PALADIN QUANT AKTIEN GLOBAL NACHHALTIG STAND: 28.02.2020
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
PALADIN QUANT AKTIEN GLOBAL NACHHALTIG
STAND: 28.02.2020
PALADIN QUANT Wir haben die Erfahrung, den Track Record und die Expertise, um für unsere
Investoren in turbulenten Kapitalmärkten ein Wegweiser zu sein.
DIE PALADIN QUANT GMBH
IST EIN UNTERNEHMEN DER
PALADIN ASSET MANAGEMENT
GRUPPE.
Paladin Asset Management ist 2013 aus dem Family
Dr. Oliver Klehn Marcel Maschmeyer Office der Unternehmerfamilie Maschmeyer hervor-
Geschäftsführer Geschäftsführer gegangen. Das Paladin Team besteht aus 11 Mitarbei-
tern. Sowohl das Team als auch die Familie sind mit
Dr. Oliver Klehn ist Mathematiker und Marcel Maschmeyer, zugleich Vorstand
gilt als Vorreiter der Einbindung und Gesellschafter der Paladin AM
eigenem Geld langfristig investiert.
maschinellen Lernens und künstlicher InvAG, studierte Volkswirtschaft an der
Intelligenz im Asset Management. Queen Mary University in London und Mit der Paladin Quant GmbH erweitern wir unser
Berufliche Stationen waren Nord/LB, erlangte zudem einen MBA an der Angebot an Strategien für institutionelle Anleger,
Talanx und Nord/LB Asset Management. Oxford University. Seine berufliche Family Offices, Stiftungen und Vermögensverwalter.
Dort leitete er zuletzt die Einheit Laufbahn begann er bei der Deutschen
Wir fühlen uns dem Grundsatz der Nachhaltigkeit im
QuantLab & Portfolio Analytics. Bank und Roland Berger.
Sinne von Umwelt, Sozialem und guter Unternehmens-
führung verpflichtet. Die Berücksichtigung dieser
Kriterien ist sowohl integraler Bestandteil unserer
Anlagestrategien als auch der Unternehmens-
organisation.
2
AKTIEN GLOBAL NACHHALTIG
Stand: 28.02.2020
WERTENTWICKLUNG (28.02.06 – 28.02.20)
BIS 11.04.19 OUT-OF-SAMPLE-TEST1 STAMMDATEN
Fondskategorie Aktienfonds international
Fondswährung EUR
Ertragsverwendung Ausschüttend
Aufgelegt in Deutschland
Verwahrstelle Kreissparkasse Köln
KVG Ampega Investment GmbH
Anlageberater Paladin Quant GmbH
VOLUMENABHÄNGIGE GEBÜHREN
Anteilsklasse S (a) I (a) P (a)
WKN A2N68Q A2N68S A2N68R
Verwaltungsvergütung 56bp 76bp2 136bp2
Verwahrstelle 4bp 4bp 4bp
ANLAGESTRATEGIE
Mindestanlage (EUR) 10.000.000 - (kurzzeitig) -
Anlageuniversum sind internationale Aktien von Großunternehmen, die
durch den Grundsatz der Nachhaltigkeit nach dem Best-in-Class- 1 Quelle: Datastream, eigene Berechnungen. Im Out-of-Sample-Test wurden laufende Kosten
Prinzip ausgewählt werden. Unternehmen mit kontroversen Aktivitäten von 60bp, Cash-Kosten von 40bp sowie 10bp Transaktionskosten unterstellt. Für die
werden von vornherein ausgeschlossen (Details auf S. 13). Die Aktien- Berechnung der Sharpe Ratio wurde ein risikoloser Zins von 0% veranschlagt. Die Volatilität
bezieht sich auf die monatlichen Returns, der Value at Risk bezieht sich auf die monatlichen
quote beträgt stets zwischen 51% und 100%. Anlageziel ist die Kon- Returns mit Konfidenzniveau von 95%, Beta bezieht sich auf den Vergleichsindex MSCI World
struktion eines nachhaltigen, globalen Aktienportfolios, das eine attrak- NR.
tive Rendite erzielt, im Vergleich zum weltweiten Aktienmarkt aber 2 Zzgl. Performance-Fee von 15% über MSCI World Net Return EUR
eine niedrigere Volatilität und deutlich geringere Draw-Downs aufweist.
