Diversifizidimgsbumsen

Aber da siehst Du nur die Gewinner...

So ist es.

Je mehr man streut, umso mehr nähert man sich dem Marktdurchschnitt an.
Eine Unterrendite sowieo eine Überrendite wird unwahrscheinlicher.

Da ich Fonds irgendwie meide, bin ich am überlegen, statt Fonds einfach Bershire zu besparen.

Ja, habe ich auch jahreland so gemacht. Vor allen Dingen sitzt man -im Gegensatz zu Fondsmanager- bei BRK mit Warren Buffett in einem Boot, da er auch sein maßgebliches Vermögen in BRK hält.
Das größte Problem ist halt, dass man nicht weiß, was passiert, wenn Buffett abtritt.

Das größte Problem ist halt, dass man nicht weiß, was passiert, wenn Buffett abtritt.

Da Buffett das Zepter und Entscheidungsgewalt inoffiziell schon abgegeben hat und der Markt sein baldiges Ableben eingepreist hat, sollte mal nichts passieren.
Was meinst du wie viele Leute darauf warten? Mir inklusive

Wenn ein Chef unerwartet abtritt und er sozusagen den "Kern" des Unternehmens darstellt, dann gibt es einen Schock im Kurs.
So aber nicht. Buffett kann jetzt schon behaupten bis zur letzten Minute alles richtig gemacht zu haben.

Wäre trotzdem ein derber Verlust für die Finanz- und Börsenwelt wenn der Mann das Zeitliche segnet.

Hallo zusammen, 

für mich ist Diversifizierung schon wichtig, 
aber sie steht nicht im Mittelpunkt eines Depots. 

Warum nicht?

- weil ich nicht das Spektrum aller Branchen/Sektoren 
in einem Depot in einer noch übersichtlichen Aktienanzahl abbilden kann.
Das geht mengenmäßig einfach nicht

- weil ich nur in Sektoren investiere, bei denen ich mich ein bisschen auskenne.
Bevor ich z.B. in den Sektor "Luxus" investiere, müsste ich mich da auskennen, 
sonst geht es meistens schief.

Ich versuche mich auf das zu konzentrieren, das ich auch verstehe und das zukunftsorientiert ist. 
Allerdings bleibt die Diversifikation wichtig und sollte immer im Auge gehalten werden.   

Man muss also immer einen Mittelweg finden.


Diversifizierende Grüße
Schafgarbe

wenn man die Korrelation einzelner Werte zueinander eigenhändig mit Excel o.ä. berechnen möchte, stösst man schnell an Grenzen (ab 3 Werten ist das zu komplex, hab das mal vor Jahren bei AB versucht)

hier eine einfache Lösung Asset Correlations
https://www.portfoliovisualizer.com/asset-correlations

als Beispiel Vergleich Gold (GLD), S&P500 (SPY) und High Yield ETF (HYG)

Hi, nettes tool. Ich vertraue so web browser Dingern aber nicht so wirklich.

Wo kommen die Daten her, wie berechnen die "monthly returns", wie berrechnen die Returns? Von den Sachen die ich brauche um die Kointegration zu schätzen nicht mal zu reden.

Könntest du mir zum Beispiel sagen, welche Korrelation hier verwendet wird? Steht das irgenwod auf der Web Site?

Es ist offensichtlich Pearson (und damit IMHO die schlechteste Wahl im Finance Umfeld...kein "make or break" Problem...trotzdem)


Python, R, Matlab oder selbst XLS bieten da alle Möglichkeiten und man geanuer nachvollziehehn was passiert.

Code:

import pandas as pd
import scipy
import numpy as np
from pandas_datareader import data

ticker_symbols = ["HYG","SPY","GLD"]
start_date = '2007-05-01'
end_date = '2019-07-31'

data = data.get_data_yahoo(ticker_symbols,start_date,end_date)
adj_close_retuns = data["Adj Close"].pct_change()

# rolling correlation
adj_close_retuns.rolling(150).corr("kendall")

Moin zusammen,

versuche gerade, mir Gedanken über die Zukunft meines Depots zu machen und stehe nun vor der Frage, wie/ob/nach welchen Kriterien ich vernünftig diversifizieren kann/soll/muss (Branchen/Sektoren/Währungen/Firmengröße, Vornamen der CEO-Sekretärinnen ?!).

