Für wen dieser Artikel gedacht ist — Für alle, die sehen wollen, wie stark sich eine Kennzahl oder ein Drawdown bei verändertem Pfad bewegen kann, ohne eine Simulationswolke mit einer Zukunftsprognose zu verwechseln.
Monte Carlo bezeichnet Verfahren, die viele Realisierungen aus einem Wahrscheinlichkeitsmodell erzeugen. Der Bootstrap zieht erneut aus den vorhandenen Beobachtungen, um die Verteilung einer Statistik anzunähern. Im Trading dienen beide zur Untersuchung von Rendite-, Drawdown-, Verlustfolgen-, Parameter- und Szenariounsicherheit.
Jede Simulation ist an einen Erzeugungsmechanismus gebunden: Verteilung, Abhängigkeit, Stationarität, Blöcke, Parameter und Kosten. Sie repariert weder Data Leakage und Survivorship Bias noch die Auswahl unter Tausenden Modellen oder unrealistische Fills. Ein nicht beobachtetes Regime, eine Krise oder operative Einschränkung kann nur durch ein ausdrückliches Modell eingeführt werden.
Verschiedene Methoden, verschiedene Fragen
| Methode | Erzeugtes Ergebnis | Erhaltene Eigenschaft | Hauptrisiko |
|---|---|---|---|
| Reihenfolgepermutation | dieselben Ergebnisse neu geordnet | Ergebniswerte und P&L-Summe vor Compounding | zerstört Abhängigkeit und erzeugt keine neuen Ausgänge |
| iid-Bootstrap | Ziehen mit Zurücklegen | empirische Randverteilung | unterstellt unabhängige, identisch verteilte Einheiten |
| Block-Bootstrap | zusammenhängende Blöcke | Teil lokaler Abhängigkeit | Sensitivität für Blocklänge und Stationarität |
| Stationary Bootstrap | Blöcke zufälliger Länge | schwache Abhängigkeit unter Annahmen | Längenparameter und Regimewechsel |
| Parametrisches Monte Carlo | Ziehen aus geschätzter Verteilung oder Prozess | ausdrücklich modellierte Struktur | Modellrisiko und fehlende Verteilungsschwänze |
| Szenariosimulation | auferlegte, narrativ konsistente Schocks | vom Designer ausgewählte Risiken | unvollständige Abdeckung und unbekannte Wahrscheinlichkeit |
„Monte Carlo“ bedeutet nicht automatisch parametrisch; „Bootstrap“ erhält nicht automatisch Abhängigkeit. Eine belastbare Beschreibung nennt Algorithmus, Resampling-Einheit, Blockgröße, Replikationszahl, Seed, Parameterschätzung und Aggregation.
Was wird resampelt?
Der einzelne Trade ist oft mehrdeutig. Mehrere Trades können vom selben Signal oder Marktereignis abhängen; überlappende Positionen teilen Renditen; Cross-Section-Strategien erzeugen viele Trades im selben Rebalancing. iid-Resampling einzelner Trades behandelt sie als unabhängige Versuche und kann Unsicherheit unterschätzen.
Mögliche Einheiten sind:
- periodische Portfoliorenditen;
- Cross-Section-Vektoren desselben Zeitstempels;
- Zeitblöcke aus Renditen und Zuständen;
- vor dem Ergebnis definierte Tradingepisoden;
- Residuen eines Modells bei getrennt erhaltener systematischer Komponente;
- geschätzte Parameter und simulierte Innovationen eines festgelegten Prozesses.
Die Einheit muss die für die Frage relevante Abhängigkeit bewahren. Wer für Portfolio-Drawdown jede Position getrennt resampelt, kann genau die Korrelation in kritischen Episoden löschen.
Reihenfolge, Compounding und Drawdown
Ohne Compounding und pfadabhängige Einschränkungen ändert die Reihenfolge derselben P&L-Werte nicht ihre Summe, aber die Folge und damit den maximalen Drawdown. Bei prozentualem Sizing, Margin, Liquidation, Volatility Targeting oder Limits können sich auch Endkapital und künftige Positionen ändern.
Je simuliertem Pfad lassen sich unter anderem maximaler Drawdown und Erholungsdauer, kumulierte Rendite, bedingte Wahrscheinlichkeit eines definierten Limits, Turnover, Marginbedarf sowie Verteilungen von Sharpe oder Expectancy berechnen. Ein Quantil ist keine objektive Zukunftswahrscheinlichkeit, sondern gilt innerhalb des simulierten Modells unter dessen Inputs und Annahmen.
