Die Lognormalverteilung ist ein klassisches Modell für proportionale Wachstumsprozesse. Wird zum Beispiel eine Lohnerhöhung von 5 % vergeben, dann bekommt, wer heute viel verdient, mehr als jemand, der heute wenig verdient. Beide bekommen jeweils 5 % ihres heutigen Gehalts.
Wir zeigen im Folgenden, wie die Verteilung definiert ist und wie sie in einem Wachstumsprozess Schritt für Schritt entsteht. Wir sehen uns ihre beiden charakteristischen Eigenschaften an und prüfen an den Kursen des DAX, wo ihre Grenzen liegen. Danach parametrisieren wir sie in Excel mit Risk Kit und schneiden unrealistisch große Werte ab.
Was ist eine Lognormalverteilung?
Proportionale Wachstumsprozesse sind relativ häufig. Ein großer Baum wächst mit mehr Massezuwachs als ein kleiner Baum. Eine große Bakterienkultur wächst stärker als eine kleine, der Zuwachs ist dort größer. Ein hoher Preis wird von der Inflationsrate stärker erhöht als ein niedriger Preis. Die relative Änderung ist jeweils die gleiche, aber die absolute Änderung unterscheidet sich.
Konkret nimmt man bei der Lognormalverteilung an, dass der Logarithmus des Wachstumsfaktors normalverteilt ist. Die Verteilung hat zwei Parameter, μ und σ. Sie sind der Erwartungswert und die Standardabweichung der Normalverteilung, die den logarithmierten Wachstumsfaktor beschreibt. Für eine lognormalverteilte Zufallszahl X gilt also, dass ln X normalverteilt ist. In der Formel steht σ² für die Varianz, das Quadrat der Standardabweichung:
ln X ~ N(μ, σ²)
Wie entsteht eine Lognormalverteilung in einem Wachstumsprozess?
Wir sehen uns das an einer Liste in Excel an. In Abbildung 1 steht in Spalte A der Tag, in Spalte B der Logarithmus des Wachstumsfaktors und in Spalte C der Wert. Am Tag 0 beträgt der Wert 100, er steht in Zelle C2.
Wir nehmen an, dass der logarithmierte Wachstumsfaktor normalverteilt ist, mit einer erwarteten Wachstumsrate von 0,03 % und einer Volatilität (Standardabweichung) von 1,5 %. In Spalte B zieht Risk Kit diese Zufallszahlen, in Zelle B3 zum Beispiel mit der Funktion =+Normal_variate(0,03%;1,5%). Dort ist gerade −0,5358 % herausgekommen.
Der neue Wert ergibt sich aus dem alten Wert mal e hoch dem logarithmierten Wachstumsfaktor. In Zelle C3 steht deshalb die Formel =+C2*EXP(B3), die Sie in der Bearbeitungsleiste von Abbildung 1 sehen. Die e-Funktion neutralisiert den Logarithmus. Wir multiplizieren den Wert von gestern also einfach mit dem Wachstumsfaktor. Aus dem Startwert 100 wird so am Tag 1 der Wert 99,47.
Abbildung 1: Ein Wachstumsprozess in Excel. Spalte B enthält die logarithmierten Wachstumsfaktoren, Spalte C den Wert. Zelle C3 berechnet den Wert von Tag 1 mit =+C2*EXP(B3).
Am Tag 2 ist das Vorgehen dasselbe. Der Startwert ist jetzt aber nicht mehr der Wert von Tag 0, sondern der von Tag 1. Der Vortag ist also jeweils der neue Startwert. So entsteht Schritt für Schritt aus dem Vortageswert ein neuer Wert, und wir erhalten einen Wachstumsprozess.
Der Wert nach jedem Schritt ist der Startwert mal das Produkt aller bisherigen Wachstumsfaktoren. Nach jedem Schritt ist dieser Prozess lognormalverteilt. Daran sehen wir, dass das Produkt von unabhängigen lognormalverteilten Zufallszahlen wieder lognormalverteilt ist.
