Stress-Testing mit historischen Szenarien: was hätte 2008/2020/2022 passiert?

Backtests zeigen, wie eine Strategie in der Vergangenheit gelaufen wäre. Stress-Tests zeigen, wie das heutige Portfolio in der Vergangenheit gelaufen wäre — und zwar in genau jenen Phasen, in denen Märkte nicht mehr funktionieren wie im Lehrbuch. Über das Replay von 1987, 1998, 2008, 2020 und 2022 als ehrlichen Robustheits-Check.

Was Stress-Testing ist — und was es nicht ist.

Der Grundgedanke ist einfach: Ich nehme die heutige Portfolio-Komposition, transportiere sie zurück in eine historische Stress-Phase und rechne aus, was passiert wäre. Anders als ein klassischer Backtest geht es nicht darum, die Strategie in der Vergangenheit zu kalibrieren, sondern darum, eine konkrete, aktuelle Allokation gegen tatsächlich gemessenes Marktverhalten zu prüfen.

Stress-Testing ist keine Vorhersage. Es ist auch keine Wahrscheinlichkeitsaussage über die Zukunft. Es ist ein Werkzeug, um zwei Fragen zu beantworten: Erstens, hält das Portfolio die Belastung aus, wenn sich ein bekanntes Muster wiederholt? Zweitens, welche Risikoquellen werden in normalen Zeiten unterschätzt, weil sie nur in extremen Phasen sichtbar werden — Korrelations-Sprünge, Liquiditätsabriss, Spread-Blow-Outs?

Oktober 1987 — Black Monday.

Der S&P 500 verliert am 19. Oktober 1987 22,6 % an einem einzigen Tag. Es gibt keinen makroökonomischen Auslöser, keine Lehman-artige Pleite. Die Hauptursache: ein Mix aus Portfolio-Insurance-Mechaniken (programmgesteuertes Verkaufen auf Stops) und einer Liquiditätskaskade. Die VIX-Vorläufer schossen von etwa 20 auf über 150 — ein Wert, der seither nie wieder erreicht wurde.

Was im Stress-Test sichtbar wird: Korrelationen zwischen Aktien laufen praktisch auf 1. Diversifikation innerhalb des Aktienteils versagt vollständig. Wer Optionen short ist — egal in welcher Konstruktion — sieht in Sekunden mehrfache Margin-Calls. Wer Hebel-Produkte hält, hat ein existentielles Problem. Trendfolge-Modelle reagieren zu langsam: 22 % an einem Tag ist schneller als jedes Signal.

August 1998 — LTCM und Russland-Krise.

Russland erklärt im August 1998 ein Moratorium auf Staatsanleihen. Long Term Capital Management, hochgehebelt in Convergence-Trades, kommt in Schieflage. Die Auswirkungen laufen über Wochen: Credit-Spreads explodieren, Treasury-Yields fallen scharf (Flight to Quality), Emerging-Market-Bonds verlieren 30 % und mehr. Der S&P 500 fällt etwa 19 % von Hoch zu Tief.

Im Stress-Test besonders interessant: alle vermeintlich „arbitrage-artigen" Trades mit kleinen Spreads explodieren gleichzeitig. Pair-Trades, Convertible-Arbitrage, Risk-Arbitrage — Strategien, die in normalen Zeiten als marktneutral gelten, zeigen plötzlich extreme Korrelation zueinander, weil sie alle vom selben Liquiditäts-Risiko getrieben werden. Wer 1998 in mehreren dieser Strategien gleichzeitig war, hat ein Cluster-Risiko, das in der Friedenszeit nicht sichtbar war.

September 2008 — Lehman und die GFC.

15. September 2008: Lehman-Insolvenz. Was folgt, ist die schwerste Marktphase seit 1929. S&P 500 verliert von Hoch (Oktober 2007) zu Tief (März 2009) etwa 57 %. Credit-Spreads (CDX HY) gehen von rund 400 bp auf über 1900 bp. Interbanken-Märkte frieren ein, der LIBOR-OIS-Spread explodiert. Money-Market-Funds „break the buck".

