Value at Risk praktisch: VaR-Methoden im Vergleich.

Value at Risk ist die meistgenutzte Risikokennzahl der Finanzbranche — und gleichzeitig die am häufigsten missverstandene. Wer VaR sinnvoll einsetzen will, muss wissen, was die Zahl aussagt, wie man sie berechnet und wo sie systematisch lügt. Drei Methoden, drei Charaktere, drei Fallen — und ein klarer Blick auf das, was die Zahl nicht zeigt.

Was VaR eigentlich misst.

VaR beantwortet eine simple Frage: „Wie viel kann ich mit Wahrscheinlichkeit α in den nächsten N Tagen maximal verlieren?" Ein 1-Tages-VaR von 100.000 € auf 95 %-Niveau heißt: in 19 von 20 Tagen liegt der Verlust unter dieser Zahl. Über den einen Tag in zwanzig sagt VaR nichts.

Diese Unschärfe ist gleichzeitig die größte Stärke und die größte Schwäche. Stärke, weil eine einzige Zahl quer durch Asset-Klassen vergleichbar bleibt. Schwäche, weil sie über das Schlimmste schweigt — was an Tagen passiert, an denen es schlimmer kommt als „normal". Genau diese Tage ruinieren Portfolios.

Methode 1: Historischer VaR.

Die einfachste und ehrlichste Methode. Man nimmt die tatsächlichen Renditen der letzten N Tage, sortiert sie, und liest am gewünschten Quantil ab. Keine Verteilungsannahme, keine Kovarianzmatrix — nur die Historie.

import numpy as np
import pandas as pd

def historical_var(returns: pd.Series, alpha: float = 0.95,
                   horizon: int = 1, portfolio_value: float = 1_000_000):
    """Historischer VaR. Returns als tägliche Renditen erwartet."""
    # Skalierung auf den Horizont (Wurzel-T-Regel)
    scaled = returns * np.sqrt(horizon)
    # VaR ist das (1-alpha)-Quantil der Verlustverteilung
    quantile = np.quantile(scaled, 1 - alpha)
    return -quantile * portfolio_value

# Beispiel
returns = pd.Series(np.random.normal(0.0005, 0.012, 500))
var_95 = historical_var(returns, alpha=0.95)
print(f"1-Tages-VaR (95 %): {var_95:,.0f} EUR")

Vorteile: keine Verteilungsannahme, fängt Schiefe und Fat Tails der tatsächlichen Marktdaten ein. Erklärbar gegenüber Geschäftsleitung und Aufsicht.
Nachteile: nur so gut wie das Fenster. Ein 500-Tage-Fenster ohne Krise unterschätzt das Risiko brutal. Außerdem implizit die Annahme, dass die Zukunft der Vergangenheit ähnelt — was an Wendepunkten zusammenbricht.

Wann nutzen: als Standard-Methode, wenn ausreichend Historie da ist und die Strategie keine starken Nichtlinearitäten enthält. Mit gewichteter Variante (jüngere Tage höher gewichtet) verbessert sich die Reaktionszeit deutlich.

Methode 2: Parametrischer VaR (Varianz-Kovarianz).

Hier nimmt man an, dass die Renditen normalverteilt sind, berechnet Mittelwert und Standardabweichung, und liest den VaR aus der Normalverteilung ab. Für ein Portfolio mit mehreren Assets braucht man die Kovarianzmatrix.

from scipy import stats

def parametric_var(returns: pd.DataFrame, weights: np.ndarray,
                   alpha: float = 0.95, horizon: int = 1,
                   portfolio_value: float = 1_000_000):
    """Parametrischer VaR für Multi-Asset-Portfolio."""
    mu = returns.mean().values
    cov = returns.cov().values
    # Portfolio-Erwartungswert und -Varianz
    port_mu = weights @ mu
    port_var = weights @ cov @ weights
    port_sigma = np.sqrt(port_var)
    # Skalierung auf Horizont
    port_mu *= horizon
    port_sigma *= np.sqrt(horizon)
    # Quantil der Standardnormalverteilung
    z = stats.norm.ppf(1 - alpha)
    var = -(port_mu + z * port_sigma) * portfolio_value
    return var