3
UMSETZUNG DURCH MATHEMATISCHE PORTFOLIOOPTIMIERUNG AKTIEN GLOBAL NACHHALTIG VS. BENCHMARK
Eine Gewichtung nach Marktkapitalisierung ist meist suboptimal. Kennzahlen1 Aktien Global iShares MSCI
Wir ermitteln diejenige Portfoliozusammensetzung, die zu einer Nachhaltig World TR ETF
optimalen Diversifikation führt (siehe Seiten 14-16). Einmal im
Monat erfolgt eine Neugewichtung der Aktien. Zusätzlich wird das Rendite p.a. 11,0% 6,0%
Portfoliorisiko täglich überwacht. Bei Überschreiten bestimmter Sharpe Ratio 1,1 0,5
Risikoschwellen wird sofort neugewichtet. Die Steuerung der
Investitionsquote ist dabei Bestandteil der Optimierung. Volatilität 9,9% 13,0%
Value at Risk 3,7% 7,6%
MUSTERERKENNUNG STATT MARKOWITZ
Max. Drawdown 28,4% 52,5%
Zur Bestimmung der Portfoliogewichte und zur Messung des
Portfoliorisikos werden moderne Mustererkennungsverfahren
eingesetzt. Im Vergleich zu klassischen Methoden nach Markowitz NETTO-AKTIENQUOTE IM ZEITVERLAUF
erlauben diese eine präzisere Risikomessung und Risikosteuerung
sowie eine bessere Abbildung der Risiken von Extremereignissen.
Zusätzlich werden von Paladin Quant entwickelte Techniken zur
robusten Portfoliooptimierung eingesetzt.
KENNZAHLEN AKTIEN GLOBAL NACHHALTIG IM ZEITVERLAUF
Kennzahlen1 Max. 5J 3J 1J YtD
Rendite p.a. 11,0% 11,7% 11,0% 16,8% -1,42%
Sharpe Ratio 1,1 1,2 1,3 1,8 -
Volatilität 9,9% 10,1% 8,5% 8,7% -
Value at Risk 3,7% 3,1% 3,1% 3,0% -
Beta 0,57 0,66 0,64 0,61 -
Max. Drawdown 28,4% 14,4% 8,3% 8,3% 8,3%
4
AKTIEN GLOBAL NACHHALTIG
IM REALEN HANDEL
WERTENTWICKLUNG VOM 11.04.19 – 28.02.20
Nach Festlegung der Strategie für unseren Publikumsfonds
haben wir am 11. 04. 2019 ein Wikifolio aufgesetzt, um
unsere Strategie für die ersten frühen Investoren
transparent zu machen und einen Track-Record im realen
Handel zu erzielen.
Das Wikifolio ist immer noch live und kann unter dem
Tradernamen PaladinQuant gefunden werden. Wir werden
es noch für kurze Zeit weiterführen und unseren Fonds
darin abbilden.
Im Chart rechts sehen Sie bis zum 15. 10. 2019 die
Datenreihe des Wikifolios und von da an die der
Anteilsklasse S (a).
5
1
Sie investieren in die nachhaltigsten
Unternehmen weltweit.
2
Sie profitieren von unserer
smarten, quantitativen
Anlagestrategie mit innovativem
KI-Sicherheitskonzept.
MEHR WISSEN.
3
Durch intelligente Nutzung von
MEHR WEITBLICK.
Big-Data und Mustererkennung
wird das Portfolio permanent
überwacht und optimiert.
4
Auf diese Weise partizipieren Sie
mit deutlich verringertem Risiko an
der Performance des weltweiten
Aktienmarktes.
6EVOLUTION
IM ASSET MANAGEMENT
Wir schaffen die perfekte Verbindung
der Stärken von Mensch und Maschine.
1980er 1990er 2000er Heute
Diskretionäre Portfolios nach Portfolios nach Maschinelles Lernen,
Portfolios Markowitz Black-Litterman Mustererkennung
Passives Faktorbasierte Nachhaltige Strategien
Investieren Ansätze
7MUSTERERKENNUNG
Sie sehen eine Szenariosimulation des Hurrikan Florence vom
04. September 2018. Unterschiedliche Modellparameter
ergeben unterschiedliche Zugrichtungen des Hurrikans. In dieser
Analyse zieht der Hurrikan mit großer Wahrscheinlichkeit an der
Ostküste der USA vorbei.
