Volatilität erklärt mit Wahrscheinlichkeitsverteilungen: Die Mathematik, die Anleger wirklich verwenden

Volatilität ist der Eintrittspreis in die Märkte — und Wahrscheinlichkeitsverteilungen sind die Landkarte.

Volatilität, auf ihre mathematische Bedeutung reduziert

Im alltäglichen Anlage-Jargon klingt Volatilität wie „der Markt flippt aus“. In der Anlagematematik ist Volatilität genauer: sie ist ein Maß für die Streuung von Renditen. Streuung bedeutet, wie weit Ergebnisse um einen zentralen Wert verteilt sind, üblicherweise um einen Durchschnitt.

Wenn Sie die Renditen einer Aktie über die Zeit verfolgen — täglich, wöchentlich, monatlich — sammeln Sie einen Datensatz. Sobald Sie fragen: „Was ist eine typische Bewegung?“ oder „Wie oft treten extreme Bewegungen auf?“, fragen Sie nach einem Wahrscheinlichkeitsmodell. Dieses Modell ist eine Wahrscheinlichkeitsverteilung: sie ordnet möglichen Renditen Wahrscheinlichkeiten zu.

Zwei wichtige Unterscheidungen sind sofort relevant:

• Volatilität ist keine Richtung. Eine Aktie kann volatil sein, während sie steigt, fällt oder seitwärts läuft.
• Volatilität ist nicht dasselbe wie Risiko, es sei denn, Sie definieren Risiko als Variabilität der Ergebnisse. Viele Anleger kümmern sich mehr um Abwärtsauswirkungen als um Aufwärtsvariabilität, weshalb Verteilungen (und ihre Ränder) entscheidend werden.

Wenn Sie eine Zahl wie „20% annualisierte Volatilität“ sehen, ist das eine Kurzform. Sie komprimiert die volle Form möglicher Ergebnisse in eine einzelne Statistik — nützlich, aber unvollständig.

Renditen sind Zufallsvariablen (und das ist keine Beleidigung)

In der Sprache der Wahrscheinlichkeitsrechnung ist eine Rendite eine Zufallsvariable. Das bedeutet nicht „unvorhersehbares Chaos“; es bedeutet „nimmt mit einer gewissen Häufigkeit verschiedene Werte an“. Sie beobachten Stichproben (historische Renditen), schätzen eine Verteilung und berechnen dann Größen, die Sie interessieren: Varianz, Abwärtswahrscheinlichkeit, Tail-Verluste usw.

Sei (R) eine Rendite über eine Periode. Eine Verteilung liefert:

• einen Mittelwert (E[R]) (erwartete Rendite)
• eine Varianz (Var(R)) und eine Standardabweichung (\sigma) (Volatilität)
• Schiefe (Asymmetrie)
• Kurtosis (Schwere der Ränder)

Wenn es beim Investieren nur um durchschnittliche Renditen ginge, würden wir alle das Asset mit dem höchsten Mittelwert kaufen. Aber die Ergebnisse variieren. Die Verteilung ist die Geschichte; Volatilität ist ein Satz aus dieser Geschichte.

Die Normalverteilung: warum sie überall auftaucht (und wo sie versagt)

Die Normalverteilung ist die klassische Glockenkurve. Sie ist mathematisch bequem und wird oft als erste Näherung für Renditen verwendet — besonders in älteren Finanzmodellen und Beispielen aus Lehrbüchern.

Wenn Renditen normalverteilt wären mit Mittelwert (\mu) und Standardabweichung (\sigma), erhielten Sie vertraute Wahrscheinlichkeitsaussagen:

• Etwa 68% der Renditen liegen innerhalb von (\mu \pm 1\sigma)
• Etwa 95% innerhalb von (\mu \pm 2\sigma)
• Etwa 99{,}7% innerhalb von (\mu \pm 3\sigma)

Das ist mächtig, weil es Volatilität in eine Wahrscheinlichkeitsform übersetzt. Wenn die tägliche Volatilität zum Beispiel 1% beträgt, ist eine tägliche Bewegung von 2% ein „Zwei-Sigma-Ereignis“, ungefähr mit 5% Wahrscheinlichkeit in einer normalen Welt.

