Conditional Value at Risk (CVaR):Definition, Formel und Tail Risk

Der klassische Value at Risk beantwortet lediglich die Frage, welcher Verlust mit einer bestimmten Wahrscheinlichkeit nicht überschritten wird. Tritt jedoch der seltene Extremfall ein, bleibt der VaR vollkommen blind gegenüber der tatsächlichen Verlusthöhe. Ein Portfolio mit moderaten Verlusten jenseits der Schwelle besitzt denselben VaR wie ein System mit totalem Kapitalverlust. Der CVaR behebt diesen methodischen Konstruktionsfehler, indem er den arithmetischen Durchschnitt aller Verluste bildet, die jenseits des VaR-Quantils liegen.

Für eine stetige Renditeverteilung R bei einem Signifikanzniveau (1-α) berechnet sich der CVaR als bedingter Erwartungswert aller Erträge, die unterhalb des negativen VaR liegen:

Alternativ lässt sich der Expected Shortfall als kontinuierliches Integral über alle Quantilschwellen u von null bis (1-α) formulieren:

Liegt der 99%-VaR eines Portfolios bei 4 Prozent und der 99%-CVaR bei 7,5 Prozent, so verliert die Strategie in den schlimmsten einem Prozent aller Handelstage im Mittel 7,5 Prozent ihres Wertes.

Philippe Artzner, Freddy Delbaen, Jean-Marc Eber und David Heath definierten 1999 vier mathematische Axiome für kohärente Risikomaße: Translationsinvarianz, positive Homogenität, Monotonie und Subadditivität:

Der klassische VaR verletzt dieses Kriterium bei asymmetrischen Verteilungen mit dicken Enden. Zwei fusionierte Portfolios können einen höheren VaR aufweisen als die Summe ihrer Einzelrisiken, wodurch Diversifikation rechnerisch bestraft wird. Der CVaR garantiert die Einhaltung der Subadditivität stets, wodurch er mathematisch fehlerfreie Allokationsentscheidungen ermöglicht.

Betrachte den Unterschied zwischen Value at Risk und Conditional Value at Risk wie die Warnung vor einem Gewässer:

• Der Value at Risk (VaR): Das Schild warnt: „An 95 von 100 Stellen ist das Wasser mindestens 1,80 Meter tief.“ Ein Schwimmer weiß nun, dass er an den meisten Stellen nicht mehr stehen kann. Er erfährt jedoch mit keinem Wort, ob die verbleibenden fünf Stellen 2,10 Meter tief sind oder ob sich dort ein bodenloser 50-Meter-Abgrund auftut.
• Der Conditional Value at Risk (CVaR): Die Kennzahl schaut gezielt in den Gefahrenbereich und beziffert den Ernstfall: „Wenn du an eine der tiefen Stellen gerätst, beträgt die Wassertiefe dort im Durchschnitt 14 Meter.“ Erst diese Information offenbart das reale Ertrinkungsrisiko.

Klassische Risikomodelle scheitern in Marktkrisen regelmäßig, weil sie Portfolios ausschließlich auf den VaR-Schwellenwert optimieren. Ein Algorithmus kann Handelsstrategien konstruieren (beispielsweise durch das permanente Verkaufen weit aus dem Geld liegender Optionen), die über Jahre einen scheinbar harmlosen VaR von 2 Prozent aufweisen. Tritt jedoch ein unvorhergesehenes Marktereignis ein, schlagen die Verluste jenseits der Schranke mit 40 oder 60 Prozent ein. Der VaR sieht nur die Spitze des Eisbergs oberhalb der Wasserlinie, ignoriert aber die zerstörerische Masse darunter.

Der Ausweg durch den Conditional Value at Risk (Expected Shortfall):
Der CVaR berechnet nicht den Grenzwert, sondern die mathematische Erwartung aller Verluste innerhalb der Crash-Zone. Da er mathematisch subadditiv ist, lässt er sich nicht durch asymmetrische Derivategeschäfte täuschen, belohnt echte Portfoliodiversifikation und bildet das regulatorische Fundament moderner Bankenstresstests.

