Sharpe Ratio annualisieren: Warum √12 bei Autokorrelation irreführen kann

Die periodische Sharpe Ratio ist der durchschnittliche Überschuss einer Strategie gegenüber dem risikofreien Satz, geteilt durch die Standardabweichung dieser periodischen Überschussrenditen. Der risikofreie Satz muss dieselbe Frequenz und denselben Zeitraum abdecken wie die Strategierendite. Eine monatliche Rendite verlangt also eine passend umgerechnete monatliche Referenz.

Die Kennzahl beschreibt eine Stichprobe. Sie ist weder die Wahrscheinlichkeit eines Gewinns noch eine Zusage für künftige Ergebnisse. William Sharpe erläutert die Definition und ihre Annualisierung; die Aussagekraft hängt davon ab, wie die Renditen gemessen und aggregiert werden.

Für monatliche Daten lautet die verbreitete Näherung: Jahres-Sharpe = Monats-Sharpe × √12. Sie setzt unter anderem einen stabilen Mittelwert und eine stabile Varianz voraus und erfordert für diese einfache Zeitaggregation keine Autokorrelation zwischen den Perioden. Unabhängige und identisch verteilte Renditen sind eine häufige hinreichende Annahme, aber nicht die einzig denkbare Modellierung.

Sharpe weist selbst auf die Nullkorrelationsbedingung hin. „Monatlich“ allein rechtfertigt den Faktor √12 nicht. Besteht positive Autokorrelation, unterschätzt die Unabhängigkeitsannahme typischerweise das Jahresrisiko und überschätzt die annualisierte Sharpe Ratio; bei negativer Korrelation kann sie die Sharpe Ratio unterschätzen.

Sei x_t die additive monatliche Überschussrendite, γ_k = Cov(x_t, x_{t−k}) und ρ_k = γ_k/γ_0. Unter Kovarianzstationarität gilt für die Summe über q Perioden:

Var(Σ x_t, t=1…q) = qγ_0 + 2Σ_{k=1}^{q−1}(q−k)γ_k.

Daraus folgt für die über q Perioden aggregierte Sharpe Ratio:

SR_q = √q × SR_1 / √(1 + 2Σ_{k=1}^{q−1}(1−k/q)ρ_k).

Dies ist die Zeitaggregationskorrektur von Andrew Lo (2002), „The Statistics of Sharpe Ratios“. Positive Autokorrelation erhöht im Allgemeinen die Summenvarianz und damit den Nenner. Die Wichtung nimmt mit dem Lag ab, weil weit auseinanderliegende Perioden seltener gemeinsam in derselben q-Perioden-Summe liegen.

Angenommen, der monatliche durchschnittliche Überschuss beträgt 0,4 % und die monatliche Standardabweichung 2 %. Die Monats-Sharpe Ratio ist 0,20. Bei zwölf Monaten ergibt die naive Rechnung 0,20 × √12 = 0,6928.

Nehmen wir rein hypothetisch einen stationären AR(1)-Prozess mit ρ₁ = 0,25 und ρ_k = 0,25^k für spätere Lags an. Dann beträgt der Korrekturterm unter der Wurzel etwa 1,592; sein Quadratwurzelwert ist rund 1,262. Die angepasste Jahres-Sharpe Ratio liegt damit bei ungefähr 0,6928/1,262 = 0,549. Die Korrelation der weiteren Lags sind in diesem Beispiel Potenzen von 0,25; ρ₁ wird nicht einfach für alle Lags wiederholt. Das Beispiel ist eine Rechenillustration und keine Prognose.

Autokorrelation kann echte Persistenz oder Umkehr von Renditen widerspiegeln. Sie kann aber auch entstehen, weil Beobachtungen überlappende Haltedauern abdecken, illiquide Positionen selten neu bewertet werden, Preise veraltet sind oder Markierungen geglättet wurden. Auch die Strategie selbst kann Renditen über mehrere Perioden verteilen.

Diese Ursachen sind nicht austauschbar. Untersuchen Sie, ob die Abhängigkeit ein wirtschaftliches Merkmal der Strategie oder ein Messartefakt ist. Eine statistische Korrektur kann eine geglättete Markierung nicht in einen ausführbaren Marktpreis verwandeln.

Behalten Sie Frequenz, Überschussrendite, passende risikofreie Rendite, Brutto- oder Nettokosten, Hebel, Dividenden beziehungsweise Funding sowie Gewichtung und Aggregationsregel konsistent bei. Ändern Sie nicht stillschweigend die Renditedefinition, wenn Sie eine Sharpe Ratio annualisieren.

Die angegebene Formel gilt unter ihren Annahmen für die additive Summe von q periodischen Überschussrenditen. Eine geometrisch aufgezinste Jahresrendite ist eine andere Größe. Vergleichen Sie sie nicht mit der additiven Zeitaggregationsformel, ohne den Unterschied zu erklären.

Bei kurzen Stichproben sind insbesondere Autokorrelationen über viele Lags ungenau. Ein beobachtetes ρ₁ beweist kein AR(1)-Modell. Die Annahme ρ_k = ρ₁^k ist eine zusätzliche Modellannahme und sollte als solche ausgewiesen und begründet werden.

Berichten Sie Stichprobenlänge, verwendete Lags, Schätzmethode und gegebenenfalls Konfidenzintervalle oder andere Unsicherheitsmaße. Zeigen Sie, wie empfindlich das Ergebnis gegenüber alternativen Stichprobenzeiträumen und plausiblen Korrelationsannahmen ist.

Eine Zeitaggregationskorrektur beseitigt weder Strategieauswahl und Data Snooping noch Strukturbrüche, fette Verteilungsschwänze, Hebel, Liquiditätsrisiken oder Ausführungskosten. Sie beantwortet eine engere Frage: Wie wirkt sich geschätzte serielle Abhängigkeit auf die Varianz einer aggregierten Rendite aus?

Auch eine korrigierte Sharpe Ratio ist kein Beleg für eine sicherere Strategie oder bessere künftige Performance. Ergänzen Sie sie um Drawdowns, Tail-Risiken, Kosten, Liquidität und eine Prüfung außerhalb der Auswahlstichprobe. Arithmetisches und geometrisches Renditemittel und maximaler Drawdown und Erholung beleuchten verwandte, aber andere Aspekte.

Dokumentieren Sie Return-Frequenz und Definition, Referenzsatz, Brutto- oder Nettokosten, Hebel, Stichprobenzeitraum und die naive Annualisierung. Nennen Sie anschließend die geschätzten Autokorrelationen samt Lags und Methode, die verwendete Korrektur, die Modellannahmen und eine Sensitivitäts- oder Unsicherheitsanalyse. Trennen Sie additive Aggregation von aufgezinstem Jahresertrag.

Vermerken Sie außerdem, ob überlappende Beobachtungen, illiquide Preise oder Strategieauswahl die Messung beeinflussen könnten. Für den Kontext eignen sich Verzerrungs-Varianz-Abwägung und Modellüberanpassung. Sharpe (1994) und Lo (2002) liefern die Definition und die statistische Grundlage. Dies ist eine methodische Erläuterung, keine Anlageempfehlung.