Wie Diversifikation das Risiko mathematisch reduziert: Die Gleichungen hinter intelligenteren Portfolios • Investing.ad

Diversifikation ist kein Slogan. Es ist Algebra.

Risiko, wie es Mathematiker meinen: Varianz und Standardabweichung

Wenn Investoren „Risiko“ sagen, meinen sie oft Unsicherheit der Renditen. In Entscheidungsmodellen ist die klassische Art, diese Unsicherheit zu quantifizieren, die Varianz (oder ihre Quadratwurzel, die Standardabweichung).

Sei die Rendite eines einzelnen Assets über einen Zeitraum eine Zufallsvariable (R). Ihre erwartete Rendite ist:

[ \mu = \mathbb{E}[R] ]

Ihre Varianz ist:

[ \sigma^2 = \mathbb{E}\left[(R-\mu)^2\right] ]

Standardabweichung ist:

[ \sigma = \sqrt{\sigma^2} ]

Varianz ist praktisch, weil sie in einer Weise additiv ist, die die Schlüsselfrage hinter Diversifikation offenlegt: Kovarianz. Standardabweichung ist intuitiver (sie ist in „Renditeeinheiten“), aber Kovarianz verhält sich in Gleichungen ordentlich.

Die Portfoliorendite ist eine gewichtete Summe – ihre Varianz aber nicht

Ein Portfolio aus (n) Assets vergibt Gewichte (w_1,\dots,w_n) (typischerweise summieren sie sich zu 1). Portfoliorendite:

[ R_p = \sum_{i=1}^{n} w_i R_i ]

Erwartete Rendite ist linear:

[ \mathbb{E}[R_p] = \sum_{i=1}^{n} w_i \mathbb{E}[R_i] ]

Das ist einfach: Diversifikation ändert nicht auf magische Weise die gewichtete Durchschnittserwartung.

Aber bei der Varianz zeigt sich der wahre Effekt:

[ \mathrm{Var}(R_p) = \mathrm{Var}\left(\sum_{i=1}^{n} w_i R_i\right) ]

Ausmultipliziert ergibt sich:

[ \sigma_p^2 = \sum_{i=1}^{n}\sum_{j=1}^{n} w_i w_j \mathrm{Cov}(R_i, R_j) ]

Diese Doppelsumme ist die ganze Geschichte. Sie enthält:

Die einzelnen Risikoterme mit (i=j): (w_i^2\sigma_i^2)
Die Interaktionsterme mit (i\neq j): (w_i w_j \mathrm{Cov}(R_i, R_j))

Also ist die Portfoliovarianz nicht bloß ein gewichteter Durchschnitt der Varianzen; sie enthält diese Kreuzterme, und sie können das Gesamtrisiko reduzieren.

Kovarianz und Korrelation: die Hebel, an denen Diversifikation zieht

Kovarianz zwischen Assets (i) und (j):

[ \mathrm{Cov}(R_i,R_j) = \mathbb{E}\left[(R_i-\mu_i)(R_j-\mu_j)\right] ]

Korrelation skaliert Kovarianz um:

[ \rho_{ij} = \frac{\mathrm{Cov}(R_i,R_j)}{\sigma_i\sigma_j} \quad\Rightarrow\quad \mathrm{Cov}(R_i,R_j) = \rho_{ij}\sigma_i\sigma_j ]

Korrelation ist leichter zu interpretieren:

(\rho=1): bewegen sich perfekt zusammen
(\rho=0): keine lineare Beziehung
(\rho=-1): bewegen sich perfekt entgegengesetzt (in realen Märkten selten, aber mathematisch mächtig)

Setzt man die Korrelation in die Portfoliovarianz ein, werden die Mechanismen der Diversifikation explizit:

[ \sigma_p^2 = \sum_{i=1}^{n} w_i^2\sigma_i^2

\sum_{i\neq j} w_i w_j \rho_{ij}\sigma_i\sigma_j ]

Diese Nebendiagonalen-Korrelationsterme sind die „Risikoteiler“-Maschine. Niedrigere Korrelation bedeutet kleinere (oder negative) Kreuzterme, was die Gesamtvarianz verringert.