Die folgende Referenz-Implementierung in NumPy und SciPy berechnet den historischen Expected Shortfall sowie den parametrischen Student-t-CVaR für asymmetrische Renditeverteilungen:

import numpy as np
import scipy.stats as stats

def calculate_cvar(returns: np.ndarray, alpha: float = 0.95) -> dict:
    """
    Berechnet Value at Risk (VaR) und Conditional Value at Risk (CVaR / Expected Shortfall).
    Vergleicht die historische Methode mit dem parametrischen Student-t-Ansatz.
    """
    # 1. Historischer VaR und CVaR (Nicht-parametrisch)
    hist_var = -np.percentile(returns, (1.0 - alpha) * 100)
    tail_losses = returns[returns <= -hist_var]
    hist_cvar = -np.mean(tail_losses) if len(tail_losses) > 0 else hist_var
    
    # 2. Parametrischer Student-t CVaR (Fat-Tail-Modellierung)
    params = stats.t.fit(returns)
    df, loc, scale = params[0], params[1], params[2]
    
    t_quant = stats.t.ppf(1.0 - alpha, df)
    param_var = -(loc + scale * t_quant)
    
    # Analytischer Expected Shortfall für Student-t
    c = stats.t.pdf(t_quant, df) / (1.0 - alpha)
    param_cvar = -(loc - scale * c * ((df + t_quant**2) / (df - 1.0)))
    
    return {
        "historic_var": float(hist_var),
        "historic_cvar": float(hist_cvar),
        "parametric_var_t": float(param_var),
        "parametric_cvar_t": float(param_cvar),
        "degrees_of_freedom": float(df)
    }

In der institutionellen Banken- und Fondspraxis hat der CVaR den VaR in Kernbereichen verdrängt:

• Der Baseler Standard (FRTB): Im Rahmen der Fundamental Review of the Trading Book ersetzte der Baseler Ausschuss für Bankenaufsicht den 99%-VaR durch den 97,5%-Expected Shortfall zur Bemessung der regulatorischen Eigenmittelunterlegung für Marktrisiken.
• Portfoliokonstruktion via Rockafellar-Uryasev: Rockafellar und Uryasev bewiesen, dass die Optimierung des CVaR als lineares Programm lösbar ist. Dadurch können Portfolios mit Hunderten Titeln direkt auf minimalen CVaR optimiert werden, ohne dass quadratische Restriktionen kollabieren.
• Stresstest für Short-Volatility- und Derivatebücher: Algorithmen, die Optionen verkaufen, zeigen über Monate geringe VaR-Werte. Der CVaR entlarvt diese Strategien, indem er die verheerenden Tail-Spitzen im Ernstfall beziffert.

Trotz seiner mathematischen Kohärenz weist der CVaR praktische Hürden auf:

• Elicitability-Problem beim Backtesting: Während der VaR elicitable ist (Trefferquoten lassen sich über Binomialtests einfach validieren), war der CVaR lange Zeit nicht direkt als Punktvorhersage überprüfbar. Erst neuere mathematische Ansätze (Fissler und Ziegel, 2016) ermöglichen gemeinsame Tests von VaR und CVaR.
• Geringe Stichprobengröße im Extrembereich: Da der CVaR nur die äußersten 1 oder 2,5 Prozent der Verteilung auswertet, stützt sich die Berechnung in historischen Datenreihen auf sehr wenige Beobachtungen, was Schätzunsicherheiten erhöht.
• Extreme Sensitivität gegenüber Datenfehlern: Ein einzelner fehlerhafter Datenpunkt im extremen Verlustbereich verzerrt den Erwartungswert des CVaR erheblich stärker als den rangbasierten VaR.