Indexfonds gelten als simpel. Doch wer einen Index wie den S&P 500 oder den STOXX Europe 600 mit nur 20, 40 oder 100 Titeln nachbilden möchte, steht vor einer anspruchsvollen Optimierungsaufgabe. Unser neuer Beitrag in der European Journal of Operational Research zeigt: Das Hauptproblem im Index-Tracking ist nicht die Optimierung selbst, sondern der Schätzfehler. Traditionelle Tracking-Ansätze basieren auf historischen Renditen oder geschätzten Faktorladungen aus Zeitreihenmodellen. Beide Ansätze benötigen viele Parameter und viele Parameter bedeuten viele Schätzfehler. Optimierungsmodelle tendieren dazu, diese Fehler systematisch zu verstärken. Das Resultat: Gute In-Sample-Performance, aber schwache Out-of-Sample-Ergebnisse. Statt geschätzter Faktorladungen verwenden wir beobachtbare Unternehmenscharakteristika als Risikopositionen: Größe Bewertung (Value) Profitabilität Investition Momentum Markt-Beta Diese werden in ein kardinalitätsbeschränktes Mixed-Integ...
In der empirischen Ökonomie ist eine „saubere Identifikation“ oft maßgebend: Instrumentalvariablen, Difference-in-Differences, Randomized Controlled Trials. Das ist gut und wichtig, aber nur weil ein Effekt kausal ist, erklärt er noch nicht viel von der beobachteten Variation. Viele identifizierte Effekte sind real, aber klein im Vergleich zu den großen Bewegungen in Beschäftigung, Einkommen oder Aktienkursen. Das Lehrstück Saubere Kausalität isoliert exogene aber häufig sehr geringe, Schwankungen (z. B. über Instrumente, Fixed Effects, Grenzfälle). Das liefert eine glaubwürdige Ursache-Wirkung-Aussage, aber der Preis ist, dass wir viel Variation wegwerfen. Ergebnis: Der Effekt ist kausal richtig, erklärt aber oft nur einen kleinen Teil des Gesamtbilds. Genau diese Trennung von kausal und relevant ist die zentrale Pointe dieses Beitrags. Paradoxon der Kausaliät Je strenger wir Identifikation betreiben, d...