Minimum-Varianz vs. Maximum-Sharpe-Portfolio: Was ist besser?
Der Vergleich ist nicht mehr akademisch, sobald ein Optimierer von Ihnen verlangt, ein Ziel auszuwählen. Es gibt zwei Dropdown-Einträge, zu denen Sie zuerst greifen werden – minimale Volatilität und maximales Sharpe-Verhältnis – und sie beantworten zwei verschiedene Fragen. Der eine fragt: Wie wenig Risiko kann dieser Korb tragen? Der andere fragt: Wie viel Rendite pro Risikoeinheit kann ich herausholen?
Keines der beiden ist abstrakt „besser". Sie verbrauchen unterschiedliche Eingaben, sie verhalten sich unterschiedlich, wenn Ihre Schätzungen falsch sind, und sie erzeugen Portfolios, die sich während eines Drawdowns sehr unterschiedlich anfühlen. Dieser Artikel vergleicht sie anhand der Dinge, die die Entscheidung tatsächlich treiben: erforderliche Eingaben, typische Positionen, Sensitivität gegenüber Schätzfehlern, Konzentration und Stabilität – und zeigt, wie Sie in RSJ Portfolio beide Ziele auswählen und die Ergebnisse Seite an Seite vergleichen können.
Was jedes Ziel tatsächlich optimiert
Beide Ziele werden mit der modernen Portfoliotheorie gelöst: Sie geben dem Optimierer eine Kovarianzmatrix, eine Menge zulässiger Gewichte und eine Reihe von Nebenbedingungen, und er sucht den Gewichtsvektor, der das Ziel erfüllt.
Minimum-Varianz: ein reines Risikomodell
Minimum-Varianz minimiert die Portfoliovolatilität wᵀΣw und verwendet dabei ausschließlich die Kovarianzmatrix Σ der historischen Renditen. Es gibt überhaupt keine Eingaben für erwartete Renditen. Den Optimierer interessiert nicht, ob eine Aktie voraussichtlich 8 % oder 20 % erwirtschaftet – nur, wie sie sich relativ zum Rest des Korbs bewegt.
Genau diese Eigenschaft ist der ganze Reiz: Die Kovarianzmatrix wird aus Daten geschätzt, die Sie bereits haben (historische Schlusskurse), sodass das Ziel niemals eine Prognose verbraucht.
Wenn Sie die Algebra wollen – den Lagrange-Ansatz, die geschlossenen Gewichte und warum die inverse Kovarianzmatrix auftaucht –, geht der Schwesterartikel zu Minimum-Varianz-Portfoliogewichten das im Detail durch.
Maximum-Sharpe: ein Risiko-Rendite-Modell
Maximum-Sharpe maximiert (wᵀμ − r_f) / √(wᵀΣw) – die Überrendite gegenüber dem risikofreien Zins, geteilt durch die Volatilität. Es benötigt alles, was Minimum-Varianz braucht, plus eine Schätzung der erwarteten Renditen μ für jeden Kandidaten.
Diese zusätzliche Eingabe ist die ganze Geschichte. Hier ist derselbe Trade-off in ein paar Zeilen Python, mit den beiden Zielen so, wie sie üblicherweise geschrieben werden:
import numpy as np
from scipy.optimize import minimize
def min_variance(cov, bounds):
n = cov.shape[0]
x0 = np.repeat(1 / n, n)
cons = ({"type": "eq", "fun": lambda w: w.sum() - 1},)
return minimize(lambda w: w @ cov @ w, x0, bounds=bounds, constraints=cons).x
def max_sharpe(mu, cov, rf, bounds):
n = cov.shape[0]
x0 = np.repeat(1 / n, n)
cons = ({"type": "eq", "fun": lambda w: w.sum() - 1},)
return minimize(
lambda w: -((w @ mu - rf) / np.sqrt(w @ cov @ w)),
x0, bounds=bounds, constraints=cons
).x
Beachten Sie den Unterschied in der Signatur: min_variance nimmt eine Kovarianzmatrix und sonst nichts. max_sharpe nimmt mu. Aus diesem einen Argument stammt der größte Teil des praktischen Unterschieds zwischen den beiden Portfolios.
Beide Ziele unterliegen außerdem Gewichtsbeschränkungen. Ohne Nebenbedingungen kann jedes von beiden einen großen Kapitalanteil in eine Handvoll Titel stecken – die von Ihnen konfigurierte Menge an Nebenbedingungen ist das, was das im Zaum hält.
Zentrale Unterschiede, die die Wahl bestimmen
Eingabesensitivität
Minimum-Varianz braucht ein Risikomodell. Maximum-Sharpe braucht ein Risikomodell und Renditeprognosen. Renditeprognosen sind notorisch verrauscht: Kleine Änderungen in μ können die gesamte Rangfolge der Kandidaten umwerfen, und der Optimierer nutzt Schätzfehler bereitwillig aus, indem er denjenigen Vermögenswert übergewichtet, dem die optimistischste Zahl zugeordnet ist.
