Die Inhalte dieser Website dienen ausschliesslich zu Informations- und Bildungszwecken. Sie stellen keine Anlageberatung oder Empfehlung dar.

Wie modelliert man Entscheidungen, wenn selbst die Wahrscheinlichkeiten fragwürdig sind?

Ein rigoroser, empirisch validierter Ansatz zur Integration von Ambiguitätsaversion in die Portfoliooptimierung

Die klassische Portfoliotheorie behandelt Unsicherheit als Risiko — als Varianz um einen bekannten Erwartungswert. Doch was passiert, wenn die Erwartungswerte selbst unsicher sind, wenn die Kovarianzmatrix nur geschätzt, nie wirklich bekannt ist? Wir bauen Modelle, die diese zweite Ebene der Unsicherheit explizit abbilden. Unsere Methodik verbindet axiomatische Entscheidungstheorie mit robuster Optimierung und empirischer Validierung. Das Ergebnis sind Allokationsframeworks, die stabil bleiben, selbst wenn die Welt sich als komplexer erweist als angenommen.

Die beschriebenen Modelle dienen der Forschung und Weiterbildung. Sie ersetzen keine individuelle Beratung.

Vom Konzept zur Anwendung

01

Ambiguität identifizieren

Jedes Portfolioproblem beginnt mit der Frage: Wo liegt Unsicherheit über die Parameter selbst? Wir analysieren, welche Annahmen als gegeben behandelt werden und wo tatsächlich nur Schätzungen vorliegen. Diese systematische Dekonstruktion der Modellannahmen bildet die Grundlage für alle weiteren Schritte.
Analyse
Struktur
02

Präferenzen quantifizieren

Mittels kontrollierter Experimente und strukturierter Elicitation-Methoden ermitteln wir, wie stark Entscheider Unsicherheit über Wahrscheinlichkeiten vermeiden. Diese Parameter fliessen nicht als willkürliche Annahme, sondern als empirisch fundierte Grösse in die Modelle ein.

Experiment
Messung
03

Robuste Modelle bauen

Anstatt eine einzelne optimale Allokation zu suchen, konstruieren wir Portfolios, die über ganze Szenarienbänder akzeptabel performen. Wir nutzen Minimax-Regret-Ansätze und robuste Optimierung, um Entscheidungen zu finden, die unter verschiedenen plausiblem Annahmen über die Verteilungsparameter tragfähig bleiben.

Robustheit
Optimierung
04

Empirisch validieren

Jedes Modell durchläuft eine strenge Prüfung: Backtesting mit historischen Daten, Out-of-Sample-Tests und Sensitivitätsanalysen. Wir dokumentieren transparent, wo Modelle versagen und unter welchen Bedingungen sie ihre Stärken entfalten.
Validierung
Iteration
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.

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.

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.

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.

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.

Forschungskontext

Wissenschaftliche Fundierung

Zentrale Erkenntnisse aus der Forschung zu Ambiguitätsaversion und deren Bedeutung für die Asset-Allokation
01
Die Unterscheidung zwischen messbarem Risiko und unquantifizierbarer Unsicherheit ist nicht nur philosophisch relevant — sie hat unmittelbare Konsequenzen für ökonomische Entscheidungen. Wer beides gleich behandelt, systematisiert einen kategorischen Fehler.
02
Wenn Entscheider Unsicherheit über Wahrscheinlichkeiten antizipieren, führt dies zu Präferenzen, die sich nicht im klassischen Erwartungsnutzenmodell abbilden lassen. Die axiomatische Struktur muss erweitert werden, um Ambiguitätsaversion konsistent zu erfassen.
03
Robuste Entscheidungsregeln akzeptieren bewusst suboptimale Ergebnisse in der idealen Welt, um katastrophale Ergebnisse in der realen Welt zu vermeiden. Dieser Trade-off ist nicht Schwäche, sondern strukturierte Rationalität unter Unvollständigkeit.
04
Die optimale Reaktion auf Modellunsicherheit ist nicht, sie zu ignorieren, sondern sie explizit in die Entscheidungsregel einzubauen. Robustheit entsteht durch das systematische Antizipieren von Fehlspezifikation, nicht durch deren Vermeidung.
Forschungskontext

Diese Zitate repräsentieren paradigmatische Positionen in der Entscheidungstheorie, die unser methodisches Fundament prägen. Sie stammen aus seminalen Arbeiten, die die moderne Portfoliotheorie unter Unsicherheit mitgeprägt haben.

Forschung

Validierung

Anwendung

Weiterentwicklung

Wir verwenden Cookies

Diese Website nutzt Cookies und ähnliche Technologien, um die Benutzererfahrung zu verbessern, Präferenzen zu speichern und das Nutzerverhalten anonymisiert zu analysieren. Sie können Ihre Einstellungen jederzeit anpassen.