Das Problem: Märkte leben nicht in einer normalen Welt.

Warum die Glockenkurve Anleger in die Irre führen kann

Empirische Renditeverteilungen für Aktien, Indizes, FX und Krypto zeigen oft:

• Fette Ränder: Extreme Bewegungen treten häufiger auf, als das Normalmodell vorhersagt.
• Schiefe: Abwärtsbewegungen können schärfer sein als Aufwärtsbewegungen (insbesondere bei Aktien).
• Volatilitätscluster: ruhige Perioden und Sturmperioden, nicht eine konstante (\sigma).

Also ist die Normalverteilung zwar ein hilfreicher Ausgangspunkt, sie neigt dazu, das Tail-Risiko zu unterschätzen — genau das Risiko, das Portfolios und Karrieren sprengen kann.

Volatilität als Varianz: die klassische Definition und ihre Intuition

Mathematisch ist Volatilität üblicherweise die Standardabweichung der Renditen:

[ \sigma = \sqrt{E[(R - \mu)^2]} ]

In dieser Formel steckt einiges:

• Sie misst die typische Entfernung vom Mittelwert.
• Das Quadrieren bestraft große Abweichungen und gibt großen Bewegungen extra Gewicht.
• Sie behandelt Aufwärts- und Abwärtsabweichungen gleich.

Letzteres ist der Grund, warum manche Anleger klagen, Volatilität sei nicht das „wahre Risiko“. Wenn Sie ein Asset long halten, ist Aufwärtsvolatilität angenehm. Trotzdem zählt die Varianz sie als gleichermaßen „riskant“. Verteilungen helfen, diese Diskussion zu verfeinern.

Ein distributionszentrierter Blick: gleiche Volatilität, unterschiedliches Risiko

Zwei Assets können dieselbe Standardabweichung haben, aber radikal unterschiedliche Ergebnisse liefern. Betrachten Sie:

• Asset A: häufig kleine Bewegungen, selten katastrophale Einbrüche.
• Asset B: symmetrische Bewegungen, keine absturzartigen Kollapsen.

Beide könnten (\sigma = 15%) annualisiert haben, aber die Ränder unterscheiden sich. Wenn Ihre Risikodefinition Ruin, Drawdowns oder Margin Calls einschließt, dann ist die Form der Verteilung genauso wichtig wie ihre Breite.

Deshalb spricht professionelles Risikomanagement in einem Vokabular jenseits der Volatilität: Tail-Risiko, Drawdown-Risiko, Jump-Risiko, Konvexität und Linker-Rand-Exposition.

Lognormale Preise und warum wir Renditen statt Preise modellieren

Preise sind normalerweise positiv und können sich aufschaukeln. Eine gängige Modellwahl ist:

• Preise sind ungefähr lognormal
• Log-Renditen sind näher an normal (wenn auch immer noch unvollkommen)

Wenn (P_t) der Preis ist, ist die Log-Rendite:

[ r_t = \ln\left(\frac{P_t}{P_{t-1}}\right) ]

Log-Renditen addieren sich schön über die Zeit, was zum Komponieren passt. Sie stimmen auch mit Modellen überein, die in der Optionspreisbildung verwendet werden.

Aber hier der Schlüssel: selbst wenn Log-Renditen „normaler“ aussehen, zeigen reale Märkte weiterhin fette Ränder und wechselnde Volatilität. Lognormal ist eine vereinfachende Annahme, keine Garantie.