RSJ Portfolio liefert acht Risikomodelle und eine Reihe von Renditemodellen genau deshalb, weil diese Schätzungen eine Modellierungsentscheidung sind und keine Gegebenheit. Dasselbe Kandidatenverzeichnis unter verschiedenen Risikoschätzern zu testen, zeigt Ihnen, wie viel Ihrer Allokation Signal ist und wie viel ein Modellierungsartefakt.
Verhalten in verschiedenen Märkten
Weil Minimum-Varianz erwartete Renditen ignoriert, landet es tendenziell bei defensiven Titeln und Sektoren mit niedrigem Beta, deren Kurshistorie kleine, stetige Bewegungen zeigt. Das Portfolio wirkt oft konservativ – in einem starken Bullenmarkt manchmal unangenehm konservativ.
Maximum-Sharpe ist renditebewusst und neigt daher zu Vermögenswerten mit attraktiven prognostizierten Renditen relativ zu ihrem Risikobeitrag. In der Praxis kann das Titel mit höherem Beta bedeuten und ein Portfolio, das wachstumsorientierter wirkt als das der Minimum-Varianz.
Konzentration
Beide Ziele neigen ohne Nebenbedingungen zur Konzentration, aus unterschiedlichen Gründen. Minimum-Varianz konzentriert sich auf das, was tatsächlich wenig volatil und schwach mit dem Rest korreliert ist. Maximum-Sharpe konzentriert sich auf das, was die beste prognostizierte Rendite pro Risikoeinheit trägt.
Gewichtsbeschränkungen verändern beides. Auf Minimum-Varianz angewendet, zwingen sie den Optimierer, sich breiter aufzustellen und dafür eine etwas höhere Portfoliovolatilität in Kauf zu nehmen. Auf Maximum-Sharpe angewendet, deckeln sie die optimistischen Titel und drängen die Lösung oft zu einem breiteren Korb – aber die zugrunde liegende Rangfolge wird weiterhin von den Prognosen bestimmt.
Umschlag und Stabilität
Lassen Sie denselben Optimierer in aufeinanderfolgenden Monaten laufen und vergleichen Sie die Gewichte:
- Minimum-Varianz-Gewichte bewegen sich typischerweise langsam, weil Volatilitäten und Korrelationen relativ persistent sind.
- Maximum-Sharpe-Gewichte können sich merklich verschieben, wann immer Renditeschätzungen aktualisiert werden, was mehr Rebalancing und mehr Handelskosten bedeutet.
Wenn Sie nach einem Zeitplan rebalancieren, spielt dieser Unterschied eine Rolle. Rebalancing mit einem Optimierer automatisieren behandelt, wie Sie über diesen Rhythmus nachdenken sollten.
Die praktische Konsequenz
Wenn Sie Ihren Renditeprognosen nicht vertrauen – oder keinen wiederholbaren Prozess zu ihrer Erstellung haben –, ist Minimum-Varianz das sicherere Ziel. Es entfernt eine ganze Kategorie von Schätzfehlern aus dem Problem. Wenn Sie starke, disziplinierte Ansichten haben und diese in der Allokation ausdrücken wollen, ist Maximum-Sharpe das Ziel, das sie hereinlässt.
Wie RSJ Portfolio beide Ziele handhabt
RSJ Portfolio ist eine Windows-Desktop-Anwendung, die aus historischen Schlusskursen ein statistisch optimiertes Portfolio erstellt, und das Ziel ist ein auswählbarer Parameter – keine separate Produktstufe. Die Übersicht beschreibt den gesamten Workflow; in der Praxis läuft es so ab:
- Eine Kandidatenliste erstellen. Symbole suchen und das Universum zusammenstellen, das der Optimierer berücksichtigen soll – siehe das Auswahlkapitel des Benutzerhandbuchs.
- Das Ziel wählen. Minimale Volatilität oder maximales Sharpe-Verhältnis, daneben minimale Semivarianz, hierarchische Risikoparität und Conditional Value at Risk.
- Risikomodell und Renditemodell wählen. Acht Risikoschätzer stehen zur Verfügung, sodass Sie Kandidatenliste und Nebenbedingungen festhalten und nur die Annahmen ändern können.
- Nebenbedingungen und Dateneinstellungen festlegen. Gewichtsbeschränkungen, Datumsbereich, lokale Währung, Anbieter, Cache und die Bereinigungseinstellungen aus dem Konfigurationskapitel.
- Den Optimierer ausführen. Das Ergebnis ist die empfohlene Allokation, angezeigt pro Position – ausführlich dokumentiert im Empfehlungskapitel.
