Varianzminimierung in stochastischen Modellen

Bei der Portfolioerstellung wird der normale Investorversuchen seinen erwarteten Ertrag zu maximieren,während er gleichzeitig versucht sein Risiko, das oftdurch einen Varianzterm dargestellt wird, zuminimieren. Bei dualen Entscheidungsproblemen kanndie Unsicherheit, die durch einen Varianztermcharakterisiertwerden kann, entscheidend durch aktives Lernengemindert werden. Zwar trifft man bei praktischenAnwendungen immer wieder aufVarianzminimierungsprobleme, aber dieVarianzminimierung ist bei der Optimierung einbekanntes Problem. Dies ist auf die Eigenschaften derNichtkonvexität und Nichtseparabilitätzurückzuführen. Die traditionelle stochastischeEntscheidungstheorie beschäftigtsich mit einem einzigen zu minimierenden Objekt, demErwartungswert der Zielfunktion. In diesem Buch wirdein neuartiger Lösungsansatz fürVarianzminimierungsproblemevorgestellt. Es werden Konvexitäts- undSeperationsschemata benutzt, um die analytischen undrechnerischen Schwierigkeiten in derVarianzminimierung zu umgehen. Dieses Buch richtet sich an Portfolioanalysten undRisikocontroller, die mit den Grundlagen desOperations Research und der Statistik vertraut sind.