Wie der Zeithorizont das Investitionsrisiko mathematisch verändert

Ein Fünfjahresplan und ein Fünftagesplan können nicht dieselbe Definition von „riskant“ teilen. Die Mathematik macht das unvermeidlich.

Risiko ist keine einzelne Zahl—Zeit macht es zu einem beweglichen Ziel

Im Alltag bedeutet „Risiko“ oft Volatilität: wie sehr Preise schwanken. In Entscheidungsmodellen kann Risiko jedoch vieles zugleich bedeuten:

die Wahrscheinlichkeit, dass dein Vermögen unter einem Ziel endet (Kurzfallrisiko),
der schlimmste plausibler Verlust (Value at Risk, Conditional VaR),
die Tiefe des schlimmsten Peak-to-Trough-Einbruchs (Maximaler Drawdown),
oder die Wahrscheinlichkeit, dass du gezwungen bist, zu einem ungünstigen Zeitpunkt zu verkaufen (Liquidität + Horizont-Mismatch).

Der Zeithorizont verändert jedes dieser Risiken—nicht immer in dieselbe Richtung. Hierin liegt die Verwirrung für Anleger: Sie hören „Aktien sind langfristig sicherer“, und zugleich „die kumulative Volatilität kann brutal sein“. Beides kann wahr sein, je nachdem, welches Risiko gemeint ist.

Um das zu veranschaulichen, verwenden wir ein einfaches Renditemodell. Sei die periodische (z. B. monatliche) Rendite (r_t). Über (T) Perioden ist die kumulative einfache Rendite:

[ R_T = \prod_{t=1}^{T}(1+r_t) - 1 ]

Und die logarithmische Rendite ist:

[ g_t = \ln(1+r_t), \quad G_T = \sum_{t=1}^{T} g_t ]

Logrenditen sind mathematisch praktisch, weil sie sich über die Zeit addieren. Viele Modelle nehmen an, dass (g_t) annähernd normal mit Erwartungswert (\mu) und Standardabweichung (\sigma) pro Periode ist. Diese Annahme ist unvollkommen, aber ein nützlicher Ausgangspunkt, um den Horizonteffekt zu verstehen.

Volatilität skaliert mit der Quadratwurzel der Zeit—bis sie es nicht mehr tut

Wenn Renditen unabhängig und identisch verteilt (i.i.d.) sind, skaliert die Varianz der Summe linear mit der Zeit:

[ \mathrm{Var}(G_T) = T\sigma^2 ]

Also skaliert die Standardabweichung als:

[ \mathrm{SD}(G_T) = \sigma\sqrt{T} ]

Das ist die berühmte Regel der Quadratwurzel der Zeit. Deshalb wird eine monatliche Volatilität von 4% oft auf Jahresbasis als (4%\sqrt{12}\approx 13.9%) übersetzt.

Beachte aber, was wir skalieren: die Streuung der kumulierten Logrendite wächst absolut mit (\sqrt{T}). Das bedeutet, die Verteilung wird über längere Horizonte in absoluten Zahlen breiter. Anders gesagt: Wenn deine Risikodefinition lautet „Wie unsicher ist mein Endvermögen in Geldbeträgen?“, dann können längere Horizonte riskanter aussehen, nicht weniger, weil die Bandbreite möglicher Ergebnisse größer wird.

Warum ergibt dann manchmal die Aussage „längerer Horizont reduziert Risiko“ Sinn? Weil viele Anleger sich für die durchschnittliche Rendite pro Periode interessieren, nicht für die gesamte kumulierte Rendite.

Betrachte die durchschnittliche Logrendite:

[ \bar{g}T = \frac{1}{T}\sum{t=1}^{T} g_t ]

Ihre Varianz ist:

[ \mathrm{Var}(\bar{g}_T)=\frac{\sigma^2}{T} ]

Nun fällt die Standardabweichung wie (1/\sqrt{T}). Das ist der mathematische Kern der Intuition: das durchschnittliche Ergebnis wird mit der Zeit stabiler, obwohl das terminal Ergebnis weiter auseinanderläuft. Zwei verschiedene „Risikofragen“, zwei scheinbar gegensätzliche Antworten.