Volatilitätsclustering: Verteilungen, die sich über die Zeit ändern

Ein Grund, warum Volatilität lebendig wirkt, ist, dass sie zeitvariabel ist. Ruhige Märkte erzeugen enge Verteilungen; Krisenmärkte weiten sie und verdichten die Ränder.

Das ist die Idee hinter bedingten Volatilitäts-Modellen wie GARCH: die Verteilung der Rendite von morgen hängt von der heutigen Volatilitätsumgebung ab. Einfach gesagt:

• Große Bewegungen folgen tendenziell auf große Bewegungen.
• Ruhige Tage folgen tendenziell auf ruhige Tage.

Statt einer statischen Verteilung haben Anleger oft mit einer Familie von Verteilungen zu tun — einem beweglichen Ziel.

Ränder, Perzentile und warum Anleger wissen wollen „wie schlimm kann es werden?“

Eine Verteilung erlaubt es, in Perzentilen zu sprechen. Zum Beispiel ist das 5. Perzentil der täglichen Rendite eine Schwelle, unterhalb der nur 5% der Tage liegen.

Das ist die Grundlage von Value at Risk (VaR):

• 1‑Tages‑95% VaR beantwortet: „Welches Verlustniveau wird nur in 5% der Fälle (unter Modellannahmen) überschritten?“

Aber VaR hat eine bekannte Schwäche: er sagt nichts darüber, wie schlimm die Verluste jenseits dieses Cutoffs sein können. Deshalb bevorzugen viele Risikoteams Expected Shortfall (ES), auch Conditional VaR genannt:

• ES beantwortet: „Wenn ich in den schlechtesten 5% der Fälle bin, wie hoch ist mein durchschnittlicher Verlust?“

Sowohl VaR als auch ES sind Verteilungsfragen. Volatilität allein kann sie nicht beantworten, ohne eine Verteilungsannahme.

Schiefe: wenn Volatilität eine unangenehme Asymmetrie verbirgt

Schiefe misst, ob Renditen symmetrisch um den Mittelwert sind.

• Negative Schiefe: häufige kleine Gewinne und gelegentliche große Verluste (klassisches „Pfennige vor einer Dampfwalze aufsammeln“).
• Positive Schiefe: häufige kleine Verluste und gelegentliche große Gewinne (bei manchen Optionskaufstrategien üblich).

Zwei Strategien können dieselbe Volatilität zeigen, doch die eine hat negative Schiefe und setzt Sie plötzlichen Drawdowns aus. Wenn Sie nur (\sigma) betrachten, können Sie die Dampwalze übersehen, bis sie kommt.

Das betrifft zum Beispiel:

• Covered‑Call‑Strategien
• Short‑Volatilität‑Trades
• Carry‑Trades
• bestimmte Kreditprodukte

Sie mögen stabil aussehen — bis der linke Rand zuschlägt.

Kurtosis: der Fett‑Rand‑Multiplikator

Kurtosis betrifft die Schwere der Ränder. In Marktdaten ist die Exzesskurtosis oft positiv, das heißt die Ränder sind fetter, als die Normalverteilung vorhersagt.

Fette Ränder verändern die praktische Bedeutung von Volatilität:

• In einem Normalmodell ist ein 5‑Sigma‑Ereignis „so gut wie unmöglich“.
• In einer fett‑randigen Welt ist es „selten, aber nicht absurd“.

Diese Verschiebung ist nicht akademisch. Sie verändert Positionsgrößen, Hebelverträglichkeit und wie man historische Backtests interpretiert. Eine Strategie, die 10 Jahre Ruhe übersteht, kann trotzdem fragil sein, wenn sie implizit Tail‑Versicherungen verkauft.

Mischverteilungen: warum eine einzelne Glocke nicht passt

Eine einfache Art, die Realität zu modellieren, ist zuzugeben, dass Märkte Regime wechseln:

• Regime 1: niedrige Volatilität (enge Verteilung)
• Regime 2: hohe Volatilität (weite Verteilung)

Wenn Sie zwei Normalverteilungen mischen, erhalten Sie oft eine kombinierte Verteilung, die fett‑randig aussieht — auch wenn jedes Regime für sich normal ist. Dieser „Misch“-Ansatz entspricht dem Gefühl, dass Märkte Stimmungen haben.