Block-Bootstrap und Abhängigkeit
Block-Bootstrap zieht zusammenhängende Sequenzen und erhält damit Teile von Autokorrelation, Volatilitätsclustering und Co-Movement. Zu kurze Blöcke verlieren Abhängigkeit; zu lange reduzieren die Zahl effektiv kombinierbarer Einheiten.
Der Stationary Bootstrap von Politis und Romano verwendet zufällige Blocklängen und erzeugt im theoretischen Design eine stationäre resampelte Reihe. Auch er benötigt Bedingungen und eine erwartete Blocklänge. Bei strukturellen Regimewechseln kann die Austauschbarkeit aller Blöcke irreführen. Mehrere begründete Spezifikationen zu vergleichen ist sinnvoller, als die günstigste Intervallbreite zu suchen; Methodensensitivität ist selbst ein Ergebnis.
Parametrische Simulation und Szenarien
Ein parametrisches Modell kann Dynamiken abbilden, die einfaches Resampling nicht erzeugt, führt aber weitere Annahmen ein. Normalität, Unabhängigkeit, Volatilitätsprozess, Korrelationen und Regimeübergänge müssen genannt und diagnostiziert werden. Parameter aus einer kleinen Stichprobe als sicher zu behandeln unterschätzt Schätzunsicherheit.
Szenarien können seltene oder nicht vorhandene Schocks ergänzen: Gaps, größere Spreads, ungünstige Korrelation, höhere Borrow-Kosten, Verzögerungen und Margin Calls. Auch ohne genaue Wahrscheinlichkeit dienen sie als Verwundbarkeitstest. Deterministische Szenarien und probabilistische Quantile dürfen jedoch nicht gleich interpretiert werden.
Illustratives Beispiel — Eine Strategie zeigt tägliche Renditen mit Volatilitätsclustering. iid-Bootstrap liefert einen engen Fächer, Block-Bootstrap mehr geballte Verlustfolgen und breitere Drawdowns. Der zweite ist nicht automatisch „wahr“; der Vergleich zeigt die Abhängigkeit der Schlussfolgerung von der Zeitstruktur. Beide Varianten, begründete Blocklängen und ein separates Szenario höherer Kosten werden dokumentiert. Kein Quantil ist eine Garantie.
Reproduzierbares Protokoll
- Frage und Statistik vor der Simulation definieren.
- Einheit und zu erhaltende Abhängigkeit identifizieren.
- Modell, Parameter, Blöcke, Replikationen und Seed offenlegen.
- Compounding, Sizing, Kosten und Einschränkungen einbeziehen, wenn sie den Pfad verändern.
- Materielle Schätzunsicherheit weitergeben.
- Begründete Spezifikationen vergleichen und Sensitivität zeigen.
- Wahrscheinlichkeitsquantile von Szenarien ohne zugewiesene Wahrscheinlichkeit trennen.
- Code, Input und Output reproduzierbar aufbewahren.
Simulation ist eine Linse auf bedingte Unsicherheit. Sie ist wertvoll, wenn sie sichtbar macht, was ein einzelner historischer Pfad verbirgt, und wenig wertvoll, wenn sie einem schwachen Modell lediglich weitere Dezimalstellen gibt.
Die Ausgabe sollte deshalb nicht nur ein günstiges Quantil zeigen. Sinnvoll sind die gesamte relevante Verteilung, Sensitivität gegenüber Blocklänge oder Modellparametern sowie die Konzentration der Resultate auf wenige historische Beobachtungen. Ändert bereits eine kleine, begründete Methodenanpassung die Entscheidung, ist diese Fragilität selbst ein zentrales Ergebnis der Analyse.
Quellen
- Bradley Efron, Bootstrap Methods: Another Look at the Jackknife — grundlegender Artikel zu Bootstrap und Resampling-Schätzung.
- Dimitris N. Politis und Joseph P. Romano, The Stationary Bootstrap — zufällig lange Blöcke für schwach abhängige stationäre Daten.
- Andrew W. Lo, The Statistics of Sharpe Ratios — Einfluss zeitlicher Abhängigkeit auf Verteilung und Annualisierung des Sharpe.
- Joseph Simonian, CFA Institute Research Foundation, Investment Model Validation: A Guide for Practitioners — Rolle von Monte Carlo, Bootstrap und Stresstests in der Investmentmodellvalidierung.