Probabilistic Sharpe Ratio (PSR):Definition, Formel und Fat-Tail-Korrektur

Die traditionelle Sharpe Ratio leidet unter zwei gravierenden methodischen Mängeln: Sie betrachtet die historische Rendite als deterministische Punktlandung und setzt voraus, dass Kursgewinne einer Gaußschen Normalverteilung folgen. In der Praxis weisen Finanzmärkte leptokurtische Verteilungen (Fat Tails) auf. Asymmetrische Handelsstrategien wie Short-Volatility-Modelle, Covered Calls oder Arbitrage-Ansätze erzeugen künstlich geglättete Renditereihen mit extremen linken Verlustflanken. Die PSR enttarnt solche Strategien, indem sie die Standardabweichung des Sharpe-Schätzers exakt modelliert.

Ausgehend von den Arbeiten von Andrew Lo sowie Karl Mertens bewiesen Bailey und López de Prado, dass die Standardabweichung des Sharpe-Quotienten bei nicht-normalen Renditen empfindlich von Schiefe und Wölbung abhängt. Die Varianz des Schätzers vergrößert sich dramatisch, wenn die Kurtosis über den Normalwert von 3 ansteigt oder eine ausgeprägt negative Schiefe vorliegt:

In dieser Gleichung bezeichnet T die Anzahl der Renditebeobachtungen, γ₃ die Schiefe (Skewness) und γ₄ die Wölbung (Kurtosis). Ist die Renditeverteilung normalverteilt mit γ₃ = 0 und γ₄ = 3, vereinfacht sich der Nenner zum klassischen Lo-Standardfehler.

Die Probabilistic Sharpe Ratio testet die Hypothese, ob der reale Sharpe-Quotient über einer Benchmark SR* liegt (standardmäßig SR* = 0). Sie wertet die kumulierte Standardnormalverteilung an der z-standardisierten Teststatistik aus:

Hierbei steht Φ für die kumulierte Normalverteilungsfunktion. Ein Wert von PSR = 0,95 bedeutet, dass mit 95 Prozent statistischer Konfidenz davon ausgegangen werden kann, dass die Strategie einen echten Mehrwert gegenüber der Benchmark liefert.

Betrachte den Unterschied zwischen einer symmetrischen Anlagestrategie und einem linksschiefen Modell wie das Aufsammeln von Münzen auf einer Baustelle:

• Der solide Handwerker (Symmetrische Normalverteilung): Ein Handwerker verdient jeden Tag verlässlich seinen Lohn. An manchen Tagen läuft es etwas besser, an anderen etwas schlechter, aber Gewinne und Verluste schwanken gleichmäßig um einen stabilen Mittelwert ($\gamma_3 \approx 0$). Das Risiko ist transparent und die gemessene Sharpe Ratio spiegelt die reale Güte der Arbeit wahrheitsgetreu wider.
• Der Cent-Sammler vor der Planierraupe (Linksschiefe mit Fat Tails): Ein Sammler bückt sich auf der Baustelle nach 50-Cent-Münzen, während hinter ihm eine schwere Planierraupe rollt. 200 Tage lang sammelt er täglich völlig ungestört Münzen ein. Seine Kurve steigt wie an der Schnur gezogen und seine nominale Sharpe Ratio explodiert auf einen Spitzenwert von über 2,00. An Tag 201 stolpert er jedoch: Die Planierraupe überrollt das gesamte Kapital.

Genau dieser Täuschung erliegen Investoren, wenn sie Handelsmodelle ausschließlich nach der traditionellen Sharpe Ratio bewerten. Strategien wie das Schreiben ungedeckter Optionen (Short Volatility), Carry-Trades im Devisenmarkt oder Arbitrage-Ansätze erzeugen über Monate künstlich geglättete Gewinne bei minimaler historischer Standardabweichung.

Die klassische Sharpe Ratio unterstellt blind, dass diese Kursgewinne einer Gaußschen Glockenkurve folgen. Sie ignoriert, dass das linke Ende der Verteilung extrem dick ist (Leptokurtosis / Fat Tails) und ein einziger Schock das Gesamtsystem pulverisieren kann.Der

Ausweg durch die Probabilistic Sharpe Ratio:
Die PSR entlarvt geschönte Renditereihen schonungslos. Indem sie die Schiefe ($\gamma_3$) und die Wölbung ($\gamma_4$) direkt in die Standardabweichung des Sharpe-Schätzers einrechnet, bestraft sie asymmetrische Verlustflanken mathematisch präzise. Selbst bei einer nominalen Sharpe Ratio von 1,60 zeigt die PSR in solchen Szenarien transparent an, dass die statistische Wahrscheinlichkeit für echtes Können oft auf unter 50 Prozent zusammenbricht.