Entscheidungsmodelle wechseln oft zwischen diesen Perspektiven, ohne das zu sagen.

Wahrscheinlichkeit eines Verlusts: Der Horizont kann helfen, aber nur wenn Drift dominiert

Viele Anleger definieren Risiko als „Wie groß ist die Chance, dass ich bis zum benötigten Zeitpunkt Geld verliere?“ Das ist eine Wahrscheinlichkeitsaussage, und der Zeithorizont spielt hier auf klarere Weise eine Rolle.

Unter dem lognormalen Modell (G_T \sim \mathcal{N}(T\mu, T\sigma^2)) ist die Wahrscheinlichkeit, dass dein Endvermögen unter deinem Anfangsvermögen liegt (also (R_T<0), äquivalent (G_T<0)),:

[ \mathbb{P}(G_T<0) = \Phi\left(\frac{0-T\mu}{\sigma\sqrt{T}}\right) = \Phi\left(-\frac{\mu\sqrt{T}}{\sigma}\right) ]

wobei (\Phi) die Standardnormalverteilungsfunktion ist.

Dieser Ausdruck ist aufschlussreich:

Wenn (\mu>0), dann wächst (\mu\sqrt{T}/\sigma) mit (\sqrt{T}), sodass die Wahrscheinlichkeit eines negativen Ergebnisses mit dem Horizont abnimmt.
Wenn (\mu=0), bleibt die Wahrscheinlichkeit bei 50%, egal wie lange du wartest.
Wenn (\mu<0), steigt die Verlustwahrscheinlichkeit mit der Zeit.

Die beruhigende Geschichte „Zeit diversifiziert Risiko“ setzt also stillschweigend positive erwartete Logrendite und eine gewisse Form der Rückgabunabhängigkeit voraus. In echten Märkten ist die Drift über kurze Horizonte im Vergleich zur Volatilität klein, sodass die Verlustwahrscheinlichkeit bei einem Jahr hoch sein kann, aber bei 20 Jahren deutlich geringer. Das ist jedoch kein Geschenk—dein Horizont leistet nur Arbeit, weil du der Drift Zeit gibst, sich anzusammeln.

Ein subtiler Punkt: Der Parameter, der für das langfristige Überleben wichtig ist, ist die logarithmische Drift (\mu), nicht die einfache erwartete Rendite. Hohe Volatilität kann (\mu) nach unten drücken, selbst wenn der arithmetische Mittelwert attraktiv aussieht. Deshalb ist „risikoadjustierte Rendite“ nicht nur Jargon: Volatilität verändert langfristige Ergebnisse direkt über den Zinseszinseffekt.

Drawdown-Risiko wächst mit dem Horizont, auch wenn die Verlustwahrscheinlichkeit fällt

Maximaler Drawdown ist ein anderes Tier. Er fragt: „Wie schlimm kann es unterwegs werden, bevor ich am Ziel bin?“

Selbst wenn die Wahrscheinlichkeit, am Enddatum im Minus zu sein, mit der Zeit sinkt, steigt die Wahrscheinlichkeit, irgendwann einen großen Drawdown zu erleben, mit der Länge des Betrachtungszeitraums. Mehr Zeit bedeutet mehr Chancen für eine schlechte Phase.

Für einen einfachen Random Walk skalieren viele pfadabhängige Risiken ungefähr mit der Anzahl der Beobachtungen. Man braucht keine exotische Mathematik für die Intuition: Ein 30-jähriger Anleger wird mehr Rezessionen, Zinsschocks und Panikepisoden erleben als ein 3-jähriger. Das heißt nicht, dass der 30-Jahres-Plan schlechter ist—es bedeutet, dass dein Entscheidungsmodell unterscheiden muss zwischen:

terminalem Risiko (am Horizont unter einem Ziel zu enden) und
Pfadrisiko (gezwungen zu sein zu verkaufen oder psychologisch während eines Drawdowns zu kapitulieren).

Hier wird der Horizont praktisch relevant. Ein mathematisch sinnvoller Langfristportfolioplan kann verhaltensmäßig fragil sein, wenn zwischenzeitliche Drawdowns Verkäufe auslösen. In diesem Fall bricht dein effektiver Horizont zusammen.

