Mean-Variance-Optimierung mit impliziten Optionsparametern

Eine Anfang März veröffentlichte wissenschaftliche Arbeit der London Business School, Goethe Universität Frankfurt und der Edhec Business School untersucht, inwieweit Mean-Variance-Optimierungen durch die Verwendung von impliziten Daten aus Optionen verbessert werden können. Mean-Variance-Optimierungen reagieren bekanntermaßen sehr sensitiv auf die verwendeten Input-Daten, sodass die Verwendung von historischen Daten keine adäquaten Ergebnisse liefert.
Die vier Autoren testen die implizite Volatilität, Korrelation, Schiefe und Risikoprämie von Optionen auf ihre Eignung zur Prognose. Sie kommen zu dem Ergebnis, dass für Minimum-Varianz-Portfolios durch Verwendung impliziter Volatilitäten das Risiko des Portfolios reduziert werden kann. Die Verwendung von impliziter Schiefe und Risikoprämie führt für alle Portfoliovarianten sogar zu einer Verbesserung der Sharpe Ratios, auch nach Berücksichtigung von Transaktionskosten und Style-Faktoren.


Quelle: DeMiguel, Plyakha, Uppal, Vilkow (2011)

Die Autoren gehen davon aus, dass mit weiter entwickelten Ansätzen sich noch wesentlich bessere Prognosen aus den in Optionen enthaltenen Daten gewinnen lassen.