Stress-Tests und Szenarien: jenseits der Standard-Kennzahlen.

VaR und ES sind statistische Aussagen über das, was die Verteilung schon kennt. Stress-Tests fragen, was passiert, wenn die Welt etwas tut, das die Verteilung noch nicht gesehen hat. Drei Typen — historisch, hypothetisch, revers — und eine klare Anleitung, wie man sie ohne Bauchgefühl-Risikoaufschlag in die tägliche Steuerung bringt.

Warum Stress-Tests unverzichtbar sind.

Jedes statistische Risikomaß hat einen blinden Fleck: es kennt nur die Vergangenheit. Ein VaR auf 500 Tagen ohne Krise wird Sie nie auf eine Krise vorbereiten. Stress-Tests füllen genau diese Lücke — sie betrachten Szenarien, die selten, schmerzhaft und plausibel genug sind, um ernst genommen zu werden.

Der Trick: ein Stress-Test ist keine Wahrscheinlichkeitsaussage. Er sagt nicht „das passiert mit 1 %", sondern „wenn das passiert, sieht das Portfolio so aus". Damit entkoppelt er sich von der Verteilungsannahme — der größten Schwäche jeder statistischen Risikomethode.

Typ 1: Historische Stress-Tests.

Die einfachste und überzeugendste Variante. Man nimmt eine echte historische Krise und legt die damaligen Renditen über das aktuelle Portfolio. Beispiele aus dem Standardkatalog: Schwarzer Montag 1987, Asien-Krise 1997, Dotcom 2000–2002, Lehman 2008, Eurokrise 2011, Volmageddon 2018, Corona-Crash 2020.

import pandas as pd
import numpy as np

def historical_stress(portfolio_weights: pd.Series,
                      current_prices: pd.Series,
                      crisis_returns: pd.DataFrame,
                      portfolio_value: float = 1_000_000):
    """Legt die kumulierten Krisen-Renditen über das aktuelle Portfolio.

    crisis_returns: DataFrame mit täglichen Renditen über die Krisenperiode,
                    Spalten = Asset-Tickers (gleiche wie portfolio_weights).
    """
    # Kumulierte Krisen-Rendite pro Asset
    cum_ret = (1 + crisis_returns).prod() - 1
    # Portfolio-Verlust unter Stress
    asset_pnl = portfolio_weights * cum_ret * portfolio_value
    total_pnl = asset_pnl.sum()
    return {
        "total_pnl": total_pnl,
        "by_asset": asset_pnl.sort_values(),
        "worst_day": (crisis_returns * portfolio_weights).sum(axis=1).min()
                     * portfolio_value
    }

Der Vorteil: keine Modellannahme. Korrelationssprünge, Vola-Explosionen, Liquiditäts- Brüche sind im Datensatz drin. Der Nachteil: man simuliert das gestrige Drama mit dem heutigen Portfolio. Wenn das Portfolio strukturell anders ist als damals — etwa weil es Instrumente enthält, die 2008 gar nicht existierten — wird die Aussage unschärfer.

Typ 2: Hypothetische Szenarien.

Hier definiert man Bewegungen direkt: Aktien -30 %, Credit-Spreads +200 bp, Vola +50 %, USD -10 %. Das ist flexibler als historische Stress-Tests, weil man Szenarien bauen kann, die noch nicht passiert sind — Inflations-Schocks, geopolitische Brüche, Liquiditäts-Krisen in bestimmten Marktsegmenten.

Wichtig ist die Konsistenz innerhalb des Szenarios. Wenn Aktien um 30 % fallen, sollte der USD nicht um 5 % gegen den Euro abwerten, sondern aufwerten — das ist die historische Reaktion in Risk-Off-Phasen. Wer Szenarien ohne diese Konsistenz baut, bekommt Antworten, die kein realistisches Risiko abbilden.

def hypothetical_scenario(positions: pd.DataFrame,
                          shocks: dict,
                          sensitivities: dict):
    """Wendet einen Schock-Vektor auf Positionen mit gegebenen Sensitivitäten an.

    positions: DataFrame mit Spalten ['asset', 'notional', 'risk_factor']
    shocks:    dict {risk_factor: schock_in_relative_units}
    sensitivities: dict {risk_factor: delta_per_unit_shock}
    """
    pnl_by_pos = []
    for _, row in positions.iterrows():
        rf = row["risk_factor"]
        shock = shocks.get(rf, 0.0)
        delta = sensitivities.get(rf, 1.0)
        pnl = row["notional"] * shock * delta
        pnl_by_pos.append({"asset": row["asset"], "pnl": pnl})
    return pd.DataFrame(pnl_by_pos)

# Beispiel-Szenario: Risk-Off
risk_off = {
    "equity_world": -0.30,
    "credit_spread_ig": +0.015,  # +150 bp
    "vix_change": +0.40,
    "usd_eur": +0.05
}

Typ 3: Reverse Stress-Tests.