Die Sharpe-Ratio bleibt mit der Zeit gleich—und doch fühlt sich Risiko anders an

Unter i.i.d.-Annahmen ist die Sharpe-Ratio pro Periode:

[ \text{SR}_1 = \frac{\mu}{\sigma} ]

Über (T) Perioden hat die kumulative Logrendite den Mittelwert (T\mu) und die SD (\sigma\sqrt{T}), also ist die „Sharpe“ des kumulativen Ergebnisses:

[ \text{SR}_T = \frac{T\mu}{\sigma\sqrt{T}} = \sqrt{T}\frac{\mu}{\sigma} ]

Das sieht so aus, als verbessere sich die Performance mit dem Horizont, aber das ist nur ein Einheitenwechsel: Du misst ein größeres Mittel gegenüber einer langsamer wachsenden SD. Vergleichst du dagegen durchschnittliche Renditen, bleibt die Sharpe unverändert. Was Anleger als „langfristig weniger riskant“ empfinden, kommt oft daher, dass sich der erwartete Ausgang stärker vom Unsicherheitsband absetzt.

Praktisch: Die Zeit senkt die Volatilität nicht auf magische Weise; sie erlaubt nur, dass sich erwartete Renditen zeigen.

Zeitliche Diversifikation hängt von der Korrelationsstruktur ab—Mean Reversion ändert die Rechnung

Die Quadratwurzel-der-Zeit-Skalierung beruht auf geringer Serienkorrelation. Sind Renditen positiv autocorreliert (momentumartige Effekte), wächst die Varianz schneller als (T). Sind Renditen negativ autocorreliert (Mean Reversion), wächst die Varianz langsamer als (T).

Eine Möglichkeit, das zu zeigen:

[ \mathrm{Var}\left(\sum_{t=1}^T g_t\right)=T\sigma^2 + 2\sum_{k=1}^{T-1}(T-k)\gamma_k ]

wobei (\gamma_k) die Autokovarianz im Lag (k) ist. Diese zusätzlichen Terme können positiv oder negativ sein.

Positive Autokorrelation: Schocks persistieren, daher ist die Langfristsicherheit größer als i.i.d. vorhersagen würde.
Negative Autokorrelation: Schocks kehren teilweise um, daher ist die Langfristsicherheit kleiner.

Das ist wichtig für Langfristanleger riskanter Assets und für alle, die ein Entscheidungsmodell mit horzontbasierten Risiko-Constraints verwenden. Ein Modell, das i.i.d. annimmt, kann das Langzeitrisko in Trendphasen unterschätzen—oder es überschätzen, wenn starke Mean Reversion vorliegt.

_{Photo by Jakub Żerdzicki on Unsplash}

Inflation und reales Risiko: Der Horizont macht das „sichere“ Asset riskant

Eine kurzlaufende Staatsanleihe wird oft als „risikofrei“ behandelt. Über einen Monat ist sie nominell nahezu risikofrei. Über Jahrzehnte geht es aber um die reale Kaufkraft, nicht um nominelle Stabilität.

Sei die nominale Rendite (r_t) und die Inflation (\pi_t). Die reale Rendite ist näherungsweise:

[ r^{(real)}_t \approx r_t - \pi_t ]

Selbst wenn nominale Renditen stabil sind, sammelt sich Inflationsunsicherheit über die Zeit an. Für lange Horizonte enthält die Varianz kumulativer realer Renditen die Inflationsvarianz und ihre Kovarianz mit nominalen Renditen. Das verwandelt „sicheres“ Bargeld in ein riskantes Langfristanlageinstrument in Entscheidungsmodellen, die reale Ausgabenziele verfolgen.

Das ist auch der Grund, warum der Horizont die Rangfolge der Risiken verändert:

Kurzer Horizont: Aktien wirken furchterregend, weil Preisvolatilität dominiert.
Längerer Horizont: Inflations- und Reinvestitionsrisiken können bei Anleihen und Bargeld dominieren.

Mathematisch wählt der Horizont aus, welcher stochastische Prozess am wichtigsten wird.

