This site uses cookies.
Some of these cookies are essential to the operation of the site,
while others help to improve your experience by providing insights into how the site is being used.
For more information, please see the ProZ.com privacy policy.
This person has a SecurePRO™ card. Because this person is not a ProZ.com Plus subscriber, to view his or her SecurePRO™ card you must be a ProZ.com Business member or Plus subscriber.
Affiliations
This person is not affiliated with any business or Blue Board record at ProZ.com.
Services
Translation
Expertise
Specializes in:
Linguistics
Poetry & Literature
Rates
Portfolio
Sample translations submitted: 3
German to Chinese: Effiziente Märkte General field: Bus/Financial Detailed field: Finance (general)
Source text - German Beginnen wir also mit der Frage: ’Was kennzeichnet’ einen informationseffizienten Markt?
Ich nenne Ihnen sechs Fakten, die alle zutreffen, wenn ein Markt für Vermögenswerte
informationseffizient ist.
1
• Erstens: Die erwartete Rendite einer Anlage bewegt sich im Einklang mit dem
systematischen Risiko der Anlage
• Zweitens entstehen vorhersehbare Bewegungen der Vermögenspreise nur, weil entweder
– die marktweite Risikoprämie für die systematischen Risikoveränderungen des
Vermögenswertes, und/oder
– die Höhe der systematischen Risikoveränderungen des Vermögenswertes
• Drittens ist die durchschnittliche Rendite eines Vermögenswerts eine faire Entschädigung für seinen Risikobeitrag zu einem gut diversifizierten Portfolio.
• Viertens: Der Preis eines Vermögenswerts folgt nur dann einem ’random walk’, wenn
entweder
– die marktweite Risikoprämie für systematische Risiken nicht vorhersehbar ist,
oder
– die Höhe des systematischen Risikos eines Vermögenswerts nicht vorhersehbar
ist
• Fünftens: Überraschende Preisbewegungen eines Vermögenswertes werden ausschließlich durch Nachrichten angetrieben. Anders ausgedrückt, die Renditeüberraschung eines Vermögenswerts, gemessen als die Spanne zwischen realisierter Rendite und ihrer Erwartung, wird NUR durch eingehende Informationen mit bisher
unbekanntem Inhalt, auch "Nachrichten" genannt, getrieben.
• Sechstens: Der Preis eines Vermögensgegenstandes springt unmittelbar nach dem
Eintreffen neuer Informationen in die Höhe und bleibt unverändert, bis neue Informationen eintreffen.
Chinese to German: 马科维茨(Markowitz)资产管理符号 General field: Bus/Financial Detailed field: Finance (general)
Source text - Chinese 偏好描述了投资者如何权衡投资计划的风险和回报。偏好是投资者所特有的，它们可以说明货币特征，如资产分配的变化，也可以说明非货币因素，如投资是否符合伦理、道德和道德标准。它们可以说明货币特征，如财富分配的变化，也可以说明非货币因素，如投资是否符合投资者的伦理、道德或环境准则。顺便一提，对投资战略的偏好说明了与某一投资决定相关的满意度。
经济学家通过效用函数表示偏好。优选的决策获得更高的效用。所以，效用函数用一个数字指数来描述投资者的投资组合偏好。金融经济学的早期工作只研究财富方面的偏好，而忽略了任何非货币因素。
Translation - German Die Präferenzen stellen dar, wie ein Investor mit den Risiken und Chancen eines Investitionsplans handelt. Präferenzen sind einzigartig für Investoren. Sie können sowohl monetäre Merkmale wie die Veränderung der Vermögensverteilung als auch nicht-monetäre Erwägungen erklären, z.B. ob Investitionen mit dem ethischen, moralischen oder ökologischen Kompass eines Investors übereinstimmen. Beiläufig gesprochen: Präferenzen gegenüber Anlagestrategien charakterisieren den Grad des Glücks, der mit einer bestimmten Investitionsentscheidung verbunden ist.
Ökonomen stellen Präferenzen über Nutzenfunktionen dar. Bevorzugte Entscheidungen erhalten höhere Nutzenfunktionen. Eine Nutzenfunktion beschreibt also die PortfolioPräferenz eines Investors durch einen numerischen Index. Frühe Arbeiten in der Finanzwirtschaft haben sich nur mit Präferenzen für Wohlstand befasst und alle nichtmonetären Überlegungen ignoriert.
English to German: Garbage In, Garbage Out Problem of the Markowitz Asset Allocation Approach
Source text - English In this video, we want to address the Garbage In, Garbage Out Problem of the
Markowitz Asset Allocation Approach.
The portfolio selection approach of Markowitz assumes Σ and µ are known. But in
reality, these quantities are unknown and need to be estimated. Estimation errors in the
estimates
Σ and ˆ ˆ µ
are most likely to produce non-sense or at least sub-optimal results in real-life applications;
especially if the asset universe is sizeable. In industry and academia, this phenomenon is
known as the ’Garbage In, Garbage Out’ problem.
Therefore, remember: The quality of a Mean-variance preference portfolio advice depends on the quality of the inputs ˆµ and Σ. ˆ
In the long-run, investors with the more precise estimates for µ and Σ will outperform
the market.
Let’s visualize that the input list grows exponentially as the asset universe increases.
