💰 quantitative finance

Temperature Anomalies and Climate Physical Risk in Portfolio Construction

Diese Studie entwickelt neue, dynamische Metriken zur Messung des physischen Klimarisikos basierend auf Temperaturabweichungen und integriert diese in einen Portfolio-Optimierungsrahmen, um widerstandsfähigere Anlagen zu konstruieren, ohne die Diversifikation zu beeinträchtigen.

Ursprüngliche Autoren: Michele Azzone, Carlo Bechi, Gabriele Sbaiz

Veröffentlicht 2026-04-14

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC0 1.0

Ursprüngliche Autoren: Michele Azzone, Carlo Bechi, Gabriele Sbaiz

Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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

Stellen Sie sich vor, Sie bauen ein Haus. Normalerweise schauen Sie dabei auf zwei Dinge: Wie schön ist es? (Das ist der Ertrag) und Wie stabil ist es bei normalem Wetter? (Das ist das finanzielle Risiko).

Dieser wissenschaftliche Artikel fragt nun eine dritte, sehr wichtige Frage: Was passiert, wenn der Sturm kommt? Oder noch schlimmer: Wenn sich das Klima so verändert, dass der Sturm immer häufiger und heftiger wird?

Die Autoren (Michele Azzone, Carlo Bechi und Gabriele Sbaiz) haben eine neue Methode entwickelt, um Geldanlagen so zu bauen, dass sie nicht nur profitabel sind, sondern auch gegen die wachsenden Gefahren des Klimawandels (wie Hitzewellen, Dürren oder Überschwemmungen) gewappnet sind.

Hier ist die Erklärung des Papers in einfachen Worten, mit ein paar bildhaften Vergleichen:

1. Das Problem: Das Wetter wird zum Risiko

Früher dachten Investoren, das Wetter sei nur etwas für Bauern oder Versicherer. Aber die Autoren zeigen: Extreme Hitze und Klimakatastrophen kosten Firmen Geld.

Die Entdeckung: Sie haben untersucht, wie sich extreme Temperaturen auf Aktien auswirken. Das Ergebnis ist eindeutig: Wenn es extrem heiß wird, gehen die Aktienkurse in vielen Branchen (wie Chemie, Lebensmittel oder Transport) oft runter.
Der Vergleich: Stellen Sie sich vor, Sie haben einen Garten. Wenn es nur einmal im Jahr regnet, ist das kein Problem. Aber wenn es jeden Sommer eine Hitzewelle gibt, die Ihre Pflanzen vertrocknen lässt, müssen Sie Ihren Gartenplan komplett ändern. Genau das passiert mit Firmen, die viele physische Anlagen (Fabriken, Lagerhallen) haben.

2. Die alten Werkzeuge waren zu starr

Bisher gab es nur grobe Landkarten, die sagten: "Land X ist klimasicher, Land Y ist gefährlich." Das ist wie ein alter Wetterbericht, der nur sagt: "Heute ist es warm."

Das Problem: Das Wetter ändert sich aber ständig. Ein Land kann heute sicher sein und morgen nicht mehr. Außerdem ist nicht jede Firma in einem Land gleich gefährdet. Eine Software-Firma in Indien ist weniger betroffen als eine Fabrik in derselben Stadt.
Die Lösung der Autoren: Sie haben zwei neue, sehr feinfühlige Messinstrumente erfunden:
1. Klima-Risiko-Exposition (CRE): Wie sehr ist mein Portfolio im Durchschnitt von extremem Wetter betroffen? (Das ist wie die Frage: "Wie viele meiner Pflanzen stehen in der prallen Sonne?")
2. Klima-Expositions-Volatilität (CEV): Wie unvorhersehbar ist dieses Risiko? Wenn alle meine Pflanzen in einem Land stehen und dort ein Sturm kommt, ist das Risiko riesig. Wenn sie auf der ganzen Welt verteilt sind, ist es geringer. Diese Metrik misst, wie gut das Portfolio gegen gleichzeitige Katastrophen in verschiedenen Teilen der Welt gewappnet ist.

3. Der neue Bauplan: Der "Dreiklang"

Normalerweise versuchen Investoren, nur zwei Dinge zu optimieren: Maximaler Gewinn und Minimales Risiko.
Die Autoren fügen einen dritten Pfeil hinzu: Minimales Klimarisiko.

Stellen Sie sich vor, Sie sind ein Dirigent. Früher haben Sie nur auf die Lautstärke (Rendite) und den Rhythmus (finanzielles Risiko) geachtet. Jetzt müssen Sie auch auf die Temperatur im Saal achten. Wenn es zu heiß wird, müssen Sie die Instrumente anders positionieren, damit sie nicht schmelzen.

Sie nutzen einen cleveren Computer-Algorithmus (einen "Schwarm-Intelligenz"-Ansatz), der Millionen von Kombinationen durchspielt, um die perfekte Mischung zu finden. Das Ziel ist ein Portfolio, das:

Geld verdient.
Nicht zu stark schwankt.
Und nicht zusammenbricht, wenn die Weltbühne von Hitzewellen heimgesucht wird.

