Alternative Risikomaße

Einführung in die Portfolioanalyse mit Python

Charlotte Werger

Data Scientist

Blick aufs Downside-Risiko

Grafik zu Upside- und Downside-Risiko

Ein gutes Risikomaß fokussiert potenzielle Verluste, also das Downside-Risiko

Sortino Ratio

Ähnlich zur Sharpe Ratio, nur mit anderer Standardabweichung
$ Sortino \; Ratio = \frac{R_p - R_f}{\sigma_d}$
$\sigma_d$ ist die Standardabweichung des Downside.

Berechnung des Downside-Risikos

Sortino Ratio in Python

# Risikofreien Zins und Zielrendite 0 festlegen
rfr = 0
target_return = 0

# Tägliche Renditen aus Preisdaten berechnen
apple_returns=pd.DataFrame(apple_price.pct_change())

# Nur negative Renditen auswählen
negative_returns = apple_returns.loc[apple_returns['AAPL'] < target]

# Erwartete Rendite und Stdabw. der Downside-Renditen berechnen
expected_return = apple_returns['AAPL'].mean()
down_stdev = negative_returns.std()

# Sortino Ratio berechnen
sortino_ratio = (expected_return - rfr)/down_stdev
print(sortino_ratio)

0.07887683763760528

Maximaler Drawdown

Größter prozentualer Verlust vom Hoch zum Tief
Hängt vom gewählten Zeitfenster ab
Erholungszeit: Zeit bis zur Rückkehr zum Break-even

Drawdowns des S&P500 über die Zeit

Maximaler täglicher Drawdown in Python

# Maximalen Preis mit rolling().max() berechnen
roll_max = apple_price.rolling(min_periods=1,window=250).max()

# Täglichen Drawdown vom Roll-Max berechnen
daily_drawdown = apple_price/roll_max - 1.0

# Maximalen täglichen Drawdown berechnen
max_daily_drawdown = daily_drawdown.rolling(min_periods=1,window=250).min()

# Ergebnisse plotten
daily_drawdown.plot()
max_daily_drawdown.plot()
plt.show()

Maximaler Drawdown von Apple

Plot: Maximaler Drawdown der Apple-Preise

Lass uns üben!

Einführung in die Portfolioanalyse mit Python