Bei der Mustererkennung erhebt man eine Vielzahl
unterschiedlicher Daten an unterschiedlichen Orten. Das gilt
sowohl für Finanzmarkt- als auch für wetterrelevante Daten. Im
einen Fall sind das Börsendaten unterschiedlichster
Finanzinstrumente, im anderen Fall sind es Daten, die etwa aus
Wetterstationen rund um den Globus stammen.
Die Verarbeitung der Daten erfolgt mit komplexen statistischen
Modellen, die diese zudem auf Muster durchsuchen.
Im Anschluss erfolgt eine Szenariosimulation für eine Vielzahl von
Parametern. Rechts im Bild hat man 20 meteorologische
Szenarien, wir hingegen analysieren täglich mindestens 100.000
Finanzmarktszenarien.
8MUSTERERKENNUNG
Dies ist die Simulation vom 10. September 2018. Die
kontinuierliche Erhebung neuer Daten führte zu einer
Anpassung der Szenarien. In der neuen Analyse trifft der
Hurrikan mit hoher Wahrscheinlichkeit auf die Ostküste. Am 14.
September 2018 traf der Hurrikan dann tatsächlich auf die
Ostküste. Es blieb genug Zeit, sich darauf vorzubereiten.
Es werden kontinuierlich neue Daten erhoben. Dadurch verändern
sich auch die Muster in den Daten kontinuierlich. Die
Szenariosimulation wird stetig an die neuen Daten angepasst.
Die Ergebnisse der Szenariosimulation verdichten wir zu einer
Handlungsanweisung: Wir investieren in das optimale Portfolio
unter Berücksichtigung aller Szenarien.
Dabei gibt es einen Risikokorridor, innerhalb dessen sich das
Portfolio bewegen darf. Wird dieser in hinreichend vielen Szenarien
durchbrochen, wird das Portfoliorisiko unmittelbar reduziert.
9MUSTERERKENNUNG BEISPIEL KORRELATIONSUNFÄLLE
an den Finanzmärkten So kann ein z.B. ein plötzlicher Anstieg der Korrelationen oft
frühzeitig eine Änderung des vorherrschenden Marktmusters
signalisieren. Solche Korrelationsunfälle vermindern
Diversifikationseffekte und erhöhen das Portfoliorisiko meist
MARKTMUSTER PRÄGEN DIE ASSET ALLOKATION
drastisch.
Marktmuster charakterisieren und clustern das Verhalten von
Anlageklassen. Es sollen allerdings nicht nur Bullen- oder FRÜHWARNSYSTEM DURCH MUSTERERKENNUNG
Bärenmärkte identifiziert werden, sondern vor allem auch
Muster für Risiken und Korrelationen. Die optimale Asset- Unsere Mustererkennung, die
Allokation ergibt sich wesentlich aus dem vorherrschenden täglich eine große Zahl globaler
Marktmuster (Regime). Finanzmarktdaten analysiert,
kann grundsätzliche
Veränderungen der
STRUKTURBRÜCHE FÜHREN ZU VERWERFUNGEN
Marktstruktur rechtzeitig
erkennen.
Eine plötzliche Änderung der
Marktmuster lässt sich mit
einem Strukturbruch des
Marktes interpretieren. Das NICHT JEDE KORREKTUR IST EIN STRUKTURBRUCH
führt in der Regel zu
Verwerfungen in der Asset- Korrekturen überschaubaren Umfangs sitzt man besser aus, da ein
Allokation. gutes Markttiming zum Wiedereinstieg schwierig ist. Mit unseren
Algorithmen treffen wir hier jederzeit eine fundierte, rationale
Entscheidung.
10MUSTERERKENNUNG IN DER FINANZKRISE STAATSSCHULDENKRISE 2011
WERTENTWICKLUNG IM ZEITRAUM 30. 04. 2007 – 31. 12. 2009 WERTENTWICKLUNG IM ZEITRAUM 31. 05. 2011 – 30. 12. 2011
Am 09. August 2007 stiegen in den USA die Zinsen für Man erkennt auch hier, dass der Musterwechsel vor dem Wechsel
Interbankenkredite sprunghaft an und lösten die Finanzkrise aus. des Markttrends erkannt wurde. Muster sind nämlich komplex und
Schon vor dem Absturz der Aktienmärkte war ein Musterwechsel werden nicht ausschließlich durch den Trend charakterisiert.
durch einen plötzlichen, starken Korrelationsanstieg zu erkennen.