Die folgende Referenz-Implementierung in reinem NumPy, Pandas und SciPy berechnet die annualisierte Sharpe Ratio aus täglichen Renditen und ermittelt die Probabilistic Sharpe Ratio (PSR) unter systematischer Korrektur für Schiefe (Skewness), Wölbung (Kurtosis) und Historienlänge:

import numpy as np
import pandas as pd
import scipy.stats as stats

def calculate_psr(returns: pd.Series, benchmark_sr: float = 0.0, periods_per_year: int = 252) -> dict:
    """
    Berechnet die Probabilistic Sharpe Ratio (PSR) nach Bailey & López de Prado (2012)
    unter Beruecksichtigung von Schiefe (Skewness) und Kurtosis (Fat Tails).
    """
    clean_returns = returns.dropna()
    n_samples = len(clean_returns)
    
    if n_samples < 3:
        return {
            "annualized_sr": 0.0,
            "psr_score": 0.0,
            "skewness": 0.0,
            "kurtosis": 3.0,
            "is_significant_95": False
        }

    # 1. Annualisierte nominale Sharpe Ratio
    mean_ret = clean_returns.mean()
    std_ret = clean_returns.std(ddof=1)
    if std_ret == 0.0 or np.isnan(std_ret):
        return {"annualized_sr": 0.0, "psr_score": 0.0, "is_significant_95": False}
    sr_hat = (mean_ret / std_ret) * np.sqrt(periods_per_year)

    # 2. Statistische Momente hoeherer Ordnung
    gamma_3 = float(stats.skew(clean_returns, bias=False))
    gamma_4 = float(stats.kurtosis(clean_returns, fisher=False, bias=False))

    # 3. Standardfehler des Sharpe-Schaetzers unter Nicht-Normalitaet
    var_denom = 1.0 - (gamma_3 * sr_hat) + (((gamma_4 - 1.0) / 4.0) * (sr_hat ** 2))
    sigma_sr = np.sqrt(max(1e-6, var_denom) / (n_samples - 1.0))

    # 4. PSR-Auswertung ueber kumulierte Normalverteilung
    z_stat = (sr_hat - benchmark_sr) / sigma_sr
    psr_value = float(stats.norm.cdf(z_stat))

    return {
        "annualized_sr": round(float(sr_hat), 3),
        "benchmark_sr": float(benchmark_sr),
        "psr_score": round(psr_value, 4),
        "psr_pct": round(psr_value * 100.0, 2),
        "skewness": round(gamma_3, 3),
        "kurtosis": round(gamma_4, 3),
        "is_significant_95": bool(psr_value >= 0.95)
    }

Hinweis für Quant-Pipelines: Achte bei der Berechnung der Kurtosis in SciPy auf den Parameter fisher=False, um die Pearson-Kurtosis zu verwenden (Normalverteilung entspricht exakt 3,0). Bei fisher=True wird die Exzess-Kurtosis berechnet (Normalverteilung entspricht 0,0), was die Varianzformel verfälschen würde.

Im institutionellen Asset Management schützt die PSR vor verhängnisvollen Kapitalallokationen:

• Erkennung von Tail-Risk-Strategien: Ein Algorithmus mit einer optisch brillanten Sharpe Ratio von 2,00 kann bei stark negativer Schiefe und hoher Kurtosis eine PSR von unter 0,60 aufweisen. Die PSR offenbart, dass der Track Record mit 40 Prozent Wahrscheinlichkeit auf stochastischem Zufall beruht.
• Bewertung kurzer Historien: Bei jungen Fonds oder neu aufgesetzten Krypto-Strategien ist die Stichprobengröße T gering. Die PSR quantifiziert präzise den Abschlag, den Investoren für eine kurze Datenhistorie verlangen müssen.
• Basis für MinTR und DSR: Löst man die PSR-Gleichung nach dem Zeithorizont T auf, erhält man unmittelbar die Minimum Track Record Length (MinTR). Ersetzt man die Benchmark SR* durch das stochastische Maximum aus multiplen Tests, transformiert sich die Formel zur Deflated Sharpe Ratio (DSR)

Obwohl die PSR gegenüber der Standard-Sharpe-Ratio einen Quantensprung darstellt, besitzt sie klare Systemgrenzen:

• Kein Schutz vor Selektionsverzerrung: Die PSR bewertet ausschließlich eine isolierte Strategie. Wurde das Modell aus 1.000 Backtest-Iterationen selektiert, bleibt auch die PSR anfällig für P-Hacking. Für diesen Fall muss zwingend die Deflated Sharpe Ratio eingesetzt werden.
• Sensitivität bei Schätzfehlern höherer Momente: Schiefe und insbesondere Kurtosis reagieren extrem anfällig auf einzelne historische Ausreißer. Bei kurzen Zeitreihen kann die empirische Kurtosis stark verzerrt sein, was die PSR künstlich verfälscht.
• Stationaritätsannahme: Die Berechnung unterstellt, dass die stochastischen Eigenschaften der Renditeverteilung über den gesamten Beobachtungszeitraum stabil bleiben. Strukturelle Marktbrüche verletzen diese Voraussetzung.