Mittelwert-Varianz: Optimierung und Effizienzlinie

Für wen ist dieser Artikel gedacht? — Für alle, die verstehen wollen, was ein Mittelwert-Varianz-Modell tatsächlich optimiert, wie die Effizienzlinie entsteht und weshalb ein mathematisch optimales Portfolio außerhalb der Stichprobe fragil sein kann.

Die Mittelwert-Varianz-Optimierung verbindet erwartete Renditen mit einer Kovarianzmatrix, um Portfolios in einem Einperiodenproblem zu vergleichen. Ein Portfolio ist mittelwert-varianz-effizient, wenn es innerhalb der zulässigen Menge kein anderes Portfolio gibt, das bei gleicher Varianz eine höhere erwartete Rendite oder bei gleicher erwarteter Rendite eine niedrigere Varianz hat. Die Gesamtheit dieser Lösungen bildet die Effizienzlinie oder „efficient frontier“.

Das auf Harry Markowitz zurückgehende Modell ist eine Sprache, mit der sich ein Trade-off unter offengelegten Annahmen strukturieren lässt. Es kennt zukünftige Renditen nicht. Es beweist nicht, dass Varianz jedes relevante Risiko abbildet, und wählt weder Ziele noch Restriktionen oder Kosten selbstständig. Geschätzte Inputs und die Definition der zulässigen Portfolios sind Teil der Antwort — nicht bloß technische Details vor der eigentlichen Rechnung.

Eine Effizienzlinie gehört immer zu einem bestimmten Satz von Inputs und Restriktionen. Ändern sie sich, ändert sich auch, was als effizient gilt.

Die beiden Grundgleichungen

Mit einem Gewichtsvektor w, einem Vektor erwarteter Renditen μ und einer Kovarianzmatrix Σ gilt:

E[Rₚ] = wᵀμ

Var(Rₚ) = wᵀΣw

Die erste Beziehung ist linear in den Gewichten; die zweite enthält Varianzen und Kovarianzen. Für zwei Komponenten lautet sie:

σₚ² = w₁²σ₁² + w₂²σ₂² + 2w₁w₂Cov(R₁,R₂)

Die Kovarianz erklärt, weshalb das Portfoliorisiko nicht einfach der Durchschnitt der Einzelrisiken ist. Die Korrelation standardisiert diesen Zusammenhang, die Optimierung benötigt die Matrix aber in Kovarianzeinheiten.

Eine gebräuchliche Formulierung minimiert wᵀΣw für eine vorgegebene Zielrendite, beispielsweise unter der Nebenbedingung ∑wᵢ = 1. Eine andere maximiert die erwartete Rendite abzüglich einer zur Varianz proportionalen Strafe. Das Resultat hängt vom Risikoaversionsparameter und von Restriktionen für Short-Positionen, Hebel, Turnover, Konzentration und Liquidität ab.

Was die Effizienzlinie zeigt

Im Diagramm mit erwarteter Rendite und Volatilität gilt unter den Modellannahmen:

Portfolios unterhalb der Effizienzlinie werden von mindestens einer zulässigen Alternative dominiert;
der am weitesten links liegende Punkt ist das globale Minimum-Varianz-Portfolio;
eine Bewegung auf dem oberen Ast verändert den Trade-off zwischen geschätzter erwarteter Rendite und Volatilität;
zusätzliche oder aufgehobene Restriktionen verändern die zulässige Menge;
andere Inputs verschieben die gesamte Effizienzlinie.

„Effizient“ ist somit ein bedingter Fachbegriff, kein absolutes Qualitätsurteil. Eine modellseitig effiziente Lösung kann für Cashflows, Drawdowns, Verbindlichkeiten, Tail-Risiken, Liquidität oder Kapazität ungeeignet sein. Zwei Anleger mit demselben Anlageuniversum können verschiedene Punkte wählen, weil ihre Ziele, Horizonte und Restriktionen nicht übereinstimmen.

Die Grafik darf daher nicht suggerieren, es gebe einen einzigen „besten“ Punkt. Erst eine zusätzliche Nutzenfunktion, Zielvorgabe oder Risikotoleranz macht aus der Linie eine konkrete Auswahlentscheidung — und auch dann bleibt diese Auswahl von den geschätzten Inputs abhängig.

Das Problem des Schätzfehlers

Erwartete Renditen, Volatilitäten und Kovarianzen sind Schätzwerte. Kleine Änderungen dieser Inputs können große Gewichtsänderungen auslösen, insbesondere wenn ähnliche Anlagen um eine geringe erwartete Renditedifferenz konkurrieren. Das CFA Institute nennt unter den zentralen Kritikpunkten der MVO:

hohe Sensitivität der Ergebnisse gegenüber den Inputs;
extreme Gewichtskonzentrationen;
fehlende Darstellung von Schiefe und Verteilungsrändern;
scheinbare Diversifikation nach Anlageklassen, aber nicht nach Faktoren;
keinen unmittelbaren Bezug zu Verbindlichkeiten;
eine Einperiodenstruktur, die Kosten, Steuern und Rebalancing leicht ausblendet.