Rebalancing macht aus dem Horizont eine Folge von Entscheidungen, nicht nur eine Wette

Die meisten Portfolios sind kein „Kauf und Halte für immer“. Sie werden rebalanciert. Das erzeugt ein wiederholtes Entscheidungsproblem: Jeder Rebalancing-Termin ist ein Mini-Horizont innerhalb des großen Horizonts.

Wenn du zu festen Gewichten rebalancierst, hängt dein Endvermögen vom Pfad der Renditen ab, nicht nur vom Endpunkt. Rebalancing kann Risiko in mancher Hinsicht reduzieren (Diversifikation aufrechterhalten) und in anderer Hinsicht die Exposition gegenüber Volatilitätsdrift erhöhen, abhängig von Korrelationen und davon, ob du Gewinner verkaufst und Verlierer kaufst.

Eine einfache Weise, den Horizonteffekt zu sehen, ist der Vergleich von:

Einmalanlage: ein Einstiegspunkt, ein Enddatum.
Gestaffelte Investition / Einzahlungen: viele Einstiegspunkte (Dollar-Cost-Averaging).
Decumulation: Entnahmen führen zu Sequenzrisiken.

Bei Einzahlungen oder Entnahmen interagiert der Zeithorizont mit der Timing der Cashflows. Zwei Anleger mit demselben 30-Jahres-Zeitraum können unterschiedliche Risiken haben, wenn der eine früh einzahlt und der andere spät.

Sequenzrisiko: Der Zeithorizont kann Rentnern schaden, selbst wenn die Märkte sich mitteln

Für jemanden, der Entnahmen aus einem Portfolio vornimmt, wird Pfadrisiko existenziell. Ein früher starker Drawdown kombiniert mit Entnahmen kann die Fähigkeit zur Erholung dauerhaft schädigen, selbst wenn die langfristigen Durchschnittsrenditen ausreichend sind.

Eine einfache Rekursion für Vermögen mit Entnahmen (c) pro Periode:

[ W_{t+1} = (W_t - c)(1+r_{t+1}) ]

Das ist nichtlinear. Verluste früh verkleinern die Basis, auf die spätere Gewinne auflaufen, während Entnahmen fortbestehen. Einen Horizont zu verlängern (länger zu leben) kann die Ruinwahrscheinlichkeit erhöhen, sofern die Entnahmerate nicht angepasst wird.

In Entscheidungsmodellen taucht dies als Beschränkung auf die Wahrscheinlichkeit eines Kurzfalls über den gesamten Pfad auf, nicht nur an einem einzigen Enddatum. Je länger der Rentenzeitraum, desto strenger muss die nachhaltige Entnahmerate sein, ceteris paribus.

Value at Risk und Expected Shortfall: Skalierung ist einfach; Korrektheit nicht

Risikostäbe skalieren oft 1-Tages-VaR auf 10-Tages-VaR via (\sqrt{T}). Unter i.i.d.-Normalannahmen ist das für Renditen konsistent:

[ \text{VaR}T(\alpha) \approx z\alpha \sigma \sqrt{T} - \mu T ]

wobei (z_\alpha) das Quantil ist.

Aber Marktverteilungen sind schwer geschwänzt und Volatilität clusternd. In solchen Situationen kann die Horizontskalierung irreführend sein:

Wenn Volatilität persistent ist, kann das Multi-Tages-Risiko viel größer sein als (\sqrt{T}) vermuten lässt.
Tail-Ereignisse „mitteln“ sich nicht schnell aus; sie verstärken sich durch korrelierte Stressphasen.

Für einen Langfristanleger ist oft die sinnvollere Frage nicht „Was ist mein schlechtester Monat mit 1% Wahrscheinlichkeit?“, sondern „Wie oft erlebe ich einen 40% Drawdown und wie lange dauert die Erholung typischerweise?“ Das ist ein Pfad- und Horizontproblem, kein Ein-Schritt-Verteilungsproblem.

Den Zeithorizont in ein Entscheidungsmodell einbauen: was sich mathematisch ändert

Ein Entscheidungsmodell braucht ein Ziel und Constraints. Der Horizont verändert beides.

