RSJ Portfolio Portfolio Optimization

← Alle Beiträge

2026-10-29

Was ist Conditional Value at Risk in der Portfolio-Optimierung?

Was ist Conditional Value at Risk in der Portfolio-Optimierung?
portfolio optimization modern portfolio theory portfolio correlation portfolio optimization hierachical risk parity minimize volatility minimize semivariance maximize sharpe

Was ist Conditional Value at Risk in der Portfolio-Optimierung?

Die meisten Portfolio-Diskussionen beginnen und enden mit der Volatilität. Das ist bequem, denn Varianz ist leicht zu berechnen und leicht zu optimieren – aber sie beantwortet eine Frage, die viele Anleger nie wirklich gestellt haben. Volatilität behandelt einen überraschenden Gewinn und einen überraschenden Verlust als dieselbe Art von Ereignis. Wenn Sie die schlechte Seite der Verteilung kontrollieren wollen – die schlechtesten Wochen, die schlechtesten Monate, den Teil der Renditereihe, der Sie dazu bringt, Ihren Plan aufzugeben –, brauchen Sie ein Risikomaß, das nur dorthin schaut.

Conditional Value at Risk ist dieses Maß. Dieser Artikel erklärt in verständlicher Sprache, was CVaR ist, wie es berechnet und optimiert wird, worin es sich von VaR und vom maximalen Drawdown unterscheidet und wie es als auswählbares Ziel in RSJ Portfolio erscheint, einer Windows-Desktop-Anwendung, die statistisch optimierte Aktienportfolios aus historischen End-of-Day-Kursen erstellt.

CVaR in verständlicher Sprache: Die Frage, die dieser Artikel beantwortet

Conditional Value at Risk – auch Expected Shortfall genannt – beantwortet eine Frage:

Wenn sich der Tag (oder Monat oder das Jahr) als einer der schlechtesten x Prozent der Ergebnisse herausstellt, wie viel verliere ich dann im Durchschnitt?

Wählen Sie ein Konfidenzniveau, sagen wir 95 %. Das bedeutet, Sie betrachten die schlechtesten 5 % der Szenarien. CVaR ist der durchschnittliche Verlust über genau diese Szenarien. Nicht die Schwelle, an der die schlechte Zone beginnt – die durchschnittliche Tiefe innerhalb dieser Zone.

Genau diese Unterscheidung trennt CVaR von VaR:

  • VaR (Value at Risk) liefert Ihnen eine Linie. Ein 95%-VaR von 10.000 $ besagt: An 95 % der Tage verlieren Sie weniger als 10.000 $. Über die anderen 5 % sagt es nichts aus.
  • CVaR liefert Ihnen den Durchschnitt von allem unterhalb der Linie. Ein 95%-CVaR von 15.000 $ besagt: Wenn Sie diese Linie tatsächlich durchbrechen, verlieren Sie im Durchschnitt 15.000 $.

Zwei Portfolios können einen identischen VaR haben und einen völlig unterschiedlichen CVaR. Das eine durchbricht seinen VaR nur ein wenig, das andere stürzt in die Tiefe. VaR kann sie nicht unterscheiden; CVaR kann es.

Warum kümmert das Quants über die intuitive Anziehungskraft hinaus? Weil CVaR ein kohärentes Risikomaß ist. Es ist subadditiv – die Kombination zweier Positionen erzeugt nie einen CVaR, der größer ist als die Summe ihrer einzelnen CVaRs – und es ist konvex, was bedeutet, dass es sich unter Optimierung gut verhält. VaR verletzt die Subadditivität im Allgemeinen: Es gibt Konstruktionen, bei denen die Aufteilung einer Position auf zwei Bücher einen höheren gemessenen VaR ergibt als das Halten der Position als Ganzes. Ein Risikomaß, das Diversifikation bestraft, ist eine schlechte Zielfunktion für die Portfolio-Konstruktion.

Eine Analogie aus der Praxis: Versicherung gegen die schlechtesten Tage

Denken Sie an eine Hausversicherung. Sie schließen sie nicht ab, weil Sie einen Brand erwarten. Sie schließen sie ab, weil Sie wissen wollen, was ein Brand Sie kostet. Zwei Häuser können dieselbe Wahrscheinlichkeit haben, abzubrennen – denselben VaR, sozusagen –, aber das eine ist ein Holzschuppen und das andere ein Steinhaus mit einem feuerfesten Safe. Die Wahrscheinlichkeit ist identisch; der durchschnittliche Schaden im Brandfall nicht.

