In der modernen Portfoliotheorie hat sich die Risk-Parity Strategie (RP), vor allem im Bereich der systematischen Multi-Asset Allokation, als Alternative zur traditionellen Markowitz Mean-Variance Optimierung (MV) etabliert. Dabei wird das Risiko gleichmäßig über die Vermögenswerte verteilt, anstatt Kapital proportional zu allozieren. Genauer gesagt soll jedes Asset gleich viel zum Gesamtportfoliorisiko beisteuern. Eine neue Publikation von Dr. Patrick Walker (Head of Investment Solutions, OLZ AG) zusammen mit Forschern der Universität Zürich und der Stony Brook University in New York im renommierten Journal of Time Series Analysis, untersucht die RP-Optimierung unter Verwendung des Expected Shortfalls (auch Conditional Value at Risk, kurz CVaR) anstatt der Volatilität als Risikomass. Um eine möglichst realistische Modellierung der Finanzmarktrisiken zu ermöglichen, werden leptokurtische («fat-tailed») und heteroskedastische Renditen mit einem Modell für dynamische Korrelationen verknüpft. Damit können sowohl Extremereignisse berücksichtigt werden, die nicht adäquat durch eine Normalverteilung beschrieben sind, als auch die sich im Zeitverlauf verändernde Risiko- und Abhängigkeitsstrukturen zwischen den Assets abgebildet werden. Dieser fortschrittliche Modellierungsansatz ermöglicht sowohl eine effiziente Parameterschätzung, als auch eine vereinfachte Berechnung der Risikobeiträge jedes Assets des Portfolios. Somit kann die RP-Optimierung, trotz eines deutlich flexibleren und realistischeren Modells für die Renditezeitreihen, schnell und präzise gelöst werden.
Überwindung der Schwächen traditioneller Portfolio-Optimierung
Die klassische MV-Optimierung in ihrer ursprünglichen Form leidet unter einer hohen Sensitivität gegenüber Schätzfehlern, insbesondere bei erwarteten Renditen, was zu instabilen Portfolio-Gewichtungen und schlechter Performance in der Praxis führen kann. Ein Ansatz diese Probleme zu überwinden ist es, sich auf das Minimum Varianz Portfolio zu fokussieren und dessen Qualität durch moderne statistische Methoden wie Shrinkage Schätzung oder Regularisierung weiter zu verbessern. Ein anderer Ansatz, der sich ebenfalls ausschließlich auf die Risikoverteilung konzentriert, aber eine andere Zielfunktion verfolgt ist das RP-Portfolio. Trotz der hohen Bedeutung einer realistischen Modellierung des Risikos basieren die üblichen RP-Implementierungen auf der Annahme normalverteilter Renditen, deren Parameter sich im Zeitverlauf zudem nicht ändern. Dies wird den realen Finanzmärkten jedoch offensichtlich nicht gerecht, da Renditen häufig starke Ausreißer (Extremereignisse) besitzen und Volatilitäten, sowie Korrelationen sich insbesondere in Krisenzeiten schnell verändern können.
Die Rolle der generalisierten hyperbolischen Verteilungen
Zur besseren Modellierung realer Renditeeigenschaften nutzt die Studie eine elliptische multivariate generalisierte hyperbolische Verteilung. Diese Verteilungsklasse ermöglicht eine bessere Abbildung besonders grosser Preissprünge in Phasen hohen Volatilität, während sie gleichzeitig eine schnelle Schätzung der Parameter mittels sogenannter EM-Algorithmen ermöglicht. Eine zentrale Innovation der Arbeit besteht in der Ableitung einer halbgeschlossenen Formel für die Risikobeiträge unter Verwendung des CVaR als Risikomass, wodurch auf rechenintensive Simulationen verzichtet werden kann.
Verbesserung der RP-Optimierung mit dynamischen Korrelationen
Ein weiterer bedeutender Beitrag ist die Integration eines multivariaten GARCH-Modells mit dynamischen, regimeabhängigen Korrelationen. Marktbedingungen schwanken zwischen verschiedenen Korrelationsregimen, insbesondere zwischen ruhigen Marktphasen und Bärenmärkten. Durch die Berücksichtigung dynamischer Korrelationen werden Risikoabhängigkeiten über die Zeit besser erfasst, was zu robusteren Portfolio-Allokationen führt.
Empirische Erkenntnisse: Verbesserte Stabilität und geringerer Portfolio-Umschlag
Die empirische Analyse umfasst mehrere Phasen stark erhöhter Marktrisiken, darunter die globale Finanzkrise 2008 und den COVID-19-Crash. Die wichtigsten Erkenntnisse umfassen:
Geringerer Portfolio-Turnover: Modelle mit fat-tailed Verteilungen führen zu sanfteren Portfolio-Anpassungen, da sie Marktschocks effektiver absorbieren. Dies ist besonders während Krisenzeiten relevant, wenn die Volatilität sprunghaft ansteigt und unnötige Handelsaktivität auf Grund von erhöhten Bid-Ask Spreads vermieden werden muss.
Verbesserte risikoadjustierte Renditen: RP-Portfolios unter Verwendung des beschriebenen Zeitreihenmodels erzielten höhere Sharpe- und Sortino-Ratios im Vergleich zu normalverteilten und statischen Modellen.
Bessere Steuerung des Extremrisikos: RP-Portfolios auf Basis des erwarteten Shortfalls zeigten eine höhere Resilienz in Phasen extremer Marktturbulenzen und eignen sich daher besonders für risikoaverse Investoren.
