Volatilitätsziel im Trading: Positionsgröße, Prognose und Grenzen

Ein Volatilitätsziel legt fest, wie stark eine Position oder ein unverändertes Portfolio unter einer bestimmten Prognoseannahme schwanken soll. Das Verfahren beginnt mit einer definierten Renditeserie: etwa mit der Rendite einer einzelnen Aktie, eines Futures oder eines bereits festgelegten regelbasierten Portfolios. Erst dann wird die investierte Summe an die geschätzte Schwankung dieser Serie angepasst. Das Ziel selbst sagt nicht voraus, ob die Rendite positiv oder negativ sein wird.

Bei einer unveränderten Basisstrategie kann der Skalierungsfaktor als kₜ = Zielvolatilität ÷ prognostizierte Volatilität geschrieben werden. Wird eine annualisierte Zielvolatilität von 10 % mit einer annualisierten Prognose von 20 % verglichen, ergibt sich kₜ = 0,50. Das geplante Exposure beträgt damit 50 % der Basisausprägung, bevor weitere Obergrenzen gelten. Bei gleicher Strategie und gleichem prognostiziertem Risiko verändert der Faktor die Positionsgröße; er erzeugt nicht von sich aus eine neue Handelsidee.

Das unterscheidet die Methode von einem Kursziel, einem Stop-Loss und einem festen Verlustbudget. Sie verteilt Risiko über eine Reihe von Perioden unter einer Prognose, kontrolliert aber nicht den Verlust eines einzelnen Tages. Wer Volatilität mit Richtung oder einem garantierten Risikobetrag verwechselt, liest die Regel falsch.

Die Begriffe Volatilitätssteuerung und Volatilitätsmanagement werden in Forschung und Praxis für unterschiedliche Skalierungsregeln verwendet. Bei einer anschaulichen Zielvolatilitätsregel steht die prognostizierte Standardabweichung im Nenner: Exposure ist proportional zu Zielvolatilität geteilt durch Prognosevolatilität. Verdoppelt sich bei sonst gleichen Annahmen die prognostizierte Volatilität, halbiert sich der Skalierungsfaktor, sofern keine weiteren Regeln eingreifen.

Eine bekannte Forschungsvariante skaliert dagegen proportional zur inversen, aus vergangenen Renditen geschätzten Varianz: Gewicht ∝ 1 ÷ geschätzte Varianz. Moreira und Muir verwenden in ihrer zentralen Konstruktion die realisierte Varianz der Vorperiode und damit nicht dieselbe direkte Zielvolatilitätsrechnung. Da Varianz das Quadrat der Standardabweichung ist, halbiert eine Verdopplung der Volatilität dort das Gewicht auf ein Viertel, nicht auf die Hälfte. Außerdem wird häufig ein eigener Normierungsfaktor gewählt. Dieser dient dem Design der jeweiligen Studie; er macht die Regel nicht automatisch zu einem direkt vorgegebenen Volatilitätsziel.

Die Differenz ist nicht nur ein anderer Name. Beide Regeln reagieren verschieden stark auf dieselbe Änderung der Prognose und können deshalb andere Umsätze, Hebelspitzen und Renditepfade erzeugen. Moreira und Muir untersuchen eine inverse-Varianz-Skalierung von Faktorportfolios (ihre Studie von 2017). Barroso und Santa-Clara analysieren eine risikogesteuerte Momentumstrategie (ihre Studie von 2015). Ergebnisse einer bestimmten Strategie oder Stichprobe lassen sich nicht ohne Weiteres auf ein einzelnes Instrument übertragen.

Die Prognose muss zur Renditeserie passen, deren Exposure skaliert werden soll. Wer einen einzelnen Future handelt, sollte nicht stillschweigend die Volatilität eines Aktienindex einsetzen. Wird eine festgelegte Long-short-Strategie gesteuert, muss die Schätzung zu deren Renditen und Positionsregeln passen. Bei einem Portfolio aus mehreren Anlagen hängt dessen Varianz auch von den Kovarianzen ab; die einzelnen Volatilitäten zu mitteln reicht nicht.

