Inhouse-Seminar · 2 Tage · KU Eichstätt-Ingolstadt
Lernen Sie, wie moderne Portfoliooptimierung — von Mean-Variance über Black-Litterman bis Risk Parity — direkt in Python implementiert wird. Für Portfolio Manager, Quants und Risk Manager, die quantitative Methoden in ihren Investmentprozess integrieren wollen.
Seminaranfrage stellenPortfoliooptimierung · Benchmarksteuerung · Schätzrisiko-Management · Black-Litterman · Risk Parity · Index Tracking — alles in Python implementiert und direkt in den eigenen Investmentprozess übertragbar.
Das Seminar in 45 Sekunden
Für wen ist dieses Seminar?
Warum Asset Manager dieses Seminar buchen
Verstehen und beheben Sie die bekannten Schwächen klassischer Markowitz-Optimierung — mit Shrinkage-Verfahren, Resampling und robusten Inputparametern.
Lernen Sie, Tracking Error gezielt zu steuern und benchmarknahe Portfolios effizient zu konstruieren — direkt anwendbar auf Ihre Mandate.
Kombinieren Sie Marktimplikationen mit eigenen Views zu konsistenten Renditeerwartungen — eines der mächtigsten, aber oft falsch angewandten Modelle im Asset Management.
Konstruieren Sie Risk-Parity- und Minimum-Variance-Portfolios ohne Renditeschätzung — besonders robust in unsicheren Marktphasen.
Replizieren Sie Benchmarks effizient mit reduzierten Portfolios — praxisrelevant für ETF-Konstruktion und passive Mandate.
Alle Methoden werden in Python implementiert — mit vollständigem Code, den Sie direkt in Ihren eigenen Investmentprozess integrieren können.
Prof. Dr. Thomas Mählmann
Dekan der Wirtschaftswissenschaftlichen Fakultät Lehrstuhlinhaber ABWL, Finanzierung & Banken KU Eichstätt-Ingolstadt
„Quantitative Methoden sind in der Investmentpraxis unverzichtbar — aber nur dann wertvoll, wenn man ihre Stärken und Schwächen wirklich versteht. Dieses Seminar gibt Ihnen genau das: die theoretische Grundlage und die praktische Umsetzung in Python, direkt anwendbar auf reale Portfolioprobleme."
Zweitägiges Programm
Jedes Modul verbindet Theorie mit direkter Python-Implementierung. Alle Code-Beispiele sind auf reale Portfolioprobleme zugeschnitten und können von den Teilnehmern mit eigenen Daten weitergenutzt werden.
| Zeit | Modul | Inhalt & Python-Umsetzung |
|---|---|---|
| 🗓️ Tag 1 — Portfoliooptimierung: Grundlagen, Benchmark & Schätzrisiken | ||
| 09:00–10:30 | Modul 1: Mean-Variance-Optimierung 🐍 Python | Markowitz-Ansatz, Effizienzlinie, Optimierung unter Nebenbedingungen (Long-only, Gewichtsgrenzen), Python-Implementierung mit scipy/cvxpy |
| 10:45–12:15 | Modul 2: Relative Portfoliooptimierung 🐍 Python | Benchmarkorientierte Portfolios, Tracking Error Minimization, Active Share, Python-Implementierung für Benchmark-Mandate |
| 13:15–14:45 | Modul 3: Schätzrisiken in der Portfoliotheorie 🐍 Python | Unsicherheiten bei Rendite- und Kovarianzschätzungen, Fehlerfortpflanzung in Optimierungsergebnissen, Diagnose typischer Probleme |
| 15:00–16:30 | Modul 4: Robuste Inputparameter & Shrinkage 🐍 Python | Ledoit-Wolf-Shrinkage, James-Stein-Schätzer, Regularisierung der Kovarianzmatrix, Vergleich klassisch vs. robust in Python |
| 🗓️ Tag 2 — Erweiterte Methoden: Black-Litterman, Monte Carlo & Risikobasierte Ansätze | ||
| 09:00–10:30 | Modul 5: Das Black-Litterman-Modell 🐍 Python | Marktimplikationen (Reverse Optimization), Integration subjektiver Views, Confidence-Parameter, vollständige Python-Implementierung |
| 10:45–12:15 | Modul 6: Portfolio-Resampling & Monte Carlo 🐍 Python | Michaud-Resampling, Monte-Carlo-Simulation von Inputparametern, Robustheitsanalyse, Vergleich Resampling vs. klassische Optimierung |
| 13:15–14:45 | Modul 7: Risk Parity & Minimum Variance 🐍 Python | Equal Risk Contribution, Minimum Variance Portfolio, Vergleich risikobasierter Ansätze, Performance in verschiedenen Marktphasen |
| 15:00–16:30 | Modul 8: Index Tracking & passive Portfolios 🐍 Python | Full Replication vs. optimiertes Sampling, Tracking-Error-Analyse, Transaktionskostenberücksichtigung, Praxisbeispiel ETF-Konstruktion |
Alle Module werden in Python implementiert. Teilnehmer erhalten vollständigen, kommentierten Code für alle acht Module — direkt weiternutzbar mit eigenen Daten.
Ihr Trainer
Lehrstuhlinhaber & Seminarleiter
Inhaber des Lehrstuhls für ABWL, Finanzierung und Banken an der KU Eichstätt-Ingolstadt. Dekan der Wirtschaftswissenschaftlichen Fakultät. Langjährige Erfahrung in der Vermittlung quantitativer Finanzmethoden für Praktiker — von Portfoliooptimierung über Faktorinvesting bis hin zu Machine-Learning-Anwendungen in Credit Markets.
Weitere Seminare: Private Debt Investing → From Research to Portfolio
Konditionen
Wir freuen uns auf Ihre Anfrage. Schreiben Sie uns direkt — wir melden uns innerhalb von 48 Stunden und besprechen gerne Termin, Format und individuelle Anpassungen.
Prof. Dr. Thomas Mählmann · KU Eichstätt-Ingolstadt
thomas.maehlmann@ku.de
Weiteres Seminar: Private Debt Investing — From Research to Portfolio →
In Vorbereitung für 2027
Große Sprachmodelle verändern Research und Asset Management. Vom Chatbot zum belastbaren Werkzeug im institutionellen Investmentprozess ist es aber ein weiter Weg. Dafür entwickle ich ein neues zweitägiges Seminar – methodisch fundiert und mit Python-Code zum direkten Einsatz.
Merken Sie sich unverbindlich vor: Sie erhalten eine persönliche E-Mail, sobald die Termine feststehen. Kein Newsletter, keine Weitergabe Ihrer Daten.
Geplante Themen