Skip to main content

Erwartete Rendite und Risiko

  • Chapter
  • First Online:
Corporate Finance
  • 11k Accesses

Zusammenfassung

Mit einem Rendite-Risiko-Modell lässt sich mithilfe des Risikos einer Anlage deren erwartete Rendite bestimmen. Die so berechnete Rendite kann als Hurdle Rate für die Analyse eines Projekts eingesetzt werden. Überschreitet (unterschreitet) die erwartete Rendite des Projekts die geforderte risikoadäquate Rendite des Modells, wird es durchgeführt (abgelehnt).

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Subscribe and save

Springer+ Basic
$34.99 /Month
  • Get 10 units per month
  • Download Article/Chapter or eBook
  • 1 Unit = 1 Article or 1 Chapter
  • Cancel anytime
Subscribe now

Buy Now

Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 79.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 99.99
Price excludes VAT (USA)
  • Durable hardcover edition
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 1.

    Vgl. Abschn. 10.4.3.

  2. 2.

    Die so berechnete einfache Anlagerendite berücksichtigt etwaige Zinseinnahmen aus der wieder angelegten Dividende nicht.

  3. 3.

    Als Richtgröße gilt, dass die Volatilität mit nicht weniger als 24 Renditen zu rechnen ist, da sonst die statistische Relevanz der Risikogröße nicht gegeben ist.

  4. 4.

    Vgl. Hull 2012: Risk Management and Financial Institutions, S. 207.

  5. 5.

    Zum Beispiel kann die Volatilität mit der exponentiell geglätteten Mittelwertmethode bzw. dem Exponentially Weighted Moving Average Model (EWMA) berechnet werden. Dabei wird ein Zerfallsfaktor, der zwischen 0 und 1 liegt, verwendet. Dieser Faktor ist für die Zuordnung der Gewichte verantwortlich und nimmt ab, je älter die Renditebeobachtung ist. Im Modell fallen die Gewichte exponentiell. Vgl. z. B. Hull 2012: Risk Management and Financial Institutions, S. 216 ff.

  6. 6.

    Die Normalverteilung ist eine stetige Zufallsverteilung. Der Begriff der „Normalverteilung“ wurde vom Göttinger Mathematiker und Astronomen Carl Friedrich Gauß (1777–1827) geprägt. Daher wird für diese Verteilung im deutschsprachigen Raum oft der Begriff „Gauß’sche Verteilung“ verwendet.

  7. 7.

    Vgl. Stocker und Steinke 2017: Statistik: Grundlagen und Methodik, S. 361 ff.

  8. 8.

    Vgl. Abschn. 2.2.3.2.

  9. 9.

    Unter Marktrisiko versteht man Verluste, die aufgrund von Änderungen der Aktienpreise, Zinssätze, Fremdwährungen und Rohstoffpreise entstehen. Besitzt man beispielsweise eine festverzinsliche Anleihe, dann führt ein Zinssatzanstieg zu einem Preisrückgang der Anleihe bzw. zu einem Verlust. Vgl. Abschn. 8.6.1.

  10. 10.

    Ist der Korrelationskoeffizient + 1, dann lässt sich Gl. 2.17 als Portfoliovarianz wie folgt schreiben: \( {\upsigma}_{\mathrm{P}}^2={\mathrm{w}}_1^2{\upsigma}_1^2+{\mathrm{w}}_2^2{\upsigma}_2^2+2{\mathrm{w}}_1{\mathrm{w}}_2{\upsigma}_1{\upsigma}_2 \). Die Portfoliovarianz kann mithilfe der 1. binomischen Formel folgendermaßen umgewandelt werden: \( {\upsigma}_{\mathrm{P}}^2={\left({\mathrm{w}}_1{\upsigma}_1+{\mathrm{w}}_2{\upsigma}_2\right)}^2 \). Wenn man mit der Wurzelfunktion die Varianz in die Standardabweichung umrechnet, gelangt man zur Gl. 2.18.

  11. 11.

    Strebt N gegen unendlich, dann geht der erste Term der Gl. 2.20 von \( \left(1/\mathrm{N}\right){\overline{\upsigma}}^2 \) gegen 0, während der zweite Term von \( \left[\left(\mathrm{N}-1\right)/\mathrm{N}\right]\overline{\operatorname{cov}} \) gegen die durchschnittliche Kovarianz strebt. Folglich entspricht bei einer großen Anzahl an Aktien die Portfoliovarianz der durchschnittlichen Kovarianz.