Die klarste Demonstration: ein Zwei-Asset-Portfolio

Betrachte zwei Assets mit Gewichten (w) und (1-w), Volatilitäten (\sigma_1,\sigma_2) und Korrelation (\rho). Portfoliovarianz:

[ \sigma_p^2 = w^2\sigma_1^2 + (1-w)^2\sigma_2^2 + 2w(1-w)\rho\sigma_1\sigma_2 ]

Drei Fälle zeigen, warum Diversifikation wirkt.

Fall 1: Korrelation ( \rho = 1 ) (kein Diversifikationsvorteil)

[ \sigma_p^2 = \left(w\sigma_1 + (1-w)\sigma_2\right)^2 ]

Also wird (\sigma_p) zum gewichteten Durchschnitt der Volatilitäten. Man kann nichts „wegdiversifizieren“, weil beide Assets wie dieselbe zugrunde liegende Wette wirken.

Fall 2: Korrelation ( \rho = 0 ) (klassischer teilweiser Vorteil)

[ \sigma_p^2 = w^2\sigma_1^2 + (1-w)^2\sigma_2^2 ]

Der Kreuzterm verschwindet. Das Risiko ist für die meisten Gewichtswahlen niedriger als im (\rho=1)-Fall, weil man nicht die „gleichgerichtet bewegen“-Strafe zahlt.

Fall 3: Korrelation ( \rho < 0 ) (hedging-ähnlicher Vorteil)

Nun ist der Kreuzterm negativ:

[ 2w(1-w)\rho\sigma_1\sigma_2 < 0 ]

Er subtrahiert von der Varianz. Wenn die Korrelation ausreichend negativ ist und die Gewichte richtig gewählt sind, kann man die Varianz stark reduzieren — manchmal in idealisierten Bedingungen sogar nahe null bringen.

Das Minimum-Varianz-Gewicht (zwei Assets) und was es bedeutet

Wenn man die am wenigsten volatile Kombination der beiden Assets will, differenziert man (\sigma_p^2) nach (w) und löst. Das Minimum-Varianz-Gewicht für Asset 1 ist:

[ w^* = \frac{\sigma_2^2 - \rho\sigma_1\sigma_2}{\sigma_1^2 + \sigma_2^2 - 2\rho\sigma_1\sigma_2} ]

Das sieht aus wie eine Formel, der man lieber nicht auf einer Party begegnet, aber sie ist intuitiv:

Höhere (\sigma_1) tendiert dazu, (w^*) zu verringern
Höhere (\sigma_2) tendiert dazu, (w^*) zu erhöhen
Niedrigere (\rho) (weniger Gleichlauf) verändert das Gleichgewicht und erlaubt oft eine größere Allokation in das riskantere Asset, ohne das Gesamtrisiko so stark zu erhöhen, wie man erwarten würde

Mit anderen Worten: Risiko ist nicht nur, wie „sprunghaft“ jedes Asset ist. Es geht auch darum, wie ihre Sprünge zusammenfallen.

Diversifikation betrifft die Kovarianzmatrix, nicht die Anzahl der Assets

Ein verbreitetes Missverständnis ist: „Mehr Assets bedeutet weniger Risiko.“ Manchmal ist das so, aber die Mathematik sagt, das wahre Objekt, das man diversifiziert, sei die Kovarianzstruktur.

Sei ( \mathbf{w} ) der Gewichtsvektor und ( \Sigma ) die Kovarianzmatrix (wobei Eintrag ( \Sigma_{ij}=\mathrm{Cov}(R_i,R_j) )). Die Portfoliovarianz wird zu einer kompakten quadratischen Form:

[ \sigma_p^2 = \mathbf{w}^\top \Sigma \mathbf{w} ]

Deshalb sprechen ernsthafte Portfoliokonstruktionen über:

das Schätzen von (\Sigma),
das Kontrollieren von Korrelationsexpositionen,
und das Stresstesten von Kovarianzänderungen.