Praktisch ist das der Grund, warum Risikomodelle, die eine konstante Volatilität annehmen, in stabilen Perioden gut aussehen können und in Turbulenzen versagen: sie haben das falsche Regime angepasst.

_{Photo by Maxim Hopman on Unsplash}

Von der Verteilung zur annualisierten Volatilität (und warum Skalierung nicht harmlos ist)

Anleger wandeln häufig tägliche Volatilität in annualisierte Volatilität um mit:

[ \sigma_{annual} \approx \sigma_{daily} \sqrt{252} ]

Das beruht auf Annahmen: Renditen sind unabhängig, identisch verteilt und Varianz addiert sich über die Zeit. Märkte verletzen diese Annahmen — besonders während Volatilitätsclustering — doch die Skalierung bleibt eine weitverbreitete Konvention.

Sie ist weiterhin nützlich, aber behandeln Sie sie als Übersetzungswerkzeug, nicht als physikalisches Gesetz. Annualisierung hilft, Assets zu vergleichen und zu kommunizieren, kann aber Regimewechsel und das Tail‑Verhalten verschleiern.

Wahrscheinlichkeitsverteilungen und Portfolio‑Volatilität: Korrelation ist der verborgene Hebel

Für ein Portfolio aus zwei Assets hängt die Volatilität von:

• der Volatilität jedes Assets
• ihrer Korrelation

Eine vereinfachte Zweier‑Varianzformel:

[ \sigma_p^2 = w_1^2\sigma_1^2 + w_2^2\sigma_2^2 + 2w_1w_2\sigma_1\sigma_2\rho_{12} ]

Korrelation (\rho) ist der Ort, an dem Diversifikation lebt oder stirbt. Wenn Korrelationen in Krisen steigen (was oft der Fall ist), ändert sich die Portfolioverteilung genau dann, wenn Sie es am wenigsten gebrauchen.

Verteilungen spielen hier wieder eine Rolle, weil Korrelationen selbst nicht konstant sind; sie können regimespezifisch sein. Ein Portfolio, das in einem ruhigen Regime diversifiziert aussieht, kann in einem gestressten Regime zu einem einzigen Risiko‑Block werden und so den linken Rand der Portfoliorenditen verdicken.

Implizite Volatilität aus Optionen: die Marktverteilung im Verkleideten

Historische Volatilität wird aus vergangenen Renditen berechnet. Implizite Volatilität wird aus Optionspreisen extrahiert und spiegelt die Marktpreisung von Unsicherheit wider.

Implizite Volatilität ist kein reiner Forecast der Standardabweichung; sie enthält auch:

• Angebot und Nachfrage für Hedging
• Risikoaversion und Crash‑Risikoprämien
• Verteilungsasymmetrie (Skew)

Optionsmärkte handeln effektiv mit der vollen Verteilung, nicht nur mit ihrer Breite. Das berühmte Volatility Smile/Skew ist das Eingeständnis des Marktes: Renditen sind nicht normal, und die Ränder sind nicht symmetrisch.

Wenn tief aus dem Geld liegende Puts teuer sind, schreit die Verteilung: der linke Rand ist wichtig.

Eine praktische Art, Volatilität durch Verteilungen „zu sehen“

Statt eine einzelne Volatilitätszahl anzustarren, können Anleger einige verteilungsbasierte Diagnosen anschauen:

• Histogramm der Renditen: wirkt es symmetrisch? fett‑randig?
• QQ‑Plot gegen Normalverteilung: weichen die Ränder stark ab?
• Rolling‑Volatilität: clustert (\sigma)?
• Drawdown‑Verteilung: wie tief und wie lange sind Verluste?
• Tail‑Perzentile (1%, 5%): wie sehen die schlechtesten Tage aus?
• Schiefe und Kurtosis über die Zeit: ändert sich die Verteilung mit den Regimen?