Was der Stress-Test zeigt: Korrelationen über Asset-Klassen hinweg konvergieren. Aktien, High-Yield-Bonds, EM-Debt, Rohstoffe — alles fällt gemeinsam. Klassische 60/40-Portfolios funktionieren noch (Treasuries rallyen), aber jedes Portfolio mit Credit-Exposure verliert deutlich mehr als Vola-basierte Risk-Modelle prognostizieren. Liquidität verschwindet: Bid-Ask-Spreads bei Corporate Bonds verzehnfachen sich. Wer auf systematisches Rebalancing in Stress-Phasen baut, kann es nicht ausführen.

März 2020 — COVID-Schock.

Der schnellste Bärenmarkt der Geschichte: -34 % im S&P 500 in 33 Handelstagen. Die Eigenheit gegenüber 2008: Treasury-Yields fielen anfangs, dann verloren auch Treasuries (Liquiditätsverkäufe der größten Marktteilnehmer, um Margin zu generieren). Gold verlor mitten in der Panik zeitweise 12 %, Oil-Futures gingen kurzzeitig auf negative Preise.

Stress-Test-Lehre: das berühmte „Cash is King"-Moment. Selbst sichere Häfen werden verkauft, weil andere Positionen Margin fordern. Volatilität explodiert binnen Tagen, nicht Wochen — Trendfolge-Systeme mit 60-Tage-Mittelwerten kommen viel zu spät. Optionen-Strategien, die auf Mean-Reversion der Vola setzen, verlieren das Maximum. FX-Vola in EM steigt extrem, weil Dollar-Funding-Stress die Welt erfasst.

Q1 2022 — Inflations- und Zinsschock.

Anders als die anderen Szenarien: kein klassischer Aktiencrash, sondern eine simultane Korrektur in Aktien und Anleihen. S&P 500 fällt 25 % von Januar bis Oktober, US-Treasuries (lang) verlieren über 30 %. Das klassische 60/40-Portfolio erlebt den schlechtesten Jahresverlauf seit Jahrzehnten.

Im Stress-Test wird sichtbar: die negative Aktien-Anleihen-Korrelation, auf der ein Großteil der modernen Portfolio-Theorie aufbaut, ist nicht stabil. In Inflationsregimen kippt sie. Wer Risk-Parity-Konstruktionen mit Treasury-Hebel fährt, verliert doppelt. Trendfolger hatten ein außergewöhnliches Jahr — short Bonds, long Energie war das Gewinnsetup.

Stress-Test in Python — das Replay-Prinzip.

Technisch ist die Implementierung überschaubar. Ich lade historische Tagesrenditen der relevanten Anlageklassen, transformiere sie auf die aktuelle Portfolio-Komposition und rechne den hypothetischen Verlauf:

import pandas as pd
import numpy as np

# Aktuelle Portfolio-Gewichtung (Beispiel)
weights = pd.Series({
    "SPX":     0.35,
    "EAFE":    0.15,
    "EM_EQ":   0.10,
    "UST_10Y": 0.20,
    "HY":      0.10,
    "GOLD":    0.05,
    "TREND":   0.05,
})

# Historische Tagesrenditen pro Asset (langer Datensatz)
returns = pd.read_parquet("daily_returns.parquet")

scenarios = {
    "Black Monday 1987":  ("1987-10-01", "1987-11-30"),
    "LTCM 1998":          ("1998-07-15", "1998-10-31"),
    "Lehman 2008":        ("2008-09-01", "2009-03-31"),
    "COVID 2020":         ("2020-02-15", "2020-04-30"),
    "Inflation 2022":     ("2022-01-01", "2022-10-31"),
}

results = []
for name, (start, end) in scenarios.items():
    window = returns.loc[start:end, weights.index]
    pf_ret = (window * weights).sum(axis=1)
    cum    = (1 + pf_ret).cumprod()
    max_dd = (cum / cum.cummax() - 1).min()
    results.append({
        "Szenario": name,
        "Gesamtrendite": cum.iloc[-1] - 1,
        "Max-Drawdown":  max_dd,
        "Vola (ann.)":   pf_ret.std() * np.sqrt(252),
    })

print(pd.DataFrame(results).round(3))

Das ist die mechanische Basis. Wertvoller wird der Test, wenn man zusätzliche Faktoren modelliert: dynamische Korrelations-Anpassung, Spread-Erweiterungen bei Credit-Positionen, Slippage-Aufschläge in illiquiden Phasen und — am wichtigsten — Margin- und Funding-Constraints, die in echter Krise wirken.

