Diversifizieren heißt nicht, Assets zu zählen

Wenn der Markt ruhig ist, wirkt das Portfolio wie ein Mosaik. Jedes Teil hat Namen, Sektor, Narrativ. Doch es genügt ein Windwechsel, und das Mosaik bewegt sich wie eine einzige Platte. In der Praxis verhalten sich viele „diversifizierte“ Portfolios wie eine einzige Wette, sobald der Markt in eine Korrektur geht: Korrelationen steigen, Drawdowns synchronisieren sich, und die Vielfalt der Ticker kollabiert in einen dominanten Faktor. Diese Beobachtung ist nicht bloß anekdotisch: Die Literatur zeigt, dass Abhängigkeit mit dem Regime wechselt, besonders in fallenden Märkten und bei hoher Volatilität.

Von dort an ist die nützliche Frage nicht mehr, wie viele Instrumente auf der Liste stehen, sondern welche Bindungen sie verbinden, wenn der Druck steigt. Das zentrale Argument lautet: Diversifikation ist ein Abhängigkeitsproblem. Es reicht nicht, Gewichte zu streuen; man muss die Struktur so gestalten, dass schwere Verluste begrenzt bleiben und sich nicht durch das Portfolio fortpflanzen.

Konzeptionelle Trennung

Wenn wir das Portfolio als System betrachten, erscheinen zwei Arten von Fakten. Die einen sprechen vom Schaden, die anderen von der Kontinuität. Die einen beschreiben, wie es bricht, die anderen, wie es weiter funktioniert.

Vielfalt der Schwächen. Ein diversifiziertes Portfolio ist auch vielfältig in Schwächen. Wichtig ist, dass diese Schwächen nicht gleichzeitig auftreten, oder dass ihre Gleichzeitigkeit unter Stress unwahrscheinlich ist. Technisch gesprochen: Um die Synchronisation extremer Verluste zu minimieren, muss man über die durchschnittliche Korrelation hinausgehen und bedingte Abhängigkeit sowie Tail-Dependence berücksichtigen.

Vielfalt der Stärken. Ein diversifiziertes Portfolio ist auch vielfältig in Stärken. Es geht nicht darum, dass „alles gleichzeitig steigt“, was oft nur Faktor-Konzentration unter anderem Namen ist, sondern darum, dass das Set der Renditetreiber relevante Szenarien abdeckt und in manchen Regimen Redundanz bietet, also mehr als ein Treiber beiträgt.

Schlüsselideen

Um diese Intuition zu stützen, ohne bei der Metapher stehenzubleiben, brauchen wir Maße. Nicht als Schmuck, sondern als Instrumente, um das Unsichtbare zu sehen: die Verbindungen, die Ko-Abstürze, die Routen, über die ein Schock wandert, wenn der Markt enger wird.

Markowitz: Der Diversifikationsnutzen steckt in Kovarianzen

Die erste Landkarte liefert Markowitz: Die Moderne Portfoliotheorie formalisiert, dass das Gesamtrisiko von Varianzen und Kovarianzen abhängt, nicht von der Anzahl der Assets. Das setzt den Ausgangspunkt: „Diversifizieren“ heißt, Beziehungen zwischen Renditen zu strukturieren, nicht Instrumente zu sammeln.^[1]

Korrelation ist nicht Abhängigkeit: das Tail-Problem

Doch selbst eine korrekte Karte kann im raueren Gelände zu kurz greifen. Lineare Korrelation ist ein partielles Maß. Insbesondere kann sie bei der Beschreibung des gemeinsamen Auftretens extremer Ereignisse versagen. Das Kopula-Framework und die Idee der tail dependence erfassen genau das, was hier relevant ist: ob große Verluste dazu neigen, gemeinsam aufzutreten.^[2]

Bedingte Abhängigkeit und Regimewechsel

Der Markt wiederholt nicht immer dieselbe Jahreszeit. Die Luft ändert sich, der Druck ändert sich, die Verbindungen ändern sich. Empirische Evidenz deutet darauf hin, dass in Bärenmärkten die Abhängigkeit zunimmt: Korrelationen „springen“ genau dann, wenn es am meisten zählt, und verschlechtern die Diversifikation. Das wird etwa in Arbeiten zu extremen Korrelationen in bear markets dokumentiert.^[3]

