Warum Aktien mit geringer Korrelation die Portfolio-Volatilität senken
Fragt man die meisten Anleger, wie sie ein ruhigeres Portfolio aufbauen würden, bekommt man eine Antwort zur Aktienauswahl: nach Titeln mit geringer Volatilität screenen, die High-Beta-Sachen meiden, besser schlafen. Dann fallen genau diese zehn „ruhigen" Aktien alle in derselben Woche gemeinsam, und das Portfolio erweist sich als weit volatiler, als die Summe seiner Teile vermuten ließ.
Der Grund: Portfolio-Volatilität ist kein Durchschnitt. Die Volatilität einer einzelnen Aktie sagt dir, wie stark sie schwankt; sie sagt nichts darüber aus, wie sie sich relativ zu allem anderen, was du hältst, bewegt. Zwei Aktien können jeweils 30 % pro Jahr schwanken und trotzdem ein Portfolio ergeben, das nur 19 % schwankt – wenn sie sich unabhängig voneinander bewegen. Deshalb lautet die Frage, die sich zu stellen lohnt, nicht „Welche Aktien sind volatil?“, sondern „Warum senken Aktien mit geringer Korrelation die Portfolio-Volatilität?”
Kurze Antwort: weil sich ihre Schwankungen teilweise aufheben. Dieser Artikel erklärt das anhand einer Analogie, der tatsächlichen Rechnung, der Missverständnisse, über die Menschen stolpern, und wie ein statistischer Optimierer die Idee in Gewichte umsetzt, mit denen du arbeiten kannst.
Die einfache Antwort: Volatilität betrifft nicht nur einzelne Aktien
Portfolio-Volatilität ist die kombinierte Schwankung von allem, was du hältst, gemessen als Standardabweichung der Renditen des Portfolios über die Zeit. Sie ist eine Eigenschaft der Gesamtheit, nicht eines einzelnen Postens.
Der Mechanismus in einem Satz:
- Wenn sich zwei Aktien gemeinsam bewegen (hohe Korrelation), treten ihre Ausschläge zur selben Zeit auf und addieren sich.
- Wenn sich zwei Aktien unabhängig bewegen (geringe Korrelation), macht die eine einen Zick, während die andere einen Zack macht, und ihre Ausschläge heben sich teilweise auf.
Diese Aufhebung ist keine Magie und sie ist nicht kostenlos – aber sie ist real, und sie ist der größte Hebel, den du auf das Risiko eines diversifizierten Portfolios hast. Geringe Korrelation kann die Gesamtvolatilität senken, ohne dass du auf erwartete Rendite verzichten musst, denn du entfernst keine Assets aus dem Portfolio; du wählst Assets, deren Risiken sich nicht gegenseitig verstärken.
Das ist die Pointe, die die meisten Volatilitäts-Screens verfehlen. Anleger suchen nach Aktien mit geringer Volatilität. Die nützlichere Suche gilt Aktien, die in unterschiedliche Richtungen volatil sind.
Eine Analogie aus der realen Welt: Warum das Mischen von Zutaten zählt
Gieße einen Liter Wasser mit 90 °C in einen Liter mit 10 °C. Keine der beiden Zutaten ist trinkbar. Die Mischung hat 50 °C – angenehm. Du hast nichts Kaltes hinzugefügt, um das heiße Wasser zu „neutralisieren"; du hast zwei Extreme kombiniert, deren Abweichungen in entgegengesetzte Richtungen zeigen.
Eine ausgewogene Ernährung funktioniert genauso. Keine einzelne Lebensmittelgruppe ist eine vollständige Ernährung, und mehr von seiner Lieblingsgruppe zu essen schließt die Lücke nicht. Du kombinierst Zutaten, die unterschiedliche Mängel abdecken.
Übertrage das auf ein Portfolio:
| Küche | Portfolio |
|---|---|
| Zutat | Eine Aktie (oder ein ETF) |
| Wie die Zutat auf Hitze reagiert | Wie die Aktie auf Marktereignisse reagiert |
| Zwei Zutaten, die ähnlich reagieren | Zwei Aktien mit hoher Korrelation |
| Das fertige Gericht | Portfolio-Volatilität |
Der kontraintuitive Teil der Analogie ist der, den es zu verinnerlichen gilt: Zwei volatile, aber unkorrelierte Zutaten können ein glatteres Gesamtergebnis erzeugen als eine stabile Zutat, zehnmal wiederholt. Ein Portfolio aus zehn nahezu identischen Versorgeraktien ist eine Zutat in zehn Verpackungen. Ein Portfolio aus einem Versorger, einem Bergbauunternehmen, einem Softwareunternehmen und einer Reederei sind vier Zutaten, und das Gericht ist stabiler.
Das Ziel ist nicht, Risiko zu beseitigen. Es ist, Risiken zu kombinieren, die sich nicht gegenseitig verstärken.