Dieselbe Logik gilt für Portfolios. Angenommen, Sie vergleichen zwei Allokationen über eine lange Historie von Tagesrenditen:

Portfolio A Portfolio B
95% VaR (täglich) 10.000 $ 10.000 $
95% CVaR (täglich) 15.000 $ 28.000 $
Schlechtester einzelner Tag 19.000 $ 61.000 $

Auf VaR-Basis sind diese Portfolios nicht unterscheidbar. Auf CVaR-Basis ist Portfolio B im Tail fast doppelt so teuer. Wenn Sie eine Position dimensionieren, ein Risikobudget festlegen oder entscheiden, ob Sie ein schlechtes Quartal tatsächlich durchhalten könnten, ohne zu verkaufen, ist dieser Unterschied die gesamte Entscheidung.

Die Erkenntnis: CVaR dreht sich um die Form des Tails, nicht um ein einzelnes Perzentil. Es sind die durchschnittlichen Kosten des Crashs, unter der Bedingung, dass der Crash eintritt.

Wie CVaR unter der Haube funktioniert

Formal gilt für ein Konfidenzniveau α und eine Verlustvariable L:

CVaR_α = E[ L | L ≥ VaR_α ]

In Worten: der erwartete Verlust, unter der Bedingung, dass der Verlust mindestens so groß ist wie das α-Quantil der Verlustverteilung. Bei α = 0,95 mitteln Sie die schlechtesten 5 % der Ergebnisse.

Das Elegante daran – und der Grund, warum CVaR praktisch und nicht nur theoretisch attraktiv wurde – ist die Rockafellar–Uryasev-Reformulierung. Statt einen bedingten Erwartungswert zu berechnen (was innerhalb eines Optimierers unhandlich ist), führen Sie eine Hilfsvariable η ein und minimieren:

min über w, η:   η + 1/((1-α)·T) · Σ_t max(0, L_t − η)

wobei w die Portfoliogewichte sind, T die Anzahl der Szenarien und L_t der Verlust im Szenario t. Dies ist ein lineares Programm, wenn die Szenarien diskrete historische Beobachtungen sind. Kein Simulationsgitter, keine nicht-konvexe Suche – ein Solver erledigt das direkt. Deshalb ist die CVaR-Optimierung selbst für Kandidatenlisten mit Dutzenden oder Hunderten von Titeln handhabbar.

Eine minimale Implementierung in Python mit CVXPY sieht so aus:

import cvxpy as cp
import numpy as np

# R: T x N matrix of scenario returns (T observations, N candidate assets)
R = np.loadtxt("eod_returns.csv", delimiter=",")
T, N = R.shape
alpha = 0.95

w = cp.Variable(N)
eta = cp.Variable()

losses = -R @ w                       # scenario losses for the candidate weights
tail = cp.pos(losses - eta)           # max(0, L_t - eta), elementwise

cvar = eta + (1.0 / ((1 - alpha) * T)) * cp.sum(tail)

constraints = [
    cp.sum(w) == 1,
    w >= 0,
    w <= 0.20,                        # per-asset cap
]

problem = cp.Problem(cp.Minimize(cvar), constraints)
problem.solve(solver=cp.CLARABEL)

print(np.round(w.value, 4))
print(f"in-sample CVaR: {-problem.value:.4f}")

Beachten Sie, was die Zielfunktion tut: Sie kümmert sich überhaupt nicht um die guten Szenarien. Nur die Beobachtungen, die über η liegen, tragen bei. Der Optimierer kann mehr Aufwärtsvolatilität akzeptieren, solange der Tail flacher wird, und in der Praxis fallen Minimum-CVaR-Portfolios tendenziell diversifizierter aus als Mean-Variance-Lösungen, weil die Streuung von Engagements über schwach korrelierte Assets eine der wenigen verlässlichen Möglichkeiten ist, einen Tail auszudünnen.

Die Schätzung der Szenarien ist der ehrliche Teil der Arbeit. Historische End-of-Day-Kurse liefern Ihnen eine empirische Verteilung ohne Verteilungsannahme; parametrische Modelle erzwingen eine. RSJ Portfolio verwendet historische End-of-Day-Kurse, um den Szenariensatz zu erstellen, und bietet acht auswählbare Risikomodelle, sodass Sie nicht auf einen einzigen Schätzer festgelegt sind.