For example, consider a portfolio with
n = 50 assets.
Here, one would have to estimate 1,325 parameters to completely fill up all entries in µ
and Σ. So, lets’ check why we need that many estimates:
• We would need n = 50 estimates for the expected holding period return of each
asset
• Then, we would also need n = 50 estimates for each asset’s return variance
• And finally, the largest block would be for the n × (n − 1)/2 = 1, 225 parameters
1
for the pairwise covariance terms in the Σ matrix.
So, you might think that is already pretty bad. But, now I am telling you it is getting
even worse. A 50 asset portfolio is a small to medium sized portfolio. If you consider a
n = 100 asset portfolio, the complete Mean-Variance input list for µ and Σ requires you
to estimate in total 5,150 input parameters. So, you double the number of assets which
quadruples the number of estimates that you need to come up with.
And even a 100 asset portfolio is nothing unrealistic. Consider a portfolio that invests
in 3.000 stocks; which you can easily do on the big exchanges in the US, Europe and
Asia. The complete Mean-Variance input list would require you to estimate more than
4.5 million entries for µ and Σ.
This highlights two takeaways. First, the number of estimates necessary for a complete
Mean-Variance analysis increases exponentially in the number of assets. Second, it is not
too difficult to imagine that even only a bit of garbage in some of the input estimates can
produce Markowitz optimal portfolio that are performing very badly in real-life. So, the
’Garbage In, Garbage Out’ problem is not an academic warning flag, but it is present in
daily portfolio management decisions in industry.
Translation - German In diesem Video wollen wir das "Garbage In, Garbage Out"-Problem des Markowitz
Asset Allocation-Ansatzes ansprechen.
Der Portfolio-Auswahlansatz von Markowitz geht davon aus, dass Σ und µ bekannt
sind. Aber In der Realität sind diese Mengen unbekannt und müssen geschätzt werden.
Schätzfehler in den Schätzungen
Σˆ and µˆ
führen höchstwahrscheinlich zu unsinnigen oder zumindest nicht optimalen Ergebnissen
in realen Anwendungen; insbesondere vor allem, wenn das Asset-Universum beträchtlich
ist. In Industrie und Wissenschaft ist dieses Phänomen als das "Garbage In, Garbage
Out"-Problem bekannt.
Denken Sie also daran: Die Qualität einer Beratung zu einem Präferenz-Portfolio mit
Mittelwert-Varianz hängt von der Qualität der Inputs µˆ und Σˆ ab.
Langfristig werden die Investoren mit den genaueren Schätzungen für µ und Σ den Markt
übertreffen.
Stellen wir uns vor, dass die Input-Liste exponentiell wächst, wenn sich das Anlageuniversum vergrößert. Betrachten Sie zum Beispiel ein Portfolio mit
n = 50 Posten.
Hier müsste man 1.325 Parameter schätzen, um alle Einträge in µ und Σ vollständig
auszufüllen. Überprüfen wir also, warum wir so viele Schätzungen benötigen:
• Wir bräuchten n = 50 Schätzungen für die erwartete Haltedauer-Rendite jedes
Postens
• Dann bräuchten wir auch n = 50 Schätzungen für die Ertragsvarianz jedes Postens
1
• Und schließlich wäre der größte Block für die Parameter n × (n − 1)/2 = 1, 225 für
die paarweisen Kovarianzterme in der Σ Matrix.
Vielleicht denken Sie, dass das schon ziemlich schlimm ist. Aber jetzt sage ich Ihnen,
dass es noch schlimmer wird. Ein Portfolio mit 50 Anlagen ist ein kleines bis mittelgroßes
Portfolio. Wenn man ein Portfolio von n = 100 in Betracht zieht, muss man für die
vollständige Eingabeliste der Mittelwert-Varianz für µ und Σ insgesamt 5.150 Eingabeparameter schätzen. Verdoppelt man also die Anzahl der Assets, vervierfacht das die Anzahl
der Schätzungen, die man erstellen muss.
Und selbst ein Portfolio mit 100 Posten ist nichts unrealistisch. Stellen Sie sich ein Portfolio vor, das in 3.000 Aktien investiert; Für die vollständige Eingabeliste der Mittelwertvarianz müssten Sie mehr als 4,5 Millionen Einträge für µ und Σ schätzen.
Dies können wir zwei Sachen lernen. Erstens nimmt die Anzahl der Schätzungen, die
für eine vollständige Mittelwert-Varianz-Analyse erforderlich sind, exponentiell mit der
Anzahl der Assets zu. Zweitens ist es nicht allzu schwer vorstellbar, dass nur ein bisschen
Fehler in einigen der Input-Schätzungen zu einem optimalen Markowitz-Portfolio dazu
führen, das es in der Praxis sehr schlecht abschneiden wird. Das "Garbage In, Garbage
Out"-Problem ist also keine akademische Warnflagge, sondern es besteht in den täglichen
Portfolio-Management Entscheidungen in der Industrie.
More
Less
Experience
Years of experience: 6. Registered at ProZ.com: Nov 2020.
I am a Germanistik/german literature Master student in German, using SDL Trados 2017 translation software, freelance translator and have done many DE-CN und DE-EN translations.
Portfolio