This cumulative dissertation proposes and evaluates new approaches for improving the out-of-sample performance of mean-variance optimized portfolios under parameter estimation risks. Parameter estimation risk is a key reason why applications of portfolio theory do not deliver the expected performance in practice. It arises from not knowing the true parameters that describe the behavior of future asset returns. The research in this dissertation contributes to improving the understanding of parameter estimation risks in optimal portfolio selection as well as the practical applications of portfolio theory by providing enhanced estimators of optimal portfolio weights based on empirical data. In Chapter 2 of this dissertation, a novel shrinkage estimator for optimal portfolio weights with respect to the expected out-of-sample Sharpe ratio is developed. Chapter 3 uses firm characteristics, state-of-the-art machine learning methods and covariance matrix shrinkage methods for constructing large efficient portfolios of individual stocks. Chapter 4 proposes a new approach for estimating and predicting high-dimensional time-varying covariance matrices that can be directly used for optimal portfolio selection. Taken together, the methods proposed in this dissertation expand the toolbox for academics and practitioners in the application of optimal portfolio selection models.

Diese kumulative Dissertation schlägt neue Ansätze zur Verbesserung der Out-of-Sample-Performance von Mittelwert-Varianz-optimierten Portfolios unter Einbezug von Parameterschätzrisiken vor und wertet diese empirisch aus. Parameterschätzrisiken sind ein wesentlicher Grund dafür, dass in praktischen Anwendungen der Portfoliotheorie nicht die erwartete Performance erzielt werden kann. Schätzrisiken entstehen dadurch, dass in der Praxis die wahren Parameter, die das Verhalten zukünftiger Asset-Renditen beschreiben, unbekannt sind. Die Forschungspapiere in dieser Dissertation tragen dazu bei, das Verständnis von Schätzrisiken in der optimalen Portfolioselektion sowie die Performance der Portfoliotheorie in praktischen Anwendungen zu verbessern, indem verbesserte Schätzer für die optimalen Portfoliogewichte basierend auf empirischen Daten untersucht werden. In Kapitel 2 dieser Dissertation wird ein neuer Shrinkage-Schätzer für optimale Portfoliogewichte im Hinblick auf die erwartete Out-of-Sample-Sharpe Ratio entwickelt. Kapitel 3 nutzt Unternehmenskennzahlen, moderne Machine-Learning-Methoden und Kovarianzmatrix-Shrinkage-Methoden für die Optimierung großer Portfolios von Einzelaktien. Kapitel 4 schlägt einen neuen Ansatz zur Schätzung und Vorhersage hochdimensionaler und zeitvarianter Kovarianzmatrizen vor, die direkt für die optimale Portfolioauswahl genutzt werden können. Zusammengenommen bilden die in dieser Dissertation vorgestellten Methoden eine wertvolle Ergänzung zu bereits verfügbaren Instrumenten für die Anwendung von Modellen zur optimalen Portfolioselektion in Forschung sowie Praxis.