4. Das Ergebnis: Man muss nicht auf Gewinn verzichten

Das Wichtigste am Paper ist die gute Nachricht: Man muss nicht arm werden, um klimasicher zu investieren.

Der Test: Die Autoren haben ihre Strategie mit echten Daten der letzten Jahre getestet (ein sogenanntes "Backtesting").
Das Ergebnis: Portfolios, die das Klimarisiko mit einbezogen haben, haben sich genauso gut (oder sogar besser) entwickelt als traditionelle Portfolios.
Der Vergleich: Es ist, als würde man ein Auto mit einem besseren Sicherheitsgurt ausstatten. Das Auto fährt genauso schnell, aber bei einem Unfall (einer Klimakrise) sind Sie viel besser geschützt.

Zusammenfassung in einem Satz

Die Autoren zeigen uns, wie wir unsere Geldanlagen so umstellen können, dass sie nicht nur heute gut funktionieren, sondern auch morgen noch stehen, wenn die Hitzewellen kommen – und das, ohne dabei auf die Rendite zu verzichten.

Die Kernbotschaft: Klimarisiko ist kein abstraktes Thema mehr, sondern ein ganz reales finanzielles Risiko, das man messen und im Portfolio-Management aktiv steuern kann.

1. Problemstellung

Die physischen Risiken des Klimawandels (akute Gefahren wie Hitzewellen und Überschwemmungen sowie chronische Verschiebungen) stellen eine zunehmend relevante Bedrohung für das Asset-Management dar. Trotz wachsender Aufmerksamkeit fehlt es an effektiven quantitativen Metriken, die erfassen können, wie sich diese Risiken auf den wirtschaftlichen Wert von Unternehmen auswirken und rationale Investitionsentscheidungen leiten.
Bestehende Ansätze wie der ND-GAIN-Index sind oft statisch, auf Länderebene aggregiert und liefern keine multivariaten Zeitreihen extremer Ereignisse. Dies erschwert die Analyse von Korrelationen zwischen Ereignissen und die Bewertung, ob eine Diversifikation von Portfolios möglich ist. Zudem konzentriert sich die bestehende Literatur oft auf ESG-Präferenzen oder Übergangsrisiken, während physische Risiken und deren dynamische Diversifikationseffekte vernachlässigt werden.

2. Methodik

Das Paper verfolgt einen dreistufigen methodischen Ansatz:

A. Modellierung von Temperatur-Anomalien und deren Einfluss auf Renditen

Datengrundlage: Monatliche Durchschnittstemperaturdaten (1940–2025) für sechs Kontinente (ausgeschlossen: Antarktis) von „Our World in Data".
Identifikation extremer Ereignisse:
- Definition einer Basisperiode (1960–1990) zur Berechnung von Mittelwerten ( $\mu$ ) und Standardabweichungen ( $\sigma$ ) pro Monat und Kontinent.
- Standardisierung der Temperaturdaten zu $Z$ -Werten.
- Ein binärer Indikator $B_{k,t}$ wird gesetzt, wenn $Z_{k,t} > 2$ (entspricht den oberen ~2,28 % der Verteilung unter Normalverteilungsannahme).
Zeitvariante Wahrscheinlichkeit:
- Schätzung der Wahrscheinlichkeit $p_{k,t}$ für das Auftreten einer Anomalie mittels logistischer Regression mit quadratischem Zeittrend, um nicht-lineare Beschleunigungen des Klimawandels zu erfassen.
- Validierung der Modelle durch hohe AUROC-Werte (0,83–0,94).
Räumliche Abhängigkeit:
- Berechnung der Pearson-Korrelationen zwischen den binären Zeitreihen der Kontinente.
- Prüfung der Korrelationen auf Konsistenz mit den Fréchet-Hoeffding-Schranken für Bernoulli-Verteilungen, um die mathematische Plausibilität der Korrelationsstruktur zu gewährleisten.
Einfluss auf Aktienrenditen:
- Erweiterung des CAPM um einen Klimarisiko-Proxy ( $B_{k,t}$ ) in einer Panel-Regression für verschiedene Sektoren.
- Ergebnis: Extreme Temperaturereignisse haben einen statistisch signifikanten negativen Einfluss auf die Renditen der meisten Sektoren (insbesondere rohstoffintensive und produzierende Branchen).

B. Entwicklung neuer Risikometriken

Basierend auf den Wahrscheinlichkeiten $p_{k,t}$ und den Korrelationen $\rho_{k,j}$ werden zwei neue Metriken eingeführt, die die physische Vulnerabilität eines Portfolios messen:

Climate Risk Exposure (CRE): Der erwartete Wert der gewichteten Summe der Anomalien. Er berücksichtigt die zeitlich variierenden Wahrscheinlichkeiten und die „Asset Intensity" (Tangible Assets / Revenue) der Unternehmen sowie deren geografische Umsatzverteilung.
$CRE(w, t) = \sum_{k=1}^{K} \alpha_k(w) \cdot p_{k,t}$
Climate Exposure Volatility (CEV): Die Varianz der gewichteten Summe der Anomalien. Sie misst die Instabilität des Risikoprofils und bestraft mangelnde geografische Diversifikation gegenüber synchronisierten Schocks.
$CEV(w, t) = \sum_{k=1}^{K} \alpha_k^2 Var(B_{k,t}) + 2 \sum_{k<j} \alpha_k \alpha_j Cov(B_{k,t}, B_{j,t})$
Dabei werden die Klimagewichte $\alpha_k(w)$ durch die Kombination aus Portfolio-Gewichtung, Asset-Intensität und geografischem Umsatzanteil bestimmt.