Nutzen und Horizont: Erwartungsnutzen kann Präferenzen kippen

In einer klassischen Expected-Utility-Konstellation mit CRRA-Nutzen:

[ U(W)=\frac{W^{1-\gamma}}{1-\gamma} ]

hängt der optimale Anteil im Risikoaktiva von dem Trade-off zwischen erwartetem Wachstum und Volatilität ab, und er kann empfindlich auf den Horizont reagieren, wenn Renditen prognostizierbar sind oder wenn es Einschränkungen gibt (kein Leverage, Mindestvermögen, Konsumbedarf). Selbst wenn das Merton-Modell unter idealen Bedingungen einen konstanten Riskanteil impliziert, führen reale Friktionen dazu, dass der Horizont wieder relevant wird.

Zielbasierte Constraints: Wahrscheinlichkeiten multiplizieren sich über die Zeit

Wenn du eine Beschränkung auferlegst wie „höchstens 5% Chance, unter mein Ziel zu fallen“, dann zählt der Horizont, weil sich die Verteilung des Terminalvermögens mit (T) ändert. Im lognormalen Modell, das Erreichen eines realen Dollar-Ziels (W^*) ist:

[ \mathbb{P}(W_T \ge W^*) = \mathbb{P}\left(G_T \ge \ln\left(\frac{W^*}{W_0}\right)\right) ]

Längeres (T) erhöht sowohl den Mittelwert als auch die Varianz von (G_T), und ob die Wahrscheinlichkeit steigt, hängt davon ab, welches schneller in Relation zum Ziel wächst. Ziele, die mit der Zeit skalieren (z. B. inflationsbereinigte Ausgaben), ändern die Ungleichung erneut.

Horizont-Mismatch als formaler Risikofaktor

Eine saubere Art, Horizont-Mismatch zu kodieren, ist, Liquiditätsbedürfnisse als zufällige Stoppzeiten zu modellieren. Wenn es eine Wahrscheinlichkeit gibt, dass du früher austreten musst (Jobverlust, medizinische Kosten), dann ist dein effektiver Horizont eine Verteilung, kein einzelnes Datum. Risiko wird zu einem gewichteten Durchschnitt über mögliche Austrittszeiten:

[ \text{Risk} = \sum_{t=1}^{T} p_t , \text{Risk at horizon } t ]

Das ist einer der Gründe, warum „Ich bin ein Langzeitanleger“ keine vollständige Risikoaussage ist, solange der Anleger nicht wirklich dauerhaft investiert bleiben kann.

Was Anleger übersehen: Zeit reduziert einige Risiken durch Mittelung, erhöht andere durch Exposition

Die Mathematik liefert kein einzelnes Urteil. Sie liefert eine Auswahl von Horizonteffekten:

Unsicherheit der Durchschnittsrendite fällt wie (1/\sqrt{T}).
Streuung des Terminalvermögens steigt wie (\sqrt{T}) im Lograum (und kann im Einfachrenditenraum noch dramatischer sein).
Wahrscheinlichkeit eines terminalen Verlusts fällt mit (T) nur wenn die erwartete Logrendite positiv ist.
Drawdown-Wahrscheinlichkeit steigt mit (T), weil mehr Zeit mehr Pfade und mehr Chancen auf Extreme bedeutet.
Inflationsrisiko wächst mit (T), wenn dich reale Ergebnisse interessieren.
Sequenzrisiko explodiert bei Entnahmen, wodurch „längerer Horizont“ potentiell schwieriger, nicht einfacher wird.

Nichts davon ist abstrakt. Es ist der Unterschied zwischen einem jungen Arbeiter, der jeden Monat einzahlt, einer Familie, die in drei Jahren Eigenkapital für ein Haus spart, und einem Rentner, der die nächsten dreißig Jahre Ausgaben decken muss.

Der Zeithorizont ist nicht nur eine Präferenz. In der Finanzmathematik ist er ein Operator, der transformiert, was „Risiko“ bedeutet—und damit auch, welches Entscheidungsmodell überhaupt passend ist.

Externe Links

Managing Risk for Different Time Horizons | Capital Group Investing Risk and Time Horizon: What You Need To Know Understanding Time Horizon in Investing: Definition, Types, Mistakes Does longer time horizon necessarily imply reduced risk? Why 5 Years (60 Months) is the Statistical “Magic Number” for Equities