On the Structure of Risk Contribution: A Leave-One-Out Decomposition into Inherent and Correlation Risk

Diese Arbeit entwickelt eine Zerlegung des Standard-Risikobeitrags in einen inhärenten Volatilitätsanteil und einen Korrelationsanteil mittels einer „Leave-One-Out"-Methode, um die Risikotreiber von Positionen transparent zu identifizieren und deren Rolle als Hedge oder Risikoverstärker zu analysieren.

Das Wesentliche

Das große Rätsel: Warum ist mein Portfolio so riskant?

Stellen Sie sich vor, Sie sind der Kapitän eines Schiffes (Ihr Portfolio). Ihr Schiff besteht aus verschiedenen Besatzungsmitgliedern (den einzelnen Aktien oder Anleihen). Wenn das Schiff in stürmische Gewässer gerät, wollen Sie wissen: Wer trägt die meiste Schuld an den Wellen, die das Schiff schaukeln?

Bisher gab es zwei Hauptwerkzeuge, um das zu messen:

1. Die „Alleine-Weg"-Methode (iVol): Man stellt sich vor, man wirft einen Matrosen über Bord. Wie viel ruhiger wird das Schiff dann? Das ist intuitiv, aber mathematisch ungenau, weil die Summe aller einzelnen „Ruhe-Beiträge" nicht genau das Gesamtsturm-Maß ergibt.
2. Der „Beitrags-Zähler" (RC - Risk Contribution): Dieser zählt genau, wie viel jeder Matrose zum Gesamtsturm beiträgt. Die Summe passt perfekt. Aber: Er sagt Ihnen nur wie viel Stress ein Matrose macht, aber nicht warum.

Das Problem: Ein Matrose könnte stressig sein, weil er selbst nervös und unruhig ist (hohe eigene Volatilität). Oder er könnte stressig sein, weil er sich genau dann hinlegt, wenn alle anderen stehen (schlechte Korrelation). Das alte Werkzeug konnte diese beiden Gründe nicht unterscheiden.

Die neue Entdeckung: Der „Innere" und der „Soziale" Stress

Die Autoren dieser Arbeit haben einen neuen Trick entwickelt, den sie „Inherent and Correlation Decomposition" (ICD) nennen. Stellen Sie sich vor, sie nehmen den alten „Beitrags-Zähler" und zerlegen ihn in zwei Teile, wie man einen Apfel in Kern und Schale teilt.

Jeder Matrose (jede Position) hat nun zwei Arten von Risiko:

1. Der „Innere" Stress (Inherent Risk) – Der nervöse Matrose

Das ist das Risiko, das der Matrose mit sich selbst bringt, egal ob er auf dem Schiff ist oder nicht.

• Die Analogie: Stellen Sie sich einen Matrosen vor, der einfach nicht stillsitzen kann. Er hüpft auf und ab, schreit und stolpert. Selbst wenn er der einzige an Bord wäre, würde das Schiff wackeln.
• Was es bedeutet: Wenn dieser Wert hoch ist, ist die Position an sich sehr volatil. Die Lösung? Weniger davon kaufen oder eine stabilere Version suchen.

2. Der „Soziale" Stress (Correlation Risk) – Der unpassende Tanzpartner

Das ist das Risiko, das entsteht, weil der Matrose sich zusammen mit den anderen bewegt.

• Die Analogie:
  • Positiver sozialer Stress: Alle Matrosen tanzen den gleichen chaotischen Tanz. Wenn einer stolpert, stolpern alle. Das macht das Schiff extrem instabil.
  • Negativer sozialer Stress (Die Rettung): Ein Matrose ist ein „Gegenspieler". Wenn die anderen nach links fallen, fällt er nach rechts. Er stützt das Schiff. Das ist ein Hedge (Absicherung).
• Was es bedeutet: Wenn dieser Wert negativ ist, hilft die Position dem Schiff, stabil zu bleiben. Wenn er positiv ist, verstärkt sie den Sturm der anderen.