Dieser wäre mit klassischen Methoden so nicht messbar gewesen.
11BREXIT REFERENDUM 23.06.2016 KORREKTUR DEZEMBER 2018
WERTENTWICKLUNG IM ZEITRAUM 31. 05. 2016 – 29. 07. 2016 WERTENTWICKLUNG IM ZEITRAUM 31. 10. 2018 – 29. 03. 2019
Korrekturen von echten Marktstrukturveränderungen zu unterscheiden Eine Veränderung der Marktstruktur war im Dezember 2018 nicht
ist eine Kunst. Mit Trendfolgern ist das kaum möglich. Mustererkennung messbar. Wer zu früh ausstieg, verpasste die starke Erholung in den
hat sich hierfür vielfach bewährt und liefert jederzeit eine rationale Folgemonaten. Aufgrund menschlicher Emotionen war der Dezember
Grundlage für fundierte Entscheidungen. 2018 für viele Fondsmanager ein herausfordernder Monat. Ein Vorteil
unserer Strategien sind die stets emotionsfreien Entscheidungen.
12ANLAGEUNIVERSUM
NACHHALTIGKEITSKRITERIEN – ESG – BEST-IN-CLASS-ANSATZ
Überwacht werden über 1600 Unternehmen aus 22 Staaten mit entwickelten Märkten. Die Unternehmen werden nach den Kriterien Umwelt, Soziales und
Unternehmensführung (ESG-Kriterien) bewertet. Die besten Unternehmen ihres Wirtschaftssektors werden in das Anlageuniversum aufgenommen.
AUSSCHLUSSKRITERIEN
Unternehmen mit signifikanten Umsätzen in umstrittenen Wirtschaftszweigen werden von vornherein aus dem Anlageuniversum ausgeschlossen.
Fossile Brennstoffe Unternehmen, die mehr als 5% ihres Umsatzes mit der Förderung von Öl, Gas und Kraftwerkskohle erzielen. Energieerzeuger, die
mehr als 5% ihres Umsatzes durch Kohleverstromung oder mehr als 30% ihrer Energiemenge durch Verbrennung von
Flüssigkraftstoffen oder Erdgas erzielen.
Alkohol Produzenten, die 5% oder mehr ihres Umsatzes mit alkoholischen Produkten erzielen. Händler, Vertreiber und Zulieferer, deren
Umsatz zu 15% oder mehr mit alkoholischen Produkten erwirtschaftet wird.
Glücksspiel Betreiber und Zulieferer, die 5% oder mehr ihres Umsatzes mit Glücksspiel verdienen.
Tabak Alle Produzenten. Händler, Vertreiber und Zulieferer, deren Umsatz zu 5% oder mehr mit Tabak erwirtschaftet wird.
Erotik Produzenten, die 5% oder mehr ihres Umsatzes mit erotischen Inhalten realisieren. Händler, Vertreiber und Zulieferer, deren Umsatz
zu 15% oder mehr mit erotischen Inhalten erwirtschaftet wird.
Kernkraft Alle Unternehmen mit mehr als 15% kernkraftbezogenen Umsätzen.
Militärische Waffen Alle Hersteller von nuklearen Waffensystemen oder -komponenten, biologischen und chemischen Waffensystemen oder -
komponenten, Streubomben oder Landminen. Unternehmen, die 5% oder mehr ihres Umsatzes mit militärischen Waffen generieren.
Zivile Schusswaffen Alle Hersteller. Händler, die 5% oder mehr ihres Umsatzes mit Handfeuerwaffen verdienen.
Genmodifizierte Alle Unternehmen, die mehr als 5% ihrer Umsätze mit genmodifizierten Pflanzen erzielen.