- Exportieren und vergleichen. Weil das Ziel ein Parameter ist, können Sie beide auf derselben Kandidatenliste laufen lassen und die Gewichte vergleichen.
Die Datenseite ist der Teil, den Sie sonst selbst verantworten müssten: Anbieterverbindung, eine Pipeline zur Kursbereinigung, ein lokaler Cache und der Konvertierungspfad für Portfolios, die in mehreren Währungen notiert sind. Die Optimierung direkt zu lösen, wie es der obige Python-Schnipsel tut, ist der beschwerliche Weg – Sie erben auch die Dateninfrastruktur.
Die Installation der Desktop-App besteht aus einem Download und einer SHA-512-Prüfung gegen den auf der Download-Seite veröffentlichten Wert:
# compare against the SHA-512 published next to the versioned installer filename
Get-FileHash .\<installer>.exe -Algorithm SHA512 | Format-List
Die Seite zu Methoden und Funktionen listet jedes Ziel, jedes Risikomodell und jede Nebenbedingungsoption vollständig auf.
Direkter Vergleich: Minimum-Varianz vs. Maximum-Sharpe
| Minimum-Varianz | Maximum-Sharpe | |
|---|---|---|
| Ziel | Portfoliovolatilität minimieren (wᵀΣw) |
Überrendite pro Risikoeinheit maximieren ((wᵀμ − r_f) / √(wᵀΣw)) |
| Erforderliche Eingaben | Nur Kovarianzmatrix | Kovarianzmatrix plus erwartete Renditen plus risikofreier Zins |
| Typische Positionen | Wenig volatile, defensiv ausgerichtete Titel mit niedrigem Beta | Vermögenswerte mit der besten prognostizierten Rendite relativ zum Risikobeitrag |
| Sensitivität gegenüber Schätzfehlern | Moderat – getrieben vom Risikomodell | Hoch – getrieben von Renditeprognosen zusätzlich zum Risikomodell |
| Diversifikation | Konstruktionsbedingt korreliert (schwache Korrelation zum Korb), kann sich aber konzentrieren | Kann sich in wenigen Titeln mit hoher Prognose konzentrieren, sofern nicht beschränkt |
| Verhalten unter Gewichtsbeschränkungen | Beschränkungen verteilen die Allokation und erhöhen die Volatilität leicht | Beschränkungen deckeln die optimistischen Titel und verbreitern den Korb |
| Stabilität der Gewichte über die Zeit | Meist stabiler | Kann sich verschieben, wenn Renditeschätzungen aktualisiert werden |
| Am besten geeignet für | Risikoaverse Anleger, Kapitalerhalt, keine verlässlichen Renditeprognosen | Renditeorientierte Anleger mit einem disziplinierten Prognoseprozess |
Ein nützliches Arbeitsblatt, wenn Sie beide nacheinander laufen lassen – halten Sie es neben die beiden Exporte:
comparison:
candidate_list: core-europe-large-cap
date_range: 2016-01-01/2026-09-30
runs:
- objective: minimum_volatility
risk_model: <model-name>
constraints: {max_position: 0.10}
portfolio_volatility: <value>
top_weights: [<symbol-a>, <symbol-b>, <symbol-c>]
- objective: maximum_sharpe
risk_model: <model-name>
return_model: <model-name>
constraints: {max_position: 0.10}
portfolio_volatility: <value>
top_weights: [<symbol-a>, <symbol-b>, <symbol-c>]
decision: <minimum_volatility | maximum_sharpe | blend>
Füllen Sie die Platzhalter aus der Ergebnisansicht der App; der Punkt ist, zwei Läufe zu vergleichen, die sich nur im Ziel unterscheiden.
Fazit: Wer sollte was wählen?
Wählen Sie Minimum-Varianz, wenn…
- Kapitalerhalt das Mandat ist oder Drawdowns das sind, worüber Sie tatsächlich schlecht schlafen.
- Sie keinen Prozess zur Renditeprognose haben, den Sie vor einem Ausschuss verteidigen würden.
- Sie Gewichte wollen, die nicht jedes Mal durchgeschüttelt werden, wenn jemand eine Tabelle aktualisiert.
- Sie wollen, dass die Allokation rein über das Risiko erklärbar ist: „Diese Titel bewegen sich unabhängig voneinander, und keiner von ihnen ist für sich volatil."
Wählen Sie Maximum-Sharpe, wenn…
- Sie auf Wachstum ausgerichtet sind und akzeptieren, dass die Allokation eine Wette auf Ihre Prognosen ist.
- Sie eine disziplinierte, wiederholbare Methode haben, um erwartete Renditen zu erzeugen – und Sie diese konsequent erneut ausführen, statt sie nach Augenmaß zu schätzen.
- Sie damit leben können, dass das Portfolio in den Titeln konzentriert ist, die Ihr Modell am meisten mag.