Daher die Frage, wie Ihr das in euren Depots macht.

SG

Muss - nein. Soll - kommt drauf an wen Du fragst. Kann - selbstverständlich.

Ich diversifiziere lediglich nach Zyklikern und Nicht-Zyklikern. Die Prozente variieren, je nach Chancen die sich am Markt bieten.

Viel Spaß und Erfolg.

Mr. Passiv
Moin zusammen,

versuche gerade, mir Gedanken über die Zukunft meines Depots zu machen und stehe nun vor der Frage, wie/ob/nach welchen Kriterien ich vernünftig diversifizieren kann/soll/muss (Branchen/Sektoren/Währungen/Firmengröße, Vornamen der CEO-Sekretärinnen ?!).

Daher die Frage, wie Ihr das in euren Depots macht.

SG

Diversifikation schützt nicht vor starkem Drawdown, wenn das Depot mit überbewerteten Aktien (Anlageklassen) bestückt ist.
Diversifikation führt auch zur Outperformance, vorausgesetzt, Depot mit unterbewerteten Aktien (Anlageklassen) bestückt ist.

Also entweder begibt man sich auf der Suche nach ihnen   oder warten auf den Bear Market (bevor jemand mich für blöd halten:
)

Vahana


Eine gute Bilanz günstig kaufen, das gibt es maximal im Bärenmarkt.

Besitze USD, CASH und Aktien im Trading-Depot.

Ich lese hier (und nicht nur hier) häufig relativ kritische Ansichten über das Konzept Diversifikation. Ein bisschen zwischen "bringt ja eh nix wenn es wirklich kracht" (stimmt in gewissr Weise) und, häufig getarnt als Buffet Weisheit "was interessiert mich die Statdardabweichung (oder ein anderes Risikomaß), Wenn der Márkt verrückt spielt kauf ich nach. Ich kaufe nur gute Aktien. Warum soll ich überbewertete Aktien ins Portfolio holen? Am Ende zählt die Rendite"

Da liegt IMHO ein Missverständnis vor. Mal abgesehen davon, daß man die "guten Aktien" erstmal finden muss und der Markt dann irgendwann diese auch für gut befinden muss (sonst hab ich eine AKtie die ich toll finde...und sonst nix), kosten riskante Portfolios häufig Rendite!!

Folgendes Gedankenxperiment:

Wir leben in einem einfachen Universum.
Es gibt nur 6 Aktien mit folgenden positiven Erwartungswerte in den Renditen:
mu_1 = 0.065
mu_2 = 0.035
mu_3 = 0.01
mu_4 = 0.11
mu_5 = 0.065
mu_6 = 0.08

Alle Aktien kosten gerade 100 und sind daher nicht vernünftig relativ zueinander bepreist.

Wir betrachten zwei Investoren:
1) Warren ist intelligenter Value Investor und sucht sich die Aktien die tolle Produkte herstellen und die Momentan unterbewertet scheinen.
2) Edward Thorpe sagt: "ich habe gerade kein exaktes Modell, ich denke aber die 6 Aktien haben einen positiven Erwartungswert und sind unkorreliert....also diversifiziere ich gleichgewichtet über alle 6"

Folglich setzt Warren sein ganzen Geld auf Aktie 4 (weil er tatsächlich so krass ist und weiss das Aktie 4 die beste ist UND einen porsitiven Erwartungswert hat)
Ed kauft alle 6 Aktien. Er weiss nur: die sechs Aktien haben einen positiven Erwartungswert und sind unabhängig.

Beide halten die Aktien 1 Jahr!


Das gleich passiert jetzt in 1000 Universen parallel. Was ist die besser Strategie?

Hier die Durchscnitte der Renditen und das Endvermögens

Buffet:
              mean  final_wealth      better
count  1000.000000  1000.000000  1000.000000
mean    -0.000121    109.298380    0.507000
std      0.001375    38.288816    0.500201
min      -0.004078    37.701702    0.000000
25%      -0.001050    81.930479    0.000000
50%      -0.000092    104.073942    1.000000
75%      0.000823    130.786316    1.000000
max      0.003881    286.972878    1.000000

Thorpe
              mean  final_wealth      better
count  1000.000000  1000.000000  1000.000000
mean      0.000213    106.275574    0.507000
std      0.000347      9.267632    0.500201
min      -0.000803    81.903148    0.000000
25%      -0.000026    99.812039    0.000000
50%      0.000215    105.877977    1.000000
75%      0.000440    112.044771    1.000000
max      0.001374    140.513486    1.000000

Erstmal nix Überraschendes. Im Durchschnitt (über alle Universen) hat Buffet am Ende des Jahres 109 Eur und ist damit besser als Thorpe (106 Eur). Im besten Universum hat Buffet sogar 286 Eur und Thorpe nur ärmliche 140 EUR.

