Statische Korrelationsannahmen sind die häufigste Quelle von Modellversagen bei Regime-Wechseln. In ruhigen Märkten zeigen viele Anlageklassen moderate oder niedrige Korrelationen zueinander. Diversifikation funktioniert – zumindest auf dem Papier. In Stressphasen steigen Korrelationen typischerweise stark an: Anlagen, die unter normalen Bedingungen unabhängig erschienen, fallen gleichzeitig. Ein Portfolio, das unter Normalregime-Annahmen eine Drawdown-Grenze von zwölf Prozent einhält, kann bei einem Korrelationsanstieg auf das Stressniveau deutlich mehr verlieren – nicht weil die Verlustgrenze zu niedrig gesetzt war, sondern weil das Modell die Korrelationsstruktur des Stressregimes nicht kannte. Dieser Effekt ist nicht neu und nicht überraschend – er ist dennoch in vielen Modellen nicht explizit adressiert. Ein robustes Drawdown-Modell unterscheidet zwischen Normalregime-Korrelationen und Stressregime-Korrelationen und formuliert Beschränkungen, die unter beiden Szenarien gelten. Das erfordert keine aufwendige Modellarchitektur – es erfordert zunächst nur die explizite Anerkennung, dass Korrelationen nicht stabil sind. Vergangene Korrelationsstrukturen erlauben dabei keine Aussagen darüber, wie Märkte in künftigen Stressphasen reagieren werden.

Volatilität ist nicht konstant. Das ist eine der am besten dokumentierten Eigenschaften von Finanzzeitreihen – und gleichzeitig eine der am häufigsten ignorierten in einfachen Drawdown-Modellen. Wenn ein Modell mit einer fixen Volatilitätsschätzung arbeitet, die aus einem Normalregime stammt, unterschätzt es das Verlustpotenzial in Hochvolatilitätsphasen systematisch. Der Effekt ist asymmetrisch: Volatilitätsspitzen treten schneller auf als sie abklingen. Ein Portfolio, das einer bestimmten Verlustgrenze folgt, kann innerhalb von Tagen in einem neuen Regime sein – bevor das Modell Zeit hatte, seine Schätzungen zu aktualisieren. Modelle, die Volatilität dynamisch schätzen – etwa durch GARCH-artige Verfahren oder rollierende Schätzfenster – reagieren schneller auf Regimewechsel. Aber auch sie haben eine strukturelle Verzögerung. Die Frage ist nicht, ob ein Modell Volatilitätswechsel erkennt, sondern wie lange es dafür braucht und welche Verluste in dieser Verzögerungszeit entstehen können. Unser internes Mehrhorizont-Prüfverfahren bewertet diese Reaktionszeit als eigenständige Qualitätsdimension jedes Drawdown-Modells.

Illiquidität ist ein Regime-Merkmal, das in Standardmodellen fast vollständig fehlt. Unter normalen Marktbedingungen können Portfolios relativ zügig angepasst werden. In Stressphasen sinkt die Marktliquidität oft erheblich: Geld-Brief-Spannen weiten sich aus, Handelsvolumina brechen ein, und Rebalancing-Transaktionen können nur zu ungünstigeren Konditionen durchgeführt werden als im Modell angenommen. Für mehrperiodige Drawdown-Beschränkungen hat das direkte Konsequenzen: Wenn das Modell vorschreibt, das Portfolio bei Annäherung an die Verlustgrenze defensiver auszurichten, diese Anpassung aber unter Stressbedingungen nicht zum angenommenen Preis durchführbar ist, klafft zwischen Modellvorschrift und Marktreaktion eine Lücke. Diese Lücke ist systematisch – sie tritt immer dann auf, wenn Anpassungsbedarf und Illiquidität gleichzeitig auftreten. Ein methodisch sauberes Modell benennt diese Einschränkung explizit und bewertet, wie groß die Lücke unter realistischen Stressbedingungen werden kann.

Regime-Wechsel-Modelle versuchen, die Struktur verschiedener Marktphasen explizit zu erfassen und in die Beschränkungsformulierung einzubetten. Markov-Switching-Modelle sind ein bekannter Vertreter dieser Klasse: Sie modellieren Märkte als System mit diskreten Zuständen und schätzen Übergangswahrscheinlichkeiten zwischen diesen Zuständen. Für Drawdown-Beschränkungen eröffnet das die Möglichkeit, zustandsabhängige Verlustgrenzen zu formulieren – engere Grenzen im Normalregime, angepasste Parameter im Stressregime. Dieser Ansatz ist konzeptionell attraktiv, hat aber eigene Schwächen: Die Zustandsklassifikation ist nicht eindeutig, Übergangswahrscheinlichkeiten sind parameterabhängig, und die Modellkomplexität steigt erheblich. Besonders kritisch ist, dass Regime-Wechsel-Modelle in Echtzeit oft langsam auf tatsächliche Regimewechsel reagieren. Sie erkennen den Wechsel zuverlässiger im Rückblick als im Moment des Übergangs. Das ist eine strukturelle Einschränkung, die bei der Bewertung dieser Modellklasse explizit berücksichtigt werden muss.

Eine Drawdown-Beschränkung, die nur unter Normalregime-Bedingungen getestet wurde, ist keine validierte Beschränkung – sie ist eine Hypothese. Stressszenarien sind kein Luxustest für gut ausgestattete Modellierungsteams. Sie sind methodische Mindestanforderung für jedes Modell, das eine mehrperiodige Verlustgrenze als bindend formuliert. Dabei geht es nicht darum, historische Krisen zu reproduzieren und als Prognose zu verkaufen – vergangene Ergebnisse erlauben keine Aussagen über künftige Entwicklungen. Es geht darum, die Struktureigenschaften des Modells unter ungünstigen Bedingungen zu verstehen: Wie verhält sich die Beschränkung, wenn Korrelationen auf Stressniveau steigen? Wie schnell wird die Verlustgrenze bei einem abrupten Volatilitätsanstieg erreicht? Wie groß ist der Implementierungsspielraum bei eingeschränkter Liquidität? Diese Fragen haben keine prognostischen Antworten – aber sie haben methodische Antworten, die das Modell robuster machen. Unser Mehrhorizont-Prüfverfahren verlangt Stressszenario-Analysen als Pflichtbestandteil jeder Modellbewertung, nicht als optionalen Anhang.