  12. 12.

    Für die Herleitung vgl. Mondello 2018: Finance: Angewandte Grundlagen, S. 114.

  13. 13.

    Vgl. DeFusco et al. 2004: Quantitative Methods for Investment Analysis, S. 607 ff.

  14. 14.

    Vgl. Brigham und Houston 2004: Fundamentals of Financial Management, S. 168.

  15. 15.

    Vgl. Damodaran 2015: Applied Corporate Finance, S. 58 ff.

  16. 16.

    Vgl. Abschn. 15.4.

  17. 17.

    Vgl. Geotzmann und Kumar 2008: Equity Portfolio Diversification, S. 439.

  18. 18.

    https://www.geberit.com/investoren/aktie/eckdaten-zur-geberit-aktie

  19. 19.

    Vgl. Damodaran 2015: Applied Corporate Finance, S. 54.

  20. 20.

    Das Portfoliomodell von Harry Markowitz aus dem Jahr 1952 hat den Grundstein zur modernen Portfoliotheorie gelegt. Vgl. Markowitz 1952: Portfolio Selection, S. 77 ff. Rund 12 Jahre später wurde die Theorie durch die Arbeiten von Wiliam Sharpe, John Lintner und Jan Mossin zum Capital Asset Pricing Model (CAPM) weiterentwickelt. Vgl. Sharpe 1964: Capital Asset Prices: A Theory of Market Equilibrium Under Conditions of Risk, S. 425 ff.; Lintner 1965: The Valuation of Risk Assets and the Selection of Risky Investments in Stock Portfolios and Capital Budgets, S. 13 ff.; Mossin 1966: Equilibrium in a Capital Asset Market, S. 768 ff.

  21. 21.

    Vgl. Abschn. 2.2.2.4.

  22. 22.

    Für das Kapitalmarktlinienmodell vgl. z. B. Mondello 2017: Finance: Theorie und Anwendungsbeispiele, S. 123 ff.

  23. 23.

    Für die Auflösung der Annahmen und die Auswirkungen auf das CAPM vgl. Mondello 2015: Portfoliomanagement: Theorie und Anwendungsbeispiele, S. 257 ff.

  24. 24.

    Die Regressionsgerade verläuft nach der Methode der kleinsten Quadrate durch das arithmetische Mittel der X-Werte (\( \overline{\mathrm{X}} \)) und das arithmetische Mittel der Y-Werte (\( \overline{\mathrm{Y}} \)). Der X-Wert entspricht der unabhängigen Variablen (rM), während der Y-Wert die abhängige Variable (ri) reflektiert. Die Funktion der Regressionsgeraden ist: Y = a + bX. Der Regressionskoeffizient b lässt sich wie folgt berechnen: \( \mathrm{b}=\frac{\sum \left[\left(\mathrm{X}-\overline{\mathrm{X}}\right)\, \left(\mathrm{Y}-\overline{\mathrm{Y}}\right)\right]}{\sum {\left(\mathrm{X}-\overline{\mathrm{X}}\right)}^2}=\frac{{\operatorname{cov}}_{\mathrm{X},\mathrm{Y}}}{\upsigma_{\mathrm{X}}^2} \).

  25. 25.

    Vgl. Abschn. 2.2.2.4.

  26. 26.

    Vgl. Hull 2012: Risk Management and Financial Institutions, S. 13.

  27. 27.

    Ist hingegen der Aktienindex ein Preisindex (z. B. SMI), so sind die Renditen einer SMI-Aktie ohne den Einbezug von Dividenden in die Regressionsanalyse einzubinden. Auf diese Weise wird sichergestellt, dass die für die Regression verwendeten Renditen konsistent sind.

  28. 28.

    Vgl. Jensen 1968: The Performance of Mutual Funds in the Period 1945–1964, S. 397.

  29. 29.

