Please use this identifier to cite or link to this item: http://hdl.handle.net/1942/1059
Full metadata record
DC FieldValueLanguage
dc.contributor.authorGEBOERS, Hans-
dc.date.accessioned2006-11-29T08:35:56Z-
dc.date.available2006-11-29T08:35:56Z-
dc.date.issued2006-
dc.identifier.urihttp://hdl.handle.net/1942/1059-
dc.description.abstractNa de malaise op de financiële markten van 2000 tot 2003 neemt in het begin van 2006 de interesse van particulieren voor de beurs weer toe. Banken spelen in op deze trend en bieden hun cliënten een enorme diversiteit aan beleggingsproducten. Naast de klassieke aandelen zijn er tegenwoordig tal van alternatieve beleggingsvormen zoals hedge funds, grondstoffen en vastgoed. Beleggers blijken niet altijd goed geïnformeerd te zijn over de door hen genomen risico’s bij een investering. Dit kan bij beurscrashes soms leiden tot werkelijke financiële drama’s. Om doordachte optimale investeringsbeslissingen te kunnen maken zijn dus een duidelijke risicovoorstelling, een optimale beleggingsmethode en optimale beleggingsprocessen noodzakelijk. Financiële expertise is van groot belang om correcte voorspellingen omtrent returns en risico’s te maken. Voor 1930 heerste er een algemeen geloof dat aandelen geen investeringen waren maar pure speculatie. Sinds 1930 heeft de financiële theorie een enorme evolutie doorgemaakt. Graham en Dodd gaven in 1930 aan dat financiële analyse van de jaarrekening een voorspellende en informerende functie had. Vervolgens introduceerde Markowitz in 1952 het concept van de ‘efficiënte portefeuille’. Efficiënte portefeuilles zijn portefeuilles met een maximale return voor een gegeven standaardafwijking. Een volgende belangrijke evolutie binnen de financiële expertise was het ‘Capital Asset Pricing Model’ (CAPM), een evenwichtsmodel met als voornaamste risicoparameter de bètacoëfficiënt, dat de relatie tussen vereiste rendement en risico beschrijft. Bij de bepaling van risicomaatstaven zoals bijvoorbeeld de standaardafwijking en de bètacoëfficiënt wordt dikwijls uitgegaan van een normale verdeling van de aandelenreturns. Deze normale verdeling is echter niet aangepast aan de realiteit. Ze onderschat de extreme risico’s die gepaard gaan met investeringen. Om tot een goede voorspelling van risico’s en verwachte rendementen te komen is er nood aan een juiste verdeling van de aandelenreturns. Hoewel er veel onderzoek wordt gedaan naar kansverdelingen voor aandelenreturns is de keuze voor een meer verfijnde verdeling, die rekening houdt met extreme fluctuaties, dikwijls problematisch. Het weergeven van risico’s in verband met investeringen is bovendien niet eenvoudig. In de praktijk worden verschillende maatstaven gebruikt zoals de Value at Risk maatstaf (VaR) en de standaardafwijking. Het risico voorstellen aan de hand van één maatstaf is echter onvolledig en biedt een belegger onvoldoende duidelijkheid en doorzichtigheid. In het praktijkgedeelte van deze scriptie wordt een methode van risicoprogrammering beschreven die, uitgaande van een degelijke financiële expertise, het mogelijk maakt om optimale portefeuilles samen te stellen. Deze methode is gebaseerd op lineaire of kwadratische programmering en kan toegepast worden in verschillende varianten. Via deze vorm van risicoprogrammering is het ten eerste mogelijk een portefeuille samen te stellen op maat van de klant. Dit gebeurt onder andere aan de hand van een aantal a priori beperkingen. Zo kan een belegger er bijvoorbeeld voor kiezen om een bepaald minimum of maximum percentage te investeren in bepaalde fondsen. Naast deze a priori beperkingen kan de belegger een bepaalde verwachte return vooropstellen, of een bepaalde zeer lage opbrengst waar zeker niet mag onder gekomen worden (met een kans van 99 %). Op basis van deze gegevens wordt dan een optimale portefeuille samengesteld precies op maat van de klant. Ten tweede kunnen de toekomstige beleggingsresultaten grafisch worden weergegeven. Zo krijgt de belegger ondermeer een zicht op de toekomstige verwachte, zeer lage en zeer hoge waarde. Door deze visuele voorstelling krijgt de belegger een beter algemeen zicht op het risico van de gekozen portefeuille. Ten slotte kan een gevoeligheidsanalyse uitgevoerd worden op basis van de schaduwprijzen. In de praktijk gebeuren de meeste beleggingsbeslissingen aan de hand van een ‘risicoprofieltest’. Hierbij worden beleggers aan de hand van een vragenlijst ingedeeld in verschillende risicocategorieën. Naargelang de risicocategorie waarin de belegger zich bevindt, wordt dan een portefeuillevoorstel gedaan. Banken zouden de methode van risicoprogrammering, voorgesteld in deze scriptie, kunnen gebruiken in combinatie met een risicoprofieltest. De risicoprofieltest zou dan kunnen dienen om te peilen naar de financiële achtergrond. Aan de hand van risicoprogrammering zou dan de uiteindelijke portefeuille kunnen worden samengesteld.-
dc.format.extent727053 bytes-
dc.format.mimetypeapplication/pdf-
dc.language.isonl-
dc.titleDoorzichtige optimale beleggingsmethoden-
dc.typeTheses and Dissertations-
local.format.pages119-
local.bibliographicCitation.jcatT2-
local.type.specifiedMaster thesis-
dc.bibliographicCitation.oldjcat-
item.accessRightsOpen Access-
item.fulltextWith Fulltext-
item.contributorGEBOERS, Hans-
item.fullcitationGEBOERS, Hans (2006) Doorzichtige optimale beleggingsmethoden.-
Appears in Collections:Master theses
Files in This Item:
File Description SizeFormat 
geboers_hans.pdf716.08 kBAdobe PDFView/Open
Show simple item record

Page view(s)

170
checked on Sep 6, 2022

Download(s)

94
checked on Sep 6, 2022

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.