Wie es unter der Haube funktioniert: Korrelation und Portfolio-Varianz
Für zwei Assets lautet die Portfolio-Varianz:
σ²p = w₁²σ₁² + w₂²σ₂² + 2·w₁·w₂·ρ₁₂·σ₁·σ₂
Lies sie von links nach rechts: zwei Terme für die einzelnen Varianzen und ein Kovarianz-Term, wobei ρ die Korrelation und σ die Standardabweichungen sind. Dieser letzte Term ist der Hebel. Sinkt ρ, schrumpft der Kovarianz-Term – und bei ρ = 0 verschwindet er vollständig. Bei negativer Korrelation zieht er aktiv ab.
Die Größe des Effekts siehst du mit zwei Aktien, die jeweils 30 % volatil sind und zu 50/50 gehalten werden:
import numpy as np
s1, s2 = 0.30, 0.30 # annualised volatility of each stock
w1, w2 = 0.50, 0.50 # equal weights
for rho in (0.9, 0.5, 0.1, -0.2):
var = (w1 * s1)**2 + (w2 * s2)**2 + 2 * w1 * w2 * rho * s1 * s2
print(f"rho={rho:+.1f} portfolio vol={np.sqrt(var):.2%}")
rho=+0.9 portfolio vol=29.24%
rho=+0.5 portfolio vol=25.98%
rho=+0.1 portfolio vol=22.25%
rho=-0.2 portfolio vol=18.97%
An den beiden Aktien hat sich nichts geändert. Nur ihre Beziehung zueinander – und das Portfolio wurde ein Drittel weniger volatil.
Auf n Assets skaliert gilt dieselbe Struktur: Die Portfolio-Varianz ist eine gewichtete Summe über jede einzelne Varianz und jede paarweise Kovarianz. Bei vielen Positionen überwiegen die Kovarianz-Terme die Varianz-Terme, weshalb die Korrelation das Risiko eines diversifizierten Buchs dominiert. Die direkte Berechnung ist unkompliziert, sobald du eine Kovarianzmatrix hast:
import numpy as np
# returns: DataFrame of daily returns, one column per ticker
cov = returns.cov() * 252 # annualise the covariance matrix
w = np.array([0.4, 0.3, 0.2, 0.1]) # weights, must sum to 1
port_var = w.T @ cov.values @ w
print(f"annualised portfolio volatility: {np.sqrt(port_var):.2%}")
Der Haken: cov wird geschätzt, nicht gewusst. Eine rohe Stichproben-Kovarianzmatrix ist verrauscht – ein paar hundert Tagesbeobachtungen, um Tausende paarweiser Beziehungen zu schätzen. In der Praxis verwendest du einen Schätzer: die Stichproben-Kovarianz, einen Shrinkage-Schätzer, der verrauschte Einträge in Richtung eines strukturierten Ziels zieht, oder ein Faktormodell, das die gemeinsame Bewegung auf eine Handvoll gemeinsamer Expositionen zurückführt. Verschiedene Schätzer ergeben verschiedene Gewichte.
Die moderne Portfoliotheorie nimmt diesen Apparat und kehrt die Frage um: Statt das Risiko von Gewichten zu berechnen, die du bereits hältst, sucht sie die Gewichte, die das Risiko für ein gegebenes Renditeziel minimieren – oder die Rendite pro Risikoeinheit maximieren. Die Kovarianzmatrix ist der Input; die Allokation ist der Output.
Eine praktische Anleitung zum Lesen einer Korrelationsmatrix und zum Handeln danach findest du in How to Reduce Portfolio Volatility Using Correlation Analysis. Dieser Artikel bleibt beim „Warum".
Warum es zählt: praktische Vorteile und verbreitete Missverständnisse
Geringere Volatilität ist keine abstrakte Kennzahl. Sie zeigt sich in kleineren Drawdowns und einer glatteren Equity-Kurve – und das ist es, was dich das Portfolio durch ein schlechtes Quartal halten lässt, statt am Tiefpunkt zu kapitulieren. Glattere Renditen machen außerdem Risikolimits, Positionsgrößen und Rebalancing-Regeln leichter zu befolgen.
Drei Missverständnisse lohnt es sich zu benennen, denn jedes davon untergräbt den Nutzen still und leise.
„Geringe Korrelation bedeutet immer geringes Risiko." Nein. Korrelation wird aus der Historie geschätzt und sie driftet. In Stressmärkten steigen die Korrelationen zwischen Risikoanlagen tendenziell gemeinsam an – die Diversifikation, die in ruhigen Phasen funktionierte, dünnt genau dann aus, wenn du sie brauchst. Geringe Korrelation senkt die Volatilität im Durchschnitt, nicht in jedem Regime.