    Die erwartete Rendite eines Zwei-Anlagen-Portfolios lässt sich mit folgender Formel berechnen: E(rP) = w1E(r1) + w2E(r2). Wird in der Gleichung für E(r1) und E(r2) die erwartete CAPM-Rendite von E(ri) = rF + [E(rM) ‐ rF] βi eingesetzt, resultiert daraus folgende Gleichung für die Renditeerwartung des Portfolios: E(rP) = w1rF + w1β1[E(rM) ‐ rF] + w2rF + w2β2[E(rM) ‐ rF] = rF + (w1β1 + w2β2) [E(rM) ‐ rF]. Die Formel zeigt, dass das Beta des Zwei-Anlagen-Portfolios (βP) aus der Summe der gewichteten Betas der beiden Anlagen besteht (βP = w1β1 + w2β2).

  30. 30.

    Vgl. Roll 1977: A Critique of the Asset Pricing Theory’s Tests: Part I: On Past and Potential Testability of the Theory, S. 129 ff. Die Kritik von Roll (Roll’s Critique) zeigt die Schwierigkeiten, die beim Testen des CAPM entstehen, weil das Marktportfolio nicht beobachtet werden kann.

  31. 31.

    Der S&P 500 stellt einen guten Indikator für die Entwicklung des gesamten US-amerikanischen Aktienmarkts dar, weil der Index rund 80 % der Marktkapitalisierung von US-amerikanischen Aktien wiedergibt.

  32. 32.

    Vgl. z. B. Levy 1971: On the Short-Term Stationarity of Beta Coefficients, S. 55 ff.

  33. 33.

    Vgl. Abschn. 3.3.1.3.

  34. 34.

    Vgl. z. B. Baesel 1974: On the Assessment of Risk: Some Further Considerations, S. 1491 ff.

  35. 35.

    Vgl. Roenfeldt et al. 1978: Further Evidence on the Stationarity of Beta Coefficients, S. 117 ff.

  36. 36.

    Vgl. Carpenter und Upton 1981: Trading Volume and Beta Stability, S. 60 ff.

  37. 37.

    Vgl. z. B. Sharpe und Cooper 1972: Risk-Return Classes of New York Stock Exchange Common Stocks: 1931–1967, S. 46 ff.

  38. 38.

    Vgl. Fama und MacBeth 1973: Risk, Return and Equilibrium: Empirical Tests, S. 453 ff.

  39. 39.

    Vgl. Fama und French 1992: The Cross Section of Expected Stock Returns, S. 427 ff.

  40. 40.

    Vgl. Dennis et al. 1995: The Effects of Rebalancing on Size and Book-to-Market Ratio Portfolio Returns, S. 47 ff. Diese Studie zeigt, dass die erwartete Aktienrendite von der Größe des Unternehmens (Small Size Effect) und vom Buchwert-Kurs-Verhältnis abhängt. Dieser Zusammenhang ist nach wie vor vorhanden, wenn Transaktionskosten von 1 % und eine jährliche Umschichtung der Aktienportfolios berücksichtigt werden.

  41. 41.

    Vgl. z. B. Kothari et al. 1995: Another Look at the Cross Section of Expected Stock Returns, S. 185 ff. Im Gegensatz zu Fama und French verwenden die Autoren dieser Studie jährliche und nicht monatliche Renditen, um das Handelsproblem zu umgehen. Sie finden einen statistisch signifikanten Zusammenhang zwischen erwarteter Rendite und Beta. Der statistisch signifikante Zusammenhang zwischen erwarteter Rendite und Buchwert-Kurs-Verhältnis hingegen kann über eine längere als zwischen 1963 und 1990 liegende Zeitperiode nicht bestätigt werden.

  42. 42.

    Vgl. z. B. Malkiel 1995: Returns from Investing in Equity Mutual Funds 1971 to 1991, S. 549 ff.

  43. 43.

    Vgl. Ross 1976: The Arbitrage Theory of Capital Asset Pricing, S. 341 ff.

  44. 44.

    Vgl. Reilly und Brown 2003: Investment Analysis and Portfolio Management, S. 291.

  45. 45.

    Für die empirische Relevanz der APT vgl. Mondello 2017: Finance: Theorie und Anwendungsbeispiele, S. 225 ff.

  46. 46.

    Vgl. Mondello 2017: Finance: Theorie und Anwendungsbeispiele, S. 205 ff.

  47. 47.

    Vgl. Burmeister et al. 1994: A Practitioner’s Guide to Arbitrage Pricing Theory, S. 8 f.

