Volatility Targeting: konstantes Risiko, bessere Sharpe.

Volatility Targeting ist eine der am einfachsten umzusetzenden Ideen mit dem größten Hebel auf die risikoadjustierte Performance. Statt ein festes Notional zu halten, skalieren Sie die Position so, dass die realisierte Volatilität konstant bleibt. In Krisen wird automatisch reduziert, in ruhigen Phasen aufgestockt. Wie das funktioniert, was die empirischen Effekte sind und wo die Methode an Grenzen stößt.

Die Grundidee in einer Zeile.

Die Positionsgröße zum Zeitpunkt t ist:

position_t = target_vol / realized_vol_t

Ist die Zielvolatilität 10 % und die geschätzte aktuelle Volatilität des Underlyings 20 %, halten Sie 0,5 Einheiten. Steigt die Vola auf 40 %, gehen Sie auf 0,25 Einheiten. Fällt sie auf 10 %, fahren Sie auf 1,0 Einheit. Das Risiko wird standardisiert.

Diese simple Regel erzeugt empirisch zwei Effekte: erstens werden Drawdowns spürbar gedämpft, weil in Hoch-Vola-Phasen automatisch reduziert wird. Zweitens steigt die Sharpe-Ratio in den meisten Asset-Klassen — manchmal um 0,2 bis 0,4 Punkte, was über lange Zeiträume substantiell ist.

Warum es funktioniert: die Vola-Cluster-Eigenschaft.

Volatilität clustert. Eine hohe realisierte Vola heute ist ein guter Prediktor für hohe Vola morgen. GARCH-Modelle wurden 1986 von Tim Bollerslev formalisiert, aber das empirische Phänomen ist viel älter. Das bedeutet: Sie können die Vola der kommenden Periode aus der Historie sinnvoll schätzen, und die Korrektur hat einen Vorhersagewert.

Gleichzeitig sind Renditen in Hoch-Vola-Phasen häufig nicht systematisch besser. Wer in solchen Phasen das volle Exposure hält, übernimmt mehr Risiko ohne entsprechende Renditekompensation. Die Sharpe pro Risikoeinheit ist in Hoch-Vola- Phasen oft schlechter als in normalen Phasen.

Schätzung der realisierten Vola: drei Optionen.

Die Wahl des Vola-Schätzers entscheidet über die Reaktionsgeschwindigkeit und die Stabilität des Systems:

• Rolling Standard Deviation: einfache Standardabweichung über ein festes Fenster (z. B. 21 Tage). Robust, aber träge. Reagiert spät auf Vola-Spikes.
• EWMA (Exponential Weighted Moving Average): ältere Beobachtungen werden geometrisch heruntergewichtet. RiskMetrics nutzt λ = 0,94 für Tagesdaten. Reagiert schneller, dafür weniger stabil.
• GARCH(1,1): modelliert Vola-Persistenz explizit. Liefert konditionale Forecasts, ist aber überflüssig komplex für die meisten Anwendungen.

In der Praxis funktioniert EWMA mit λ zwischen 0,93 und 0,97 sehr gut. Für mittelfristige Strategien (Monatsrebalancing) reicht eine 60-Tage Rolling-StdDev.

Implementierung in Python.

import numpy as np
import pandas as pd

def ewma_volatility(returns, lam=0.94):
    """RiskMetrics-Stil EWMA-Vola, annualisiert."""
    var = returns.iloc[0] ** 2
    out = [var]
    for r in returns.iloc[1:]:
        var = lam * var + (1 - lam) * r ** 2
        out.append(var)
    return pd.Series(np.sqrt(out), index=returns.index) * np.sqrt(252)

def vol_target_position(returns, target_vol=0.10, lam=0.94, cap=3.0):
    """Berechnet die Skalierung für ein konstantes Vola-Ziel."""
    vol = ewma_volatility(returns, lam=lam)
    raw = target_vol / vol
    return raw.clip(upper=cap)

def vol_targeted_returns(returns, target_vol=0.10):
    pos = vol_target_position(returns, target_vol=target_vol)
    # Position basiert auf gestriger Vola-Schätzung (kein Look-Ahead)
    return pos.shift(1) * returns

Empirische Effekte: ein konkretes Beispiel.

