Open Access

Sebastian Tischler

• In der heutigen dynamischen Finanzwelt stellt die Optimierung von Investmentportfolios eine zentrale Herausforderung für private und institutionelle Anleger dar. Diese Arbeit untersucht, welche quantitativen und qualitativen Faktoren signifikant mit einer überdurchschnittlichen Aktienrendite korrelieren und wie diese Faktoren methodisch kombiniert werden können, um ein optimiertes Aktienportfolio mit maximaler risikoadjustierter Rendite zu erstellen. Zunächst werden die theoretischen Grundlagen von Investmentportfolios, die Portfoliotheorie nach Markowitz sowie die Fundamentalanalyse und Anlagestrategien bekannter Investoren beleuchtet. Anschließend erfolgt eine detaillierte Analyse der Einflussfaktoren auf die Aktienperformance unter Berücksichtigung makroökonomischer, mikroökonomischer und verhaltensökonomischer Faktoren. Ein zentraler Bestandteil der Arbeit ist die methodische Umsetzung einer algorithmischen Schnittmengenanalyse, um leistungsstarke Aktien auf Basis historischer Daten zu identifizieren. Mithilfe eines systematischen Backtesting-Ansatzes wird untersucht, welche Kombinationen von Aktiencharakteristika über verschiedene Zeiträume (3, 5, 10 und 20 Jahre) die höchste durchschnittliche Rendite erzielen. Die ermittelten Portfoliostrategien werden anschließend mit dem S&P 500 als Benchmark verglichen. Die Ergebnisse zeigen, dass insbesondere das durchschnittliche Kurswachstum, die Marktkapitalisierung sowie das Kurs-Gewinn- und Kurs-Umsatz-Verhältnis entscheidende Prädiktoren für langfristige Aktienrenditen darstellen. Das optimierte Portfolio übertraf den S&P 500 in allen untersuchten Zeiträumen signifikant, wies jedoch aufgrund der geringeren Diversifikation höhere Volatilität auf. Die Arbeit diskutiert zudem Risiken wie den Survivorship Bias und sektorale Klumpenrisiken sowie Limitationen der Analyse. Abschließend werden Implikationen für die Praxis und Perspektiven für zukünftige Forschung aufgezeigt, insbesondere im Bereich der datengetriebenen Portfoliooptimierung und der Integration von Machine Learning Methoden in die Aktienanalyse.
• In today's dynamic financial world, optimizing investment portfolios presents a central challenge for both private and institutional investors. This study examines which quantitative and qualitative factors significantly correlate with above-average stock returns and how these factors can be methodically combined to create an optimized stock portfolio with maximum risk-adjusted returns. First, the theoretical foundations of investment portfolios are explored, including Markowitz’s portfolio theory, fundamental analysis, and investment strategies of well-known investors. This is followed by a detailed analysis of the factors influencing stock performance, taking into account macroeconomic, microeconomic, and behavioral economic aspects. A key part of this study is the methodological implementation of an algorithmic intersection analysis to identify high-performing stocks based on historical data. Using a systematic backtesting approach, the study investigates which combinations of stock characteristics achieve the highest average returns over various time periods (3, 5, 10, and 20 years). The identified portfolio strategies are then compared to the S&P 500 as a benchmark. The results show that average price growth, market capitalization, and price-to-earnings and price-to-sales ratios are particularly strong predictors of long-term stock returns. The optimized portfolio significantly outperformed the S&P 500 across all analyzed periods but exhibited higher volatility due to lower diversification. Additionally, the study discusses risks such as survivorship bias and sectoral concentration risks, as well as limitations of the analysis. Finally, implications for practice and perspectives for future research are outlined, particularly in the field of data-driven portfolio optimization and the integration of machine learning methods into stock analysis.