Organismen
13SEKTORALLOKATION
Stand: 28.02.2020
AUFTEILUNG NACH SEKTOREN ÜBER- UND UNTERGEWICHTUNGEN GEGENÜBER ISHARES MSCI WORLD ETF
14LÄNDERALLOKATION
Stand: 28.02.2020
AUFTEILUNG NACH LÄNDERN ÜBER- UND UNTERGEWICHTUNGEN GEGENÜBER ISHARES MSCI WORLD ETF
15WÄHRUNGSALLOKATION
Stand: 28.02.2020
AUFTEILUNG NACH WÄHRUNGEN ÜBER- UND UNTERGEWICHTUNGEN GEGENÜBER ISHARES MSCI WORLD ETF
16AKTIEN GLOBAL NACHHALTIG: TOP 10
Stand: 28.02.2020
Name Gewicht Sektor Land
Clorox 4,3% Nichtzyklische Konsumgüter USA
Kao 4,2% Nichtzyklische Konsumgüter Japan
CME Group 4,2% Financials USA
Lonza 4,1% Gesundheitsversorgung Schweiz
Givaudan 4,0% Materialien Schweiz
CSL 4,0% Gesundheitsversorgung Australien
Rogers Communications 4,0% Kommunikation Kanada
Newmont Mining 4,0% Materialien USA
Transurban Group 3,9% Industrie Australien
Münchener Rück 3,7% Financials Deutschland
17QUANT FÜR SKEPTIKER
Einwand: Ist das wieder nur so ein Quant-Modell, das nach dem Einwand: Mit automatisiertem Handeln tue ich mich schwer.
nächsten Crash ausgetauscht werden muss, wie viele andere?
Antwort: Wir betreiben kein automatisiertes Handeln. Unser
Antwort: Ein Regimemodell modelliert genau diese Phasen der System ist regelgebunden, um irrationale Komponenten
abrupten Änderung des Marktgeschehens. Insbesondere auszuschalten. Ansonsten betreiben wir Risikomanagement.
messen wir die Risiken extremer Ereignisse realistischer als Unser System macht einen Vorschlag zur Portfolioallokation,
andere Modelle. Regimemodelle sind auch nur ein Baustein, den wir plausibilisieren und dann manuell aber konsequent
der uns hilft, Risiken besser zu messen. Wir kombinieren das umsetzen.
mit weiteren erprobten Verfahren der Portfoliooptimierung
und Statistik.
Einwand: Das System hat Muster für Kurseinbrüche schon
vergessen.
Einwand: Maschinelles Lernen und KI ist doch eine Black-Box.
Antwort: Das System lernt anhand der letzten 2.000
Antwort: Nein, bei uns nicht. Wir können jeden Handelstage. In diesen sind Ereignisse wie die Finanzkrise nicht
Allokationsvorschlag plausibilisieren und tun das auch. Wir enthalten. Um negative Marktmuster zu erlernen, genügt aber
wissen genau, warum das Modell etwas tut. eine überschaubare Anzahl an schlechten Börsentagen.
Tatsächlich gibt es aktuell ein sehr negatives Marktmuster, in
das das Modell jederzeit wechseln könnte.
18QUANT FÜR TECHNIKER
UNSER INVESTMENTPROZESS IN 4 SCHRITTEN
Unser Investmentprozess beruht auf den neuesten wissenschaftlichen Forschungsergebnissen. Das Literaturverzeichnis enthält eine nicht abschließende Liste an
relevanten Publikationen zum Thema. Hier skizzieren wir kurz und knapp unsere Vorgehensweise.
1. Auswahl Anlage- und Beobachtungsuniversum
Einmal im Kalenderjahr wird das Anlageuniversum neu festgelegt. Dies geschieht auf Basis eines Nachhaltigkeitsindex, der Best-in-Class mit Ausschlusskriterien
verbindet. Zunächst werden aus diesem Index diejenigen Aktien ausgewählt, für die eine mindestens 2000 Handelstage lange historische Zeitreihe täglicher
Renditen vorliegt. Von den verbleibenden Aktien bilden die 150 mit der größten Gewichtung im Index das Aktienanlageuniversum. Das Beobachtungsuniversum
ist größer und enthält immer das Anlageuniversum. Zusätzlich enthält das Beobachtungsuniversum auch Zeitreihen der globalen Rentenmärkte.