  48. 48.

    Ein erhöhter Aktienpreis (P1) hat eine höhere Rendite (r) zur Folge: r = (P1 − P0)/P0.

  49. 49.

    Eine Risikoexposition gegenüber den ersten vier systematischen Risikofaktoren von null (βi,CF = 0, …, βi,BR = 0) führt dazu, dass das Market Timing Risk in einer proportionalen Beziehung zur Gesamtrendite des S&P 500 steht. Liegen diese unrealistischen Bedingungen vor, entspricht die Risikoexposition der Aktie gegenüber dem Market Timing Risk derjenigen des Betas im CAPM.

  50. 50.

    Vgl. Fama und French 1992: The Cross Section of Expected Stock Returns, S. 427 ff. und Abschn. 2.2.3.2.

  51. 51.

    Vgl. Fama und French 1996: Multifactor Explanations of Asset Pricing Anomalies, S. 55 ff.

  52. 52.

    Vgl. Mondello 2017: Finance: Theorie und Anwendungsbeispiele, S. 234 ff.

  53. 53.

    Vgl. Davis et al. 2000: Characteristics, Covariances, and Average Returns, 1929 to 1997, S. 389 ff.

  54. 54.

    Vgl. Hörler et al. 2019: Die Schweizer Praxis der Unternehmensbewertung, S. 38 ff.

  55. 55.

    Vgl. Abschn. 3.3.1.3.

  56. 56.

    Vgl. Hull 2012: Risk Management and Financial Institutions, S. 37.

  57. 57.

    Vgl. Platzer und Riess 2004: Finanzierung über Kredite, S. 162.

  58. 58.

    Eine Anleihe kann besichert oder nachrangig sein. Folglich muss sie nicht das gleiche Rating wie der Emittent besitzen.

  59. 59.

    Vgl. Gootkind 2015: Fundamentals of Credit Analysis, S. 221.

  60. 60.

    Vgl. Arnold 2002: Corporate Financial Management, S. 467 f.

  61. 61.

    Vgl. Schuster und Uskova 2015: Finanzierung: Anleihen, Aktien und Optionen, S. 22.

  62. 62.

    Vgl. Gootkind 2015: Fundamentals of Credit Analysis, S. 225 ff.

Literatur

  • Arnold, G.: Corporate Financial Management, 2. Aufl. Harlow (2002)

    Google Scholar 

  • Baesel, J.B.: On the assessment of risk: some further considerations. J. Financ. 29(5), 1491–1494 (1974)

    Article  Google Scholar 

  • Brigham, E.F., Houston, J.F.: Fundamentals of Financial Management, 10. Aufl. Mason (2004)

    Google Scholar 

  • Burmeister, E., Roll, R., Ross, S. A.: A Practitioner’s Guide to Arbitrage Pricing Theory. In: Peavy, J. (Hrsg): A Practitioner’s Guide to Factor Models, Charlottesville, 1−30 (1994)

    Google Scholar 

  • Carpenter, M.D., Upton, D.E.: Trading volume and beta stability. J. Portf. Manag. 7(2), 60–64 (1981)

    Article  Google Scholar 

  • Damodaran, A.: Applied Corporate Finance,4. Aufl. Hoboken (2015)

    Google Scholar 

  • Davis, J.L., Fama, E.F., French, K.R.: Characteristics, covariances, and average returns, 1929 to 1997. J. Financ. 55(1), 389–406 (2000)

    Article  Google Scholar 

  • DeFusco, R.A., McLeavy, D.W., Pinto, J.E., Runkle, D.E.: Quantitative Methods for Investment Analysis, 2. Aufl. Charlottesville (2004)

    Google Scholar 

  • Dennis, P., Perfect, S., Snow, K., Wiles, K.: The effects of rebalancing on size and book-to-market ratio portfolio returns. Financ. Anal. J. 51(3), 47–57 (1995)

    Article  Google Scholar 

  • Fama, E., French, K.: The cross section of expected stock returns. J. Financ. 47(2), 427–465 (1992)

    Article  Google Scholar 

  • Fama, E., MacBeth, R.: Risk, return and equilibrium: empirical tests. J. Polit. Econ. 81(2), 453–474 (1973)

    Google Scholar 

  • Fama, E.F., French, K.R.: Multifactor explanations of asset pricing anomalies. J. Financ. 51(1), 55–84 (1996)

    Article  Google Scholar 

  • Geotzmann, W.N., Kumar, A.: Equity portfolio diversification. Rev Finance. 12(3), 433–463 (2008)

    Article  Google Scholar 

  • Gootkind, C.L.: Fundamentals of credit analysis. In: Petitt, B.S., Pinto, J.E., Pirie, W.L. (Hrsg.) Fixed Income Analysis, 3. Aufl. S. 211–278. Hoboken (2015)

    Google Scholar 

  • Hörler, V., Hauser, M.A., Gehrig, M.: Die Schweizer Praxis der Unternehmensbewertung. Control Manag Rev. 3, 38–45 (2019)

    Article  Google Scholar 

  • Hull, J.C.: Risk Management and Financial Institutions, 3. Aufl. Hoboken (2012)

    Google Scholar 

  • Jensen, M.C.: The performance of mutual funds in the period 1945–1964. J. Financ. 23(2), 389–416 (1968)

    Article  Google Scholar 

  • Kothari, S.P., Shanken, J., Sloan, R.G.: Another look at the cross section of expected stock returns. J. Financ. 50(2), 185–224 (1995)

    Article  Google Scholar 

  • Levy, R.A.: On the short-term stationarity of beta coefficients. Financ. Anal. J. 27(6), 55–62 (1971)

    Article  Google Scholar 

  • Lintner, J.: The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets. Rev. Econ. Stat. 47(1), 13–37 (1965)

    Article  Google Scholar 

  • Malkiel, B.G.: Returns from investing in equity mutual funds 1971 to 1991. J. Financ. 50(2), 549–572 (1995)

    Article  Google Scholar 

  • Markowitz, H.: Portfolio selection. J. Financ. 7(1), 77–91 (1952)

    Google Scholar 

  • Mondello, E.: Portfoliomanagement: Theorie und Anwendungsbeispiele, 2. Aufl. Wiesbaden (2015)

    Google Scholar 

  • Mondello, E.: Finance: Theorie und Anwendungsbeispiele. Wiesbaden (2017)

    Google Scholar 

  • Mondello, E.: Finance: Angewandte Grundlagen. Wiesbaden (2018)

    Google Scholar 

  • Mossin, J.: Equilibrium in a capital asset market. Econometrica. 34(4), 768–783 (1966)

    Article  Google Scholar 

  • Platzer, A., Riess, W.: Finanzierung über Kredite. In: Stadler, W. (Hrsg.) Die neue Unternehmensfinanzierung. Strategisch Finanzieren mit bank- und kapitalmarktorientierten Instrumenten, S. 154–168. Frankfurt (2004)

    Google Scholar 

  • Reilly, F.K., Brown, K.C.: Investment Analysis and Portfolio Management, 7. Aufl. Mason (2003)

    Google Scholar 

  • Roenfeldt, R.L., Griepentrog, G.L., Pflamm, C.C.: Further evidence on the stationarity of beta coefficients. J. Financ. Quant. Anal. 13(1), 117–121 (1978)

    Article  Google Scholar 

  • Roll, R.: A critique of the asset pricing theory’s tests: part 1: on past and potential testability of the theory. J. Financ. Econ. 4(2), 129–176 (1977)

    Article  Google Scholar 

  • Ross, S.A.: The arbitrage theory of capital asset pricing. J. Econ. Theory. 13(3), 341–360 (1976)

    Article  Google Scholar 

  • Schuster, T., Uskova, M.: Finanzierung: Anleihen, Aktien und Optionen. Berlin/Heidelberg (2015)

    Google Scholar 

  • Sharpe, W.F.: Capital asset prices: a theory of market equilibrium under conditions of risk. J. Financ. 19(3), 425–442 (1964)

    Google Scholar 

  • Sharpe, W.F., Cooper, G.M.: Risk-return classes of new york stock exchange common stocks: 1931–1967. Financ. Anal. J. 28(2), 46–54 (1972)

    Article  Google Scholar 

  • Stocker, T.C., Steinke, I.: Statistik: Grundlagen und Methodik. Berlin/Boston (2017)

    Google Scholar 

Online-Quellen

Download references

Author information

Authors and Affiliations

Authors

Microsoft-Excel-Applikationen

Microsoft-Excel-Applikationen

  • Um die Euler’sche Zahl in Microsoft Excel zu berechnen, ist die Funktion „EXP“ zu verwenden. Wird

$$ = EXP(1) $$

in eine Zelle eingegeben und wird anschließend die Enter-Taste gedrückt, erhält man die Euler’sche Zahl von 2,71828183. Auf die gleiche Weise lässt sich jeder Wert mit der Exponentialfunktion finden, der mit dem Wert „e“ (2,71828…) hoch einer beliebigen Zahl x gerechnet wird:

$$ =\mathrm{EXP}\left(\mathrm{x}\right). $$
  • Der natürliche Logarithmus lässt sich mit der „LN“-Funktion ermitteln. So etwa kann der natürliche Logarithmus von 1 bestimmt werden, indem

$$ =\mathrm{LN}(1) $$

in eine Zelle geschrieben und anschließend mit der Enter-Taste bestätigt wird. Das Ergebnis ist 0. Allgemein lässt sich der natürliche Logarithmus einer positiven Zahl x wie folgt eruieren:

$$ =\mathrm{LN}\left(\mathrm{x}\right). $$
  • Die Berechnung der arithmetischen und der geometrischen Rendite in Excel ist relativ einfach. Sind zum Beispiel 10 Renditen in den Zellen A1 bis A10 aufgeführt, so lässt sich die arithmetische Rendite ermitteln, indem etwa in Zelle A11

$$ =\mathrm{Mittelwert}\left(\mathrm{A}1:\mathrm{A}10\right) $$

erfasst und danach die Enter-Taste betätigt wird.

Damit das geometrische Mittel bestimmt werden kann, ist beispielsweise in Zelle A12

$$ =\mathrm{Geomittel}\left(1+\mathrm{A}1:\mathrm{A}10\right)\hbox{--} 1 $$

einzugeben und dann mit der Tastenkombination Ctrl+Shift+Enter zu bestätigen. Diese drei Tasten müssen gleichzeitig gedrückt werden. Wird nur die Enter-Taste betätigt, erhält man eine Fehlermeldung. Abb. 2.11 zeigt die Berechnung der arithmetischen und der geometrischen Rendite.

Abb. 2.11
figure 11

Berechnung der arithmetischen und der geometrischen Rendite in Excel. (Quelle: Eigene Darstellung)

  • Um die Wurzel aus einer Zahl x in Excel zu ermitteln, ist folgender Ausdruck in eine Zelle zu schreiben und danach die Enter-Taste zu drücken:

$$ =\mathrm{Wurzel}\left(\mathrm{x}\right). $$
  • Damit die Varianz und die Standardabweichung eruiert werden können, sind zunächst die Renditen etwa in die Zellen A1 bis A12 einzufügen.

Die Varianz und die Standardabweichung einer Grundgesamtheit, bei der die Summe der quadrierten Renditeabweichungen durch T dividiert wird, ergeben sich anhand der folgenden Ausdrücke, die zum Beispiel in die Zellen A13 und A14 eingetragen werden:

$$ =\mathrm{Varianzen}\left(\mathrm{A}1:\mathrm{A}12\right), $$
$$ =\mathrm{Stabwn}\left(\mathrm{A}1:\mathrm{A}12\right). $$

Anschließend wird die Eingabe mit der Enter-Taste abgeschlossen.

Bei der Varianz und der Standardabweichung einer Stichprobe wird die Summe der quadrierten Renditeabweichungen durch T – 1 dividiert. Um diese beiden Größen zu berechnen, werden etwa in die Zellen A15 und A16 folgende Notationen geschrieben und danach mit der Enter-Taste bestätigt:

$$ =\mathrm{Varianz}\left(\mathrm{A}1:\mathrm{A}12\right), $$
$$ =\mathrm{Stabw}\left(\mathrm{A}1:\mathrm{A}12\right). $$

Abb. 2.12 zeigt die Berechnung der Varianz und Standardabweichung (Grundgesamtheit und Stichprobe).

Abb. 2.12
figure 12

Berechnung der Varianz und Standardabweichung (Grundgesamtheit und Stichprobe) in Excel. (Quelle: Eigene Darstellung)

  • Um die Schiefe einer Renditeverteilung (für eine Stichprobe) zu berechnen, sind zunächst die Renditen beispielsweise in die Zellen A1 bis A12 einzugeben. In eine leere Zelle wird folgender Ausdruck geschrieben:

$$ =\mathrm{Schiefe}\left(\mathrm{A}1:\mathrm{A}12\right) $$

und anschließend mit der Enter-Taste bestätigt.

  • Microsoft Excel berechnet die Kurtosis anhand der Excess-Kurtosis (für eine Stichprobe). Sind die Renditen etwa in den Zellen A1 bis A12 aufgeführt, so kann in eine leere Zelle folgender Ausdruck eingegeben werden:

$$ =\mathrm{Kurt}\left(\mathrm{A}1:\mathrm{A}12\right). $$

Danach ist die Enter-Taste zu drücken.

  • Bisher wurden die einzelnen statistischen Kennzahlen wie Mittelwert, Standardabweichung, Schiefe und Excess-Kurtosis separat bestimmt. In Microsoft Excel ist es auch möglich, eine zusammenfassende Datenausgabe dieser Größen zu erstellen. Dabei sind die folgenden Schritte erforderlich:

    1. 1.

      Es ist der Reiter „Daten“ anzuklicken.

    2. 2.

      Anschließend ist die „Datenanalyse“ anzutippen.

    3. 3.

      Dabei öffnet sich ein Fenster, wobei die Funktion „Populationskenngrößen“ auszuwählen ist.

    4. 4.

      Im offenen Dialogfenster sind die Renditen im „Eingabebereich“ einzugeben (z. B. A1:A12). Danach ist der „Ausgabebereich“ anzuklicken, in der eine Zelle definiert wird (z. B. A13), in welcher die zusammenfassende Datenausgabe erscheinen soll. Schließlich ist bei den „Statistischen Kenngrößen“ ein Häkchen zu setzen und mit der OK-Taste zu bestätigen.

  • Um die Kovarianz (Grundgesamtheit) zwischen den Renditen von zwei Anlagen zu berechnen, sind zunächst die Renditen der ersten Anlage etwa in die Zellen A1 bis A12 und die Renditen der zweiten Anlage in die Zellen B1 bis B12 einzugeben. Danach ist folgender Ausdruck in einer freien Zelle zu schreiben

$$ =\mathrm{Kovar}\left(\mathrm{A}1:\mathrm{A}12;\mathrm{B}1:\mathrm{B}12\right) $$

und anschließend mit der Enter-Taste zu bestätigen.

  • Der Korrelationskoeffizient (Stichprobe) lässt sich mit den gleichen Renditen wie oben wie folgt berechnen:

$$ =\mathrm{Korrel}\left(\mathrm{A}1:\mathrm{A}12;\mathrm{B}1:\mathrm{B}12\right). $$

Der Ausdruck ist mit der Enter-Taste abzuschließen.

  • Die Durchführung einer linearen Regressionsanalyse ist in Microsoft Excel ohne Weiteres möglich, obwohl es auf dem Markt vollständigere und besser entwickelte Softwarelösungen gibt. So zum Beispiel liegen für drei Zeitreihen je 60 Renditebeobachtungen in den Zellen A1 bis A60, B1 bis B60 und C1 bis C60 vor. Bei der ersten Spalte A handelt es sich um die monatlichen Renditewerte für die abhängige Variable, während die anderen beiden Spalten B und C die entsprechenden Werte für die beiden unabhängigen Variablen enthalten. Um die Dialogbox zu öffnen, ist zunächst die Registerkarte „Daten“ anzuklicken und anschließend „Datenanalyse“ auszuwählen. Von den erscheinenden Analyse-Funktionen ist „Regression“ auszusuchen und danach mit „OK“ zu bestätigen. Nun erscheint die Dialogbox für die Regression.

  • Die einfache lineare Regression mit einer unabhängigen Variablen kann wie folgt vorgenommen werden:

    • In der Regression-Dialogbox sind beim „Y-Eingabebereich“ die monatlichen Renditen der abhängigen Variablen (A1:A60) einzugeben.

    • Nachher ist der „X-Eingabebereich“ anzuklicken und es sind die monatlichen Renditen der unabhängigen Variablen (B1:B60) zu erfassen.

    • Schließlich ist der „Ausgabebereich“ anzuklicken und in dem vorgesehenen Fenster eine freie Zelle anzugeben, bei der die Ausgabe der Regression erscheinen soll. Dabei ist zu beachten, dass sich die Ausgabe über mehrere Zellen (9 Spalten und 18 Zeilen) erstreckt. Damit die Ausgabe angezeigt wird, ist in der Dialogbox „OK“ zu drücken.

  • Die multiple lineare Regression mit mehr als einer unabhängigen Variablen erfolgt mit Ausnahme eines einzigen Schritts gleich wie die einfache lineare Regression. Beim „X-Eingabebereich“ werden nicht die Zellen einer unabhängigen Variablen, sondern sämtlicher unabhängiger Variablen eingegeben. So etwa sind bei zwei unabhängigen Variablen die Zellen B1 bis B60 und C1 bis C60 zu erfassen (also B1:C60).

  • Der Regressionskoeffizient einer einfachen linearen Regressionsanalyse (z. B. das Beta einer Aktie beim CAPM) lässt sich in Excel über eine Abkürzung berechnen. Dabei wird in eine freie Zelle folgender Ausdruck geschrieben:

$$ =\mathrm{RGP}\left(\mathrm{A}1:\mathrm{A}60;\mathrm{B}1:\mathrm{B}60\right) $$

und anschließend mit der Enter-Taste bestätigt.

  • Ebenso lassen sich die Regressionskoeffizienten einer multiplen linearen Regressionsanalyse mit der Funktion „RGP“ berechnen. So etwa befinden sich in den Zellen A1 bis A60 die Renditebeobachtungen für die abhängige Variable, während die Zellen B1 bis B60 und C1 bis C60 die entsprechenden Daten für die beiden unabhängigen Variablen enthalten. Um die Regressionskoeffizienten der zwei unabhängigen Variablen zu berechnen, sind beispielsweise die beiden freien Zellen B61 und C61 zu markieren. Danach ist folgender Ausdruck zu erfassen:

$$ =\mathrm{RGP}\left(\mathrm{A}1:\mathrm{A}60;\mathrm{B}1:\mathrm{C}60\right) $$

und mit dem gleichzeitigen Drücken der Tastenkombination Ctrl+Shift+Enter abzuschließen.

Hierbei ist zu beachten, dass Microsoft Excel die Regressionskoeffizienten in der umgekehrten Reihenfolge wiedergibt. Daher befindet sich der Regressionskoeffizient für die unabhängige Variable der Spalte C (B) in der Zelle B61 (C61).

  • Um die Regressionsgerade aus der einfachen linearen Regressionsanalyse im Streudiagramm zu erstellen, sind die Renditen der abhängigen und der unabhängigen Variablen mit der linken Maustaste zu markieren. Dann ist die Registerkarte „Einfügen“ und nachher „Punkt“ anzuklicken. In den „Diagrammlayouts“ ist die entsprechende Darstellung mit der linearen Trendlinie auszuwählen. Allerdings erscheinen die „Diagrammlayouts“ nur, wenn das Streudiagramm angeklickt ist.

Ist Excel auf Englisch eingestellt, gelten die folgenden Notationen:

  • Ausgabebereich = Output Range,

  • Daten = Data,

  • Datenanalyse = Data Analysis,

  • Eingabebereich = Input Range,

  • Geomittel = Geomean,

  • Korrel = Correl,

  • Kovar = Covar,

  • Kurt = Kurt,

  • Mittelwert = Average,

  • Populationskenngrößen = Descriptive Statistics,

  • RGP = Linest,

  • Schiefe = Skew,

  • Stabw = Stdev,

  • Stabwn = Stdevp,

  • Statistische Kenngrößen = Summary Statistics,

  • Varianz = Var,

  • Varianzen = Varp,

  • Wurzel = Sqrt,

  • X-Eingabebereich = Input X Rage,

  • Y-Eingabereich = Input Y Range.

Rights and permissions

Reprints and permissions

Copyright information

© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Mondello, E. (2022). Erwartete Rendite und Risiko. In: Corporate Finance. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-34408-5_2

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-34408-5_2

  • Published:

  • Publisher Name: Springer Gabler, Wiesbaden

  • Print ISBN: 978-3-658-34407-8

  • Online ISBN: 978-3-658-34408-5

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics