Unsere Methodik ruht auf drei Säulen der modernen Entscheidungstheorie: der
Unterscheidung von Risiko und Ambiguität, der axiomatischen Modellierung von Präferenzen
unter Unsicherheit und der robusten Kontrolltheorie für dynamische
Entscheidungsprobleme. Jede Säule wird durch empirische Evidenz gestützt und in
operationalisierbare Frameworks übersetzt.
Knightsche Unsicherheit
Frank Knight unterschied 1921 präzise zwischen messbarem Risiko und
unquantifizierbarer Unsicherheit. Diese Unterscheidung ist kein akademisches
Haarspalterei — sie hat direkte Konsequenzen für die Portfoliooptimierung. Wo
klassische Modelle eine einzige Wahrscheinlichkeitsverteilung annehmen,
modellieren wir ganze Mengen plausibler Verteilungen und deren Auswirkungen auf
optimale Allokationen.
Maxmin-Erwartungsnutzen
Gilboa und Schmeidler formulierten 1989 ein Axiomensystem, bei dem Entscheider
über eine Menge von Wahrscheinlichkeitsmassen optimieren und den schlechtesten
Fall antizipieren. Wir adaptieren diesen Ansatz für Portfolioentscheidungen und
zeigen, wie sich die resultierenden Allokationen systematisch von klassischen
Mean-Variance-Lösungen unterscheiden.
Robuste Kontrolltheorie
Die robuste Kontrolltheorie erweitert dynamische Optimierung um
Worst-Case-Analysen. Anstatt eine einzige Modellwelt anzunehmen, betrachten wir
ganze Nachbarschaften um das Basismodell. Wir übersetzen diese mathematische
Struktur in praktisch implementierbare Regeln für die dynamische
Rebalancing-Entscheidung unter laufender Unsicherheit.
Choquet-Erwartungsnutzen
Durch nicht-additive Wahrscheinlichkeiten — Kapazitäten — lässt sich
Ambiguitätsaversion elegant axiomatisieren. Wir nutzen diese Darstellung, um
experimentell erhobene Präferenzparameter in Portfoliooptimierungsmodelle
einzuspeisen und die Implikationen für Asset-Allokationen zu quantifizieren.