- Sie die Ausgabe als einen Input für eine Entscheidung behandeln und nicht als Antwort.
Oder führen Sie beide aus
Der am besten verteidigbare Workflow besteht nicht darin, sich einmal zu entscheiden. Erstellen Sie die Kandidatenliste, legen Sie Risikomodell und Nebenbedingungen fest, führen Sie minimale Volatilität aus und dann Maximum-Sharpe auf denselben Eingaben. Wo die beiden Allokationen übereinstimmen, haben Sie einen robusten Kern. Wo sie auseinandergehen, haben Sie eine Entscheidung zu treffen – und Sie wissen jetzt genau, welche Annahme sie treibt.
Ein Hybrid ist oft die ehrliche Antwort: Gewichten Sie die Minimum-Varianz-Lösung stärker, wenn Ihr Vertrauen in Renditeprognosen gering ist, und neigen Sie zur Maximum-Sharpe-Lösung, wenn Sie eine echte Ansicht haben, die Sie artikulieren können.
RSJ Portfolio ist eine Windows-Desktop-Anwendung mit Einzelnutzerlizenz, was diese Art von Experimentieren günstig macht: keine Kosten pro Lauf, kein Server, der aufgesetzt werden muss, beide Ziele auf denselben Daten mit denselben Nebenbedingungen verfügbar. Siehe Preise und Lizenz für den Umfang der Lizenz und Downloads für das Installationsprogramm und das Benutzerhandbuch. Bevor Sie einer der beiden Ausgaben vertrauen, lohnt sich die Lektüre von So überprüfen Sie Ergebnisse der Portfoliooptimierung – die Prüfungen gelten gleichermaßen für beide Ziele.
FAQ
Kann ich beide Ziele in RSJ Portfolio verwenden?
Ja. In RSJ Portfolio können Sie das Optimierungsziel auswählen, einschließlich minimaler Volatilität und maximalem Sharpe-Verhältnis, sodass Sie Allokationen direkt auf derselben Kandidatenliste vergleichen können.
Übertrifft Maximum-Sharpe immer die Minimum-Varianz?
Nein. Maximum-Sharpe hängt von Prognosen erwarteter Renditen ab, die verrauscht sein können. In der Praxis kann Minimum-Varianz robuster sein, wenn die Renditeschätzungen unzuverlässig sind.
Welches Ziel ist robuster gegenüber Schätzfehlern?
Minimum-Varianz ist im Allgemeinen robuster, weil es nur ein Risikomodell (Kovarianzmatrix) benötigt und nicht auf Schätzungen erwarteter Renditen angewiesen ist.
Kann ich Gewichtsbeschränkungen auf beide Ziele anwenden?
Ja. In RSJ Portfolio können Sie Gewichtsbeschränkungen festlegen, die sowohl für Minimum-Varianz- als auch für Maximum-Sharpe-Optimierungen gelten und helfen, die Konzentration zu kontrollieren.
Welches Ziel sollte ich für einen ersten Lauf verwenden?
Beginnen Sie mit minimaler Volatilität. Es gibt eine Eingabe weniger, die man falsch machen kann. Wenn das Ergebnis also seltsam aussieht, wissen Sie, dass das Problem in den Daten oder im Risikomodell liegt – nicht in einer Prognose. Sobald die Datenpipeline und die Nebenbedingungen validiert sind, fügen Sie den Maximum-Sharpe-Lauf hinzu und vergleichen Sie.
Fazit
Minimum-Varianz und Maximum-Sharpe sind keine konkurrierenden Antworten auf dieselbe Frage. Das eine minimiert das Risiko ohne Ansicht zu den Renditen; das andere handelt auf Basis einer Renditeansicht und bezahlt dafür mit Schätzfehlern. Wenn Sie Ihre Prognosen nicht verteidigen können, ist Minimum-Varianz das ehrlichere Ziel. Wenn Sie es können, setzt Maximum-Sharpe diese Ansicht in die Tat um.
Der praktische Schritt ist, aufzuhören, darüber zu streiten, und beide auszuführen. RSJ Portfolio stellt das Ziel als Parameter bereit, liefert acht Risikomodelle und eine Reihe von Renditemodellen und wendet Gewichtsbeschränkungen auf das von Ihnen gewählte Ziel an – der Vergleich kostet Sie also einen zusätzlichen Lauf, nicht eine zweite Toolchain.
Laden Sie das Windows-Installationsprogramm herunter, prüfen Sie die veröffentlichte SHA-512 und lassen Sie dieselbe Kandidatenliste durch beide Ziele laufen, bevor Sie Kapital in eines von beiden investieren.
Verwandte Beiträge
- Portfoliooptimierung für Finanzberater
- Portfolio-Rebalancing mit einem Optimierer automatisieren
- So überprüfen Sie Ergebnisse der Portfoliooptimierung