„Du brauchst nur Aktien mit geringer Volatilität." Das ist der Screen-and-Hope-Ansatz. Zehn verschlafene Aktien aus demselben Sektor sind hoch korreliert; das Portfolio erbt das Sektorrisiko ohne jeden Ausgleich. Umgekehrt können zwei wirklich volatile Aktien mit schwacher Korrelation ein stabileres Portfolio ergeben als jede für sich, wie die Tabelle oben zeigt.
„Diversifikation über viele Aktien reicht." Anzahl ist keine Diversifikation. Fünfzig Positionen, die alle auf dieselbe Zinsentscheidung, denselben Ölpreis, dieselbe Dollarbewegung reagieren, sind eine Wette in fünfzig Verpackungen. Ohne Prüfung der Korrelationen setzt du womöglich auf dasselbe Risiko doppelt, während du dich diversifiziert fühlst.
Die statistische Optimierung vermeidet alle drei, indem sie die Beziehungen explizit modelliert, statt sie aus Labels wie Sektor oder Marktkapitalisierung abzuleiten.
Von der Theorie zur Praxis: Wie RSJ Portfolio eine Allokation mit geringer Korrelation umsetzt
RSJ Portfolio ist eine Windows-Desktop-Anwendung, die aus historischen End-of-Day-Kursen ein statistisch optimiertes Aktienportfolio aufbaut. Sie analysiert die Renditekorrelation zwischen Kandidatenaktien und allokiert Kapital hin zu jenen, die schwach korrelieren – oder deren Abwärtsbewegung schwach korreliert, was zählt, wenn dir das Clustern von Verlusten wichtiger ist als das tägliche Zappeln.
Unter der Haube nutzt die Allokation die moderne Portfoliotheorie. Was du darüber hinaus wählst:
- Ziel – minimale Volatilität, maximaler Sharpe Ratio, minimale Semivarianz, hierarchische Risikoparität oder Conditional Value at Risk.
- Risikoschätzer – eines von acht auswählbaren Risikomodellen, das bestimmt, wie die Kovarianzstruktur aus der Kurshistorie geschätzt wird.
- Gewichtsbeschränkungen – Grenzen dafür, wie der Optimierer allokieren darf, damit das Ergebnis investierbar bleibt und keine theoretische Ecklösung ist.
Der Workflow wird durchgängig verwaltet: Kandidatenliste aufbauen, die App auf einen Datenanbieter zeigen lassen, lokale Währung und Zeitraum festlegen, den Optimierer ausführen und die empfohlene Allokation prüfen. Die Matrixalgebra passiert in der App – sie von Hand aus rohen Kursreihen zu rechnen ist möglich, und es ist der harte Weg.
Die Funktionsseite dokumentiert jede Methode, jedes Risikomodell und jeden Export; das Konzeptkapitel der Benutzeranleitung behandelt den statistischen Hintergrund. Wie die Wahl des Schätzers die Ergebnisse verändert, zeigt der Schwesterbeitrag Portfolio Optimizer with Selectable Risk Models: A Comparison.
In die Praxis umsetzen: Schritte zum Aufbau eines Portfolios mit geringerer Volatilität
Schritt 0 – Installieren und verifizieren. Lade den Windows-Installer von der Download-Seite herunter und prüfe den veröffentlichten SHA-512 gegen die Datei, bevor du sie ausführst:
Get-FileHash .\RSJPortfolio-Setup-<version>.exe -Algorithm SHA512
Schritt 1 – Eine Kandidatenliste zusammenstellen. Nutze die integrierte Symbolsuche, um die Aktien hinzuzufügen, die dich tatsächlich interessieren. Mehr Kandidaten geben dem Optimierer mehr Spielraum, schwache Korrelationen zu finden; eine Liste mit fünf bietet nicht viel. Details im Auswahlkapitel.
Schritt 2 – Die Dateneinstellungen konfigurieren. Lege den Datenanbieter, deine lokale Währung, den Zeitraum und die Bereinigungsoptionen fest. Korrelationen sind nur so gut wie die Kursreihen dahinter – veraltete Kurse, Splits und Währungsinkonsistenzen verzerren sie. Die Datenseite erklärt die Bereinigungs-Pipeline und den lokalen Cache; das Konfigurationskapitel führt durch jede Einstellung.
Schritt 3 – Ein Ziel und ein Risikomodell wählen. Wenn du unsicher bist, beginne mit den empfohlenen Startparametern im Getting-started-Guide. Minimale Volatilität ist der natürliche erste Lauf, wenn deine Frage lautet: „Wie senke ich die Portfolio-Volatilität?"
