Methodik
Maximum Drawdown als harte Nebenbedingung: Warum weiche Richtlinien in der Praxis systematisch versagen
Autor Analytik-Team Uesiesmidruaho
Oktober 2026
Weiche Grenzen brechen genau dann, wenn man sie braucht
Der häufigste Fehler bei der Portfolio-Konstruktion ist nicht die falsche Renditeerwartung – es ist die Verwechslung von Zielwerten mit Nebenbedingungen. Ein Drawdown-Ziel von maximal 15 Prozent klingt wie eine Beschränkung. In den meisten Modellen ist es aber nur ein Optimierungsziel, das gegen andere Ziele abgewogen wird. Wenn Marktbedingungen sich verschlechtern, wird dieses Ziel zuerst geopfert. Wir zeigen, was es bedeutet, Verlustgrenzen als harte, rechnerisch bindende Nebenbedingungen zu formulieren – und warum das die Struktur eines Optimierungsproblems grundlegend verändert.
Zielwert versus Nebenbedingung: Ein fundamentaler Unterschied
Ein Zielwert geht in die Zielfunktion ein und wird gegen andere Ziele abgewogen. Eine Nebenbedingung definiert den zulässigen Lösungsraum – sie ist nicht verhandelbar. Wenn ein Modell den Drawdown als Zielwert behandelt, kann die Optimierung ihn überschreiten, sobald das die Gesamtlösung verbessert. Als harte Nebenbedingung hingegen schließt das Modell alle Lösungen aus, bei denen die Verlustgrenze verletzt wird. Das klingt technisch – hat aber massive praktische Auswirkungen auf die Portfoliostruktur.
Was passiert, wenn die Grenze nur eine Empfehlung ist
In Stressphasen beobachten wir ein konsistentes Muster: Modelle mit weichen Verlustzielen überschreiten diese Ziele systematisch, weil die Optimierung unter Druck andere Parameter priorisiert. Das ist kein Implementierungsfehler – es ist das mathematisch korrekte Verhalten des Modells. Wer das nicht versteht, wird von den Ergebnissen überrascht. Wer es versteht, baut die Beschränkung von Anfang an anders ein.
Rechnerische Implikationen einer harten Drawdown-Beschränkung
Harte Nebenbedingungen verändern die Geometrie des Optimierungsproblems. Der zulässige Lösungsraum wird kleiner – manchmal deutlich kleiner. Das kann bedeuten, dass keine optimale Lösung existiert, wenn die Beschränkung zu restriktiv ist. Dieser Fall muss explizit behandelt werden: Entweder durch Relaxierung der Beschränkung mit klarer Dokumentation oder durch Anpassung anderer Modellparameter. Beides ist legitim – solange es bewusst geschieht und nicht als Überraschung auftritt.
Mehrperiodigkeit macht harte Grenzen noch wichtiger
Eine Verlustgrenze für einen einzigen Zeitpunkt zu definieren ist vergleichsweise einfach. Die echte Herausforderung beginnt, wenn dieselbe Grenze über mehrere Perioden hinweg gelten soll. Pfadabhängigkeit, unterschiedliche Volatilitätsregimes und Rebalancing-Intervalle machen mehrperiodige Drawdown-Constraints zu einem deutlich komplexeren Problem. Hier zeigen sich die Schwächen von Einperiodenmodellen besonders deutlich – und hier entsteht der größte Mehrwert einer methodisch sauberen Mehrperioden-Formulierung.
Pfadabhängigkeit als unterschätztes Problem
Zwei Portfolios können nach zwölf Monaten identische Endwerte aufweisen und dennoch vollständig unterschiedliche Drawdown-Profile gezeigt haben. Ein Einperiodenmodell sieht keinen Unterschied. Ein mehrperiodiges Modell mit harten Drawdown-Constraints sieht genau diesen Unterschied – und bevorzugt den Pfad, der die Verlustgrenze in jedem Teilzeitraum einhält. Diese Unterscheidung ist nicht akademisch: Sie bestimmt, welche Portfolios in der Praxis durchgehalten werden können.
Rebalancing-Häufigkeit und ihre Wechselwirkung mit Verlustgrenzen
Wie oft ein Portfolio angepasst wird, beeinflusst direkt, ob Drawdown-Beschränkungen eingehalten werden können. Seltenes Rebalancing lässt mehr Spielraum für Drift – und damit für unerwartete Verlustpfade zwischen den Anpassungszeitpunkten. Häufiges Rebalancing reduziert dieses Risiko, erhöht aber Transaktionskosten und Komplexität. Ein methodisch sauberes Modell berücksichtigt diese Wechselwirkung explizit, anstatt Rebalancing als nachgelagerte Entscheidung zu behandeln.
Wie man Drawdown-Beschränkungen über Zeitperioden konsistent hält
Die Konsistenz einer Verlustgrenze über mehrere Perioden erfordert mehr als die wiederholte Anwendung einer Einperiodenbeschränkung. Kumulativer Drawdown, rollierende Verlustmessung und periodische Neuformulierung der Beschränkung sind drei verschiedene Ansätze – mit unterschiedlichen mathematischen Eigenschaften und praktischen Konsequenzen. Unser internes Mehrhorizont-Prüfverfahren bewertet jeden Ansatz systematisch auf diese Konsistenz hin.
Was ein robustes Drawdown-Modell leisten muss
Robustheit ist kein Bonus-Kriterium – sie ist das Mindestanforderung. Ein Modell, das unter normalen Marktbedingungen funktioniert, aber in Stressphasen die Verlustgrenze überschreitet, hat genau das falsche Verhalten. Wir definieren Robustheit in diesem Kontext entlang von drei messbaren Dimensionen: Verhalten unter Stress, Sensitivität gegenüber Parameterannahmen und Konsistenz über Zeithorizonte. Jede dieser Dimensionen kann separat getestet werden – und sollte es auch.
Stressverhalten als Pflichttest
Jedes Drawdown-beschränkte Modell sollte gegen historische Stressperioden getestet werden. Nicht als Prognose – vergangene Ergebnisse erlauben keine Aussagen über künftige – sondern als Plausibilitätscheck. Wenn ein Modell in simulierten Stressphasen die eigene Verlustgrenze systematisch überschreitet, ist das kein Zufall. Es ist ein strukturelles Signal, das die Modellarchitektur infrage stellt.
Parametersensitivität transparent machen
Wie stark verändert sich die Portfoliostruktur, wenn die Drawdown-Grenze um zwei Prozentpunkte verschoben wird? Wenn die Antwort lautet: kaum – ist das Modell robust. Wenn die Antwort lautet: erheblich – muss diese Sensitivität explizit dokumentiert und kommuniziert werden. Wir halten Parametersensitivität für eine der am meisten unterschätzten Qualitätsdimensionen in der Modellbewertung.