RSJ Portfolio Portfolio Optimization

← Alle Beiträge

2026-11-09

Maximales Sharpe-Ratio vs. minimale Semivarianz-Allokation

Maximales Sharpe-Ratio vs. minimale Semivarianz-Allokation
portfolio optimization modern portfolio theory portfolio correlation portfolio optimization hierachical risk parity minimize volatility minimize semivariance maximize sharpe

Maximale Sharpe Ratio vs. minimale Semivarianz-Allokation

Sie haben eine Kandidatenliste, einen Datumsbereich und eine Maschine, die die Arithmetik erledigt. Es bleibt nur noch die Entscheidung, die alles Weitere prägt: Welches Ziel geben Sie dem Optimierer vor?

In RSJ Portfolio ist diese Wahl ein Dropdown-Menü, und zwei der Einträge stehen an entgegengesetzten philosophischen Enden der modernen Portfoliotheorie. Maximale Sharpe Ratio fragt: Wie viel Überrendite erhalte ich pro Einheit Gesamtrisiko? Minimale Semivarianz stellt eine engere, pessimistischere Frage: Wie viel verliere ich an den Tagen, die tatsächlich wehtun?

Beide sind verfügbar, beide sind auswählbar, und beide erzeugen aus derselben Kandidatenliste ein verteidigungsfähiges Portfolio – aber nicht dasselbe Portfolio. Dieser Artikel handelt davon, wie Sie zwischen ihnen wählen. Es geht nicht um die Statistik hinter der Semivarianz; wenn Sie das interessiert, behandelt die Semivarianz-Erklärung die Messung im Detail.

Die Allokationsentscheidung: Renditeorientiert oder auf die Abwärtsseite fokussiert?

Jede Frage der Portfolio-Konstruktion läuft auf eine Präferenz beim Risiko hinaus. Nicht auf Risiko im Allgemeinen – sondern auf welches Risiko.

Die maximale Sharpe Ratio behandelt einen Monat mit +4 % und einen Monat mit −4 % als gleichermaßen aussagekräftig. Sie misst die Streuung der Renditen um den Mittelwert und belohnt Allokationen, die mehr Rendite bei geringerer Streuung liefern. Sie ist ein symmetrisches Ziel und die klassische Mean-Variance-Antwort auf die Frage „Was ist das beste Portfolio, das ich halten kann?“

Die minimale Semivarianz verweigert die Symmetrie. Sie betrachtet nur Renditen unterhalb eines Schwellenwerts – die Verluste – und minimiert deren Streuung. Ein Portfolio, das gelegentlich nach oben ausschlägt, wird dafür nicht bestraft. Ein Portfolio, das an schlechten Tagen nach unten mahlt, schon.

Dieser Unterschied darin, was gezählt wird, erzeugt aus identischen Eingaben tatsächlich unterschiedliche Allokationen. Sharpe konzentriert sich bereitwillig auf einen volatilen Vermögenswert mit starker erwarteter Rendite, wenn die Ratio stimmt. Die Semivarianz tendiert zu Vermögenswerten, deren schlechte Tage flach und selten sind, selbst wenn ihre guten Tage unspektakulär sind.

Ihr Marktausblick und Ihre Toleranz gegenüber Drawdowns entscheiden darüber, nicht die Mathematik. Die Mathematik ist indifferent. Betrachten Sie das Ziel daher als eine Absichtserklärung, die Sie abgeben, bevor Sie irgendetwas ausführen.

Die Landschaft der Portfolio-Ziele

RSJ Portfolio bietet fünf Allokationsmethoden, und das gewählte Ziel ist eine davon, nicht die einzige. Von der Methoden- und Funktionsseite:

  • Minimale Volatilität – minimiert die Gesamtvarianz des Portfolios, ganz ohne Rendite-Input.
  • Maximale Sharpe Ratio – maximiert die Überrendite pro Einheit Gesamtrisiko.
  • Minimale Semivarianz – minimiert ausschließlich die Abweichung nach unten.
  • Hierarchische Risikoparität – allokiert durch Clustering der Korrelationsstruktur statt durch Invertieren einer Kovarianzmatrix.
  • Conditional Value at Risk – minimiert den erwarteten Verlust im Tail jenseits eines Schwellenwerts.

Die maximale Sharpe Ratio ist das renditeorientierte Ende dieser Liste. Sie ist die einzige Methode im Set, die für ihre Aufgabe explizit eine Einschätzung der erwarteten Renditen benötigt – weshalb sie auch am empfindlichsten darauf reagiert, wie gut diese Einschätzung ist.