Man kann 50 Assets halten, die alle stark korreliert sind, und am Ende etwas haben, das sich wie eine einzige konzentrierte Position verhält.

Ein konkretes „gleichgewichtet“-Gedankenexperiment mit vielen Assets

Um zu sehen, wie Diversifikation skaliert, betrachte (n) Assets mit:

identischer Volatilität (\sigma),
identischer paarweiser Korrelation (\rho),
gleichen Gewichten (w_i = 1/n).

Dann vereinfacht sich die Portfoliovarianz zu:

[ \sigma_p^2 = \sigma^2\left(\rho + \frac{1-\rho}{n}\right) ]

Diese einzelne Gleichung ist ein Favorit von Entscheidungstheoretikern, weil sie zwei Komponenten trennt:

Nicht-diversifizierbarer Teil: (\sigma^2\rho)
Diversifizierbarer Teil: (\sigma^2\frac{1-\rho}{n})

Wenn (n\to\infty):

[ \sigma_p^2 \to \sigma^2\rho ]

Also geht das Risiko nicht gegen null, es sei denn (\rho=0). Wenn die durchschnittliche Korrelation positiv ist — wie es häufig bei Aktien der Fall ist — gibt es eine Untergrenze. Diese „Boden“-Formel ist die mathematische Version des marktweiten Risikos.

Deshalb fühlt sich Diversifikation in ruhigen Märkten großartig an, kann aber in breiten Ausverkäufen enttäuschen: Korrelationen steigen oft, was (\rho) anhebt und den Risikoboden erhöht.

Systematisches vs. idiosynkratisches Risiko: die algebraische Aufspaltung

Finanzbücher trennen Risiko oft in:

Idiosynkratisches Risiko: assetspezifisches Rauschen, das man wegdiversifizieren kann
Systematisches Risiko: gemeinsame Bewegungen, getrieben von Faktoren

Die obige Gleichung mit gleicher Korrelation ist im Wesentlichen genau diese numerische Aufteilung. Man kann sie aber expliziter mit einem Ein-Faktor-Modell machen (ein Standardwerkzeug in Entscheidungsmodellen und Risikosystemen):

[ R_i = \alpha_i + \beta_i F + \varepsilon_i ]

Wobei:

(F) der gemeinsame Faktor ist (z. B. Markt-Return),
(\beta_i) die Sensitivität gegenüber dem Faktor ist,
(\varepsilon_i) idiosynkratisches Rauschen ist mit (\mathbb{E}[\varepsilon_i]=0) und typischerweise geringer Kreuzkorrelation zwischen Assets.

Für ein Portfolio:

[ R_p = \alpha_p + \beta_p F + \varepsilon_p ]

Die Varianz wird:

[ \sigma_p^2 = \beta_p^2\sigma_F^2 + \sigma_{\varepsilon_p}^2 ]

Diversifikation greift primär ( \sigma_{\varepsilon_p}^2 ) an, indem sie unabhängiges Rauschen über die Bestände hinweg mittelt. Aber wenn das Portfolio eine bedeutende (\beta_p) hat, bleibt der Term (\beta_p^2\sigma_F^2). Das ist der systematische Kern, den man nicht einfach durch Hinzufügen ähnlicher Assets ausradieren kann.

_{Photo by Thomas T on Unsplash}

Die Geometrie der Diversifikation: warum die effiziente Grenze gekrümmt ist

Wenn die erwartete Rendite linear in den Gewichten ist und die Varianz quadratisch, ergibt das in Risiko-Rendite-Raum eine Kurve, nicht eine Linie. Diese Kurve ist die effiziente Grenze in der modernen Portfoliotheorie.

Die Krümmung kommt von Kovarianz. Bei weniger als perfekter Korrelation erzeugt das Mischen von Assets Portfolios, die „nordwestlich“ einfacher Durchschnitte liegen: Für dieselbe erwartete Rendite erhält man geringeres Risiko; für dasselbe Risiko erhält man höhere erwartete Rendite.