2. Tägliche statistische Schätzung der Modellparameter
Klassische Verfahren nach Markowitz treffen eine multivariate Normalverteilungsannahme für die Renditen, was bekanntermaßen problematisch ist. So werden
etwa die Wahrscheinlichkeiten starker Kurseinbrüche deutlich unterschätzt. Mittels der Maximum-Likelihood-Methode bestimmt man die Parameter der
Renditeverteilung (Erwartungswerte und die zugehörige Kovarianzmatrix). Die Parameter ergeben sich dann aus einer Durchschnittswertbildung der
Beobachtungen eines vorher gewählten historischen Zeitfensters. Wir hingegen verwenden als statistisches Modell eine Weiterentwicklung der sogenannten
Hidden-Markov-Modelle. Die Idee hinter dieser Modellklasse ist, dass der Markt im Zeitverlauf unterschiedlichen Gesetzmäßigkeiten unterliegt bzw. dass der
Markt sich in sogenannte Marktregime separiert, die sich auch plötzlich ändern können. Auch hier verwenden wir zur Schätzung der Modellparameter die
Maximum-Likelihood-Methode. Die Lösung des Optimierungsproblems erreicht man durch ein iteratives Verfahren, das dem „unsupervised machine learning“
zuzurechnen ist. Die Modellparameter bestehen aus den Parametern jedes einzelnen Marktmusters sowie den Übergangswahrscheinlichkeiten der Muster. Die
Parameter jedes einzelnen Musters lassen sich wieder als erwartete Renditen und deren Kovarianzmatrix interpretieren. Man kann für die Vergangenheit (und
auch die Gegenwart) nicht sicher sagen, welches Marktregime vorgelegen hat. Das Modell liefert aber für jeden Tag der Vergangenheit eine Wahrscheinlichkeit
dafür. Während bei klassischen Verfahren das Anlageuniversum immer dem Beobachtungsuniversum entspricht, so dass dann in die Allokation eines
Aktienportfolios auch nur Aktienmarktinformationen eingehen, ist das hier anders. Bei der Bestimmung der Gewichte des Aktienportfolios gehen alle
Informationen des Beobachtungsuniversums ein.
19QUANT FÜR TECHNIKER
UNSER INVESTMENTPROZESS IN 4 SCHRITTEN
3. Tägliche Ermittlung der Renditeverteilung und Messung des Portfoliorisikos
Klassische Verfahren schreiben das Gemessene einfach in die Zukunft fort. Das ist bei uns anders. Für den Anlagehorizont von einem Monat, also etwa 22
Handelstage, nehmen wir eine Pfadsimulation vor, indem wir für jeden der 22 Tage simulieren, welches der ermittelten Muster vorliegt. Die dazu benötigten
Informationen ergeben sich aus den Ergebnissen des zweiten Schrittes. Natürlich gehen hier insbesondere die Musterwechselwahrscheinlichkeiten ein. Nun
führen wir für jeden Tag des Pfades eine Simulation von Tagesrenditen der Assets im Beobachtungsuniversum durch. Die simulierten Tagesrenditen hängen
dabei natürlich stark vom vorliegenden Muster ab. Am Ende des Pfades ergibt sich ein Szenario von Monatsrenditen. Dieses Verfahren führen wir mindestens
100.000 Mal durch, so dass wir mindestens 100.000 solcher Pfade erhalten. Diese liefern die Renditeverteilung, die wir für die Risikomessung und
Portfoliooptimierung benötigen. Damit ist intuitiv auch klar, dass extreme Ereignisse besser erfasst werden, als mit herkömmlichen Methoden. Befinden wir uns
z.B. in einem Bullenmarkt, werden in der Simulation auch zahlreiche Szenarien zu finden sein, die einen Wechsel in einen Bärenmarkt abbilden. Diese Szenarien
gehen in die Renditeverteilung ein. Das Portfoliorisiko messen wir durch ein Value at Risk. Dieses ergibt sich unmittelbar aus der Renditeverteilung.
4. Bestimmung der Portfoliogewichte durch robuste mathematische Portfoliooptimierung
Für das Portfolio haben wir ein Risikolimit festgelegt, das sich am Value at Risk orientiert. Bei jeder Neugewichtung des Portfolios führen wir eine mathematische
Portfoliooptimierung durch. Die Einhaltung des Risikolimits ist eine Nebenbedingung dafür. Andere Nebenbedingungen sind, dass die Aktienquote zwischen
51% und 100% liegt und dass das Gewicht einer Einzelaktie 4% des Portfoliovolumens nicht übersteigt. Durch ein weiteres mathematisches Verfahren wird dabei
dasjenige Portfolio ermittelt, das unter allen möglichen Portfolios, die die Nebenbedingungen erfüllen, für den Anlagehorizont von einem Monat die höchste
Renditeerwartung besitzt. Dabei geht in die Optimierung eine weitere Funktion ein, die hohe Portfolioumschläge bestraft. Bei ähnlicher Renditeerwartung und
Einhaltung der Nebenbedingungen werden somit Portfolios bevorzugt, die zu geringen Umschlägen führen. Die Investitionsquote ist dabei kein Risikooverlay,
sondern integraler Bestandteil der Portfoliooptimierung.