Die minimale Semivarianz steht am abwärtsorientierten Ende. Sie ist oft ohne explizite Renditeprognose nutzbar, weil sie nie fragt „Wie viel wird das einbringen?“, sondern nur „Wie schlecht verhält sich das, wenn es fällt?“

Über dem Ziel liegen zwei weitere auswählbare Eingaben: der Risikoschätzer (acht Risikomodelle sind verfügbar) und das Renditemodell. Ändern Sie eines von beiden, und dasselbe Ziel liefert eine andere Allokation. Das ist kein Fehler; es ist der Grund, warum das Produkt sie bereitstellt. Eine Sharpe-Optimierung auf Basis des einen Risikomodells kann sich erheblich von einer Sharpe-Optimierung auf Basis eines anderen unterscheiden.

Wenn Sie diese noch nicht konfiguriert haben, behandelt die Ersteinrichtungsanleitung, was sich vor dem ersten Lauf einzustellen lohnt.

Auswahlkriterien: Wie Sie zwischen Sharpe und Semivarianz wählen

Bevor Sie die beiden Ziele anhand der Zahlen vergleichen, vergleichen Sie sie anhand der praktischen Dimensionen, die entscheiden, ob Sie eines davon tatsächlich weiter nutzen werden.

Benutzerfreundlichkeit. Beide sind Einträge im selben Ziel-Auswahlfeld derselben Windows-Anwendung. Kein zweites Werkzeug, keine separate Installation, kein Code. Wenn Sie minimale Volatilität wählen können, können Sie auch minimale Semivarianz wählen.

Automatisierung. RSJ Portfolio ruft End-of-Day-Kurse ab, führt die Bereinigungspipeline aus und optimiert in einem einzigen Workflow. Das Wechseln des Ziels bedeutet nicht, Daten neu aufzubereiten – die Kandidatenliste und die bereinigte Kurshistorie bleiben bestehen, während Sie die Methode ändern. (Zur Datenseite im Detail siehe Automatisieren von End-of-Day-Kursaktualisierungen.)

Sicherheit und Datenlokalität. Kurse werden in einem lokalen Cache gehalten, und die Optimierung läuft auf Ihrem Rechner. Es ist nicht erforderlich, Ihre Kandidatenliste an einen Dienst hochzuladen, um eine Allokation zurückzubekommen.

Preis. Die Lizenzierung erfolgt pro Nutzer, nicht pro Methode – die Zielliste ist nicht gestaffelt, sodass die Bewertung beider Sie nichts über den Lauf hinaus kostet. Prüfen Sie die Preisseite für die genauen Inhalte der Einzelnutzerlizenz.

Integration. Ergebnisse sind exportierbar, sodass die Allokation in das übernommen werden kann, was Sie für Reporting, Backtesting oder weitere Analysen verwenden. Auf der Eingangsseite handelt es sich um End-of-Day-Daten, was bedeutet, dass dies ein Werkzeug mit täglichem Rhythmus ist und nicht für Intraday.

Verifizieren Sie Ihren Installer vor dem ersten Lauf – die Download-Seite veröffentlicht einen SHA-512-Digest zusammen mit einem versionierten Dateinamen:

cd ~/Downloads
sha512sum *.exe
# compare the printed digest with the SHA-512 published on
# https://portfolio.staging.rsj.de/downloads

Direkter Vergleich

Maximale Sharpe Ratio Minimale Semivarianz
Ziel Höchste Überrendite pro Einheit Gesamtrisiko Kleinste Streuung der Verluste
Risikomaß Standardabweichung – alle Abweichungen zählen Abweichung nach unten – nur negative Abweichungen zählen
Renditeannahme Erfordert erwartete Renditen Oft ohne explizite Renditeprognosen nutzbar
Typischer Anwendungsfall Sie haben eine Renditeerwartung und wollen das beste risikoadjustierte Portfolio Ihnen liegen Drawdowns am Herzen, und Sie wollen Schutz auf der Abwärtsseite
Empfindlichkeit gegenüber Ausreißern Symmetrisch: eine große Aufwärts- und eine große Abwärtsbewegung registrieren sich beide als Risiko Asymmetrisch: große Aufwärtsbewegungen werden nicht bestraft
Interpretation der Ergebnisse „Das ist das effizienteste Portfolio für meine Renditeerwartungen“ „Das ist das Portfolio mit den mildesten schlechten Tagen“
In RSJ Portfolio Auswählbares Ziel; kombiniert mit jedem der acht Risikomodelle und dem Renditemodell Auswählbares Ziel; dieselben Risikomodelle und Nebenbedingungen gelten

Aus dieser Tabelle ergeben sich zwei praktische Konsequenzen.