Regimewechsel-Modelle, z. B. Markov switching, formalisieren, dass Volatilität und Korrelationen nicht konstant sind, sondern vom Marktstatus abhängen.^[4] Ergänzend erlaubt Dynamic Conditional Correlation (DCC), Korrelationen zu schätzen, die sich über die Zeit entwickeln.^[5]

Tail-Risk: CVaR (Expected Shortfall) als Ziel oder Restriktion

Und wenn der Sturm kommt, taugt der Durchschnitt nicht mehr als Leitfaden. Wenn das Ziel ist, „große gleichzeitige Treffer“ zu vermeiden, kann Varianz unzureichend sein. CVaR (Expected Shortfall) bietet ein kohärentes Maß für Tail-Risk und einen operativen Optimierungsrahmen, um erwartete schwere Verluste zu begrenzen.^[6]

Connectedness und Cluster: die Netzwerk-Lesart

Schließlich ist es, wenn wir von Ausbreitung sprechen, sinnvoll, das Portfolio als Übertragungsnetz zu betrachten. Die Intuition der „Propagation“ lässt sich als Connectedness zwischen Assets oder Blöcken modellieren. In der Finanzliteratur wurden hierarchisches Clustering und korrelationsbasierte Distanzen genutzt, um Taxonomien zu bauen, ebenso wie connectedness-Metriken, um Schockübertragung zu quantifizieren.^[7][8]

Operative Implikationen: vom Konzept zu Designregeln

Damit wird die Idee praktikabel: Es genügt nicht, Namen zu vervielfachen. Man muss verstehen, warum sie gemeinsam fallen, wann sie gemeinsam fallen und wie stark sie gewichten, wenn es passiert. An diesem Punkt ist Diversifikation keine Liste mehr, sondern ein Design.

Diversifikation nach Treibern (Drivers), nicht nach Namen

Statt zu fragen „Wie viele Assets habe ich?“, ist es informativer zu fragen „Wie viele Treiber erklären das P&L?“. Beispiele für Treiber: globale Liquidität (risk-on/risk-off), reale Zinsen, Dollar, Wachstum, Inflation und Rohstoffe, regulatorisches Risiko sowie Finanzstress-Ereignisse.

Diagnosefrage: Erkennung von Drawdown-Clustern

Frage: Wenn Treiber X stark trifft, wie viele Blöcke fallen gemeinsam und wie groß ist ihr Gewicht? Wenn die Antwort „viele“ und „viel“ lautet, dann gibt es einen Drawdown-Cluster: oberflächliche Vielfalt, tiefe Abhängigkeit.

Drei Hebel: Größe, Komplementarität, Regeln

Wenn der Cluster identifiziert ist, ist es sinnvoll, mit einfachen, klar ausführbaren Hebeln einzugreifen. Es sind wenige, aber sie sind wirksam, weil sie an der Struktur ansetzen.

• Größe (Schadenskontrolle). Konzentrierte Risikobeiträge begrenzen. Selbst bei unterschiedlichen Assets kann das Gewicht eine Schwäche von lokal zu systemisch machen.
• Komplementarität (Szenarioabdeckung). Treiber mit anderen Schwächen hinzufügen, idealerweise mit niedriger Tail-Dependence relativ zum dominanten Cluster.
• Regeln (Governance). Explizite Kriterien für Stopps, Rebalancing und Skalierung, um impulsive Entscheidungen unter Stress zu vermeiden.

„Schwächen isolieren“ in messbaren Begriffen

Isolieren heißt nicht, Risiko zu eliminieren. Es heißt, zu verhindern, dass sich Schaden synchronisiert und verstärkt. Um diese Synchronisation zu messen, sollte man Abhängigkeit beobachten, wenn der Markt anzieht, nicht nur, wenn er entspannt.