Schritt 4 – Den Optimierer ausführen und das Ergebnis lesen. Prüfe, welche Aktien Gewicht erhalten haben und welche herausgefallen sind, und wie sich die Allokation verschiebt, wenn du das Ziel oder den Schätzer änderst. Ein einzelner Lauf ist ein Datenpunkt; zwei Läufe, die sich widersprechen, sagen dir etwas über die Stabilität der Schätzungen. Das Empfehlungskapitel behandelt das Lesen der Ausgabe.
Schritt 5 – Validieren, dann überwachen. Handle nicht den ersten Output. Prüfe zuerst die Annahmen, den Zeitraum und die Sensitivität der Gewichte – die Checkliste steht in How to Validate Portfolio Optimizer Output Before You Trade.
Korrelationen driften, also behalte sie im Auge:
# rolling 90-day correlation between two holdings — watch it drift
roll = returns["AAA"].rolling(90).corr(returns["BBB"])
print(roll.tail())
Wenn die Paare, auf die du dich verlassen hast, anfangen, sich gemeinsam zu bewegen, aktualisiere den Zeitraum und optimiere neu.
FAQ
Senkt geringe Korrelation immer die Portfolio-Volatilität?
Im Allgemeinen ja: Wenn Aktien weniger korreliert sind, neigen ihre Kursbewegungen dazu, sich gegenseitig auszugleichen, was die Gesamtvolatilität des Portfolios senkt – verglichen mit einem Portfolio aus hoch korrelierten Aktien mit denselben individuellen Volatilitäten. Die Größe des Effekts hängt jedoch von den konkreten Korrelationen und den Gewichten ab; bei extremen Marktereignissen können die Korrelationen steigen und den Nutzen verringern.
Kann ich die Volatilität mit nur wenigen Aktien geringer Korrelation senken?
Es ist möglich, aber eine kleine Auswahl an Aktien bietet womöglich nicht genug Diversifikation, um die Volatilität zuverlässig zu senken. Eine größere Kandidatenliste gibt dem Optimierer mehr Flexibilität, Kombinationen mit schwachen Korrelationen zu finden. Gewichtsbeschränkungen können außerdem begrenzen, wie stark der Optimierer geringe Korrelationen ausnutzen kann.
Wie messe ich die Korrelation zwischen Aktien?
Korrelation wird typischerweise anhand historischer Renditedaten über einen gewählten Zeitraum gemessen. Du kannst sie manuell aus Kursreihen berechnen – der harte Weg –, aber Tools wie RSJ Portfolio automatisieren den Prozess: Sie lesen End-of-Day-Kurse ein, bereinigen die Daten und schätzen die Korrelationen als Teil des Optimierungs-Workflows.
Was, wenn sich Korrelationen im Laufe der Zeit ändern?
Korrelationen sind nicht statisch; sie können sich durch Marktbedingungen, Sektorrotationen oder makroökonomische Ereignisse verschieben. Deshalb ist es wichtig, die Optimierung regelmäßig neu auszuführen und den Output vor dem Handeln zu validieren. Mit RSJ Portfolio kannst du den Zeitraum aktualisieren und mit frischen Daten neu optimieren.
Fazit: Korrelation ist der Hebel für eine klügere Risikosteuerung
Aktien mit geringer Korrelation senken die Portfolio-Volatilität, weil sich ihre Schwankungen ausgleichen statt zu verstärken. Das ist die ganze Idee: Portfoliorisiko setzt sich aus Varianzen und Kovarianzen zusammen, und in den Kovarianzen liegt der Hebel. Wer einzeln nach Titeln mit geringer Volatilität jagt, verpasst das; wer Positionen zählt, ohne zu prüfen, wie sie sich gemeinsam bewegen, verpasst es ebenfalls.
Die statistische Optimierung macht die Idee umsetzbar, indem sie diese paarweisen Beziehungen explizit modelliert und nach der Allokation sucht, die ein von dir gewähltes Ziel am besten erfüllt. RSJ Portfolio verpackt das als Windows-Anwendung mit auswählbaren Zielen, acht Risikomodellen und konfigurierbaren Gewichtsbeschränkungen, angetrieben von End-of-Day-Kursdaten – ohne Matrixalgebra auf deiner Seite.
Die Lizenz gilt pro Einzelnutzer; die Preisseite beschreibt, was die Lizenz umfasst, und den Checkout, und der Getting-started-Guide führt dich von der Installation zur ersten optimierten Allokation.
Lade den Installer herunter, füge die Aktien hinzu, die du ohnehin schon in Betracht gezogen hast, und führe ihn einmal mit minimaler Volatilität aus. Die Gewichte, die du zurückbekommst, verraten dir mehr über die Korrelationsstruktur deines Portfolios als jeder Volatilitäts-Screen.
Verwandte Beiträge
- Portfolio Optimizer with Selectable Risk Models: A Comparison
- How to Validate Portfolio Optimizer Output Before You Trade
- How to Reduce Portfolio Volatility Using Correlation Analysis