ein. Das Korrelationsfenster und das Risikomodell im selben Lauf zu ändern, sagt Ihnen nichts darüber, welches von beiden die Gewichte bewegt hat.
  • Dokumentieren Sie die Konfiguration mit jedem Screen: Anbieter, Währung, Datumsbereich, Bereinigungseinstellungen, Ziel, Risikomodell, Beschränkungen. Reproduzierbarkeit ist der ganze Gewinn der Automatisierung des Screens.

FAQ

Kann ich ohne Programmieren nach geringer Korrelation screenen?

Ja. RSJ Portfolio ist eine Windows-Desktop-Anwendung: Sie konfigurieren Datenanbieter, Währung, Datumsbereich und Bereinigungseinstellungen einmal, bauen eine Kandidatenliste durch Suche nach Symbolen auf, und das Tool berechnet Rendite- und Abwärtskorrelationen und speist das Ergebnis in den Optimierer. Skripting ist nicht erforderlich.

Wie oft sollte der automatisierte Screen laufen?

Das hängt von Ihrem Rebalancing-Rhythmus und davon ab, wie schnell sich Ihre Kandidatenliste ändert. Da das Tool mit historischen End-of-Day-Kursen und einem lokalen Cache arbeitet, können Sie den Screen erneut ausführen, sobald neue End-of-Day-Daten verfügbar sind, ohne jedes Mal die vollständige Historie herunterzuladen.

Welche Daten braucht der Screen, und woher kommen sie?

Der Screen nutzt historische End-of-Day-Kurse von einem unterstützten Datenanbieter, den Sie in der Konfiguration auswählen. Die Kursbereinigungs-Pipeline behandelt Lücken und Ausreißer, und der lokale Cache speichert die Historie, sodass wiederholte Läufe schneller sind.

Wie behandelt der Screen Portfolios, die in mehreren Währungen notiert sind?

RSJ Portfolio hat einen Konvertierungspfad für Portfolios, die in mehreren Währungen notiert sind. Sie legen die lokale Währung in der Konfiguration fest, und das Tool konvertiert die Kurse, bevor es die Korrelationen berechnet, sodass Kandidaten auf einer konsistenten Basis verglichen werden.

Fazit

Manuelles Korrelations-Screening scheitert still: Die Matrix ist veraltet, die Datumsbereiche haben sich verschoben, und der Kandidat, den Sie vergessen haben hinzuzufügen, ist genau der, der den Job erledigt hätte. Die Automatisierung erfordert keine Infrastruktur – sie erfordert, Anbieter, Währung, Datumsbereich, Bereinigungsregeln und Korrelationsmaß einmal festzulegen, dann denselben konfigurierten Workflow erneut auszuführen und das Delta zu prüfen.

Das ist der Workflow, den RSJ Portfolio bündelt: die Datenpipeline konfigurieren, die Kandidatenliste in der Selection-Ansicht aufbauen, die Bereinigungs- und Korrelationsschritte gegen den lokalen Cache laufen lassen und die schwach korrelierten Namen an einen Optimierer übergeben, dessen Ziel, Risikoschätzer und Beschränkungen Sie auswählen. Beginnen Sie mit dem getting-started guide, um die Konfiguration vor Ihrem ersten Lauf einzurichten, und halten Sie das Manifest dann in der Versionskontrolle, damit jeder Screen reproduzierbar ist.

Verwandte Beiträge

EU label: AI-generated content