Resampling als Methode zur Stabilisierung von Portfoliogewichten in der Mittelwert-Varianz-Optimierung

Wer die Mittelwert-Varianz-Optimierung mit einer festen Menge von Parameterschätzwerten ausführt, erhält ein mathematisch eindeutiges Ergebnis. Was dieses Ergebnis nicht zeigt: wie stark es von der spezifischen Realisierung der Schätzwerte abhängt. Zwei Analysten, die denselben Markt mit leicht unterschiedlichen Schätzperioden analysieren, können zu Allokationen gelangen, die sich kaum ähneln. Dieses Problem ist keine Ausnahmeerscheinung — es ist strukturell. Die klassische Optimierung setzt voraus, dass die Eingaben bekannt sind. In der Praxis sind sie geschätzt, und die Schätzunsicherheit wird vom Verfahren vollständig ignoriert. Das Resampling-Verfahren behebt dieses Problem nicht, indem es bessere Schätzwerte liefert, sondern indem es die Unsicherheit explizit in den Prozess einbezieht und sichtbar macht, wie sensitiv das Ergebnis auf Parameterabweichungen reagiert.

Der Ablauf folgt einer klaren Sequenz. Erstens werden aus den geschätzten Parametern — erwartete Renditen und Kovarianzmatrix — mithilfe einer multivariaten Normalverteilung viele alternative Parametersätze gezogen, typischerweise einige hundert bis tausend Simulationen. Zweitens wird für jeden dieser Parametersätze eine vollständige Optimierung durchgeführt, die die gesamte Effizienzgrenze erzeugt. Drittens werden die Gewichte der korrespondierenden Punkte auf den simulierten Effizienzgrenzen gemittelt. Das Ergebnis ist eine gemittelte Allokation, die nicht das Optimum eines einzelnen Szenarios darstellt, sondern eine stabile Kompromisslösung über die Gesamtheit der plausiblen Szenarien. In einem dokumentierten Fallbeispiel mit zwölf Anlageklassen reduzierte dieses Verfahren die maximale Einzelpositionsgewichtung gegenüber der klassischen Optimierung um mehr als die Hälfte — ohne dass eine explizite Gewichtsbeschränkung eingeführt wurde.

Neben der Ableitung robuster Gewichte bietet das Resampling-Verfahren eine diagnostische Dimension, die in der Praxis selten ausgeschöpft wird. Die Streuung der Einzelergebnisse über alle Simulationsläufe hinweg ist ein direktes Maß für die Sensitivität der Allokation gegenüber Parameterunsicherheit. Eine Anlageklasse, deren Gewicht über alle Simulationen hinweg stabil zwischen acht und zwölf Prozent liegt, ist methodisch als robust einzustufen. Eine Anlageklasse, deren Gewicht zwischen null und vierunddreißig Prozent schwankt, ist es nicht — unabhängig davon, welches Gewicht die Basisoptimierung für sie vorschlägt. Diese Diagnose erlaubt eine strukturierte Diskussion darüber, welche Teile der Allokation auf belastbaren Annahmen beruhen und welche primär von einer bestimmten Parameterkonstellation abhängen. Diese Transparenz ist analytisch wertvoll und in regulierten Kontexten in der Schweiz auch aus Dokumentationsperspektive relevant.

Das Resampling-Verfahren steht nicht konkurrenzlos. Shrinkage-Schätzer stabilisieren die Kovarianzschätzung auf Parameterebene, bevor die Optimierung überhaupt beginnt. Der Black-Litterman-Ansatz ersetzt direkte Renditeprognosen durch eine bayesianische Kombination aus Gleichgewichtsrenditen und Analystenmeinungen. Resampling dagegen lässt die Parameterschätzung unangetastet und stabilisiert stattdessen das Optimierungsverfahren selbst. Diese unterschiedlichen Ansatzpunkte sind keine Schwäche — sie machen die Verfahren komplementär. Ein institutioneller Analyseprozess, der Shrinkage-Kovarianzschätzung mit Resampling kombiniert, greift das Stabilitätsproblem auf zwei voneinander unabhängigen Ebenen an. Die Grenzen des Resampling liegen im Rechenaufwand bei sehr großen Anlageuniversen sowie in der Annahme, dass die zugrundeliegende Verteilung der Parameter korrekt spezifiziert ist — eine Annahme, die selbst einer kritischen Prüfung bedarf.

Die technische Implementierung des Resampling-Verfahrens birgt einige Fallstricke, über die selten offen gesprochen wird. Ein häufiger Fehler ist die Wahl einer zu geringen Simulationsanzahl: Werden nur fünfzig oder hundert Szenarien gezogen, ist die Mittelung statistisch unzuverlässig und das Ergebnis kaum stabiler als eine Einzeloptimierung. Empfehlenswert sind in der Regel mehrere hundert Simulationen, wobei der Grenznutzen ab einem bestimmten Punkt abnimmt. Ein weiterer Fehler betrifft die Wahl des Risikopräferenzparameters: Wenn Gewichte für einen bestimmten Punkt auf der Effizienzgrenze gemittelt werden, muss dieser Punkt für alle Simulationsläufe konsistent definiert sein — andernfalls werden Äpfel mit Birnen gemittelt. Schließlich sollte die Verteilungsannahme hinterfragt werden: Die multivariate Normalverteilung ist mathematisch bequem, bildet aber Tail-Risiken und asymmetrische Abhängigkeiten nur unzureichend ab. In Marktphasen erhöhter Volatilität kann diese Annahme systematisch verzerren.

Das Resampling-Verfahren ist kein Allheilmittel — es ist ein strukturiertes Werkzeug zur Sichtbarmachung und Reduktion von Sensitivität in der Mittelwert-Varianz-Optimierung. Wer es sinnvoll einsetzen möchte, sollte es als festen Bestandteil des Analyseprozesses etablieren, nicht als gelegentliche Prüfung. Das bedeutet konkret: Jede Optimierung wird von einer Resampling-Diagnose begleitet, deren Ergebnisse dokumentiert und interpretiert werden. Positionen mit hoher Gewichtsstreuung über die Simulationsläufe hinweg erhalten im Analysebericht eine explizite Einschätzung ihrer methodischen Belastbarkeit. Dieser Mehraufwand ist überschaubar und lässt sich in bestehende Arbeitsabläufe integrieren. Der Erkenntnisgewinn — ein klares Bild davon, welchen Teilen der Allokation methodisch vertraut werden kann — rechtfertigt ihn ohne weiteres. Analysten, die diesen Schritt konsequent durchführen, treffen keine anderen Entscheidungen, aber sie wissen besser, worauf diese Entscheidungen beruhen.