Wenn man sich die Quantile aber anschaut versteht man: Thorpe ist häufiger besser als Buffet. Ed hat in 75% aller Fälle sein Geld erhalten oder Gewinn gemacht. Im Schlimmsten aller Fälle hat er 82 EUR....Buffet ist mit 37 quasi im Arsch. Das Minimum von Thorpe ist fast besser wie das beste der 25% schlechtesten Portfolios von Warren!!


Es gibt mehr Universen in denen Thorpe besser ist als Buffet.

Natürlich hängt dieser Ausgang von der Wahld er Parameter ab (insbesondere der Volas der Gewinner Aktie...)
Aber es zeigt welche Effekte das haben kann.

Der Code zum rumspielen:

Code:

import numpy as np
import pandas as pd
import scipy as sc
import math
import matplotlib.pyplot as plt

np.random.seed(10)

def create_path(mu,sigma,N,S_0 = 100):
   delta_t = math.sqrt(1/N)
   delta =  np.cumsum(np.repeat(1/N,N))
   W_t = np.cumsum(delta_t*np.random.normal(0,1,N))
   S_t = S_0*np.exp((mu-0.5*sigma**2)*delta + sigma*W_t)
   return S_t




N = 250

mu_1 = 0.065
sigma_1 = 0.15

mu_2 = 0.035
sigma_2 = 0.25

mu_3 = 0.01
sigma_3 = 0.075

mu_4 = 0.11
sigma_4 = 0.35

mu_5 = 0.065
sigma_5 = 0.12

mu_6 = 0.08
sigma_6 = 0.22


dfs = []
for trial in np.arange(1000):
    df = pd.DataFrame(create_path(mu_1, sigma_1, N),columns=["a1"])
    df["a2"] = create_path(mu_2, sigma_2, N)
    df["a3"] = create_path(mu_3, sigma_3, N)
    df["a4"] = create_path(mu_4, sigma_4, N)
    df["a5"] = create_path(mu_5, sigma_5, N)
    df["a6"] = create_path(mu_6, sigma_6, N)
    df["thorpe"] = df.mean(axis=1)
    rets = df.diff()/df
    desc =rets[["a4","thorpe"]].describe().loc[["mean","std","25%","75%"]].transpose()
    desc["final_wealth"] = df[["a4","thorpe"]].loc[N-1]
    desc["better"] = int(df[["thorpe"]].loc[N-1].values[0] >= df[["a4"]].loc[N-1].values[0])
    desc["trial"] = trial
    dfs.append(desc)
df_final = pd.concat(dfs)

print(df_final.loc["a4"].describe()[["mean","final_wealth","better"]].to_string())
print(df_final.loc["thorpe"].describe()[["mean","final_wealth","better"]].to_string())

Kurzer Nachtrag..

Ed hat nun die gleiche Information wie Buffet und kennt die Standard Abweichung...er optimiert nun Risiko und Return gegeneinander. Thorpe geht jetzt etwas mehr Risiko ein und ist im Durchschnitt fast so gut wie Buffet, bei einem 4tel des Risikos...und noch immer in der Mehrzahl der Szenarien(52%) besser als Buffet und im schlimmsten Fall noch immer doppelt so gut wie Buffet.

Man sieht aber auch hier: die naive Diversifikation ist, je nach Risiko Präferenz, eine nicht zu vernachlässigende Alternative.

Wer es beliebig "low risk" mag, kann im unten angehängten code auch noch das Minimum Varianz Portfolio verwenden (einfach den Term mit der Subtraktion in der loss Funktion rausnehmen)

Natürlich ist dieses Szenario sehr auf die Vorteile der Diversifikation getrimmt. Ich kenne alle Parameter,diese Parameter bleiben stabile (Stationarität), die assets sind unkorreliert...trotzdem gibt es ein Gefühl dafür, dass Diversifikation eventuell robust Vorteile bringen kann: für eure Rendite!!!