Ein klassisches Vol-Targeting auf den S&P 500 (10 % Ziel-Vola, EWMA mit 0,94) über 30 Jahre liefert typischerweise folgende Verbesserungen:

• Sharpe-Ratio: steigt von rund 0,45 auf 0,65 bis 0,75.
• Maximaler Drawdown: sinkt von 55 % (Buy-and-Hold) auf 25 bis 30 %.
• Volatilitäts-Spitzen: praktisch eliminiert. Die realisierte Vola schwankt eng um das Ziel.
• Turnover: steigt deutlich. Sie handeln häufiger, kleinere Anpassungen.

Wichtige Einschränkung: in starken Bull-Markets bleibt das vol-getargetete Portfolio hinter dem Buy-and-Hold zurück, weil es in ruhigen Phasen oft gehebelt fährt — und damit Drawdowns aus kurzen Vola-Spikes mitnimmt, die der ungehebelte Investor nie gesehen hätte. Sharpe wird besser, absolute Rendite kann schlechter sein.

Kombiniert mit Strategien.

Vol-Targeting wirkt besonders stark auf Strategie-Renditen, nicht nur auf Asset- Renditen. Wenden Sie es auf eine Trend-Following-Strategie an, werden die fetten Tail-Verluste in Trendbrüchen abgefedert. Bei einem Mean-Reversion-System verhindert es, dass Sie in Hoch-Vola-Phasen zu früh „bottom-fischen" und auf Vola-Spreads verbrennen.

def strategy_with_vol_target(strategy_signal, prices, target_vol=0.15, lam=0.94):
    """
    Wendet Vol-Targeting auf eine bestehende Signal-Strategie an.
    strategy_signal: Series in {-1, 0, 1}
    """
    ret = prices.pct_change()
    raw_strat_ret = strategy_signal.shift(1) * ret
    # Vola der Strategie-Renditen, nicht der Asset-Renditen
    strat_vol = ewma_volatility(raw_strat_ret.dropna(), lam=lam)
    scale = (target_vol / strat_vol).clip(upper=3.0)
    return scale.shift(1) * raw_strat_ret

Praktische Fallstricke.

Erstens: Caps sind nicht optional. Ohne Obergrenze auf die Skalierung produziert das System in extrem ruhigen Phasen absurde Hebel. Ein Cap von 2x bis 3x ist Standard. Zusätzlich brauchen Sie ein Hard-Stop-Loss-Limit auf Portfolio-Ebene.

Zweitens: Look-Ahead vermeiden. Die heutige Position muss auf der Vola-Schätzung von gestern basieren. Ein häufiger Bug ist, die heutige Renditebeobachtung in die Vola-Berechnung einzubeziehen.

Drittens: Transaktionskosten ernst nehmen. Vol-Targeting erzeugt Turnover. Auf liquiden Futures (ES, ZN, GC) sind die Kosten vernachlässigbar. Auf kleinen Aktien, Optionen oder OTC-Produkten kann die Strategie an den Kosten scheitern.

Viertens: in Krisen verschwindet Liquidität gleichzeitig mit der Vola-Spike. Wenn Sie das Notional gerade dann reduzieren wollen, wenn die Bid-Ask-Spreads explodieren, zahlen Sie genau in dem Moment die höchsten Slippage-Kosten. Planen Sie das ein — ein Glättungsfilter über mehrere Tage hilft, ohne die Reaktion zu sehr zu verzögern.

Volatility Targeting als Portfolio-Layer.

Der eleganteste Einsatz von Vol-Targeting ist als oberste Schicht auf einem Portfolio. Sie haben darunter ein Risk-Parity- oder Mean-Variance-System, das die Asset-Mischung bestimmt. Vol-Targeting skaliert die Gesamtposition auf das gewünschte Risikoniveau. So sind die beiden Entscheidungen — was halten und wie viel halten — sauber getrennt.

Diese Trennung erlaubt es, das Risikobudget zentral zu steuern, ohne dass jede Sub-Strategie selbst auf Vola-Targeting umgestellt werden muss. Genau so arbeiten die meisten institutionellen Multi-Strategy-Häuser: jeder Sleeve liefert eine normierte Sharpe, die übergeordnete Vol-Targeting-Schicht bestimmt das Exposure.

Sie wollen Volatility Targeting in Ihre bestehende Strategie integrieren oder ein Multi-Strategy-Portfolio normieren? Erstgespräch buchen — wir bauen die Skalierungslogik, kalibrieren die Vola-Schätzer und backtesten gegen Ihre aktuelle Setup.