Das ist kein Zufall und kein Fehler des Optimierers — es ist eine mathematische Eigenschaft der Mittelwert-Varianz-Optimierung selbst. Der Optimierer maximiert eine Zielfunktion, die auf Schätzwerten basiert. Wenn diese Schätzwerte mit Unsicherheit behaftet sind — und das sind sie immer — dann verstärkt der Optimierer diese Unsicherheit, anstatt sie zu dämpfen. Ein klassisches Beispiel: In einem Szenario mit zehn Anlageklassen wurden die erwarteten Renditen zweier Klassen um jeweils fünfzehn Basispunkte angepasst. Das Ergebnis war, dass eine Anlageklasse vollständig aus dem Portfolio entfernt wurde, während eine andere von acht auf einundzwanzig Prozent Gewicht sprang. Der Optimierer hat dabei exakt das getan, was er soll — er hat die geänderte Vorgabe konsequent umgesetzt. Das Problem liegt in der Annahme, dass die Schätzwerte hinreichend präzise sind. In der Praxis sind sie das selten. Analysten, die diesen Mechanismus nicht kennen, interpretieren das Ergebnis als Empfehlung — und das ist der eigentliche Fehler.

Die Kovarianzmatrix wird systematisch unterschätzt — das lässt sich ohne Umschweife sagen. Viele Praktiker konzentrieren sich auf die Renditeseite, weil sie intuitiv zugänglicher ist. Kovarianzschätzungen dagegen wirken technisch und werden oft unreflektiert aus historischen Daten übernommen. Dabei ist die Stichprobenkovarianzmatrix bei einer begrenzten Anzahl von Beobachtungen notorisch instabil. In einem dokumentierten Fallbeispiel mit einem Analysehorizont von drei Jahren und fünfzehn Anlageklassen wurden zwei verschiedene Schätzperioden verwendet — eine kürzere und eine längere. Die resultierenden Optimierungsgewichte unterschieden sich so stark, dass das Ergebnis kaum als Variante desselben Modells erkennbar war. Shrinkage-Schätzer wie der Ledoit-Wolf-Ansatz helfen, dieses Problem zu mildern, indem sie die Stichprobenmatrix in Richtung einer strukturierten Zielmatrix ziehen. Das reduziert die Extremwerte und stabilisiert die Gewichte deutlich. Der entscheidende Punkt: Eine robustere Kovarianzschätzung ist oft wirksamer als eine verfeinerte Renditeprognose.

Ja, und es ist bemerkenswert, wie selten das in der Praxis tatsächlich geschieht. Eine einfache, aber wirkungsvolle Methode ist die Perturbationsanalyse: Die Eingabeparameter werden systematisch um kleine Beträge variiert — beispielsweise plus und minus zwanzig Basispunkte bei den Renditen, plus und minus zehn Prozent bei den Varianzen — und die resultierenden Gewichtsveränderungen werden dokumentiert. Wenn ein Portfolio bei dieser Übung stabile Gewichte zeigt, ist das ein gutes Zeichen. Wenn einzelne Positionen zwischen null und dreißig Prozent schwanken, ist das ein klares Warnsignal. Eine zweite Methode ist das Resampling nach Michaud: Statt eines einzelnen Optimierungsergebnisses werden viele Szenarien simuliert, und die resultierenden Gewichte werden gemittelt. Das Ergebnis ist selten spektakulär — aber genau das ist der Punkt. Robuste Allokationen sind per Definition unspektakulär. Analysten, die auf spektakuläre Konzentrationen hoffen, suchen das Richtige am falschen Ort.

Der Black-Litterman-Ansatz ist eine elegante Antwort auf ein spezifisches Problem: Er ersetzt die direkte Schätzung erwarteter Renditen durch eine bayesianische Kombination aus Marktgleichgewichtsrenditen und expliziten Analystenmeinungen. Dadurch wird die Optimierung weniger abhängig von punktgenauen Schätzwerten und reagiert gleichzeitig transparenter auf Abweichungen vom Gleichgewicht. In einem Fallvergleich mit klassischer Optimierung und Black-Litterman-Ansatz — identische Anlageklassen, identischer Zeitraum — zeigte der Black-Litterman-Ansatz deutlich geringere Gewichtsausschläge bei Parameterperturbationen. Das ist kein Zufall: Die eingebetteten Gleichgewichtsrenditen wirken als Anker und verhindern, dass der Optimierer in extreme Ecklösungen driftet. Allerdings verschiebt sich das Problem: Nun hängt die Qualität des Ergebnisses von der Güte der formulierten Meinungen und deren Konfidenzparametern ab. Wer ungenaue Meinungen mit hoher Konfidenz eingibt, erzeugt eine neue Form von Instabilität. Die Methode löst das Problem also nicht — sie verlagert es an eine transparentere Stelle.

Der wichtigste Schritt ist ein Haltungswechsel: Das Optimierungsergebnis ist ein Ausgangspunkt für eine Analyse, keine Antwort, die man ungeprüft übernimmt. Konkret bedeutet das, dass jede Optimierung von einer Sensitivitätsanalyse begleitet werden sollte — dokumentiert, nachvollziehbar, mit expliziten Annahmen über die Parameterunsicherheit. Wer dafür keinen strukturierten Prozess hat, baut auf unsicherem Fundament. Ein bewährtes Vorgehen in institutionellen Kontexten folgt drei Schritten: Erstens wird das Basismodell mit Stichprobenparametern gerechnet und das Ergebnis dokumentiert. Zweitens werden systematische Perturbationen durchgeführt und die Gewichtsstabilität bewertet. Drittens wird ein robustifiziertes Verfahren — Shrinkage, Resampling oder Black-Litterman — angewendet und das Ergebnis mit dem Basismodell verglichen. Erst wenn dieser Vergleich zeigt, dass die Allokationsstruktur unter verschiedenen plausiblen Szenarien konsistent bleibt, ist das Ergebnis als belastbar einzustufen. Das klingt aufwändig — und das ist es auch. Aber wer diese Arbeit nicht macht, delegiert die Entscheidung an einen Algorithmus, der von Unsicherheit nichts weiß.