Das ist kein Motivationsposter; es ist buchstäblich die Form einer quadratischen Form unter linearen Nebenbedingungen.

In Optimierungsbegriffen ist das klassische Minimum-Varianz-Problem:

Minimiere: [ \mathbf{w}^\top \Sigma \mathbf{w} ]

Unter der Nebenbedingung: [ \sum_{i=1}^n w_i = 1 ] (und oft Nebenbedingungen wie (w_i\ge 0), um Leerverkäufe auszuschließen)

Fügt man eine Zielerwartungsrendite-Nebenbedingung ( \mathbf{w}^\top \mu = \mu_p ) hinzu, zeichnet man die Grenze nach.

Ein wichtiger Punkt für Praktiker: Die effiziente Grenze ist nur so zuverlässig wie die Schätzungen von (\mu) und (\Sigma). Die Mathematik ist elegant; die Eingaben sind unordentlich.

Warum „Diversifikation nach Sektoren“ scheitern kann: Korrelations-Cluster

Korrelation ist nicht statisch. Sie clustert je nach Regime:

In Aufschwüngen können Korrelationen zwischen riskanten Assets moderat sein.
In Paniken steigen Korrelationen oft, wenn Investoren breit verkaufen.

Mathematisch heißt das, die Kovarianzmatrix (\Sigma) ist zeitabhängig:

[ \Sigma = \Sigma(t) ]

und manchmal zustandsabhängig:

[ \Sigma = \Sigma(\text{regime}) ]

Wenn Ihre Diversifikation auf einer Korrelation beruht, die Sie in ruhigen Perioden geschätzt haben, wird Ihr Modell das Risiko unterschätzen, wenn sich die Bedingungen ändern. Deshalb führen Risikoteams Stresstests durch: Sie ersetzen „normale“ Korrelationen durch Krisenkorrelationen und berechnen (\mathbf{w}^\top \Sigma \mathbf{w}) neu.

Die Diversifikationslehre bleibt dieselbe, aber sie wird bedingt: Diversifikation reduziert Risiko relativ zu dem, was es sonst wäre, aber wie viel das ist, hängt von der Korrelation ab, wenn es am wichtigsten ist.

Konzentration zeigt sich als quadrierte Gewichte: ein leiser, aber brutaler Term

Schau noch einmal auf den allgemeinen Varianz-Ausdruck:

[ \sigma_p^2 = \sum_{i} w_i^2\sigma_i^2 + \sum_{i\neq j} w_i w_j \mathrm{Cov}_{ij} ]

Die erste Summe verwendet quadrierte Gewichte. Das Quadrieren bestraft Konzentration. Wenn ein Gewicht dominiert, wird (w_i^2) groß und die Portfoliovarianz nach oben gezogen, selbst wenn der Rest der Bestände „diversifiziert“ ist.

Das ist ein Grund, warum Equal-Weighting Anleger manchmal überrascht: Es reduziert mechanisch Konzentration und senkt den Einfluss der quadrierten Gewichtsterme. Aber es ist auch kein Allheilmittel — wenn die Korrelationen hoch sind, dominieren die Kreuzterme weiterhin.

Ein verwandtes Konzept ist der Herfindahl-Hirschman-Index (HHI), der in anderen Feldern zur Messung von Konzentration verwendet wird:

[ \text{HHI} = \sum_{i=1}^{n} w_i^2 ]

In einem einfachen Modell mit identischen Volatilitäten und null Korrelationen ist die Portfoliovarianz proportional zum HHI. Mehr konzentriertes Portfolio → höherer HHI → höheres Risiko.

Diversifikation über Zeithorizonte: wenn Korrelationen mit der Frequenz wechseln

Korrelation hängt vom Abtastintervall ab:

Tages-Korrelationen können sich von Monats-Korrelationen unterscheiden.
Intraday-Mikrostrukturrauschen kann hochfrequente Beziehungen verzerren.
Makrofaktoren zeigen sich stärker bei längeren Horizonten.