Erstens neigt Sharpe zu Vermögenswerten mit hohen erwarteten Renditen, selbst wenn diese volatil sind, weil die Volatilität der Nenner und die Rendite der Zähler ist – ein ausreichend großer Zähler gewinnt. Die Semivarianz neigt zu Vermögenswerten mit begrenzten Verlusten, weil Renditen oberhalb des Schwellenwerts schlicht nicht in die Berechnung eingehen.

Zweitens reagieren beide Ziele auf die von Ihnen gesetzten Gewichtungs-Nebenbedingungen. Die Nebenbedingungen sind Teil der Optimierung, kein Nachbearbeitungsschritt, sodass eine Obergrenze für eine einzelne Position die Allokation für beide Methoden verändert.

Fazit: Wer sollte was wählen?

Wählen Sie die maximale Sharpe Ratio, wenn Sie Renditeprognosen haben, denen Sie vertrauen, und Ihr Ziel risikoadjustierte Performance im konventionellen Sinne ist. Es ist das richtige Ziel, wenn Sie Kandidatenlisten nach Effizienz statt nach Komfort vergleichen und bereit sind, Drawdowns im Austausch gegen eine höhere erwartete Belohnung pro Einheit Varianz zu akzeptieren.

Wählen Sie die minimale Semivarianz, wenn Verluste das sind, was Sie tatsächlich zu kontrollieren versuchen. Wenn ein schlechtes Quartal Sie Ihr Mandat, Ihren Schlaf oder Ihre Überzeugung, investiert zu bleiben, kostet, dann misst die symmetrische Bestrafung der Standardabweichung für Sie das Falsche.

Oder tun Sie das Naheliegende und führen Sie beide aus. Diesen Teil überspringen die meisten Vergleiche. Die beiden Allokationen sind keine konkurrierenden Antworten auf eine Frage – sie sind Antworten auf zwei verschiedene Fragen, und die Lücke zwischen ihnen ist aufschlussreich. Wo sie übereinstimmen, haben Sie eine Position, die robust gegenüber Ihrer Wahl des Ziels ist. Wo sie nicht übereinstimmen, haben Sie die Vermögenswerte gefunden, deren Einstufung als „riskant“ vollständig davon abhängt, ob Sie die Aufwärtsseite mitzählen.

Da das Wechseln des Ziels in RSJ Portfolio eine Dropdown-Änderung statt einer Neuimplementierung ist, kostet Sie dieser Vergleich zwei Läufe, nicht zwei Tage.

Wie RSJ Portfolio die einzelnen Ziele optimiert

Der Workflow ist für beide Ziele identisch, und das ist der Punkt:

  1. Installieren und lizenzieren. Führen Sie den Windows-Installer von der Download-Seite aus, verifizieren Sie den Digest und aktivieren Sie die Lizenz. Die Installation wird in der Anleitung behandelt.
  2. Einmal konfigurieren. Legen Sie Datenanbieter, lokale Währung, Datumsbereich, Cache-Speicherort und Bereinigungseinstellungen fest. Das Konfigurationskapitel behandelt jedes davon. Portfolios mit mehreren Währungen werden entlang eines definierten Pfads umgerechnet – siehe Daten und Währungen.
  3. Die Kandidatenliste erstellen. Suchen Sie Symbole und fügen Sie sie hinzu. Das Auswahlkapitel führt Sie durch.
  4. Das Ziel wählen. Maximale Sharpe Ratio oder minimale Semivarianz.
  5. Risikomodell und Renditemodell wählen. Acht Risikomodelle sind verfügbar; die Wahl verändert das Ergebnis für beide Ziele.
  6. Gewichtungs-Nebenbedingungen setzen.
  7. Ausführen. Datenabruf, Bereinigung und Optimierung erfolgen im Workflow; die Ergebnisse erscheinen als Allokation, die Sie anschließend exportieren.

Der harte Weg ist, den Optimierer selbst zu schreiben – die Kovarianz- oder Abwärtsmatrix zusammenzustellen, die Nebenbedingungen zu kodieren und den Solver zu debuggen, bevor Sie je eine Allokation sehen. Der Weg des Produkts ist ein Lauf pro Ziel.