Vorteile: extrem schnell, analytisch, ideal für tägliche Limit- Überwachung großer Portfolios. Sensitivitäten lassen sich sauber zerlegen.
Nachteile: die Normalverteilungsannahme. Finanzmarktrenditen sind schief und haben dicke Tails — die Normalverteilung unterschätzt extreme Verluste systematisch. Außerdem versagt der Ansatz bei Optionen und anderen nichtlinearen Instrumenten.

Methode 3: Monte-Carlo-VaR.

Die flexibelste Methode. Man simuliert tausende mögliche Pfade für die zugrunde liegenden Risikofaktoren, bewertet das Portfolio in jedem Szenario, und liest den VaR aus der Verteilung der simulierten P&L ab.

Der Charme: man kann beliebige Verteilungen wählen (t-Verteilung, Mischmodelle, Sprungprozesse), Optionen sauber bewerten, und Korrelationsänderungen einbauen. Der Preis: Rechenaufwand und Modellrisiko. Wer die Verteilung falsch wählt, bekommt eine präzise falsche Zahl.

Backtesting von VaR-Modellen.

Jedes VaR-Modell muss man gegen die Realität prüfen. Der Standard-Test ist Kupiec: man zählt die tatsächlichen Verletzungen (Tage, an denen der Verlust über dem VaR lag) und prüft, ob die Häufigkeit mit dem Konfidenzniveau verträglich ist.

Bei 95 %-VaR erwartet man rund 5 % Verletzungen, also etwa 12–13 Tage pro Jahr. Sind es 25, ist das Modell zu optimistisch. Sind es 2, zu konservativ — was Kapital kostet, aber nicht direkt gefährlich ist.

Wichtig ist außerdem das Clustering: gehäufte Verletzungen sind ein Warnsignal. Wenn in einer Stresswoche fünf Verletzungen in Folge auftreten, hat das Modell den Regimewechsel nicht erfasst. Christoffersen-Tests prüfen genau das.

Die Wahrheit über VaR.

VaR ist keine kohärente Risikomaßnahme im mathematischen Sinn — die Subadditivität kann verletzt werden. In der Praxis bedeutet das: ein diversifiziertes Portfolio kann einen höheren VaR ausweisen als die Summe seiner Teile. Das ist absurd und ein Grund, warum Expected Shortfall im regulatorischen Rahmen zunehmend VaR ersetzt.

Außerdem: VaR sagt nichts über das, was über der Schwelle passiert. Zwei Portfolios mit identischem VaR können fundamental verschiedene Tail-Risiken haben. Das eine verliert im 1-%-Fall etwas mehr als den VaR, das andere das Zehnfache. VaR allein unterscheidet das nicht.

Wie wir VaR im Portfolio einsetzen.

Bei uns läuft VaR als eine von mehreren Kennzahlen — niemals allein. Wir nutzen historischen VaR auf einem rollenden 250-Tage-Fenster für die tägliche Übersicht, plus ein 1.000-Tage-Fenster mit Stressperioden für die Vergleichszahl. Daneben stehen Expected Shortfall, maximale Drawdown-Limits und Szenario-basierte Stress- Tests. Erst die Kombination ergibt ein belastbares Bild.

Wer VaR als alleinige Limit-Größe nutzt, sollte sich nicht wundern, wenn der nächste Crash das Portfolio überrascht. Die Zahl ist nicht falsch — sie ist nur eine Antwort auf eine eng gestellte Frage. Wer mehr wissen will, muss mehr fragen.

Sie wollen Ihr Risk-Reporting auf solide Beine stellen oder bestehende VaR-Modelle kritisch prüfen lassen? Erstgespräch buchen — wir bauen ein VaR-Setup, das hält, was die Zahl verspricht.