Warum CVaR in der Portfolio-Optimierung wichtig ist

Drei praktische Gründe, warum CVaR seinen Platz als Ziel und nicht nur als Kennzahl verdient:

  • Es zielt auf das, wovor Anleger tatsächlich Angst haben. Varianz bestraft große positive Renditen genauso hart wie große negative. Wenn Ihre Equity-Kurve gelegentliche Aufwärtssprünge aufweist, behandelt Varianz das als Risiko. CVaR nicht – Aufwärtsbewegungen sind für es unsichtbar.
  • Diversifikation wird belohnt, nicht bestraft. Weil CVaR kohärent ist, reduziert die Kombination schwach korrelierter Assets strukturell das gemessene Risiko. Das ist derselbe Mechanismus, der hinter der korrelationsorientierten Konstruktion steht, die in Why Low Correlation Stocks Reduce Portfolio Volatility beschrieben wird – CVaR macht das Ziel nur explizit auf den Tail statt auf die gesamte Verteilung bezogen.
  • Allokationen sind tendenziell stabiler. Tail-Risiko wird durch das gemeinsame Verhalten der Assets in Stressphasen bestimmt. Die Optimierung gegen dieses gemeinsame Verhalten erzeugt Gewichte, die auf Ko-Bewegungen reagieren, nicht nur auf individuelle Varianzen – weshalb Minimum-CVaR-Portfolios oft weniger konzentriert aussehen als ihre Minimum-Varianz-Pendants (siehe How to Calculate Minimum Variance Portfolio Weights für den Kontrast).

Häufige Missverständnisse über CVaR

„CVaR ist dasselbe wie der maximale Drawdown.“ Nein. CVaR ist eine statistische Eigenschaft einer Verlustverteilung über einen festen Horizont – Tagesrenditen, Monatsrenditen, was auch immer Sie wählen. Der maximale Drawdown ist pfadabhängig: Er hängt von der Reihenfolge der Renditen ab, vom Höchststand, von dem Sie gestartet sind, und davon, wie lange die Erholung dauerte. Ein Portfolio kann einen moderaten CVaR und einen brutalen Drawdown haben, wenn sich Verluste häufen. Sie messen unterschiedliche Dinge, und keines ersetzt das andere.

„CVaR erfordert komplexe Monte-Carlo-Simulation.“ Es kann, aber es muss nicht. Historische Szenarien – die tatsächlichen Renditevektoren aus Ihrer Kurshistorie – sind die einfachste und gebräuchlichste Eingabe, und sie halten das Problem als lineares Programm. Parametrische Ansätze funktionieren ebenfalls. Die Simulation ist eine Modellierungsentscheidung, keine Voraussetzung des Maßes.

„CVaR ist eine Risikomanagement-Kennzahl, kein Konstruktionswerkzeug.“ Das ist das größte Missverständnis. CVaR ist eine Zielfunktion. Dank der obigen linearen Reformulierung können Sie es direkt unter Ihren Gewichtsbeschränkungen minimieren. Das Risikomanagement berichtet es; die Portfolio-Optimierung löst danach.

„CVaR und Expected Shortfall sind unterschiedliche Dinge.“ Sie sind dasselbe Konzept unter zwei Namen. Die Bankenregulierung sagt eher Expected Shortfall; die Literatur zur Portfolio-Optimierung sagt eher CVaR. Wenn Sie eines von beiden in einem Paper sehen, lesen Sie es als den durchschnittlichen Verlust jenseits des Quantils.

„CVaR ist nur in Crashs relevant.“ Das 95%-Niveau klingt dramatisch, aber CVaR auf 90 % oder 95 % über Tagesdaten ist eine routinemäßige Alltagsstatistik. Es liefert ein vollständigeres Bild des Risikos als die Varianz allein, gerade weil es die Aufmerksamkeit dorthin lenkt, wo die Verteilung asymmetrisch ist.

Wie RSJ Portfolio CVaR auf die Allokation anwendet

RSJ Portfolio bietet Minimum CVaR als eines von fünf auswählbaren Allokationszielen, neben Minimum Volatilität, maximalem Sharpe Ratio, Minimum Semi-Varianz und hierarchischer Risikoparität. Der Workflow ist eine Desktop-Anwendung, kein Notebook:

  1. Kandidaten auswählen. Symbole suchen und die Kandidatenliste zusammenstellen, die der Optimierer berücksichtigen soll.
  2. Daten und Parameter konfigurieren. Datenanbieter, lokalen Cache, lokale Währung, Datumsbereich und Bereinigungseinstellungen festlegen. Die Anwendung bereinigt die eingehenden Kursreihen, bevor irgendetwas geschätzt wird.
  3. Ziel wählen. Minimum CVaR auswählen, Risikomodell und Renditemodell wählen und Ihre Gewichtsbeschränkungen festlegen.
  4. Ausführen und prüfen. Der Optimierer erzeugt die Allokation; Sie lesen die Gewichte, die Risikokennzahlen und die Korrelationsstruktur und exportieren dann.