C. Multi-Objective Portfolio Optimization (MOO)

Optimierungsproblem: Ein dreidimensionales Optimierungsproblem wird gelöst, das folgende Ziele minimiert/maximiert:
1. Erwartete Rendite ( $f_1$ )
2. Marktrisiko (Varianz $\Sigma$ ) ( $f_2$ )
3. Climate Exposure Volatility ( $f_3 = CEV$ )
Algorithmus: Einsatz von Multi-Objective Particle Swarm Optimization (MOPSO). Dieser Algorithmus sucht nach der Pareto-Front, also der Menge nicht-dominierter Lösungen, bei denen keine Zielverbesserung möglich ist, ohne ein anderes Ziel zu verschlechtern.
Implementierung: Verwendung von 120 Aktien aus dem MSCI World (stratifiziert nach Marktgewichtung und Sitz), Ledoit-Wolf-Schrumpfung für die Kovarianzmatrix und Matrix-Operationen zur Beschleunigung der CEV-Berechnung.

3. Wichtige Ergebnisse

Empirische Evidenz: Extreme Temperaturereignisse wirken sich negativ auf die Renditen von 17 von 23 untersuchten Sektoren aus. Die Wahrscheinlichkeit solcher Ereignisse ist nicht-stationär und hat in den letzten Jahrzehnten signifikant zugenommen.
Pareto-Front: Die Integration der CEV in die Optimierung führt zu einer deutlich anderen Portfolio-Zusammensetzung im Vergleich zur klassischen Mean-Variance-Optimierung.
- Die Anzahl der aktiven Positionen (nicht-null Gewichte) steigt von durchschnittlich 14,4 (nur Mean-Variance) auf ca. 22 (bzw. bis zu 55 bei niedriger Varianz) an. Dies zeigt, dass das Klimarisiko als zusätzlicher Diversifikationsfaktor wirkt und eine Überkonzentration in vermeintlich renditestarken, aber klimaschwachen Assets verhindert.
Backtesting (Jan 2020 – Apr 2025):
- Strategien, die Klimarisiken und Renditen ausbalancieren (z. B. Gewichtung 1/3, 1/3, 1/3 oder 1/4, 1/2, 1/4), erzielen die höchsten CAGRs (bis zu 33,54 %) bei gleichzeitig akzeptablen Drawdowns.
- Die Strategie „Minimale CEV" allein minimiert zwar das Klimarisiko effektiv, führt aber zu höheren Volatilitäten und Drawdowns, da sie andere Risikofaktoren ignoriert.
- Wichtigste Erkenntnis: Die Berücksichtigung von physischem Klimarisiko verschlechtert die risikoadjustierte Rendite (Sharpe Ratio) nicht; im Gegenteil, gut ausbalancierte Strategien übertreffen traditionelle Benchmarks (Market-Cap gewichtet) in Bezug auf Resilienz und Effizienz.

4. Bedeutung und Beitrag

Dynamische Metriken: Das Paper überwindet die Limitationen statischer Länderindizes, indem es zeitvariante Wahrscheinlichkeiten und Korrelationen zwischen Kontinenten in die Risikomessung integriert.
Firmenspezifische Vulnerabilität: Durch die Einbeziehung der Asset-Intensität wird die physische Anfälligkeit von Unternehmen präziser abgebildet (z. B. höhere Vulnerabilität von Immobilienunternehmen im Vergleich zu Dienstleistern).
Praktische Anwendbarkeit: Die Studie demonstriert, dass physische Klimarisiken erfolgreich in ein quantitatives Portfolio-Management integriert werden können, ohne auf Diversifikation oder Renditeziele verzichten zu müssen.
Risikomanagement: Die CEV fungiert als zusätzlicher Risikofaktor, der systemische Schocks erfasst, die durch traditionelle finanzielle Volatilitätsmaße nicht abgedeckt sind. Sie ermöglicht Investoren, Portfolios zu konstruieren, die widerstandsfähiger gegen klimabedingte Schocks sind.

Zusammenfassend bietet das Paper einen robusten quantitativen Rahmen für den Aufbau klimaresilienter Portfolios, der die Komplexität physischer Klimarisiken durch dynamische Wahrscheinlichkeiten und räumliche Korrelationen abbildet und zeigt, dass eine Integration dieser Faktoren die Portfolio-Performance nicht beeinträchtigt, sondern stabilisiert.