Damit die beiden Läufe vergleichbar bleiben, halten Sie die Parameter zusammen mit den Exporten fest. Ihr eigenes Laufblatt genügt; das ist Buchführung, keine Produktkonfigurationsdatei:

# run-sheet.yaml — your notes, kept next to the exported allocations
runs:
  - label: sharpe-baseline
    objective: maximum-sharpe-ratio
    risk_model: "<the model you selected>"
    return_model: "<the model you selected>"
    constraints: "single-position cap, as configured"
    date_range: "same for both runs"
  - label: semivariance-baseline
    objective: minimum-semivariance
    risk_model: "<same as above>"
    return_model: "<not used / same as above>"
    constraints: "identical to the Sharpe run"
    date_range: "same for both runs"

Vergleichen Sie dann die beiden Exporte. Ein kurzes Skript genügt – passen Sie die Spaltennamen an das an, was Ihr Export erzeugt:

import pandas as pd

sharpe = pd.read_csv("alloc-max-sharpe.csv").set_index("symbol")["weight"]
semi = pd.read_csv("alloc-min-semivariance.csv").set_index("symbol")["weight"]

compare = pd.DataFrame({"sharpe": sharpe, "semivariance": semi}).fillna(0.0)
compare["delta"] = compare["semivariance"] - compare["sharpe"]

print(compare.reindex(compare["delta"].abs().sort_values(ascending=False).index).head(10))
print("positions only in one run:", compare[(compare[["sharpe", "semivariance"]] > 0).sum(axis=1) == 1].index.tolist())

Die größten Deltas sind die Titel, deren Risikohaftigkeit vom Ziel abhängt. Diese lohnen einen manuellen Blick, bevor Sie Kapital binden.

FAQ

Was ist der Hauptunterschied zwischen maximaler Sharpe Ratio und minimaler Semivarianz? Die maximale Sharpe Ratio strebt die höchste Überrendite pro Einheit Gesamtvolatilität an und verwendet erwartete Renditen und Standardabweichung. Die minimale Semivarianz minimiert das Abwärtsrisiko, indem sie sich nur auf negative Abweichungen konzentriert, oft ohne Renditeprognosen zu benötigen.

Kann ich beide Ziele in RSJ Portfolio verwenden? Ja. RSJ Portfolio bietet sowohl maximale Sharpe Ratio als auch minimale Semivarianz als auswählbare Ziele, zusammen mit anderen Methoden wie minimaler Volatilität und hierarchischer Risikoparität.

Welches Ziel ist besser für volatile Märkte? Die minimale Semivarianz kann in volatilen Märkten geeigneter sein, weil sie gezielt auf das Abwärtsrisiko abzielt, während die maximale Sharpe Ratio die Gesamtvolatilität berücksichtigt und empfindlicher auf Renditeprognosen reagieren kann.

Brauche ich Renditeprognosen für die Semivarianz-Optimierung? Nicht unbedingt. Die minimale Semivarianz konzentriert sich auf das Abwärtsrisiko und kann ohne explizite Renditeprognosen umgesetzt werden, während die maximale Sharpe Ratio typischerweise Eingaben zu erwarteten Renditen erfordert.

Fazit

Maximale Sharpe Ratio und minimale Semivarianz sind keine Rivalen mit einem richtigen Sieger. Sie kodieren zwei unterschiedliche Definitionen von Risiko, und die Allokation, die Sie zurückbekommen, spiegelt wider, welche Definition Sie gewählt haben. Wenn Sie eine Renditeerwartung haben, der Sie vertrauen, und Effizienz wollen, nehmen Sie Sharpe. Wenn Verluste das sind, wogegen Sie steuern, nehmen Sie die Semivarianz. Wenn Sie unsicher sind, führen Sie beide auf derselben Kandidatenliste aus und lassen Sie sich von der Abweichung zeigen, wo Ihr Portfolio tatsächlich fragil ist.

RSJ Portfolio macht daraus eine Zwei-Läufe-Übung auf einem Windows-Desktop, mit bereits vorhandener Datenpipeline, Risikomodellen und Nebenbedingungen. Beginnen Sie unter portfolio.staging.rsj.de, oder lesen Sie die Erste-Schritte-Anleitung für die Parameter, die sich vor Ihrer ersten Optimierung einzustellen lohnen.

Verwandte Beiträge

EU label: AI-generated content