Die statistische Logik dahinter ist die Kernidee des Produkts: die Renditekorrelation zwischen Kandidaten analysieren und Kapital auf Titel verteilen, die schwach korrelieren – oder deren Abwärtsseite schwach korreliert –, was die Volatilität des resultierenden Portfolios reduziert. Minimum CVaR setzt dieselbe Maschinerie auf den Tail an. Portfolios, die in mehreren Währungen notiert sind, durchlaufen einen definierten Konvertierungspfad, was wichtig ist, weil das Mischen von Währungen ohne korrekte Handhabung den Szenariensatz verunreinigen kann.

Sie können all das selbst in Python mit CVXPY erledigen, wie oben gezeigt – das ist der harte Weg, und es ist ein völlig respektabler Weg, wenn Sie es genießen, Datenpipelines zu pflegen, Splits und Dividenden zu bereinigen und Ihr Risikomodell jedes Quartal neu zu validieren. RSJ Portfolio verpackt die Pipeline, die Risikomodelle und den Optimierer in einen einzigen Windows-Installer, mit einer veröffentlichten SHA-512-Prüfsumme auf der Downloads-Seite, damit Sie überprüfen können, was Sie installiert haben.

FAQ

Was ist der Unterschied zwischen VaR und CVaR?

VaR (Value at Risk) ist eine Schwelle: Er sagt Ihnen den maximalen Verlust, den Sie bei einem gegebenen Konfidenzniveau erwarten können (z. B. ist der 95%-VaR der Verlust, den Sie in 95 % der Fälle nicht überschreiten). CVaR (Conditional Value at Risk) geht weiter: Er ist der durchschnittliche Verlust in den schlechtesten Fällen jenseits dieser Schwelle. CVaR erfasst das Tail-Risiko, VaR nicht.

Ist CVaR dasselbe wie Expected Shortfall?

Ja, CVaR und Expected Shortfall sind zwei Namen für dasselbe Konzept: den erwarteten Verlust unter der Bedingung, dass der Verlust die VaR-Schwelle überschreitet. Manche Praktiker verwenden „Expected Shortfall“ eher in der Bankenregulierung, während „CVaR“ in der Portfolio-Optimierung üblich ist.

Kann CVaR direkt für die Portfolio-Optimierung verwendet werden?

Ja. CVaR kann als Zielfunktion unter Nebenbedingungen minimiert werden, oft mittels linearer Programmierung mit szenariobasierten Renditen. Das ergibt Portfolios, die das Tail-Risiko explizit kontrollieren. RSJ Portfolio bietet Minimum CVaR als integrierte Allokationsmethode an.

Wie schätzt RSJ Portfolio CVaR?

RSJ Portfolio verwendet historische End-of-Day-Kurse, um Szenarien zu konstruieren und das Tail-Risiko von Kandidatenportfolios zu schätzen. Anschließend optimiert es die Allokation, um CVaR (oder ein anderes gewähltes Ziel) zu minimieren, unter Beachtung von Gewichtsbeschränkungen und Korrelationsüberlegungen.

Fazit

CVaR ist eine kleine Idee mit großen Konsequenzen: Statt zu fragen „Wie viel kann ich verlieren, bevor die schlechte Zone beginnt?“, fragen Sie „Wie viel verliere ich, sobald ich darin bin?“ Es ist kohärent, als lineares Programm über historische Szenarien optimierbar, und es richtet den Optimierer auf den Teil der Renditeverteilung, der das Anlegerverhalten tatsächlich verändert. Wenn Ihr aktueller Prozess die Varianz optimiert und den VaR berichtet, messen Sie die falsche Seite der Verteilung zweimal.

RSJ Portfolio macht CVaR zu einem erstklassigen Ziel in einem verwalteten Desktop-Workflow – Kandidaten auswählen, Daten und Parameter konfigurieren, Minimum CVaR wählen, Allokation prüfen. Keine Solver-Einrichtung, keine Szenariomatrix zu pflegen.

Laden Sie den Windows-Installer von der Downloads-Seite herunter, überprüfen Sie die SHA-512-Prüfsumme und lesen Sie den Leitfaden für den Einstieg für die Parameter, die es sich lohnt, vor Ihrem ersten Lauf einzustellen.

Verwandte Beiträge

EU label: AI-generated content