Mathematisch, wenn Renditen aggregiert werden:

[ R^{(k)} = \sum_{t=1}^{k} r_t ]

skaliert die Kovarianz der aggregierten Renditen mit der Zeit, aber nicht immer auf eine perfekt einfache Weise, sobald Autokorrelation, Volatilitätsclustering oder nicht-synchrone Handelseffekte einbezogen werden.

Für langfristige Entscheidungsmodelle (Rentenportfolios, Stiftungen) ist die relevante (\Sigma) möglicherweise eine Schätzung niedrigerer Frequenz. Für Handelssysteme ist sie rollend und hochfrequent. Diversifikation ist weiterhin Kovarianzreduktion — aber die Kovarianz, die Sie reduzieren, ist horizonspezifisch.

Die versteckten Kosten: Schätzfehler und warum „optimal“ fragil sein kann

Minimum-Varianz- und Mean-Variance-optimierte Portfolios hängen in ihren expliziten Lösungen von (\Sigma^{-1}) (der inversen Kovarianzmatrix) ab. Dort kann es instabil werden.

Kleine Fehler in Kovarianzschätzungen können große Schwankungen in der Inversen verursachen. In der Praxis führt das zu:

extremen Gewichten,
unintuitiven Wetten,
„Optimizer-Whiplash“, bei dem sich Allokationen nach kleinen Datenänderungen dramatisch ändern.

Entscheidungsmodelle zähmen das oft durch:

Shrinkage-Estimatoren für Kovarianzen (ziehen verrauschte Schätzungen zu einer strukturierten Zielmatrix),
Faktormodelle (Reduktion der Dimensionalität),
Nebenbedingungen (wie Gewichtskapazitäten),
Robuste Optimierung (Planen für Unsicherheit in (\mu) und (\Sigma)).

Die Mathematik der Diversifikation bleibt korrekt; die Herausforderung ist, die Zutaten genau genug zu messen, um darauf handeln zu können.

Ein praktisches numerisches Beispiel (ohne Beschönigung)

Angenommen, zwei Assets haben:

(\sigma_1 = 20%)
(\sigma_2 = 20%)
gleiche Gewichte (w=0.5)

Dann:

[ \sigma_p^2 = 0.5^2(0.2^2)+0.5^2(0.2^2)+2(0.5)(0.5)\rho(0.2)(0.2) ] [ = 0.25(0.04)+0.25(0.04)+0.5\rho(0.04) ] [ = 0.01+0.01+0.02\rho ] [ = 0.02(1+\rho) ]

Also:

Wenn (\rho=1): (\sigma_p^2=0.04), (\sigma_p=20%) (kein Vorteil)
Wenn (\rho=0): (\sigma_p^2=0.02), (\sigma_p\approx14.14%)
Wenn (\rho=-0.5): (\sigma_p^2=0.01), (\sigma_p=10%)

Gleiche zwei Assets. Gleiche einzelne Volatilität. Gleiche Gewichte. Das Risiko ändert sich dramatisch allein durch die Änderung der Korrelation. Das ist Diversifikation mathematisch, ohne Erzählungen.

Entscheidungsmodelle: Diversifikation als Wahl unter Unsicherheit

In Entscheidungsmodellen ist Portfoliowahl eine eingeschränkte Wahl unter unsicheren Ergebnissen. Das Mean-Variance-Framework ist eine Möglichkeit, das zu formalisieren:

Maximiere Nutzen wie: [ U \approx \mathbb{E}[R_p] - \frac{\lambda}{2}\sigma_p^2 ]

wobei (\lambda) die Risikoaversion ist.

Diversifikation ist wichtig, weil sie (\sigma_p^2) für eine gegebene (\mathbb{E}[R_p]) reduziert und so ohne Annahme höherer erwarteter Renditen den Nutzen erhöht. Der Präferenzparameter (\lambda) entscheidet, wie viel diese Reduktion wert ist, aber die Mechanik stammt aus (\mathbf{w}^\top \Sigma \mathbf{w}).

