Diversification and Stochastic Dominance: When All Eggs Are Better Put in One Basket

Diese Studie widerlegt die gängige Annahme, dass Diversifikation immer das Risiko senkt, indem sie zeigt, dass bei schweren Verteilungsschwänzen mit unendlichem Erwartungswert ein diversifiziertes Portfolio im Vergleich zu einem zufällig gewählten Einzelrisiko („One-Basket"-Benchmark) eine höhere Wahrscheinlichkeit für Verluste über beliebige Schwellenwerte aufweisen kann.

Das Wesentliche

Hier ist eine einfache Erklärung der Studie von Léonard Vincent, die komplexe mathematische Konzepte in alltägliche Bilder übersetzt.

🥚 Der große Irrtum: „Nicht alle Eier in einen Korb legen"

Stellen Sie sich vor, Sie haben einen Korb mit Eiern. Die alte Weisheit sagt: „Teile deine Eier auf viele Körbe auf, damit du nicht alles verlierst, wenn einer fällt." In der Finanzwelt und im Risikomanagement ist das die Diversifikation. Man verteilt sein Geld auf viele verschiedene Aktien, um das Risiko zu minimieren.

Bislang galt dies als unumstößliche Wahrheit – solange die Risiken „normal" sind (wie ein stabiler Markt oder ein durchschnittlicher Unfall).

Aber: Diese Studie zeigt, dass es eine spezielle Art von „Eiern" gibt, bei denen genau das Gegenteil passiert. Wenn diese Eier extrem schwer und unberechenbar sind (mathematisch: „schwere Verteilungen mit unendlichem Mittelwert"), dann führt das Aufteilen in viele Körbe dazu, dass Sie mehr verlieren, als wenn Sie alle Eier in einen einzigen Korb gelegt hätten.

---

🌪️ Das Szenario: Die „Unendlichen" Risiken

Stellen Sie sich vor, Sie versichern sich gegen Katastrophen.

• Normaler Fall: Ein Sturm beschädigt Dächer. Die Kosten sind begrenzt. Hier hilft Diversifikation: Wenn Sie 100 Häuser versichern, gleichen sich kleine Schäden aus.
• Der Fall der Studie: Stellen Sie sich ein Szenario vor, in dem ein einzelnes Ereignis (wie ein riesiger Cyberangriff, ein Atomunfall oder eine Pandemie) theoretisch unendliche Kosten verursachen könnte. Diese Risiken haben keine Obergrenze.

In diesem Szenario passiert etwas Magisches (und Beunruhigendes):
Wenn Sie Ihr Geld auf 100 verschiedene dieser Risiken verteilen (Diversifikation), erhöhen Sie die Wahrscheinlichkeit, dass Sie überall gleichzeitig in die Katastrophe laufen.
Wenn Sie hingegen Ihr ganzes Geld auf ein einziges Risiko setzen (der „Ein-Korb-Ansatz"), haben Sie zwar ein hohes Risiko, aber die Wahrscheinlichkeit, dass dieses eine Ding explodiert, ist geringer als die Wahrscheinlichkeit, dass bei 100 verteilten Dingen irgendeines explodiert.

Die Metapher:
Stellen Sie sich vor, Sie stehen in einem Raum voller Bomben.

• Diversifikation: Sie verteilen sich auf 100 kleine Ecken des Raumes. Die Wahrscheinlichkeit, dass irgendeine Bombe in Ihrer Nähe explodiert, ist sehr hoch.
• Ein-Korb-Ansatz: Sie stellen sich in eine Ecke und warten. Die Wahrscheinlichkeit, dass diese eine Bombe explodiert, ist niedriger als die Summe aller Gefahren im ganzen Raum.

---

🧺 Der „Ein-Korb-Theorem" (The One-Basket Theorem)

Der Autor nennt seine Hauptentdeckung das „Ein-Korb-Theorem".

Er vergleicht zwei Strategien:

1. Der gemischte Korb (Diversifiziert): Sie halten Anteile an allen Risiken gleichzeitig (z. B. 1% von Risiko A, 1% von Risiko B, ...).
2. Der zufällige Ein-Korb (Konzentriert): Sie wählen zufällig ein Risiko aus (basierend auf denselben Anteilen) und setzen alles darauf.

Das Ergebnis:
Bei diesen extremen, „schweren" Risiken ist der gemischte Korb immer gefährlicher. Er hat an jedem denkbaren Schadensniveau eine höhere Wahrscheinlichkeit, einen großen Verlust zu erleiden, als der zufällige Ein-Korb.

Das bedeutet: Ein rationaler Mensch, der Verluste vermeiden will, würde in diesem speziellen Fall lieber alle Eier in einen Korb legen und hoffen, dass dieser Korb nicht fällt, als sie zu verteilen.

---

📉 Warum passiert das? (Die „Subskalierbarkeit")

Warum funktioniert das Aufteilen hier nicht?
Stellen Sie sich vor, Sie haben einen Riesen, der 1000 kg wiegt.

• Wenn Sie ihn in 100 kleine Teile schneiden (Diversifikation), haben Sie 100 kleine Riesen. Die Wahrscheinlichkeit, dass einer von ihnen Sie trifft, ist hoch.
• Wenn Sie den ganzen Riesen in einen Korb legen, haben Sie nur eine Chance, dass er Sie trifft.

Bei extremen Risiken (wie dem „St. Petersburg-Lotteriespiel" oder diskreten Pareto-Verteilungen) ist die Mathematik so verzerrt, dass das „Teilen" die Gefahr nicht reduziert, sondern vervielfacht. Das Papier zeigt, dass dies nicht nur ein theoretisches Kuriosum ist, sondern für bestimmte reale Risiken (wie Cyber-Risiken oder extreme Naturkatastrophen) gelten kann.

---

🌍 Die gute Nachricht: Es ist nur ein lokales Phänomen

Der Autor macht die Sache noch etwas hoffnungsvoller. Er zeigt, dass das „Diversifizieren ist schlecht"-Prinzip nicht überall gilt, sondern wie eine Welle wirkt:

1. Nahe Null (Kleine Schäden): Diversifikation ist immer gut. Bei kleinen Verlusten hilft das Aufteilen fast immer.
2. Weit weg (Katastrophen): Bei diesen extremen, unendlichen Risiken kippt die Welle um. Hier wird das Aufteilen zum Risiko.

Das „Ein-Korb-Theorem" ist also der Punkt, an dem diese Welle so weit reicht, dass sie überall (bei jedem Schadensniveau) gilt. Es ist der Grenzfall, in dem die Gefahr des Aufteilens so groß wird, dass sie den ganzen Korb überflutet.

💡 Fazit für den Alltag

Dieser Text warnt uns davor, blindlings dem Spruch „Nicht alle Eier in einen Korb legen" zu folgen.

• Bei normalen Risiken (Autounfälle, kleine Marktverluste): Teilen Sie auf! (Diversifikation funktioniert).
• Bei extremen, unvorhersehbaren Katastrophen (die alles zerstören können): Konzentrieren Sie sich! (Diversifikation kann das Risiko sogar erhöhen).

Es ist eine Erinnerung daran, dass in einer Welt voller „schwarzer Schwäne" (unvorhergesehene Extremereignisse) die klassischen Regeln der Risikoverteilung manchmal ins Gegenteil umschlagen können.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Titel

Diversifikation und stochastische Dominanz: Wenn alle Eier besser in einen Korb gelegt werden
(Original: Diversification and Stochastic Dominance: When All Eggs Are Better Put in One Basket)

1. Problemstellung und Motivation

Die traditionelle Risikomanagement-Theorie, gestützt auf das Gesetz der großen Zahlen und die Moderne Portfolio-Theorie, betrachtet Diversifikation als zuverlässige Methode zur Risikoreduktion. Die intuitive Regel „Man soll nicht alle Eier in einen Korb legen" besagt, dass die Streuung von Risiken über mehrere unabhängige Komponenten die Gesamtvolatilität senkt.

Dieses Paper untersucht jedoch eine fundamentale Ausnahme von dieser Regel: Risiken mit schweren Verteilungsenden (heavy-tailed losses) und unendlichem Erwartungswert.
In solchen Fällen kann Diversifikation das Risiko nicht nur versagen lassen, sondern es sogar drastisch erhöhen. Konkret wird gezeigt, dass das Zusammenfassen unabhängiger Verluste dieser Art die Wahrscheinlichkeit, einen beliebigen Schwellenwert zu überschreiten, im Vergleich zu einer konzentrierten Position erhöhen kann. Dies widerspricht der klassischen Intuition und stellt die Dominanz des diversifizierten Portfolios in Frage.

2. Methodik und Rahmenwerk

A. Vergleichsmodelle

Der Autor vergleicht zwei Portfoliotypen:

1. Das diversifizierte Portfolio ($P_D$): Ein gewichteter Durchschnitt unabhängiger Risiken $X_1, \dots, X_n$ mit Gewichten $\theta_i$ ($\sum \theta_i = 1$):
   $$P_D = \sum_{i=1}^n \theta_i X_i$$
2. Das „Ein-Korb"-Benchmark-Portfolio ($P_C$): Ein gemischtes Modell (Mixture), bei dem das gesamte Risiko zufällig auf genau eine Komponente $X_i$ konzentriert wird, ausgewählt gemäß den Wahrscheinlichkeiten $\theta_i$. Dies entspricht dem Zufallsvektor $I_1 X_1 + \dots + I_n X_n$, wobei $(I_1, \dots, I_n)$ einer kategorialen Verteilung folgt.

B. Stochastische Ordnung

Die Analyse erfolgt im Sinne der stochastischen Dominanz erster Ordnung (First-Order Stochastic Dominance, FOSD).
Eine Zufallsvariable $X$ dominiert $Y$ ($X \le_{st} Y$), wenn $P(X > x) \le P(Y > x)$ für alle $x$.
Das Ziel ist es, Bedingungen zu finden, unter denen gilt:
$$P_C \le_{st} P_D$$
Dies würde bedeuten, dass das diversifizierte Portfolio eine höhere Überschreitungswahrscheinlichkeit für jeden Schwellenwert hat als das konzentrierte Portfolio – also ein höheres Risiko darstellt.

C. Das Konzept der Subskalierbarkeit (Subscalability)

Ein zentrales technisches Werkzeug ist die Einführung des Konzepts der Subskalierbarkeit. Eine Verteilung mit Überlebensfunktion $F$ wird als $\theta$-subskalierbar bezeichnet, wenn gilt:
$$\theta F(x) \le F(x/\theta) \quad \forall x \ge 0$$
Diese Ungleichung besagt, dass das Skalieren des Risikos um den Faktor $\theta$ die Überschreitungswahrscheinlichkeit weniger als proportional reduziert. Für nicht-triviale Risiken impliziert dies, dass der Erwartungswert unendlich ist.

3. Hauptergebnisse

A. Der „Ein-Korb"-Satz (The One-Basket Theorem)

Dies ist das Kernresultat des Papers (Theorem 4.2). Es liefert hinreichende Bedingungen für die stochastische Dominanz des diversifizierten Portfolios über das konzentrierte, auch wenn die Risiken nicht identisch verteilt sind.

Voraussetzung: Für jede Komponente $i$ und jede Teilmenge $K$ von Indizes, die $i$ enthält (aber nicht alle Indizes umfasst), muss die Ungleichung
$$\theta_K F_i(x) \le F_i(x/\theta_K)$$
für alle $x \ge 0$ gelten, wobei $\theta_K = \sum_{j \in K} \theta_j$ das Teilgewicht ist.

Ergebnis: Wenn diese Bedingung erfüllt ist, dann gilt:
$$I_1 X_1 + \dots + I_n X_n \le_{st} \theta_1 X_1 + \dots + \theta_n X_n$$
Das diversifizierte Portfolio ist also in jedem Schwellenwert riskanter als das konzentrierte.

B. Gewichtsspezifische Verifikation

Im Gegensatz zu früheren Arbeiten, die oft uniforme Ergebnisse für alle Gewichtsvektoren forderten, erlaubt dieser Satz eine gewichtsspezifische Überprüfung. Das bedeutet, dass Diversifikation für eine spezifische Gewichtung riskant sein kann, auch wenn sie für andere Gewichte nicht riskant ist. Dies erweitert den Anwendungsbereich erheblich.

C. Anwendungen auf diskrete Verteilungen

Der Satz wird erfolgreich auf diskrete Pareto-Verteilungen mit unendlichem Mittelwert angewendet.

• Diskrete Pareto: Für gleichgewichtete Mittelwerte ($\theta_i = 1/n$) von diskreten Pareto-Risiken (mit Überlebensfunktion $F(x) = 1/(\lfloor x \rfloor + 1)$) wird gezeigt, dass die Diversifikation das Risiko erhöht ($X \le_{st} \bar{X}_n$), obwohl dies für andere Gewichte (z.B. extrem unausgewogen) nicht gelten muss.
• St. Petersburg Lotterie: Der Satz liefert einen alternativen Beweis für die stochastische Dominanz bei Mittelwerten von St. Petersburg-Lotterien.

D. Lokale vs. Globale Dominanz (Kapitel 7)

Eine tiefgreifende Einsicht des Papers ist die Interpretation des Ergebnisses als Grenzfall eines allgemeinen Phänomens:

• Lokal: Für jedes positive Risiko und jedes $\theta \in (0,1)$ gilt die Subskalierbarkeits-Ungleichung in einer Umgebung von Null ($[0, t(\theta))$). Das bedeutet, Diversifikation erhöht immer die Wahrscheinlichkeit, sehr kleine Schwellenwerte zu überschreiten.
• Global: Der „Ein-Korb"-Satz charakterisiert genau den Fall, in dem dieser lokale Effekt auf den gesamten Bereich $[0, \infty)$ ausgedehnt wird. Wenn die Subskalierbarkeitsbedingung global gilt, wird die lokale Dominanz zur globalen stochastischen Dominanz.

4. Technische Beiträge und Definitionen

• $\theta$-subskalierbare Risiken: Risiken, für die die Subskalierbarkeitsbedingung für ein spezifisches $\theta$ gilt.
• Vollständig subskalierbare Risiken (Completely Subscalable): Risiken, für die die Bedingung für alle $\theta \in (0,1)$ gilt. Diese Klasse enthält die Familie der super-Fréchet-Verteilungen (die in früheren Arbeiten von Chen & Shneer untersucht wurden) und ist eine echte Obermenge davon.
• Schlussfolgerung für unendliche Mittelwerte: Es wird bewiesen, dass jede nicht-triviale $\theta$-subskalierbare Zufallsvariable einen unendlichen Erwartungswert hat und extrem schwere Verteilungsenden besitzt.

5. Bedeutung und Implikationen

1. Umkehrung der Diversifikations-Logik: Das Paper liefert eine mathematisch strenge Begründung dafür, warum bei extrem schweren Verteilungsenden (z.B. Katastrophenrisiken wie Kernunfälle, Cyberangriffe, Pandemien) die Konzentration des Risikos („alle Eier in einen Korb") aus Sicht der stochastischen Dominanz vorteilhafter sein kann als die Streuung.
2. Erweiterung der Literatur: Während frühere Arbeiten oft identisch verteilte Risiken oder spezifische Abhängigkeitsstrukturen (wie negative Abhängigkeit) voraussetzten, erlaubt dieser Ansatz unabhängige, nicht-identisch verteilte Risiken und prüft die Bedingungen gewichtsspezifisch.
3. Anwendung in der Versicherung: Die Ergebnisse haben direkte Implikationen für die Rückversicherung. Ein randomisierter Rückversicherungsvertrag (der das Risiko zufällig ganz übernimmt oder gar nicht) kann unter bestimmten Bedingungen für beide Parteien (Versicherer und Rückversicherer) vorteilhafter sein als ein klassischer Quotenvertrag (Diversifikation), wenn die Verlustverteilungen subskalierbar sind.
4. Theoretische Einordnung: Das Paper verbindet scheinbar paradoxe Ergebnisse mit einem allgemeinen Prinzip: Diversifikation erhöht immer das Risiko für kleine Schwellenwerte; bei unendlichen Mittelwerten und spezifischen Verteilungseigenschaften breitet sich dieser Effekt auf alle Schwellenwerte aus.

Fazit

Léonard Vincent zeigt, dass die Regel „Diversifikation reduziert Risiko" für Risiken mit unendlichem Erwartungswert nicht nur falsch, sondern im Gegenteil zutreffend sein kann: Diversifikation maximiert hier das Risiko. Der „Ein-Korb"-Satz bietet ein robustes mathematisches Werkzeug, um diese Phänomene für spezifische Gewichtungen und Verteilungsklassen zu identifizieren und zu verifizieren.