Warum ist das so wichtig? (Die „Aha!"-Momente)

Die Autoren zeigen, dass diese Aufteilung uns hilft, bessere Entscheidungen zu treffen:

• Fall A: Der nervöse Einzelkämpfer.
  Ein Matrose bringt viel Stress, aber nur wegen seines eigenen Nervosität (hoher „Innere" Wert, niedriger „Sozialer" Wert).

  • Lösung: Wir müssen ihn weniger stark gewichten. Er ist einfach zu laut für sich allein.

• Fall B: Der schlechte Tanzpartner.
  Ein Matrose ist eigentlich ruhig, aber er tanzt genau im Takt mit den anderen, die gerade wild herumtoben (niedriger „Innere" Wert, hoher positiver „Sozialer" Wert).

  • Lösung: Wir müssen ihn nicht unbedingt rauswerfen, aber wir müssen ihn durch jemanden ersetzen, der gegenläufig tanzt. Das Problem ist die Beziehung, nicht die Person.

• Fall C: Der wahre Held (Der Hedge).
  Manchmal sieht ein Matrose auf den ersten Blick riskant aus (er hat viel „Innere" Nervosität). Aber wenn man genau hinsieht, sieht man, dass er so stark gegenläufig tanzt, dass er den Sturm der anderen komplett ausgleicht.

  • Die Erkenntnis: Ohne diese Aufteilung würde man denken: „Wow, der ist zu nervös, weg damit!" Aber mit der Aufteilung sieht man: „Nein, er ist unser Anker! Seine negative soziale Wirkung ist stärker als seine eigene Nervosität."

Ein Blick in die Zeitreise

Die Autoren zeigen auch, wie man diese Analyse über die Zeit nutzen kann.
Stellen Sie sich vor, Sie schauen in ein Tagebuch zurück:

• Szenario 1: Der Sturm wurde schlimmer, weil alle Matrosen plötzlich nervöser wurden (Anstieg des „Innere" Risikos). -> Wir brauchen ruhigere Matrosen.
• Szenario 2: Die Matrosen waren eigentlich ruhig, aber sie haben aufgehört, sich gegenseitig auszugleichen, und sind alle in die gleiche Richtung gefallen (Anstieg des „Sozialen" Risikos). -> Wir brauchen eine bessere Tanz-Choreografie (Diversifikation).

Zusammenfassung für den Alltag

Diese Forschung sagt uns: Nicht jedes Risiko ist gleich.

Wenn Ihr Portfolio in Stress gerät, reicht es nicht zu sagen: „Aktie X trägt 20% zum Risiko bei."
Stattdessen sollten Sie fragen:

1. Ist Aktie X so riskant, weil sie selbst ein wildes Pferd ist? (Dann reduzieren Sie den Anteil).
2. Oder ist sie riskant, weil sie mit dem Rest des Portfolios in die gleiche Richtung rennt? (Dann suchen Sie einen Gegenspieler).
3. Oder ist sie riskant, aber eigentlich ein Held, der den Sturm abfedert? (Dann behalten Sie sie, auch wenn sie nervös wirkt).

Durch diese „Zerlegung" (Decomposition) erhalten Anleger und Manager endlich eine klare Landkarte, um zu verstehen, ob sie ihre Schiffe wegen der Eigenschaften der Besatzung oder wegen der Beziehungen zwischen ihnen reparieren müssen. Und das Beste: Man braucht dafür keine neuen, komplizierten Werkzeuge, sondern kann die alten, bewährten Daten einfach neu interpretieren.

Technische Zusammenfassung

1. Problemstellung

Im traditionellen Portfoliomanagement sind Risikozuordnungsmaße wie die Incremental Volatility (iVol) und der Risk Contribution (RC) Standardwerkzeuge. Beide haben jedoch signifikante Einschränkungen:

• iVol (Leave-One-Out-Ansatz): Misst die Änderung der Portfolio-Volatilität, wenn ein Vermögenswert entfernt wird. Dies ist intuitiv verständlich, aber nicht additiv. Die Summe der einzelnen iVol-Werte entspricht nicht der gesamten Portfolio-Volatilität, was eine konsistente Aggregation über verschiedene Ebenen (z. B. Asset-Klassen, Sektoren) erschwert.
• RC (Risikobeitrag): Ist streng additiv und wird häufig in Optimierungs- und Berichtssystemen verwendet. Der RC-Wert pro Position ist jedoch eine einzelne Zahl, die nicht unterscheidet, ob das Risiko aus der eigenen Volatilität der Position (inherent) oder aus der Korrelation mit dem Rest des Portfolios resultiert.

Aus managementtechnischer Sicht sind dies jedoch unterschiedliche Probleme: Eine Position mit hoher Eigenvolatilität erfordert eine Reduzierung der Exposure, während eine Position mit hohem Korrelationsrisiko eine Diversifizierung oder Gegenpositionen erfordert. Das Paper adressiert die Lücke, dass Standard-RC keine Diagnose liefert, ob ein Risiko durch „Stand-alone"-Volatilität oder durch Interaktionseffekte (Korrelation) getrieben wird.

2. Methodik: Die Inherent-Correlation Decomposition (ICD)

Die Autoren entwickeln eine neue Darstellung des RC, die auf einer Leave-One-Out-Repräsentation basiert und diesen in zwei ökonomisch interpretierbare Komponenten zerlegt.

Mathematische Herleitung:
Gegeben sei ein Portfolio $p$ mit einem Vermögenswert $a$.
Der Risikobeitrag $RC(a)$ ist definiert als:
$$RC(a) = \frac{w_a \cdot \text{cov}(r_a, r_p)}{\sigma_p}$$
Durch Ausmultiplizieren der Kovarianz $\text{cov}(r_a, r_p)$, wobei $r_p = r_{p\setminus\{a\}} + w_a r_a$ (Portfolio-Rendite ohne $a$ plus Anteil von $a$), ergibt sich eine Aufteilung in Eigenanteil und Kovarianz mit dem Restportfolio:
$$w_a \cdot \text{cov}(r_a, r_p) = w_a^2 \sigma_a^2 + w_a(1-w_a) \cdot \text{cov}(r_a, r_{p\setminus\{a\}})$$

Daraus leitet sich die Inherent-Correlation Decomposition (ICD) ab:
$$RC(a) = RC_{inh}(a) + RC_{corr}(a)$$

• Inherent Risk ($RC_{inh}$):
  $$RC_{inh}(a) = \frac{w_a^2 \sigma_a^2}{\sigma_p}$$
  Dieser Term ist immer positiv und repräsentiert das Risiko, das allein durch die Existenz und Volatilität der Position entsteht, unabhängig vom Rest des Portfolios.

• Correlation Risk ($RC_{corr}$):
  $$RC_{corr}(a) = \frac{w_a(1-w_a) \cdot \text{cov}(r_a, r_{p\setminus\{a\}})}{\sigma_p}$$
  Dieser Term erfasst die Interaktion mit dem Rest des Portfolios. Er kann positiv (risikosteigernd) oder negativ (risikomindernd/hedgend) sein.

Wichtige Eigenschaften:

• Strikte Additivität: Da die ICD eine Zerlegung des standardmäßigen RC ist, bleibt die strikte Additivität erhalten ($\sum RC(a) = \sigma_p$). Dies ermöglicht eine konsistente hierarchische Aggregation.
• Hedging-Bedingung: Eine Position reduziert das Gesamtrisiko nur dann, wenn $RC(a) < 0$. Dies erfordert, dass der negative Korrelationsterm den positiven Inherent-Term überkompensiert ($-RC_{corr} > RC_{inh}$). Eine negativ korrelierte Position ist also nicht automatisch ein effektiver Hedge, wenn ihre Eigenvolatilität zu hoch ist.

3. Schlüsselbeiträge

1. Diagnostische Trennung: Das Paper bietet erstmals eine additive Zerlegung, die Stand-alone-Risiko von Interaktionsrisiko trennt, ohne ein neues Risikomaß zu erfinden, sondern indem es die Struktur des bestehenden RC offenlegt.
2. Verbindung zu iVol: Die Methode verbindet die intuitive „Leave-One-Out"-Logik von iVol mit der Additivität von RC. Der Korrelationsterm in der ICD entspricht strukturell dem Term, der in iVol die Änderung der Portfolio-Volatilität beschreibt.
3. Zeitliche Analysemethoden: Es werden zwei Ansätze für die Zeitreihenanalyse vorgestellt:
   • Methode 1 (Feste Positionen): Analyse, wie das aktuelle Portfolio in der Vergangenheit hätte performt (Vergleich mit historischen Stressphasen).
   • Methode 2 (Dynamische Positionen): Analyse der Risikodynamik des Portfolios, wie es historisch tatsächlich bestand (Post-Mortem-Analyse von Drawdowns).
4. Robustheitserweiterungen: Das Paper schlägt Erweiterungen für reale Datenprobleme vor, wie asynchrone Handelszeiten (Lag-Kovarianzen), Heteroskedastizität (exponentiell gewichtete Schätzer) und robuste Kovarianzmatrizen (Shrinkage, Random Matrix Theory), um die Stabilität der Schätzungen zu gewährleisten.

4. Ergebnisse und Empirische Illustration

Die Autoren wenden die ICD auf drei Portfolios an (Long-Short, Equal-Weight, Risk-Parity) basierend auf Futures- und FX-Daten von 1990 bis Juli 2025.

• Einzelne Tage-Analyse:

  • Im Long-Short-Portfolio zeigte sich, dass der Großteil des Risikos aus Rohstoffen (Commodities) stammt, getrieben durch hohe inherent risk.
  • Anleihen (Fixed Income) wiesen einen negativen Gesamtrisikobeitrag auf. Die Zerlegung zeigte, dass dies nicht nur auf negative Korrelation zurückzuführen war, sondern dass der negative Korrelationsterm den positiven Inherent-Term überkompensierte. Dies bestätigte ihre Funktion als effektiver Hedge.
  • Ohne die Zerlegung wäre dieser Mechanismus (Warum ist die Position ein Hedge?) nicht so klar erkennbar gewesen.

• Zeitliche Entwicklung (Stressphasen):

  • Finanzkrise 2007/2008: Bei Aktien wurde ein Anstieg des Risikos primär durch einen Schock der inherent risk (2007) und später durch einen Anstieg der correlation risk (2008, Zusammenbruch der Diversifikation) getrieben.
  • Europäische Schuldenkrise 2012: Bei Anleihen stieg die inherent risk, während die correlation risk fiel. Diese gegenläufigen Effekte neutralisierten sich im Gesamt-RC, was ohne Zerlegung als Stabilität missverstanden worden wäre.
  • COVID-Crash 2020: Sowohl Eigenvolatilität als auch Korrelationen stiegen gleichzeitig an, was zu massiven Risikospitzen führte.

Die Ergebnisse zeigen, dass die ICD es ermöglicht, zu unterscheiden, ob Risikozuwächse in Krisen durch Volatilitätsschocks, Korrelationsbrüche oder beides verursacht werden.

5. Bedeutung und Fazit

Die Bedeutung dieses Papers liegt in der Bereitstellung eines diagnostischen Werkzeugs, das die Lücke zwischen theoretischer Risikomodellierung und praktischem Portfoliomanagement schließt.

• Praktische Anwendung: Die Methode ist mit Standard-Daten und Kovarianzschätzern implementierbar und erfordert keine neuen Inputs. Sie verbessert die Risikoberichterstattung, Stress-Tests und die Performance-Attribution.
• Entscheidungsunterstützung: Sie hilft Investoren zu verstehen, ob sie Exposure reduzieren (bei hohem Inherent-Risiko) oder Diversifizierungsoptionen suchen müssen (bei hohem Korrelationsrisiko).
• Hedge-Validierung: Sie liefert eine präzise Bedingung, wann eine negativ korrelierte Position tatsächlich als Hedge wirkt und wann sie aufgrund hoher Eigenvolatilität dennoch risikosteigernd ist.

Zusammenfassend zeigt das Paper, dass im Standard-Risk-Contribution bereits strukturelle Informationen enthalten sind, die durch die Leave-One-Out-Zerlegung extrahiert werden können, um ein tieferes Verständnis der Portfolio-Risikodynamik zu ermöglichen.