Das ist die stille Kraft der Mathematik: Sie macht aus „lege nicht alle Eier in einen Korb“ einen expliziten Trade-off, den man berechnen, optimieren, Stresstesten und in Zahlen diskutieren kann.

Werkzeuge, die Anleger verwenden (und was sie mathematisch wirklich tun)

Viele Portfolio-„Produkte“ sind nur verschiedene Wege, ( \mathbf{w} ) zu wählen, gegeben eine Sicht auf ( \mu ) und ( \Sigma ). Einige gebräuchliche Ansätze:

Index Funds
Sie approximieren ein Marktportfolio und akzeptieren effektiv die Markt-Kovarianzstruktur und konzentrieren sich auf breite Exposition. Mathematisch sind die Gewichte regelsatzbasiert, nicht optimiert.
Target-Date Funds
Sie ändern Gewichte über die Zeit (ein Glidepath). Das Entscheidungsmodell ist dynamisch: ( \mathbf{w}(t) ) entwickelt sich und verschiebt sich typischerweise zu Assets mit niedrigerer Volatilität, wenn der Horizont kürzer wird.
Risk Parity Portfolios
Sie wählen Gewichte so, dass jedes Asset ähnlich viel zum Gesamt- Risiko beiträgt. Der Risikobeitrag involviert die Kovarianzmatrix: [ \text{Marginal contribution} \propto (\Sigma \mathbf{w})_i ] Es ist Diversifikation, formuliert als Gleichmachen der Varianzbeiträge, nicht der Dollarbeträge.
Minimum-Variance Funds
Sie minimieren direkt ( \mathbf{w}^\top \Sigma \mathbf{w} ) unter Nebenbedingungen. Das gesamte Argument ist kovarianzbewusste Diversifikation.
Managed Futures / Trend Strategies
Diversifizieren oft über Anlageklassen und zeitreihenbasierte Signale. Ihr Wert kommt häufig aus Korrelationen, die sich in Krisen anders verhalten — wieder eine Kovarianzgeschichte, selbst wenn sie als „Krisen-Alpha“ vermarktet werden.

Jeder dieser Ansätze ist eine unterschiedliche Antwort auf dieselbe mathematische Frage: Wie wählen wir Gewichte, sodass Interaktionsterme (Kovarianzen) uns nicht sabotieren?

Wo Diversifikation aufhört zu helfen: Korrelationsspikes und gemeinsame Faktorexposition

Wenn ein Portfolio größtenteils aus Assets besteht, die denselben dominanten Faktor teilen — sagen wir globales Wachstum — dann wird die Korrelationsstruktur das widerspiegeln. Im Faktormodell:

[ R_i = \alpha_i + \beta_i F + \varepsilon_i ]

Wenn die meisten (\beta_i) positiv und groß sind, wird (\beta_p) ebenfalls positiv sein, und die systematische Varianz wird dominieren:

[ \sigma_p^2 \approx \beta_p^2\sigma_F^2 ]

An diesem Punkt fügt das Hinzufügen weiterer Assets hauptsächlich mehr (\varepsilon_i)-Terme hinzu, die sich ausmitteln, aber es ändert nicht den großen Treiber. Sie haben die Namen diversifiziert, nicht die Faktoren. Mathematisch haben Sie etwas diagonales Rauschen reduziert; Sie haben den gemeinsamen Kovarianzkern nicht verändert.

Deshalb ist echte Diversifikation oft faktorenübergreifend: Man mischt Assets mit unterschiedlichen Sensitivitäten gegen Inflation, Zinsen, Kredit, Wachstum, Liquidität und Währungsregime — denn das sind die Zutaten, die (\Sigma) formen, wenn Stress eintritt.

Die mathematische Quintessenz, die Verhalten tatsächlich ändert

Wenn Sie nur eine Gleichung behalten, dann diese: