Ein häufiger Ausgangsfehler bei der Konzeption von Optimierungsmodellen besteht darin, Stresstests als nachgelagerte Prüfung zu behandeln — als optionalen letzten Schritt, der durchgeführt wird, wenn Zeit bleibt. Das ist die falsche Reihenfolge. Extreme Marktbedingungen offenbaren strukturelle Schwächen in der Modellarchitektur, die unter normalen Bedingungen unsichtbar bleiben. Ein Kovarianzmodell, das auf einem ruhigen Marktregime kalibriert wurde, unterschätzt systematisch die Abhängigkeiten zwischen Anlageklassen in Krisenperioden — nicht weil die zugrundeliegenden ökonomischen Beziehungen verschwunden wären, sondern weil lineare Korrelationsmaße asymmetrische Tail-Abhängigkeiten strukturell nicht erfassen können. In einem dokumentierten Fallbeispiel wurde ein Optimierungsmodell, das über einen Dreijahreszeitraum ohne ausgeprägte Marktverwerfungen kalibriert worden war, einem synthetischen Stressszenario ausgesetzt, das einem ausgeprägten Korrelationsanstieg zwischen Anlageklassen entsprach. Die resultierenden Portfoliogewichte wichen so stark von der ursprünglichen Allokation ab, dass das Modell im Stressszenario faktisch eine andere Anlagestrategie vorschlug. Wer das Modell nicht gestresst hätte, hätte diesen Sachverhalt nie erfahren. Stresstests sind deshalb kein Anhang zur Analyse — sie sind ein konstitutiver Bestandteil der methodischen Prüfung jedes Optimierungsverfahrens. Die Frage ist nicht, ob ein Modell unter normalen Bedingungen funktioniert. Die Frage ist, was es unter abnormalen Bedingungen tut — und ob das Ergebnis noch sachlich vertretbar ist.

Korrelationen zwischen Anlageklassen sind keine stabilen Naturkonstanten. Sie variieren systematisch mit dem Marktregime, und diese Variation ist asymmetrisch: In Perioden erhöhter Volatilität und Marktstress steigen Korrelationen in der Regel deutlich an, während sie in ruhigen Phasen niedriger und differenzierter sind. Dieser Befund ist in der Fachliteratur gut dokumentiert und hat direkte Konsequenzen für die Mittelwert-Varianz-Optimierung. Eine Kovarianzmatrix, die auf einem ruhigen Regime basiert, unterschätzt die Gleichläufigkeit der Anlageklassen in Krisenperioden — und überschätzt damit den Diversifikationseffekt der resultierenden Allokation. Das Portfolio erscheint robuster, als es tatsächlich ist. Regime-Switching-Modelle bieten einen strukturierten Rahmen, um dieser Dynamik Rechnung zu tragen. Sie erlauben die explizite Modellierung unterschiedlicher Kovarianzstrukturen für verschiedene Marktregime und die probabilistische Zuweisung aktueller Beobachtungen zu einem dieser Regime. In einem Vergleich mit zwölf Anlageklassen über einen Zeitraum, der zwei ausgeprägte Volatilitätscluster enthielt, lieferte ein Zwei-Regime-Modell Out-of-Sample-Kovarianzvorhersagen, die den Stichprobenschätzer in turbulenten Perioden erheblich übertrafen. Der Mehraufwand der Modellschätzung ist real, aber überschaubar — und der Erkenntnisgewinn über die Regime-Abhängigkeit der Kovarianzstruktur hat eigenständigen analytischen Wert, unabhängig von seiner unmittelbaren Wirkung auf die Optimierungsergebnisse.

Synthetische Stressszenarien erlauben es, Optimierungsmodelle unter Bedingungen zu testen, die in den historischen Daten möglicherweise nicht oder nur unzureichend vertreten sind. Der methodische Ausgangspunkt ist die Formulierung eines Stressszenarios als Veränderung der Parameterstruktur: Korrelationen werden auf historisch beobachtete Krisenniveaus angehoben, Volatilitäten werden erhöht, erwartete Renditen werden nach unten adjustiert. Das resultierende Stressszenario wird dann als alternative Parameterkonstellation in die Optimierung eingespeist, und die resultierenden Gewichte werden mit der Basisallokation verglichen. Große Abweichungen zwischen Basis- und Stressallokation sind ein Signal dafür, dass die Basisallokation in einem veränderten Marktumfeld ihre Struktur nicht halten kann. In einem strukturierten Fallbeispiel mit zehn Anlageklassen wurden drei Stressszenarien formuliert: ein allgemeiner Korrelationsanstieg auf historische Krisenkorrelationen, ein idiosynkratischer Schock für eine einzelne Anlageklasse und ein kombiniertes Szenario mit erhöhter Volatilität und Korrelationsanstieg. Das kombinierte Szenario führte zu den größten Gewichtsabweichungen — was intuitiv plausibel ist, aber ohne systematischen Stresstest nicht quantifiziert worden wäre. Diese Quantifizierung ist der eigentliche Mehrwert: nicht die Vermeidung von Szenarien, sondern das Wissen um ihre Konsequenzen für die Modellstruktur.

Wer Stresstests als einmalige Prüfung begreift, verfehlt ihren methodischen Kernwert. Stressszenarien sollten als integraler Bestandteil eines rollierenden Analyseprozesses implementiert werden: Jede Optimierung wird von einem definierten Set an Stressszenarien begleitet, deren Ergebnisse dokumentiert und im Zeitverlauf verglichen werden. Verändert sich die Stressempfindlichkeit der Allokation, ist das ein Signal für eine veränderte Parameterkonstellation — möglicherweise ein Regime-Wechsel, der auch ohne formales Regime-Switching-Modell erkennbar wird. Für den Aufbau eines solchen Prozesses in der Praxis bewährt sich ein dreistufiges Vorgehen. Erstens wird ein Standardset von Stressszenarien definiert, das historisch beobachtete Krisenkonfigurationen und hypothetische Extremszenarien kombiniert. Zweitens werden diese Szenarien bei jeder Optimierungsrunde automatisch durchgeführt und die Ergebnisse in einem strukturierten Format aufgezeichnet. Drittens werden die Stressresultate in die Interpretation des Basisoptimierungsergebnisses einbezogen: Allokationen mit hoher Stressempfindlichkeit erhalten einen expliziten Vorbehalt in der Dokumentation. In regulierten Analysekontexten in der Schweiz ist diese Transparenz über Modellgrenzen nicht nur methodisch ehrlich — sie entspricht dem Anspruch professioneller Sorgfalt, der in institutionellen Governance-Strukturen erwartet wird. Ein Optimierungsergebnis ohne Stressdokumentation ist kein vollständiges Analyseergebnis.