Mindestens einmal im Monat führen wir auf dieser Basis eine Neugewichtung des Portfolios durch. Zusätzlich haben wir um das Risikolimit noch einen
Risikokorridor gelegt. Wird dieser Risikokorridor während der täglichen Überwachung verlassen, gewichten wir sofort neu.
20LITERATURVERZEICHNIS
1. Abiad, A. Early-warning systems: a survey and a regime-switching approach. IMF Work Paper 32. 2003
2. Ang, A. and Bekaert, G. How Regimes Affect Asset Allocation. Financial Analysts Journal. 2004, Vol. 2, 60, pp. 86-99.
3. Ang, A. and Bekaert, G. International Asset Allocation With Regime Shifts. Review of Financial Studies. 2002, Vol. 4, 15, pp. 1137-1188.
4. Ang, A. and Timmermann, A. Regime Changes and Financial Markets. Annual Review of Financial Economics. 2012, Vol. 1, 4, pp. 313-337.
5. Engel, J., Wahl, M. and Zagst, R. Forecasting turbulence in the Asian and European stock market using regime-switching models. Quantitative
Finance and Economics 2018 Vol. 2, pp. 388-406
6. Guidolin, M. and Timmermann, A. Asset Allocation Under Multivariate Regime Switching. The Journal of Economic Dynamics & Control. 31, 2007,
Vol. 11, pp. 3503-3544.
7. Kritzman, M., Page, S. and Turkington, D. Regime Shifts: Implications for Dynamic Strategies. Financial Analysts Journal. 68, 2012, Vol. 3, pp. 22-39.
8. Hammerschmid, R. and Lohre, H. Regime Shifts and Stock Return Predictability. [Online] 2017.
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2445086.
9. Hauptmann, J., Hoppenkamps, A. and Min, A. Forecasting market turbulence using regime-switching models. Financial Market Portfolio
Management 2004 Vol. 28, pp. 139-164
10. Bulla, J., et al. Markov-Switching Asset Allocation: Do Profitable Strategies Exist? The Journal of Asset Management. 12, 2011, Vol. 5, pp. 310-321.
11. Nystrup, P., et al. Regime-Based Versus Static Asset Allocation: Letting the Data Speak. The Journal of Portfolio Management. 42, 2015, Vol. 1, pp.
103-109.
12. Klehn, O. and Schmeding, C. Regimebasierte Risikosteuerung durch künstliche Intelligenz. 2017, Zeitschrift für das gesamte Kreditwesen -
Spezialfonds 2017, pp. 22 - 39.
13. Klehn, O. and Schmeding, C. Regimebasierte Risikosteuerung von Multi-Asset-Portfolios. 2017, Absolut|report, Vol. 03, pp. 37-43.
14. Klehn, O. and Schmeding, C. Risikokontrollierte Strategien durch künstliche Intelligenz. 2018, Börsen-Zeitung - Sonderbeilage, Vol. 86.
15. Mittnik, S. Der Crash ist nur eine Frage der Zeit. Frankfurter Allgemeine Sonntagszeitung. März 12, 2017, p. 35.
16. Ryden, T., Teräsvirta, T. and Asbrink, S. Stylized Facts of Daily Return Series and the Hidden Markov Model. The Journal of Applied Economics. 13,
1998, Vol. 3, pp. 217-244.
17. Bulla, J. and Bulla, I. Stylized Facts Of Financial Time Series And Hidden Semi-Markov Models. Computational Statistics and Data Analysis. 51,
2006, pp. 2192-2209.
18. Nystrup, P., Madsen, H. and Lindström, E. Long Memory Of Financial Time Series And Hidden Markov Models With Time-Varying Parameters.
Journal of Forecasting. 2016.
21INTELLIGENTE ANLAGESTRATEGIEN
INTELLIGENT – Wir schaffen die perfekte Verbindung der Stärken von Mensch und
Maschine.