Der Wert nach 100 Tagen
Diesen Schritt führen wir viele Male hintereinander aus, nämlich für 100 Tage. Die Zelle mit dem Wert nach 100 Tagen ist als Ausgabe mit dem Namen „Wert nach 100 Tagen Wachstum“ markiert. Dann simulieren wir, wie dieser Wert nach 100 Tagen Wachstum aussieht.
Anschließend kalibrieren wir die simulierten Werte auf eine Lognormalverteilung. Das heißt, wir passen eine Lognormalverteilung an die simulierten Daten an. Dazu wählen wir im Kalibrierungsdialog von Risk Kit die Lognormalverteilung aus und klicken auf „Kalibrieren“.
Abbildung 2 zeigt das Ergebnis. Die orangen Säulen sind das Histogramm der simulierten Werte nach 100 Tagen. Die waagerechte Achse zeigt den Wert, die senkrechte Achse die Dichte: Je höher eine Säule, desto häufiger kamen Werte in diesem Bereich vor. Die blaue Linie ist die kalibrierte Lognormalverteilung. Sie passt hervorragend auf die Daten. Links unten stehen die geschätzten Parameter, Mu = 4,6350 und Sigma = 0,1498.
Abbildung 2: Kalibrierung auf die simulierten Werte nach 100 Tagen. Die blaue Lognormalverteilung liegt eng auf dem orangen Histogramm, links unten stehen die geschätzten Parameter.
Über die Registerkarte „PDF (Log)“ lässt sich die Dichte auf einer logarithmischen Skala anzeigen. Damit kann man die Details, also die kleinen Werte, noch besser unterscheiden. Auch dort passt die Lognormalverteilung überall sehr gut.
Welche Eigenschaften hat eine Lognormalverteilung?
Die Lognormalverteilung hat zwei charakteristische Eigenschaften.
Sie kann nicht negativ werden
Als Erstes kann die Lognormalverteilung nicht negativ werden. Es wird immer ein positiver Faktor mit dem Startwert multipliziert, deshalb bleiben wir positiv. Dinge, die negativ sind, können grundsätzlich nicht lognormalverteilt sein. Das ist eine wichtige Grenze.
Immer positiv sind zum Beispiel Wechselkurse und Aktienkurse. Würde ein Wechselkurs negativ, dann würde ich die Währung einfach wegwerfen und nicht noch Geld dafür zahlen, dass ich sie loswerde. Ähnlich wäre es bei Aktien.
Das gilt aber nicht für jeden Preisfaktor. Zinsen zum Beispiel können negativ werden, wie wir es in den letzten zehn Jahren gesehen haben. Auch Rohstoffpreise können negativ werden. Der Strompreis wird bei Überproduktion negativ, wir müssen dann Geld zahlen, damit uns jemand den Strom abnimmt. Das kann bei allen Rohstoffen grundsätzlich passieren, wenn ein Überangebot herrscht. Diese Preise sind also nicht unbedingt in allen Lebenslagen lognormalverteilt.
Sie ist immer rechtsschief
Die zweite Eigenschaft ist, dass die Lognormalverteilung immer rechtsschief ist. Sie ist nicht symmetrisch, sondern am rechten Ende länger. Wie wir weiter unten sehen, kann dieses rechte Ende auch extrem lang werden. Der Tail kann im Extremfall also sehr gefährlich werden.
Wann passt eine Lognormalverteilung?
Eine erste Grenze haben wir schon gesehen: Was negativ werden kann, ist nicht in allen Lebenslagen lognormalverteilt. Eine zweite Grenze zeigt sich, wenn wir die Lognormalverteilung auf echte Preisentwicklungen anwenden.
Beispiel: die Returns des DAX
Als Beispiel nehmen wir den DAX von 1994 bis 2025. Das sind Werte, die wir tatsächlich am Markt beobachten können. Aus ihnen können wir die logarithmierten Preisfaktoren, die sogenannten Returns, rückwärts rechnen. Der Preisfaktor ist der Preis heute geteilt durch den Preis gestern. Davon nehmen wir den Logarithmus.