• Dynamische Korrelationen (DCC) nutzen, um Anstiege der Connectedness zu überwachen.^[5]
• Tail-Dependence (Kopulas oder quantilbasierte Approximationen) analysieren, wenn das Ziel ist, extreme Ko-Fälle zu vermeiden.^[2]
• CVaR/Expected Shortfall optimieren oder beschränken, um aggregierte schwere Verluste zu begrenzen.^[6]
• Clustering und Connectedness-Metriken nutzen, um hoch vernetzte Komponenten zu erkennen, potenzielle Drawdown-Cluster.^[7][8]

„Abdeckende Stärken“ als Regimeabdeckung

Auf der anderen Seite steht Kontinuität. Nicht als Garantie, sondern als Abdeckung durch Design. Ein robustes Portfolio strebt an, dass es für jedes plausible Regime mindestens eine Teilmenge von Treibern mit vernünftiger Performance gibt. Regimewechsel-Modelle formalisieren diese Idee: Ziel ist nicht, einen Durchschnitt zu maximieren, sondern Fragilität zu vermeiden, wenn sich der Zustand ändert.^[4]

Grenzen und Vorsicht

Diese Reise sollte mit methodischer Ehrlichkeit enden. Es gibt empirische Tatsachen und Schätzgrenzen, die nicht verschwinden, nur weil man es möchte, und deshalb müssen sie im Design enthalten sein.

• Korrelationen steigen in Krisen tendenziell. Diversifikation kann genau dann degradieren, wenn sie am dringendsten gebraucht wird.^[3]
• Schätz- und Modellrisiko. Mittelwerte, Kovarianzen und Tail-Parameter werden mit Fehler geschätzt, und auch die Modellauswahl erzeugt Unsicherheit. Ein komplementärer Ansatz ist, Parameter- und Modellunsicherheit in der Portfoliowahl explizit zu behandeln.^[9]

Fazit

Wenn wir zum Anfang zurückkehren, zu dem Moment, in dem sich das „diverse“ Portfolio wie eine einzige Sache bewegt, wird die Lehre klar: Diversifikation ist keine Liste, sie ist eine Architektur. Diversifikation versteht man besser als Problem von Abhängigkeit und Regimen: Schwächen isolieren heißt, Connectedness und die Ko-Okkurrenz schwerer Verluste zu reduzieren, insbesondere in den Tails, während Stärken diversifizieren heißt, Szenarien mit unterschiedlichen Treibern abzudecken und in manchen Zuständen Redundanz zu haben. In der Praxis bedeutet das: Drawdown-Cluster diagnostizieren, Größe kontrollieren, komplementäre Treiber suchen und mit expliziten Regeln operieren.

In einer Zeile: Diversifizieren heißt so zu designen, dass man nicht bricht, wenn sich der Zustand der Welt ändert.

Disclaimer: Bildungs- und Informationsinhalt, keine Finanzberatung. Jede Investition beinhaltet Risiken, einschließlich Verlusten. Vergangene Wertentwicklung garantiert keine zukünftigen Ergebnisse.

Referenzen

1. [1] Markowitz, H. (1952). Portfolio Selection. The Journal of Finance. DOI
2. [2] Embrechts, P., McNeil, A., & Straumann, D. (2002). Correlation and dependence in risk management: properties and pitfalls. In Risk Management: Value at Risk and Beyond. PDF
3. [3] Longin, F., & Solnik, B. (2001). Extreme Correlation of International Equity Markets. The Journal of Finance. PDF
4. [4] Ang, A., & Bekaert, G. (2002). International Asset Allocation with Regime Shifts. The Review of Financial Studies, 15(4), 1137-1187. DOI. Oxford Academic
5. [5] Engle, R. (2002). Dynamic Conditional Correlation: A Simple Class of Multivariate GARCH Models. Journal of Business & Economic Statistics. DOI
6. [6] Rockafellar, R. T., & Uryasev, S. (2000/2002). Optimization of Conditional Value-at-Risk. Journal of Risk; und zugehörige Arbeiten. Häufig zitierte Version: PDF
7. [7] Mantegna, R. N. (1999). Hierarchical Structure in Financial Markets. The European Physical Journal B. Klassischer Preprint: arXiv
8. [8] Diebold, F. X., & Yilmaz, K. (2014). On the Network Topology of Variance Decompositions: Measuring the Connectedness of Financial Firms. Journal of Econometrics. DOI
9. [9] Garlappi, L., Uppal, R., & Wang, T. (2007). Portfolio Selection with Parameter and Model Uncertainty: A Multi-Prior Approach. The Review of Financial Studies, 20(1), 41-81. DOI. Oxford Academic