3. Einheit

Werbung
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
INNOVEST Finanzdienstleistungs AG
Kärntner Straße 28
1010 Wien
Inhaltsangabe
 Asset Allocation – Begriffsbestimmung
 Fallstudie – Portfoliooptimierung
 Risiko im Asset Management
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 2
Definitionen
 Definition: „Strategic asset allocation has its place in the investment decisionmaking process and reflects a trade-off between opportunity and safety that
only the investor should make.“
[D. Don Ezra, Frank Russell Company]
 Definition: „..., it is the identification of the normal asset mix policy that will
represent the best compromise between a need for stability and a need for
performance“ [Robert D. Arnott, CFA Publications]
 Definition: „ ... Investors approach the investment decision in two stages. Asset
allocation is the top or first stage ... Security selection is the bottom stage.“ „Some
individual investors and many institutional investors use three stages. Asset
allocation is the first stage. The second stage deals with manager selection. ...
The third stage involves security selection.“ [William F. Sharpe, aus Managing Investment
Portfolios von Maginn/Tuttle]
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 3
AA Prozess lt. Sharpe
Capital Market Conditions
Investor‘s Assets, Liabilities,
and Net Worth
Prediction Procedure
Investor‘s Risk Tolerance
Function
Expected Returns, Risks, and
Correlations
Investor‘s Risk Tolerance
Optimizer
Investor‘s Asset Mix
Returns
Quelle: Managing Investment Portfolios von Maginn/Tuttle]
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 4
Inhaltsangabe
 Asset Allocation – Begriffsbestimmung
 Fallstudie – Portfoliooptimierung
 Risiko im Asset Management
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 5
Aktienmärkte in EUR seit 2000
800
Total Return Index (Beginn = 100)
700
Europa
Nordamerika
Japan
600
500
400
300
200
100
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 6
Jän.05
Jän.04
Jän.03
Jän.02
Jän.01
Jän.00
Jän.99
Jän.98
Jän.97
Jän.96
Jän.95
Jän.94
Jän.93
Jän.92
Jän.91
Jän.90
0
EUR-Aufwertung belastete Non EUR Assets
EUR/USD
EUR/JPY
Quelle: Bloomberg
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 7
Rentenmärkte in EUR seit 2000
400
Total Return Index (Beginn = 100)
350
Italien
Deutschland
USA
Japan
300
250
200
150
100
50
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 8
Jän.05
Jän.04
Jän.03
Jän.02
Jän.01
Jän.00
Jän.99
Jän.98
Jän.97
Jän.96
Jän.95
Jän.94
Jän.93
Jän.92
Jän.91
Jän.90
0
Schätzungen vs. realisierte Werte
Erwartete
Erträge
Erwartete
Volatilität
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 9
Schätzungen vs. realisierte Werte:
erwartete Erträge Aktien
Ertragsschätzer für 2000 bis 2005
3.0%
Europa
USA
Japan
2.5%
2.0%
1.5%
1.0%
0.5%
0.0%
-0.5%
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 10
0202951
9904848
0103319
0100054
0206629
0200717
0004042
0025414
0004819
0006480
0003708
9826004
0009084
0206327
0202160
0003728
0200019
0447101
0202102
9904140
tatsächlich
-1.0%
Schätzungen vs. realisierte Werte:
erwartete Erträge Renten
Ertragsschätzungen für 2000 bis 2005
Japan
USA
Italien
Deutschland
1.6%
1.4%
1.2%
1.0%
0.8%
0.6%
0.4%
0.2%
0.0%
-0.2%
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 11
0202951
9904848
0103319
0100054
0206629
0200717
0004042
0025414
0004819
0006480
0003708
9826004
0009084
0206327
0202160
0003728
0200019
0447101
0202102
9904140
tatsächlich
-0.4%
Markowitz Portfolio Selection
Die Portfoliokonstruktion hängt von Rendite und Risiko ab:
n
RP   wi .Ri
i 1
n
n
n
n
   wi .w j . ij   wi .w j . i . j .kij
2
P
i 1 j 1
i 1 j 1
In Matrizenschreibweise
RP  w .R
T
  w .V .w
2
P
T
Institutionelles Asset Management
R: Renditevektor
w: Gewichtungsvektor
wT: transponierter Gewichtungsvektor
V:
Kovarianzmatrix
Mag. Gerold Permoser, CFA
Tag 3 12
Optimierungsansatz
Der Portfolionutzen wird optimiert:
U  RP  . P2
Max!
Unter den Nebenbedingungen:
n
1.
w
i 1
2.
i
1
wi  0 (i  1, ..., n)
Inputparameter:
Outputparameter:
 i ,  ij (i, j  1, ..., n)
w1 , w2 ,..., wn

Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 13
Optimale Portfolios 2000 bis 2005
7%
optimales Portfolio
von 2000 bis 2005
6%
5%
Ertrag p.a.
4%
3%
2%
1%
0%
-1%
Optimale Portfolios auf der Basis der
abgegebenen Schätzungen für 2000 bis
2005, Lamda = 3
-2%
-3%
-4%
0%
1%
2%
3%
4%
5%
6%
7%
8%
9%
10%
11%
Volatilität ann.
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 14
12%
Phase von 1990 bis 2000
16%
optimales Portfolio
von 2000 bis 2005
14%
Ertrag p.a.
12%
10%
8%
6%
4%
Portfolios auf der Basis der Gewichte der optimalen
Portfolios für 2000 bis 2005 und der Erträge und des
Risikos von 1990 bis 2000, Lamda = 3
2%
0%
0%
1%
2%
3%
4%
5%
6%
7%
8%
9% 10% 11% 12% 13% 14% 15%
Volatilität ann.
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 15
Vergleich der Portfolios
14%
13%
Performance bis 2000
R2 = 0.9263
12%
11%
10%
9%
8%
-18%
-16%
-14%
-12%
-10%
-8%
-6%
-4%
-2%
Performancedifferenz zwischen der Periode vor und nach 2000
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 16
0%
Aktien Japan
Aktien Nordamerika
Aktien Europa
Japan
USA
Italien
Deutschland
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 17
tatsächlich
Quelle: Innovest
9826004
0009084
0004042
0025414
0202102
0202160
0003728
9904140
0004819
0006480
0200717
0100054
0206327
0206629
0003708
0202951
9904848
0103319
0200019
0%
0447101
Gewichtung der Asset Klassen in den optimalen Portfolios
Gewichte der optimalen Portfolios
(Einige) Probleme der PF-Optimierung
 Garbage in, Garbage out
 Optimierung ist extrem sensitiv bezüglich der Inputs
 Box Solutions
 Vorgaben sind so eingeschränkt, dass keine Optimierung nötig ist
 Erwarteter Ertrag und Risiko eines Portfolios für eine Periode
bilden die Basis jeder Investmententscheidung („mean-variance
optimisation“)
 Zur konkreten Ermittlung von Lösungen werden weiters häufig
Annahmen über die Verteilung der Erträge getroffen
 Steuern und Transaktionskosten sind nicht vorhanden („no
friction“)
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 18
Bedeutung von Schätzfehlern (1)
 Wie wirken sich Fehler bei der Schätzung von Rendite, Varianz und Kovarianz
auf die Ergebnisse der Optimierung aus?
 Chopra/Ziemba haben 1993 eine Untersuchung zu diesem Thema verfasst
 Sie haben dabei die Auswirkung gleichgroßer Fehler bei den Inputparametern auf
die Outputparameter untersucht.
Risikoaversion
hoch (Lamda = 4)
mittel (Lamda = 2)
niedrig (Lamda = 1.33)
Fehler
Fehler
Renditen vs. Renditen vs.
Varianzen Kovarianzen
3.22
10.98
21.42
5.38
22.5
56.84
Fehler
Varianzen
versus
Kovarianzen
1.67
2.05
2.68
Quelle: Chopra/Ziemba, 1993
 Diese Studie dient oft als Rechtfertigung für das geläufige Vorgehen der Praxis:
 Bei niedriger bis mittlerer Risikoaversion sollte kein hoher Aufwand bei der Prognose
der Kovarianzmatrix betrieben werden
 Für die Kovarianzmatrix werden meist historische Daten als Schätzer verwendet
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 19
Bedeutung von Schätzfehlern (2)
Paper
Jorion, 1985
Sharpe, 1987
Hepp, 1990
Stucki, 1994
Untersuchungsgegenstand
7 int. Aktienindizes
154 Fonds bzw. Indizes
8 int. Aktien-/Bondindizes
7 int. Aktienindizes
Datenfrequenz
Untersuchungsperiode
monatlich
monatlich
monatlich
wöchentlich u. jährlich
Jan. 1971 bis Dez. 1983
Jan. 1980 bis Dez. 1985
Dez. 1977 bis Dez. 1987
Jan. 1979 bis Dez. 1993
 Die Studien zeigen, dass historische Mittelwerte schlechte Schätzer für die
zukünftigen Erträge sind
 Die Güte historischer Daten für die Schätzung der zukünftigen Kovarianzmatrizen
ist hingegen deutlich besser
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 20
Portfoliotheorie in der Praxis
 Angesichts der Tatsache, dass die Inputparameter für die PortfolioOptimierung nur geschätzt werden, wie sicher kann ein Investor
sein, das „richtige“ optimale Portfolio gewählt zu haben?
 Um diese Frage zu beantworten untersuchte Jorion in einer Studie 7
internationale und einen Welt-Rentenindex aus der Sicht eines USInvestors
 Es wurden folgende Parameter berechnet:
 Total Return (Preisänderungen, Kuponzahlungen, Wiederveranlagung,
Währungsgewinn)
 Standardabweichung
 Korrelationen
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 21
Ertrag, Risiko und Korrelation
Quelle: Jorion
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 22
Effiziente Portfolios
Quelle: Jorion
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 23
Design der Simulation

Schritt 1: Definiere t als die Zahl der Monate und n als die Anzahl der Assets, für die Daten zur
Verfügung stehen. Führe unter der Annahme, die berechneten Parameter sind die „wahren“ Parameter
der Returnverteilung und zu gegebenen Investorenpräferenzen eine Portfoliooptimierung durch. Resultat
ist ein optimales Portfolio.

Schritt 2: Generiere mit den „wahren Parametern“ eine multivariate Normalverteilung und ziehe aus
dieser einen (nx1) Vektor mit zufälligen Returns. Wiederhole diesen Vorgang t mal. Als Ergebnis erhält
man für n Assets Zeitreihen für zufällige Monatsreturns für einen Zeitraum von t Monaten.

Schritt 3: Berechne auf der Basis dieser Daten Mittelwerte, Varianzen und Kovarianzen und führe eine
Portfoliooptimierung durch.

Schritt 4: Berechne auf die selbe Art 1000 Portfolios. Das Ergebnis ist eine Verteilung der optimalen
Portfolios.

Schritt 5: Bestimme ein Signifikanzniveau, z.B. 95%, und schließe die 5% der Portfolios mit dem
schlechtesten Risiko/Ertragsverhältnis aus. Resultat ist ein Menge von „statistisch äquivalenten“
Portfolios.
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 24
Statistisch äquivalente Portfolios
Quelle: Jorion
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 25
Inhaltsangabe
 Asset Allocation – Begriffsbestimmung
 Fallstudie – Portfoliooptimierung
 Risiko im Asset Management
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 26
Risiko - Definition
Die gebräuchlichste Kennzahl zur Quantifizierung von Risiko ist die
Volatilität V (Standardabweichung) eines Assets auf Basis periodischer
Performancezahlen
1 t
2


V
R

R
 i
t  1 i 1
Institutionelles Asset Management
R i ... Performanc e der Periode i
R ... durchschni ttliche Performanc e
Mag. Gerold Permoser, CFA
Tag 3 27
Risiko - annualisiert
Die Umrechnung zwischen verschiedenden Periodizitäten (zB.
monatlich auf jährlich) erfolgt (gemäß statistischer Annahmen) durch
Multiplikation mit der Wurzel aus dem entsprechenden Vielfachen:
V a  12  V m
V a  252  V d
V 
d
Institutionelles Asset Management
1
 Vm
21
V d ... tägliche Volatilitä t
V m ... monatliche Volatilitä t
V a ... jährliche Volatilitä t
Mag. Gerold Permoser, CFA
Tag 3 28
Volatilität steigt nicht linear mit der Zeit ...
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 29
Durchschnittlicher Return
...dadurch sinkt die Schwankungsbreite der
durchschnittlichen Returns ...
50%
50%
40%
40%
30%
30%
20%
20%
10%
10%
0%
0%
-10%
-10%
-20%
-20%
-30%
-30%
1
6
11
16
21
26
31
36
Jahre
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 30
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
2040/01
2033/01
2026/01
2019/01
2012/01
2005/01
1998/01
1991/01
1984/01
1977/01
1970/01
1963/01
1956/01
1949/01
1942/01
1935/01
1928/01
1921/01
1914/01
1907/01
1900/01
1893/01
1886/01
1879/01
1872/01
1865/01
1858/01
1851/01
1844/01
1837/01
1830/01
1823/01
1816/01
1809/01
1802/01
log. Kapital
...das absolute Risiko steigt aber!
30
30.00
25
25.00
20
20.00
15
15.00
10
10.00
5
5.00
0
0.00
Jahre
Quelle: Innovest
Tag 3 31
Nominale Returns: ann. Volatilität
18%
16%
Volatilität annualisiert
14%
12%
Bonds
Aktien
10%
8%
6%
4%
2%
0%
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Jahre
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 32
Reale Returns: ann. Volatilität
18%
16%
Volatilität annualisiert
14%
12%
10%
8%
Bonds
Aktien
6%
4%
2%
0%
0
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20
Jahre
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 33
US-Aktien seit 1900
18
Total Return
Trend
Standardabweichung
Log. realer Total Return
17
16
15
14
13
12
11
10
Jän.00
Jän.95
Jän.90
Jän.85
Jän.80
Jän.75
Jän.70
Jän.65
Jän.60
Jän.55
Jän.50
Jän.45
Jän.40
Jän.35
Jän.30
Jän.25
Jän.20
Jän.15
Jän.10
Jän.05
Jän.00
9
Quelle: INNOVEST
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 34
Risikomaße
 Aufbauend auf der Volatilität sind eine Reihe von Risikomaßen
gebräuchlich:
 rollierende Volatilität: Verwendung von gleitenden Zeitfenstern, um
Veränderungen in der Risikostruktur zu erkennen
 exponentiell gewichtete Volatilität: vermeidet den Plateaueffekt, der
durch rollierende Volatilitätsfenster entsteht
 Value at Risk: Performance, die innerhalb der Behaltefrist mit
vorgegebener Wahrscheinlichkeit (Konfidenz) nicht unterschritten
wird
 Shortfall Risk: Wahrscheinlichkeit, Zielerträge zu unterschreiten
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 35
Risiko - Beispiel
60%
45%
MSCI WE
V exp (95%)
50%
40%
V equ (30)
V equ (90)
40%
35%
30%
30%
20%
25%
10%
20%
0%
15%
-10%
10%
Quelle: Innovest
-20%
Dez. 98
Mär. 99
Jun. 99
Institutionelles Asset Management
Sep. 99
Dez. 99
Mär. 00
Jun. 00
Sep. 00
Mag. Gerold Permoser, CFA
Dez. 00
Mär. 01
Jun. 01
Sep. 01
Tag 3 36
5%
Dez. 01
Value at Risk (VAR)
 VAR ist die Antwort auf die Frage: „Wieviel kann ich verlieren?“
 Value at Risk ist der maximale Betrag, der, gegeben eine bestimmte
Halteperiode und ein bestimmtes Konfidenzintervall, verloren
werden kann.
 Der VAR Ansatz hat vor allem zu Beginn der 90er Jahre stark an
Bedeutung gewonnen:
Group of Thirty „Derivatives: Practices and Principles“
J.P. Morgan Risk MetricsTM
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 37
5%
90%
5%
Risiko – Value at Risk
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 38
VAR – Varianz/Kovarianz Ansatz
 Alle Cash Flows in einem Portfolio werden auf „zugrundeliegende“
Risikofaktoren „gemappt“.
 Eine 10jährige US-Anleihe kann etwa in eine Reihe von 10jährigen Zero
Kupon Anleihen und auf das EUR/USD-Risiko gemappt werden.
 Nach dem Mapping wird mit Hilfe der Kovarianz-Matrix der
Risikofaktoren die Standardabweichung des Portfolios gerechnet.
 Der VAR wird errechnet, indem man den entsprechenden Wert der
durch das Konfidenzlevel gegebene Anzahl der Standardabweichungen
(z.B. 1,65 für ein Konfidenzniveau von 95%) sucht.
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 39
VAR – Varianz/Kovarianz Ansatz
Vorteile:
 Berechnungen sind relativ einfach.
 Wenn die Anzahl der Risikofaktoren sehr klein ist, wird wenig
„Computer Power“ zur Berechnung benötigt.
 Risk Metrics wurde laufend verbessert – Optionen/Returnannahmen
 Nachteile
 Oft Probleme bei nichtlinearen Instrumenten oder bei anderen
Verteilungen als einer Normalverteilung.
 Annahme gleichbleibender Volatiltäten und Kovarianzen
 Berechnungen können kompliziert werden, wenn die Anzahl der
Risikofaktoren steigt.
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 40
VAR – Historische Simulation
3,000,000
 Der Marktwert eines
Portfolios wird für jeden Tag
einer Periode, z.B. 100
Tage, bestimmt.
2,500,000
2,000,000
1,500,000
1,000,000
Return in EUR
 Aus diesen Daten wird dann
die Verteilung der Returns
errechnet.
500,000
0
-500,000
-1,000,000
-1,500,000
-2,000,000
-2,500,000
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 10
0
 Bei 100 Tagen wäre der
VAR für eine tägliche
Halteperiode und bei einem
Konfidenzintervall von 95%
der Return des 5 schlechtesten Handelstages.
Tage
Quelle: Innovest
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 41
VAR – Historische Simulation
Vorteile
 Sehr intuitiver Ansatz.
 Keine Annahmen über die Verteilung der Returns notwendig.
 Auch für nichtlineare Instrumente geeignet.
Nachteile
 Das Portfolio kann sich im Zeitablauf verändern.
 Die letzten 100 Tage können nicht repräsentativ sein.
 Man muss alle im Portfolio enthaltenen Instrumente täglich
bewerten können. (Immobilien, illiquide Anleihen, Hedge
Funds)
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 42
VAR – Monte Carlo Simulation
 In einem ersten Schritt werden Annahmen über die zukünftige
Marktentwicklung festgelegt.
 Auf der Basis dieser Annahmen werden dann mit Hilfe eines
Zufallsgenerators Returnverläufe erzeugt.
 Alle Positionen in einem Portfolio werden nun anhand dieser
Returnverläufe bewertet.
 Auf der Basis der so errechneten Portfoliowerte kann nun wieder ein
VAR errechnet werden.
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 43
VAR – Monte Carlo Simulation
Vorteile:
 Sehr flexibler Ansatz.
 Jede Art von Verteilung ist möglich.
 Sehr hohe Anzahl von Szenarien kann damit erzeugt werden.
Nachteile
 Die Qualität der Input Daten bestimmt das Ergebnis: Garbage
in – Garbage out!
 Extrem berechnungsintensiv
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 44
Risiko – Tracking Error
 Wird eine Veranlagung relativ zu einer Benchmark geführt, kann das
aktive Risiko (Tracking Error - TE) analysiert werden
 Analog zur Definition der Volatilität ist der TE als
Standardabweichung der Performancedifferenzen definiert:

1 t
A-B
A-B
TE 
R

R

t  1 i 1 i

R Ai -B ... Performanc edifferenz
2
der Periode i
R A -B ... durchschni ttliche Performanc e differenz der Assets A, B
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 45
Die „anderen“ Risiken
 Keine Exposure heißt nicht kein Risiko
 Hedging Modelle sind nicht immer perfekt – Annahmen (LTCM)
 Hedging wirkt meist nur auf ein einige Risiken (Counterparty Risk)
 Returns sind oft nicht normalverteilt
 Märkte preisen viele „singuläre“ Risiken nicht ein
 Was waren die größten Aktienmärkte 1900?
 In Krisen verändern sich Korrelationen sprunghaft und dramatisch
 Asienkrise - 1998 – Anstieg der Korrelationen
 Oktober 1987 – High Yield und Aktien – Korrelation wechselt Vorzeichen
 Russland 1998 – Pfandbriefe und Staatsanleihen
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 46
Die „anderen“ Risiken
 Während Krisen gibt es oft keine Diversifikation – Risiko steigt
 Bestimmte Risikokennzahlen gehen am Risiko vorbei
 Nichtlineare Risiken wie Optionen
 Refinancing Risiken – Mortgage Bonds
 Immobilien – Standardabweichung
 Stale Pricing
 Substantielle Risiken sind oft nicht komplex
 Die größten Risiken sind die nicht wahrgenommenen.
 Russland NDF mit russischen Banken
 Risikomanagementsysteme – Oktober 1987
 Psychologische Biases – Behavioral Finance
Institutionelles Asset Management
Mag. Gerold Permoser, CFA
Tag 3 47
Herunterladen