Was Korrelationen in Stress wirklich tun.

Der vielleicht wichtigste Output eines historischen Stress-Tests ist die beobachtete Korrelations-Matrix in der Krisenphase, im Vergleich zu Friedenszeiten. Drei typische Muster:

• Aktien intern: Korrelationen zwischen Einzeltiteln gehen in der Regel von 0,30–0,40 auf 0,70–0,85. Sektor-Diversifikation versagt fast komplett.
• Aktien vs. Credit: typische Friedenskorrelation um 0,40 springt auf 0,80 und höher. High-Yield ist in Stress-Phasen kein Diversifikator.
• Aktien vs. Treasuries: stabilster Diversifikator in Deflations-Krisen (2008, 2020 anfänglich), versagt aber in Inflations-Schocks (2022).

Synthetic Scenarios — was nie passiert ist.

Historische Szenarien decken den bekannten Möglichkeitsraum ab. Aber das nächste große Ereignis ist mit hoher Wahrscheinlichkeit etwas, das es so noch nicht gab. Deshalb ergänze ich klassische Replays um synthetische Szenarien: Was passiert bei einem 30 %-Aktiencrash mit gleichzeitiger Treasury-Verkaufswelle? Was bei einem EUR-Auseinanderbrechen? Was bei einem 90-Tage-Liquiditätsfreeze in Corporate Credit?

Diese Szenarien werden nicht aus Daten gefittet, sondern aus mechanischer Logik konstruiert. Ich definiere Schocks pro Asset-Klasse, modelliere Spillover über Korrelations-Matrizen aus den jeweils härtesten historischen Phasen und rechne das Portfolio durch. Die Resultate sind nicht „wahrscheinlich", aber sie zeigen, wo das Portfolio strukturell zerbricht.

Grenzen — was Stress-Tests nicht leisten.

• Verhalten: ein historischer Stress-Test misst die Marktreaktion, nicht die eigene Reaktion. Wer im Test 35 % Drawdown sieht, weiß nicht, ob er ihn in der Realität durchhalten würde.
• Strukturwandel: Märkte 2031 sind nicht die Märkte von 1987. Marktmikrostruktur, dominante Akteure, regulatorische Backstops haben sich geändert. Die Form des Schocks ist instruktiv, die exakten Zahlen nicht.
• Pfadabhängigkeit: ein Szenario, dass über 6 Monate -40 % bringt, kann anders ausgehen als eines, das in 30 Tagen -40 % bringt. Funding, Margin und Verhaltensreaktionen unterscheiden sich.

Meine Praxis.

Jedes Mandanten-Portfolio läuft bei mir durch mindestens fünf Stress-Szenarien: die hier genannten plus typischerweise zwei kundenspezifische, abgeleitet aus dem tatsächlichen Exposure-Profil. Der Output ist nicht eine einzelne Zahl, sondern eine Tabelle: Gesamtrendite, Max-Drawdown, Recovery-Time, schlimmster Tag, schlimmster Monat — pro Szenario.

Daraus ergeben sich konkrete Konsequenzen. Wenn ein Portfolio im 2008-Replay einen Drawdown zeigt, den der Mandant erklärtermaßen nicht aushalten kann, ist das ein Signal zur Umstrukturierung — bevor das Szenario real wird, nicht danach. Dieser ehrliche Blick auf schwerwiegende, aber nicht undenkbare Verläufe ist meines Erachtens der wichtigste Bestandteil seriösen Risikomanagements.

Sie wollen wissen, wie Ihr Portfolio in 2008 oder 2020 ausgesehen hätte? Erstgespräch buchen — wir bauen Ihren Stress-Test auf Ihrer tatsächlichen Allokation auf.