Jedes dieser Werkzeuge fragt: „Welche Verteilung handele ich eigentlich?“

Warum „Low‑Volatility“ Assets trotzdem gefährlich sein können

Manche Strategien und Assets zeigen gleichmäßige Renditen mit geringer gemessener Volatilität — bis sie es nicht mehr tun. Das Problem ist oft eine Verteilung mit:

• engem Zentrum (viele kleine Ergebnisse)
• fiesem linken Rand (selten, aber enorme Verluste)

Short‑Volatilitäts‑Trades sind das deutlichste Beispiel. Meistens kleine Prämien kassieren, dann während Spikes leiden. Die Standardabweichung kann in einer harmlosen Stichprobe moderat aussehen, aber die Verteilung enthält ein eingebettetes Tail‑Risiko.

Das ist kein moralisches Urteil; es ist eine mathematische Beschreibung. Das Risiko ist im Rand konzentriert.

Die entscheidende Wahl des Anlegers: welcher Verteilung glauben Sie?

Jedes Risikomaß setzt stillschweigend eine Verteilung voraus, selbst wenn das nicht ausgesprochen wird. Wenn jemand sagt:

• „Eine 10% Tagesbewegung ist ein einmal‑in‑zehn‑Jahren‑Ereignis“
• „Dieses Portfolio hat einen 99% VaR von X“
• „Diese Strategie hat eine Sharpe‑Ratio von 1,2“

…stützen sie sich auf Verteilungsannahmen: über Ränder, Unabhängigkeit, Stationarität und Regimeverhalten.

Ein gesundes Anlage‑Workflow behandelt Verteilungen als Modelle, nicht als Wahrheit:

• Testen Sie mehrere Verteilungsanpassungen (Normalverteilung, t‑Verteilung, Mischungen).
• Führen Sie Stressszenarien durch, die die Geschichte kaum abdeckt.
• Gehen Sie davon aus, dass Korrelationen springen können.
• Fragen Sie, was passiert, wenn die Volatilität selbst volatil ist.

Volatilität ist die Überschrift. Wahrscheinlichkeitsverteilungen sind der ganze Artikel.

Verteilungs‑Insight in bessere Entscheidungen verwandeln

Wenn Sie Volatilität durch Verteilungen verstehen, werden Entscheidungen klarer:

• Positionsgröße wird zur Tail‑Frage: welchen Verlust toleriere ich im schlechtesten X%?
• Hebel wird zum Verteilungsverstärker: Ränder zählen mehr als der Mittelwert.
• Diversifikation wird zur Krisen‑Korrelation, nicht zur Durchschnitts‑Korrelation.
• Hedging wird darin bestehen, für Linksrandschutz zu zahlen, wenn er im Verhältnis zu Ihrer Fragilität billig genug ist.
• Performance‑Bewertung verschiebt sich von „wie glatt waren die Renditen?“ zu „welche Form des Risikos bin ich eingegangen, um sie zu erzielen?“

Mit anderen Worten: Volatilität ist nicht nur eine Zahl zum Berichten. Sie ist eine Tür in die probabilistische Struktur der Renditen — Zentrum, Streuung, Schiefe und Ränder. Die Anleger, die überdauern, sind meist diejenigen, die diese Struktur respektieren, besonders den Teil, der weit vom Mittelwert sitzt.

Externe Links

Volatility smiles and implied distributions - Trading Mate [PDF] Representation of probability distributions with implied volatility and … How to derive the implied probability distribution from B-S volatilities? Volatility Demystified: From Theory to Practice - The Risk Protocol Implied Volatility Explained | Options Trading Concept - YouTube