Die intellektuell ehrlichste Variante. Statt zu fragen „wie sieht mein Portfolio im Szenario X aus", fragt man „welches Szenario würde mein Portfolio in eine Schieflage bringen, die ich nicht mehr tragen kann". Man definiert die untragbare Konsequenz — etwa Verlust größer als das Eigenkapital — und sucht den Schock-Vektor, der dorthin führt.

Reverse Stress-Tests sind unbequem, weil sie konkrete Geschichten produzieren statt Zahlen. Sie zwingen zur Frage: Halten wir das Szenario, das uns ruinieren würde, für unmöglich — oder nur für unwahrscheinlich? Diese Unterscheidung ist die wichtigste Frage im Risk-Management.

Vom Test zur Steuerung.

Ein Stress-Test, der nur in den Reporting-Folien landet, ist verschenkt. Sinnvolle Integration in die laufende Steuerung sieht so aus:

• Stress-Limit: maximal akzeptabler Verlust unter definierten Stress-Szenarien. Wird verletzt, wird das Portfolio reduziert — bevor das Szenario real wird.
• Tail-Hedging-Trigger: bei steigender Vola und sich verengender Korrelationsstruktur werden Hedging-Positionen aufgebaut. Stress-Tests definieren, wann das passiert.
• Liquiditäts-Stress: getrennt vom Markt-Stress, prüft, wie schnell man im Stress-Fall wirklich aus den Positionen kommt. Oft der unterschätzte Teil.

Reverse-Stress in der Praxis.

Bei Portfolios mit Optionen lohnt sich ein systematischer Reverse-Stress über alle relevanten Risikofaktoren. Man fixiert ein Verlustniveau und sucht den minimalen Schock-Vektor (im Sinn einer L2- oder Mahalanobis-Distanz), der dieses Niveau erreicht. Das Ergebnis ist die „nächstgelegene Katastrophe" — und damit der konkrete Anlass für eine Diskussion über Hedging, Position-Sizing oder Strategie-Anpassung.

Auch ohne formales Optimierungsproblem hilft das Denken: was wäre die kürzeste Geschichte, die mein Portfolio in die Knie zwingt? Wenn die Antwort einen plausibel anhört, ist Handeln gefordert — egal, was VaR und ES dazu sagen.

Häufige Fehler.

Drei Fehler dominieren in der Praxis. Erstens: zu wenige Szenarien. Drei historische Krisen plus zwei hypothetische ergeben ein viel zu enges Bild. Zehn bis zwanzig Szenarien, regelmäßig aktualisiert, sind ein guter Startwert.

Zweitens: Szenarien ohne Korrelations-Anpassung. In der Krise konvergieren Korrelationen Richtung 1. Wer mit Friedenszeit-Korrelationen stresst, unterschätzt das Risiko systematisch.

Drittens: Stress-Tests ohne Liquiditätsdimension. Ein -30 %-Aktien-Szenario klingt verkraftbar, bis man feststellt, dass im Stress die Bid-Ask-Spreads sich verzehnfacht haben und der Exit aus einer großen Position drei Tage statt drei Stunden dauert. Diese Realität muss im Stress mitgerechnet werden.

Wie wir Stress-Tests einsetzen.

Bei uns laufen täglich zehn Standard-Stress-Szenarien gegen alle Portfolios. Drei historische (2008, 2020, 2022), fünf hypothetische (Risk-Off, Inflations-Schock, Geopolitik, Liquiditätskrise, Rates-Shock) und zwei reverse berechnete pro Portfolio. Auffälligkeiten gehen ins tägliche Risk-Briefing. Stress-Limits werden nicht verhandelt — wer reißt, reduziert.

Ein Stress-Test ist kein Pflichtdokument für den Aufsichtsrat. Er ist die Frage, die man sich selbst stellen muss, bevor der Markt sie stellt. Wer sie regelmäßig stellt, erlebt weniger böse Überraschungen.

Sie wollen ein belastbares Stress-Test-Framework aufbauen, das wirklich in die Steuerung wirkt? Erstgespräch buchen — wir entwerfen Szenarien, die zu Ihrem Portfolio passen.