💰 quantitative finance

Some general results on risk budgeting portfolios

Die Arbeit stellt einen neuartigen, auf einer Cauchy-Folge im Simplex basierenden Algorithmus zur Berechnung von Risikobudgeting-Portfolios vor, der ohne die Lösung komplexer Hilfs-Optimierungsprobleme auskommt und Existenz sowie Eindeutigkeit der Lösung für allgemeine Risikomaße sicherstellt.

Ursprüngliche Autoren: Claudia Fassino, Pierpaolo Uberti

Veröffentlicht 2026-03-17

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Claudia Fassino, Pierpaolo Uberti

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Der perfekte Verteilungsplan

Stellen Sie sich vor, Sie sind ein Koch, der ein riesiges Buffet für 100 Gäste vorbereitet. Jeder Gast hat einen ganz bestimmten Hunger (das ist das Risiko). Ihre Aufgabe ist es, die Speisen (das Geld) so auf die Teller zu verteilen, dass jeder genau den Hunger bekommt, den er sich wünscht.

In der Finanzwelt nennen wir das Risikobudgetierung.

Das Ziel: Jedes Investment (z. B. eine Aktie) soll einen genau festgelegten Anteil zum Gesamtrisiko des Portfolios beitragen.
Das Problem: Bisher haben die Mathematiker und Banker versucht, dieses Problem wie einen riesigen, komplizierten Knoten zu lösen. Sie haben versucht, eine komplexe Gleichung zu minimieren (ein sogenanntes Optimierungsproblem). Das ist wie der Versuch, den perfekten Weg durch einen dichten Dschungel zu finden, indem man blindlings Bäume umhaut und hofft, dass man am Ende am Ziel ist.
- Das dauert lange.
- Das ist rechnerisch sehr anstrengend.
- Und manchmal führt es in Sackgassen oder zu Lösungen, die man nicht wirklich versteht.

Die neue Idee: Ein Schritt-für-Schritt-Tanz

Die Autoren dieses Papiers schlagen einen völlig neuen Weg vor. Statt den Dschungel zu durchkämmen, bauen sie eine Treppe.

Stellen Sie sich vor, Sie stehen auf einem riesigen, flachen Spielfeld (das ist der mathematische Raum, in dem alle möglichen Geldverteilungen existieren). Ihr Ziel ist ein kleiner Punkt in der Mitte, der die perfekte Verteilung darstellt.

Der Start: Sie stehen irgendwo auf dem Feld (eine zufällige Startverteilung).
Der Kompass: Sie schauen sich an, wo der Fehler liegt. "Oh, Aktie A trägt zu viel Risiko bei, Aktie B zu wenig."
Der Schritt: Anstatt den ganzen Weg auf einmal zu berechnen, machen Sie einen kleinen, vorsichtigen Schritt in die richtige Richtung.
Wiederholung: Sie schauen wieder, machen einen neuen kleinen Schritt. Und noch einen.

Die Autoren beweisen mathematisch, dass diese Art von "kleinen Schritten" (in der Mathematik eine Cauchy-Folge genannt) immer zu einem Ziel führt. Es ist wie ein Wanderer, der immer bergab läuft: Er weiß nicht genau, wo der tiefste Punkt ist, aber er weiß, dass jeder Schritt ihn näher an das Tal bringt. Irgendwann bleibt er stehen – und genau dort ist die perfekte Lösung.

Warum ist das besser? (Die Analogie)

Die alte Methode (Optimierung): Ist wie der Versuch, ein schweres Möbelstück durch eine enge Tür zu schieben, indem man es mit einem Kran anhebt, schwenkt und dreht. Man braucht riesige Maschinen (Rechenleistung), es ist kompliziert, und wenn man einen Fehler macht, fällt das Möbelstück um.
Die neue Methode (Fixpunkt-Algorithmus): Ist wie ein Kind, das eine Murmel den Hang hinunterrollt. Die Murmel sucht sich ihren Weg ganz natürlich. Es braucht keine riesigen Maschinen, es ist schnell, und die Murmel landet fast immer genau dort, wo sie hinwill.

Was haben die Autoren herausgefunden?

Es funktioniert immer: Sie haben bewiesen, dass dieser "Schritt-für-Schritt"-Weg unter bestimmten Bedingungen garantiert zum Ziel führt und dass es nur ein einziges Ziel gibt (keine Verwirrung, wohin es geht).
Es ist superschnell: In ihren Tests haben sie gezeigt, dass ihre neue Methode (der "FP-Algorithmus") viel schneller ist als die alten, schweren Optimierungsrechner.
- Bei kleinen Portfolios (wenige Aktien) ist sie schon schneller.
- Bei großen Portfolios (viele Aktien) ist sie viel schneller. Die alten Methoden werden mit mehr Aktien immer langsamer und langsamer, während die neue Methode fast gleich schnell bleibt.
Keine komplizierte Mathematik nötig: Man muss keine riesigen, unverständlichen Gleichungen lösen. Man braucht nur die "Risikobeiträge" zu berechnen und dann einfach Schritt für Schritt zu korrigieren.

Das Fazit für den Alltag

Die Autoren haben einen neuen, schlaueren Weg gefunden, um Geld so zu verteilen, dass das Risiko genau so aussieht, wie man es sich wünscht.

Statt sich in einem mathematischen Labyrinth zu verirren und riesige Rechenmaschinen zu benutzen, schlagen sie vor: Machen Sie kleine, korrekte Schritte. Das ist schneller, billiger und führt sicher zum Ziel. Für Anleger bedeutet das: Bessere Portfolios, weniger Rechenzeit und weniger Ärger mit komplexen Modellen.

Titel: Allgemeine Ergebnisse zu Risikobudgeting-Portfolios (Some general results on risk budgeting portfolios)

Autoren: Claudia Fassino und Pierpaolo Uberti
Institutionen: Universität Genua und Universität Mailand-Bicocca

1. Problemstellung

Das Risikobudgeting (und dessen Spezialfall, das Risk Parity) ist eine Anlagestrategie, bei der jeder Vermögenswert einen vorbestimmten Beitrag zum Gesamtrisiko des Portfolios leistet. Während die Idee intuitiv ist, fehlt es an einer geschlossenen analytischen Lösung für die Berechnung des optimalen Portfolios.

Die bestehenden Methoden in der Literatur basieren fast ausschließlich auf optimierungsbasierten Ansätzen (z. B. Maillard et al., 2010; Cetingoz et al., 2024). Diese Verfahren lösen ein Hilfs-Optimierungsproblem, um die Risikobudgets zu erfüllen. Die Autoren identifizieren folgende Nachteile dieser Standardansätze:

Fehlende ökonomische Interpretation: Das zugrunde liegende Optimierungsproblem ist oft schwer ökonomisch zu begründen.
Numerische Instabilität: Optimierungsalgorithmen können bei kleinen Änderungen der Eingabeparameter zu großen Schwankungen im Ergebnis führen.
Rechenintensität: Die Lösung komplexer Optimierungsprobleme ist rechenintensiv, insbesondere bei großen Portfolios (hohe Dimension $N$ ).
Theoretische Abhängigkeit: Existenz- und Eindeutigkeitsbeweise stützen sich stark auf die Konvexität des Optimierungsproblems.

Das Ziel des Papers ist es, eine alternative, nicht-optimierungsbasierte Perspektive zu entwickeln, die effizienter ist und tiefere theoretische Einsichten bietet.

2. Methodik

Die Autoren schlagen einen neuen Ansatz vor, der auf der Konstruktion einer Cauchy-Folge im Simplex des $\mathbb{R}^N$ basiert, anstatt ein Optimierungsproblem zu lösen.

A. Grundlegende Konstruktion

Definition des Problems: Gegeben ist ein Risikomaß $\rho$ und ein Ziel-Risikobudget $x_b$ . Gesucht ist ein Portfolio $x^*$ , sodass der normierte marginale Risikobeitrag $RC_\rho(x^*)$ gleich $x_b$ ist.
Die Iterationsfolge: Es wird eine Funktion $\Delta(x)$ definiert, die die Differenz zwischen dem aktuellen Risikobeitrag und dem Zielbudget misst:
$\Delta(x) = RC_\rho(x) - x_b \cdot \mathbf{1}^t RC_\rho(x)$
Der Algorithmus: Ausgehend von einem Startpunkt $x_1$ im Simplex wird eine Folge $\{x_n\}$ definiert durch:
$x_{n+1} = x_n + k(x_n) \cdot \Delta(x_n)$
Dabei ist $k(x_n)$ ein Schrittweiten-Parameter, der so gewählt wird, dass die Folge konvergiert und im Simplex (d.h. mit nicht-negativen Gewichten, die sich zu 1 summieren) bleibt.

B. Konvergenz und Fixpunkt-Theorie

Cauchy-Folge: Unter bestimmten Bedingungen (insbesondere der Existenz einer Funktion $k(x)$ , die die Norm von $\Delta$ um einen Faktor $L < 1$ reduziert) wird bewiesen, dass $\{x_n\}$ eine Cauchy-Folge ist. Da der Simplex ein vollständiger metrischer Raum ist, konvergiert diese Folge gegen einen Grenzwert.
Fixpunkt: Der Grenzwert der Folge ist ein Fixpunkt der Funktion $G(x) = x - k(x)\Delta(x)$ . Es wird gezeigt, dass dieser Fixpunkt genau dem Risikobudgeting-Portfolio entspricht ( $\Delta(x^*) = 0$ ).
Existenz und Eindeutigkeit: Anstatt auf die Konvexität eines Optimierungsproblems zu setzen, nutzen die Autoren den Satz von Kellogg (1976), um hinreichende Bedingungen für die Existenz und Eindeutigkeit des Fixpunkts im Simplex zu liefern. Dies erfordert die Stetigkeit von $\Delta$ und bestimmte Eigenschaften der Ableitung von $G$ .

C. Spezifischer Fall: Standardabweichung

Für den Fall, dass die Standardabweichung als Risikomaß dient (wobei $RC_\rho(x) = \text{diag}(x) V x$ mit der Kovarianzmatrix $V$ ), wird der Algorithmus detailliert ausgearbeitet:

Es wird eine quartische Polynomgleichung $Q(k_n)$ hergeleitet, deren Lösung den Schrittweiten-Parameter $k_n$ bestimmt, um die Konvergenzbedingung $\|\Delta(x_{n+1})\| \le L \|\Delta(x_n)\|$ zu erfüllen.
Falls keine reelle Lösung für das quartische Polynom existiert, wird auf ein kubisches Polynom zurückgegriffen.
Es werden explizite Bedingungen für $|k_n|$ abgeleitet, um sicherzustellen, dass die Iterierten $x_n$ innerhalb des Simplex $S$ bleiben (d.h. keine negativen Gewichte entstehen).

3. Wichtige Beiträge

Neuer algorithmischer Ansatz: Entwicklung eines effizienten Algorithmus, der kein auxiliares Optimierungsproblem löst. Dies vermeidet die typischen numerischen Probleme und die mangelnde ökonomische Interpretierbarkeit von Optimierungslösungen.
Theoretische Fundierung: Bereitstellung hinreichender Bedingungen für die Existenz und Eindeutigkeit des Risikobudgeting-Portfolios für allgemeine Risikomaße durch die Analyse von Fixpunkten, unabhängig von der Konvexität eines Optimierungsproblems.
Verallgemeinerung: Die Methode ist nicht auf die Standardabweichung beschränkt, sondern wird für ein allgemeines Risikomaß $\rho$ formuliert und dann für die Standardabweichung implementiert.
Robustheit: Der Algorithmus ist weniger anfällig für numerische Instabilitäten als herkömmliche Optimierungsmethoden.

4. Empirische Ergebnisse

Die Autoren vergleichen ihren Fixpunkt-Algorithmus (FP) mit drei Standardmethoden:

OP1 & OP2: Zwei verschiedene Optimierungsformulierungen (basierend auf Maillard et al., 2010), gelöst mit fmincon.
NLS: Lösung des nichtlinearen Gleichungssystems mittels lsqnonlin.

Versuchsdesign:

Portfoliogrößen $N \in \{5, 10, 50, 100, 200\}$ .
1000 zufällige Experimente pro Größe (zufällige Kovarianzmatrizen und Startpunkte).
Metriken: Rechenzeit und Distanz zur wahren Lösung (gemessen an der Abweichung der Risikobeiträge vom Zielbudget).

Ergebnisse:

Geschwindigkeit: Der FP-Algorithmus ist deutlich schneller als alle Optimierungsbasierten Methoden. Bei $N=200$ benötigt FP ca. 0,038 Sekunden, während OP1 ca. 1,4 Sekunden und NLS ca. 3,6 Sekunden benötigt.
Genauigkeit: FP liefert die genauesten Lösungen (niedrigste Abweichung vom Zielbudget). Die Optimierungsmethoden (insbesondere OP1 und OP2) zeigen oft größere Abweichungen, selbst bei begrenzter Iterationszahl.
Skalierbarkeit: Die Rechenzeit des FP-Algorithmus skaliert sehr günstig mit der Anzahl der Assets. Die Optimierungsmethoden leiden stark unter der Dimensionszunahme.
Parameter $L$ : Die Wahl des Konvergenzparameters $L$ (zwischen 0 und 1) ist kritisch. Ein Wert nahe 1 (z. B. 0,95) bietet oft den besten Kompromiss zwischen Konvergenzgeschwindigkeit und Stabilität, da sehr kleine Werte von $L$ dazu führen können, dass die Polynomgleichungen keine reellen Lösungen haben und der Algorithmus stagniert.

5. Bedeutung und Fazit

Das Paper stellt einen Paradigmenwechsel in der Berechnung von Risikobudgeting-Portfolios dar.

Praktische Relevanz: Der vorgeschlagene Algorithmus ist für die praktische Anwendung überlegen, da er schnell, stabil und leicht zu implementieren ist. Er eignet sich besonders für große Portfolios und Echtzeit-Anwendungen.
Theoretischer Wert: Durch die Umformulierung des Problems als Fixpunktproblem wird eine neue theoretische Basis geschaffen, die es erlaubt, Existenz- und Eindeutigkeitsfragen für eine breitere Klasse von Risikomaßen zu untersuchen, ohne auf die Einschränkungen konvexer Optimierung angewiesen zu sein.
Zukunftsperspektive: Die Autoren planen, diese Methode auf weitere Risikomaße (wie Value at Risk oder Expected Shortfall) zu erweitern und die hinreichenden Bedingungen für die Eindeutigkeit weiter zu verfeinern.

Zusammenfassend bietet die Arbeit eine effiziente, theoretisch fundierte Alternative zu den etablierten Optimierungsmethoden, die sowohl rechnerische als auch interpretatorische Vorteile bietet.