Eine rollierende Standardabweichung vergangener Tagesrenditen ist leicht zu berechnen, aber sie misst zunächst rückblickend beobachtete Schwankung. Für die Anwendung braucht man eine am Entscheidungszeitpunkt verfügbare Schätzung für die kommende Periode. Ein gleitendes Fenster, EWMA oder GARCH kann als Grundlage dienen, doch jedes Verfahren reagiert anders auf jüngste Schocks und ältere Beobachtungen. Volatilitätscluster und GARCH erklärt eine Prognose bedingter Varianz; realisierte Volatilität berechnen behandelt die Messung aus vergangenen Kursen; der Volatilitätskegel vergleicht realisierte Werte über mehrere Horizonte mit ihrer historischen Verteilung.

Auch Einheit und Horizont müssen übereinstimmen. Eine tägliche Standardabweichung und ein jährliches Ziel sind nicht unmittelbar vergleichbar. Die verbreitete Multiplikation mit √252 setzt eine passende tägliche Renditekonvention und näherungsweise unkorrelierte, hinreichend stabile Renditen voraus. Bei Autokorrelation, Sprüngen oder wechselnden Regimen kann diese einfache Umrechnung die Schwankung über längere Horizonte verfehlen. Vergleichen Sie entweder annualisierte Größen mit derselben Konvention oder beide Größen auf derselben Periodenskala. Standardabweichung und Varianz sind ebenfalls nicht austauschbar: 20 % Volatilität entsprechen 0,20² = 0,04 Varianz in quadrierten Einheiten. Varianz und Volatilität erläutert die unterschiedlichen Einheiten.

Nehmen wir eine unveränderte Basisstrategie mit 100.000 US-Dollar Nominalexposure und einer annualisierten Volatilitätsprognose von 20 % an. Das Ziel liegt bei 10 %. Der Quotient beträgt 10 % ÷ 20 % = 0,50, sodass das berechnete Exposure auf 50.000 US-Dollar sinkt. Das ist eine Rechenillustration unter linearer Skalierung, für dasselbe Portfolio und mit passenden Einheiten und Horizonten. Kosten sind noch nicht berücksichtigt; die realisierte Volatilität wird damit nicht auf 10 % festgelegt.

In einer anderen Periode falle die Prognose auf 5 %. Ohne Begrenzung wäre der Faktor 10 % ÷ 5 % = 2 und das Exposure würde 200.000 US-Dollar betragen. Begrenze eine hypothetische Regel den Faktor auf 1,25, bleiben höchstens 125.000 US-Dollar Exposure. Bei 5 % Prognosevolatilität entspricht dies unter der linearen Annahme einer skalierten Prognose von 6,25 % und damit weniger als dem 10-%-Ziel. Die Hebelgrenze hat Vorrang vor dem rechnerischen Faktor; das Ziel ist dann nicht erreicht.

Das Beispiel setzt dieselbe Strategie und dasselbe Portfolio, passende Horizonte und Einheiten sowie eine lineare Skalierung des Risikos voraus. Optionspositionen, Kurssprünge und begrenzte Liquidität können diese Beziehung verändern. Der Rechenschritt illustriert nur, wie sich das geplante Exposure bei veränderter Prognose verschiebt. Er enthält keine Kosten und ist keine Leistungs- oder Verlustprognose.

Eine Positionsregel darf nur Informationen verwenden, die vor dem Zeitraum der skalierten Rendite tatsächlich verfügbar waren. Wird zum Tagesende t eine neue Volatilitätsschätzung erstellt, kann sie eine Position für den anschließenden Handel festlegen. Sie darf nicht rückwirkend auf dieselbe Tagesrendite angewendet werden, aus der sie erst berechnet wurde. Im Backtest müssen Signalerstellung, Orderzeitpunkt, Ausführungspreis und Renditeintervall zeitlich zusammenpassen.

Auch Datenverzögerungen sind relevant. Ein Schlusskurs kann erst nach dem Ende der Sitzung endgültig feststehen; ein Fonds- oder Indexwert kann später veröffentlicht werden. Wenn die Strategie bei der Live-Umsetzung erst am nächsten handelbaren Zeitpunkt reagieren kann, muss das historische Modell dieselbe Verzögerung abbilden. Eine unrealistisch schnelle Anpassung lässt die Position so aussehen, als hätte sie einen Schock vermieden, der in Wirklichkeit bereits eingetreten ist.

Legen Sie außerdem fest, wie oft neu gewichtet wird. Tägliche Updates können schneller auf Schätzungsänderungen reagieren, aber deutlich mehr Umsatz und Kosten verursachen. Ein wöchentliches oder monatliches Schema glättet Anpassungen, lässt das Exposure jedoch zwischen den Terminen länger unverändert. Datenfrequenz, Prognosehorizont und Rebalancing-Kalender sind drei unterschiedliche Entscheidungen und sollten nicht zu einer einzigen Zahl zusammengezogen werden.

Für ein Portfolio aus mehreren Positionen bestimmt nicht nur die Volatilität jedes einzelnen Bestandteils das Gesamtrisiko. Wenn Gewichte nicht proportional miteinander skalieren, muss die prognostizierte Varianz die Kovarianzen einbeziehen: σ²ₚ = wᵀΣw, wobei w die Gewichte und Σ die Prognose-Kovarianzmatrix bezeichnet. Bei einem einzigen gemeinsamen Skalierungsfaktor k für ein festes Portfolio wird die Varianz idealisiert mit k² multipliziert und die Volatilität mit |k|.

Diese Vereinfachung setzt voraus, dass Zusammensetzung und Gewichte innerhalb des betrachteten Schritts fest bleiben und die Renditen ungefähr linear mit dem Exposure skalieren. Werden dagegen jede Aktie, jeder Future oder jede Strategie separat nach ihrer eigenen Volatilität skaliert, ändern sich auch die Portfolioanteile und Korrelationen. Die resultierende Portfoliovolatilität folgt dann nicht mehr aus einer einzelnen Verhältnisrechnung. Gemeinsame Markt- und Liquiditätsschocks können Korrelationen gerade dann verändern, wenn historische Durchschnittswerte wenig aussagekräftig sind.

Unterscheiden Sie auch zwischen Exposure zum Marktwert, Brutto- und Nettohebel, Margin und Volatilitätsrisiko. Eine Futuresposition kann mit relativ wenig gebundener Initial Margin ein großes Nominalengagement tragen. Der freie Kontostand begrenzt die mögliche Positionsgröße nicht automatisch auf ein bestimmtes Risikoniveau. Kontraktspezifikationen, Sicherheiten, tägliche Variation Margin und Brokerliquidation bleiben eigene Prüfungen; eine Volatilitätszielzahl ersetzt sie nicht. Futures-Positionsgröße zeigt, weshalb Tickwert, ungünstiges Preisszenario und Verlustbudget zusätzliche Eingaben sind.

Wenn die Prognose sehr klein wird, wächst Zielvolatilität ÷ prognostizierte Volatilität stark an. Ohne Obergrenze kann die Regel genau dann sehr große Positionen vorschlagen, wenn eine ruhige Stichprobe die Schätzung nach unten zieht. Praktische Systeme setzen deshalb oft einen Maximalhebel, einen Mindestwert im Nenner, eine maximale Positionsgröße oder weitere Grenzen für Konzentration und Liquidität. Jede dieser Grenzen verändert die tatsächliche Regel und muss im Backtest identisch umgesetzt werden.

Ein Cap begrenzt die modellierte Position, garantiert aber keinen Höchstverlust. Märkte können zwischen Schlusskursen springen, Aufträge können nur teilweise ausgeführt werden, Spreads können sich weiten und Marginanforderungen können steigen. Bei Futures, Perpetuals oder anderen gehebelten Instrumenten kommen Finanzierung, Funding, Borrow-Kosten und tägliche Zahlungsströme hinzu. Vorab definierte Ausstiegspreise werden durch eine Volatilitätsschätzung nicht garantiert; bei einem Gap kann die tatsächliche Ausführung weit davon entfernt liegen.

Häufigere Anpassungen und größere Änderungen im Faktor erzeugen mehr Turnover. Gebühren, Bid-Ask-Spreads, Slippage, Markteinfluss und Finanzierung reduzieren die Nettorendite und können die Volatilitätsschätzung selbst verändern, wenn sie in der Renditeserie fehlen. Eine vorsichtige Auswertung berichtet daher sowohl Brutto- als auch Nettowerte und belastet die Simulation mit einer plausiblen, zeitabhängigen Kostenannahme. Glättung der Prognose, Hysterese oder eine Mindeständerung vor einer Order können den Turnover reduzieren, schaffen aber weitere Parameter, die nicht nachträglich am Testergebnis optimiert werden sollten.

Vergleichen Sie die skalierte Position mit der unveränderten Basisstrategie über dieselben, zeitlich korrekt konstruierten Daten. Verwenden Sie eine Walk-forward-Auswertung, in der jede Schätzung nur Vergangenheitsinformationen nutzt. Wenn Fensterlänge, Prognosemodell, Zielvolatilität, Obergrenze und Anpassungsrhythmus anhand derselben Historie ausgewählt werden, misst das berichtete Ergebnis teilweise die Suche nach einer günstigen Variante statt eine belastbare Eigenschaft.

Dokumentieren Sie neben annualisierter realisierter Volatilität auch Nettorendite, maximalen Rückgang, linke Randverluste, Hebelverteilung, Umsatz, Finanzierung und Verhalten in Stressphasen. Eine geringere Volatilität kann mit niedrigeren Erträgen einhergehen; eine höhere Sharpe Ratio innerhalb einer Stichprobe kann auf dem Auswertungsdesign beruhen. Die Sharpe-Annualisierung kann bei abhängigen Renditen außerdem irreführen; serielle Korrelation und annualisierte Sharpe-Ratio beschreibt diesen Punkt. Unsicherheit über einen ausgewählten Leistungswert lässt sich ergänzend mit einem Block-Bootstrap für Strategieerträge untersuchen, wobei auch dieser die Strategieauswahl nicht automatisch korrigiert.

Die Forschung liefert keine universelle Zusage. Moreira und Muir berichten Vorteile für bestimmte inverse-Varianz-Portfolios (Studie von 2017), während Cederburg und Mitautoren in einem breiteren Vergleich von 103 Aktienstrategien keine systematische Verbesserung der Sharpe-Ratio durch die skalierten Versionen finden (Studie von 2020). Der Gegensatz unterstreicht, wie stark Definition, Stichprobe, Ex-post-Normierung und Echtzeitumsetzung zählen. Taylor zeigt in einem theoretischen Rahmen zudem, dass eine optimale dynamische Allokation sowohl die bedingte Rendite als auch die Varianz und die Risikopräferenz berücksichtigen kann (Studie von 2023). Eine Volatilitätsprognose allein ist daher keine vollständige Portfoliooptimierung.

Eine Zielregel ist eine Ex-ante-Skalierung unter einer Prognose, keine Zusicherung der später realisierten Volatilität. Der Markt kann schneller oder stärker schwanken als das Modell erwartet. Eine unerwartete Kurslücke trifft zunächst die zuletzt gehaltene Position; erst danach kann die nächste Prognose das Exposure reduzieren. Wenn der Volatilitätsanstieg ausgerechnet mit fallenden Preisen einhergeht, kann die Anpassung Verluste weder rückgängig machen noch einen bestimmten Drawdown verhindern.

Auch ruhige Märkte sind nicht risikofrei. Niedrige jüngste Volatilität kann eine größere Position auslösen, kurz bevor sich die Verteilung ändert. Eine einzelne Standardabweichung beschreibt weder Schiefe noch Sprunghöhe, Liquiditätsengpass oder gemeinsame Extrembewegungen. Zwei Strategien mit gleicher geschätzter Volatilität können sehr verschiedene Verlustpfade haben. Volatilitäts-Targeting ist deshalb weder ein Stop-Loss noch eine Garantie gegen Ruin oder eine Vorhersage künftiger Renditen.

Vor der Verwendung sollten Zielhorizont, Prognosemodell, Ausführungszeitpunkt, Nenner-Untergrenze, Hebelobergrenze, Kostenannahmen und Verfahren zur Überprüfung feststehen. Historische Tests sollten zeigen, wann die Regel die Exponierung erhöhte und wann sie sie senkte, nicht nur eine zusammengefasste Kennzahl. Die Methode erklärt, wie eine definierte Risikoschätzung in Exposure übersetzt wird; sie bestätigt nicht, dass die zugrunde liegende Strategie tragfähig ist und ist keine persönliche Anlageempfehlung.