Der Out-of-Sample-Vergleich von DeMiguel, Garlappi und Uppal veranschaulicht, wie schwer es vielen optimierten Regeln in den untersuchten Datensätzen fällt, den einfachen gleichgewichteten Benchmark dauerhaft zu übertreffen. Daraus folgt nicht, dass 1/N universell optimal wäre. Das Ergebnis macht aber einen Vergleich komplexer Modelle mit einfachen Baselines, realistischen Kosten und Daten außerhalb des Schätzfensters unverzichtbar.

Werkzeuge für mehr Robustheit

Unterschiedliche Korrekturen adressieren unterschiedliche Schwächen:

Maßnahme	Ziel	Grenze
Gewichtsrestriktionen	extreme Lösungen vermeiden	können schwache Inputs verdecken, ohne sie zu verbessern
Shrinkage	Mittelwerte oder Kovarianzen stabilisieren	benötigt ein Ziel und eine Intensität
Resampling oder Szenarien	Empfindlichkeit gegenüber alternativen Inputs zeigen	hängt vom Simulationsmodell ab
Black–Litterman	Gleichgewicht und Views samt Unsicherheit kombinieren	beseitigt weder die Auswahl von Views noch Parametern
Minimum-Varianz	Abhängigkeit von erwarteten Renditen verringern	bleibt von der Kovarianzschätzung abhängig
Risk Budgeting	Beiträge unter einer definierten Risikokennzahl steuern	optimiert nicht automatisch die Rendite
Turnover-Strafe	Übergangsfriktionen berücksichtigen	verlangt realistische Kosten und eine Anfangsposition

Eine robuste Prüfung variiert Fenster, Frequenzen, Universen, Restriktionen und Kosten und behält dabei einen Out-of-Sample-Test. Nur eine Lösung mit vielen Nachkommastellen zu zeigen, kommuniziert numerische Präzision — keine ökonomische Gewissheit. Ebenso wichtig ist die Stabilität der Entscheidung: Wenn kleine, plausible Änderungen der Inputs völlig andere Positionen erzeugen, gehört diese Instabilität in die Bewertung.

Beispiel mit zwei Anlagen

Zwei hypothetische Anlagen haben geschätzte Jahresvolatilitäten von 10 % und 20 %, eine Korrelation von 0,25 sowie Gewichte von 60 % und 40 %. Die Kovarianz beträgt 0,25 × 0,10 × 0,20 = 0,005. Die geschätzte Varianz ist:

0,60²×0,10² + 0,40²×0,20² + 2×0,60×0,40×0,005 = 0,0124

Die Volatilität beträgt ungefähr √0,0124 = 11,14 %. Die Rechnung zeigt den Kovarianzeffekt. Sie prognostiziert keine zukünftige Volatilität und beweist nicht, dass die 60/40-Kombination effizient ist. Dazu wären erwartete Renditen, Restriktionen und ein Vergleich mit sämtlichen zulässigen Kombinationen erforderlich.

Publikationsprotokoll für eine Optimierung

Ein überprüfbares Ergebnis legt mindestens offen:

Anlageuniversum und Regel zum Survivorship Bias;
Währung, Frequenz und Datenintervall;
Schätzung von Renditen und Kovarianz;
Zielfunktion;
Restriktionen und Behandlung von Cash;
Ausgangsposition, Turnover und Kostenmodell;
Behandlung fehlender Werte und Ausreißer;
Sensitivitätsanalyse;
Out-of-Sample-Validierung;
Datum und Version der Inputs.

Typischer Fehler — Den höchsten Punkt einer geschätzten Effizienzlinie als „bestes Portfolio“ zu präsentieren. Der Optimierer löst die vorgegebene Funktion; er entscheidet nicht, ob Inputs, Ziel und Restriktionen das reale Problem angemessen darstellen.

Quellen

Harry Markowitz, Portfolio Selection, The Journal of Finance (1952) — ursprüngliche Formulierung des Mittelwert-Varianz-Kriteriums.
CFA Institute, Principles of Asset Allocation — 2026 refresher reading — Zielfunktion, Effizienzlinie, Kritikpunkte, Verbindlichkeiten, Faktoren und praktische Anwendungen.
Victor DeMiguel, Lorenzo Garlappi und Raman Uppal, Optimal Versus Naive Diversification, The Review of Financial Studies — Out-of-Sample-Vergleich mit der 1/N-Regel.
Fischer Black und Robert Litterman, Global Portfolio Optimization, Financial Analysts Journal (1992) — Rahmenwerk zur Verbindung von Gleichgewicht und Views.
Richard O. Michaud und Robert Michaud, Estimation Error and Portfolio Optimization: A Resampling Solution — Schätzfehler, Resampling und Stabilität von Lösungen.

Mittelwert-Varianz-Optimierung und Effizienzlinie