Buffet
count    1000.000000
mean      112.835756
std        41.285000
min        25.187804
25%        83.571689
50%      105.673235
75%      135.760719
max      343.162890
count    1000.000000

naive Diversifikation
mean      107.032307
std        9.779648
min        82.521911
25%      100.132379
50%      106.338482
75%      112.859044
max      140.068309

Thorpe
count    1000.000000
mean      110.015110
std        17.985399
min        67.882740
25%        97.411212
50%      108.253007
75%      119.977537
max      193.907584


Hier noch ein paar Plots zum unterschiedlichen Verlauf des Endvermögens der Szenarien...

Code:

import numpy as np
import pandas as pd
import scipy as sc
import math
import matplotlib.pyplot as plt
import seaborn as sns

np.random.seed(10)

def create_path(mu,sigma,N,S_0 = 100):
    delta_t = math.sqrt(1/N)
    delta =  np.cumsum(np.repeat(1/N,N))
    W_t = np.cumsum(delta_t*np.random.normal(0,1,N))
    S_t = S_0*np.exp((mu-0.5*sigma**2)*delta + sigma*W_t)
    return S_t


N = 2500

mu_1 = 0.065
sigma_1 = 0.15

mu_2 = 0.035
sigma_2 = 0.25

mu_3 = 0.01
sigma_3 = 0.075

mu_4 = 0.11
sigma_4 = 0.35

mu_5 = 0.065
sigma_5 = 0.12

mu_6 = 0.08
sigma_6 = 0.22


x0 =np.repeat(1/6,6).tolist()
loss = lambda x: 0.5*((0.15**2)*x[0]**2 + (0.25**2)*x[1]**2 + (0.075**2)*x[2]**2 + (0.35**2)*x[3]**2 + (0.12**2)*x[4]**2 +(0.22**2)*x[5]**2) - (x[0]*0.065 + x[1]*0.035 + x[2]*0.01 + x[3]*0.11 + x[4]*0.065 +x[5]*0.08)
#loss = lambda x: 0.5*((0.15**2)*x[0]**2 + (0.25**2)*x[1]**2 + (0.075**2)*x[2]**2 + (0.35**2)*x[3]**2 + (0.12**2)*x[4]**2 +(0.22**2)*x[5]**2)
cons = ({'type': 'eq', 'fun': lambda x: x[0] + x[1] + x[2] + x[3] + x[4] + x[5] -1},
        {'type': 'ineq', 'fun': lambda x: x[0] -0},
        {'type': 'ineq', 'fun': lambda x: x[1] -0},
        {'type': 'ineq', 'fun': lambda x: x[2]-0},
        {'type': 'ineq', 'fun': lambda x: x[3] -0},
        {'type': 'ineq', 'fun': lambda x: x[4] -0},
        {'type': 'ineq', 'fun': lambda x: x[5] -0})
#one sample path
from scipy import optimize
thorpePortfolio = optimize.minimize(fun=loss,x0=x0,constraints=cons,method="SLSQP",options={"maxiter":5000})
thorpe = np.array(thorpePortfolio.x)



dfs = []
paths = []
for trial in np.arange(1000):
    df = pd.DataFrame(create_path(mu_1, sigma_1, N), columns=["a1"])
    df["a2"] = create_path(mu_2, sigma_2, N)
    df["a3"] = create_path(mu_3, sigma_3, N)
    df["a4"] = create_path(mu_4, sigma_4, N)
    df["a5"] = create_path(mu_5, sigma_5, N)
    df["a6"] = create_path(mu_6, sigma_6, N)
    df["naive"] = df.mean(axis=1)
    df["thorpe"]  = np.dot(df[["a1","a2","a3","a4","a5","a6"]].values ,thorpe)
    rets = df.diff()/df
    desc = rets[["a4","naive","thorpe"]].describe().loc[["mean","std","25%","75%"]].transpose()
    desc["final_wealth"] = df[["a4","naive","thorpe"]].loc[N-1]
    df["trial"] = trial
    df["steps"] = df.index.values
    dfs.append(desc)
    paths.append(df)
df_final = pd.concat(dfs)

print(df_final.loc["a4"].describe()["final_wealth"].to_string())
print(df_final.loc["naive"].describe()["final_wealth"].to_string())
print(df_final.loc["thorpe"].describe()["final_wealth"].to_string())