ANALYTISCH – Wir sammeln und analysieren Daten, um anlagerelevante Phänomene
immer besser zu verstehen.
VORAUSSCHAUEND – Wir sind Sicherheitsstrategen und vorausschauende Risikosteuerer.
Dank unserer Erfahrung sowie unserer innovativen Anlagesteategien erkennen wir Risiko
frühzeitig.
TRANSPARENT – Wir zeigen was wir tun – und wie wir es tun. Damit schaffen wir für
unsere Anleger eine transparente Basis für ihre Entscheidungen.
ZUVERLÄSSIG – Wir versprechen nur das, was wir auch halten können.
22LIZENZ-DISCLAIMER, HAFTUNGSAUSSCHLUSSERKLÄRUNGEN UND WICHTIGE HINWEISE
Die Informationen richten sich ausschließlich an professionelle Kunden bzw. geeignete Gegenparteien im Sinne des WpHG und sind nicht für
Privatkunden bestimmt. Diese Darstellung wird nur zu Informationszwecken und ohne vertragliche oder sonstige Verpflichtung zur Verfügung
gestellt. Alle Informationen in dieser Darstellung beruhen auf sorgfältig ausgewählten Quellen, die für zuverlässig erachtet wurden, oder auf
eigenen nach bestem Wissen durchgeführten Berechnungen, doch kann die Paladin Quant GmbH deren Richtigkeit, Vollständigkeit oder
Genauigkeit nicht garantieren. Jedwede Haftung und Gewähr aus dieser Darstellung wird deshalb vollständig ausgeschlossen.
MSCI einschließlich aller Namen von MSCI Indizes sind eingetragene Marken von MSCI. Die in diesem Foliensatz enthaltenen und
beschriebenen Finanzinstrumente werden von den Lizenzgebern weder gesponsert, gefördert, verkauft oder auf eine andere Art und Weise
unterstützt. Die Berechnung der Indizes stellt keine Empfehlung des Lizenzgebers zur Kapitalanlage dar oder beinhaltet in irgendeiner Weise
eine Zusicherung des Lizenzgebers hinsichtlich einer Attraktivität einer Investition in entsprechende Produkte.
Alle in der Darstellung geäußerten Meinungen beruhen auf der Einschätzung der Paladin Quant GmbH zum ursprünglichen Zeitpunkt ihrer
Veröffentlichung, ganz gleich, wann Sie diese Information erhalten, und können sich ohne Vorankündigung ändern.
Wert und Rendite der dargestellten Fondsprodukte, Wertpapiere und Finanzdienstleistungen können fallen und steigen, und Anleger erhalten
unter Umständen nicht den gesamten investierten Betrag zurück. Wertentwicklungen in der Vergangenheit sind kein Indikator für die
zukünftige Wertentwicklung. Eine zukünftige Wertentwicklung wird weder ausdrücklich noch implizit garantiert oder zugesagt. Die
Berechnung der Wertentwicklung von Fondsprodukten erfolgt nach der BVI-Methode, Simulationen erfolgen in der Regel auf Basis historischer
Renditen. Ausgabeaufschläge und individuelle Kosten wie Gebühren, Provisionen und andere Entgelte sind unter Umständen in dieser
Darstellung nicht berücksichtigt und würden sich bei Berücksichtigung negativ auf die Wertentwicklung auswirken.
Die Weitergabe aller Unterlagen, Manuskripte, der Präsentationsschrift im Ganzen oder in einzelnen Teilen sowie eine Veröffentlichung,
Vervielfältigung, Verbreitung, Nachbildung oder sonstige Verwertung der präsentierten Konzepte, Lösungen und Ideen ist ohne vorherige
Zustimmung der Paladin Quant GmbH nicht zulässig.
Die Paladin Quant GmbH ist als Anlageberater (Fondsadvisor) der Ampega Investement GmbH gem. §1 Abs. 1a Satz 2 Nr. 1a KWG ausschließlich
auf Rechnung und unter der Haftung der NFS Netfonds Financial Service GmbH (NFS), Heidenkampsweg 73, 20097 Hamburg tätig.
Paladin Quant GmbH
Der Inhalt dieser Präsentation beinhaltet keine persönlichen Empfehlungen und stellt daher keine Anlageberatung dar.
Hindenburgstr. 42
30175 Hannover
www.paladin-quant.com
quant@paladin-am.comSie können auch lesen