Wäre der DAX lognormalverteilt, müssten diese Returns normalverteilt sein. Wir kalibrieren deshalb eine Normalverteilung auf alle Returns. Das Ergebnis in Abbildung 3 sieht gar nicht so gut aus. Die orangen Säulen sind das Histogramm der täglichen Returns. Die blaue Linie ist die Normalverteilung, die am besten auf die Daten passt, mit Mu = 0,0003 und Sigma = 0,0140. Sie ist in der Mitte zu niedrig, denn die Säulen ragen dort weit über die Linie hinaus. An den Flanken, also links und rechts neben dem Gipfel, liegt die Linie über den Säulen. In den Flügeln, also ganz außen, ist sie wieder zu niedrig. Links oben steht der Kolmogorov-Smirnov-Wert, ein Maß dafür, wie stark die Verteilung von den Daten abweicht: Hier sind es 0,0741, bei der Lognormalverteilung in Abbildung 2 waren es 0,0061.
Abbildung 3: Normalverteilung, kalibriert auf die täglichen Returns des DAX. Die blaue Linie ist in der Mitte zu niedrig, an den Flanken zu hoch und in den Flügeln wieder zu niedrig.
Noch besser sieht man das, wenn man die Dichte logarithmisch darstellt. An den Flanken ist die Normalverteilung zu hoch, und in den Tails, also an den Flügeln, ist sie viel zu niedrig.
Ein Gegenstück zum zentralen Grenzwertsatz
Wie kommt es dazu? Im Beitrag zur Normalverteilung haben wir den zentralen Grenzwertsatz vorgestellt. Er gibt einen Rahmen dafür, wann die Normalverteilung besonders gut passt. Seine Aussage ist, dass die Summe von lauter Zufallseinflüssen normalverteilt ist, wenn jeder einzelne Einfluss mehr oder weniger unabhängig von den anderen ist und wenn kein Einfluss dominant ist, also jeder im Verhältnis zur Summe vernachlässigbar ist. Dann kommt in der Summe näherungsweise eine Normalverteilung heraus.
Etwas Analoges gilt für die Lognormalverteilung. Ein Produkt aus vielen Wachstumsfaktoren ist insgesamt näherungsweise lognormalverteilt, wenn jeder einzelne Faktor mehr oder weniger unabhängig von den anderen ist und keiner eine dominante Rolle spielt. Jeder Faktor geht dann vernachlässigbar in der Masse unter.
Einzelne Ereignisse fallen aus dem Rahmen
Wie sieht das für die Entwicklung des DAX aus? Abbildung 4 zeigt zwei Linien. Die blaue Linie ist der DAX selbst, seine Werte stehen an der rechten Achse. Er steigt von 1994 an mit einem Auf und Ab immer weiter bis heute. Die orange Linie zeigt die täglichen logarithmierten Wachstumsraten, also die Returns, mit der Skala an der linken Achse.
Bei diesen Wachstumsraten fällt auf, dass die Entwicklung nicht einheitlich ist. Immer wieder gibt es Ausschläge, die aus dem Rahmen fallen, also sehr große Werte. Einige davon können wir namentlich benennen:
- Am 11. September 2001 gab es das Attentat auf das World Trade Center.
- Im Oktober 2008 erreichte die Finanzkrise ihren Höhepunkt.
- Im März 2020 brachen die Kurse zu Beginn der Pandemie ein. Hier liegt mit etwa −13 % der tiefste Ausschlag der orangen Linie.
- Anfang März 2022, kurz nach Beginn des Kriegs in der Ukraine, schlug der DAX stark aus.
Abbildung 4: DAX-Werte (blau, rechte Achse) und tägliche logarithmierte Wachstumsraten (orange, linke Achse) von 1994 bis 2025. Einzelne Ausschläge fallen weit aus dem Rahmen.
Die Annahme, dass alle logarithmierten Wachstumsraten, die hier für die Preisentwicklung eine Rolle spielen, im Gesamtkontext vernachlässigbar sind und im Rauschen untergehen, ist also nicht erfüllt. Es gibt einzelne prominente Effekte, die total aus dem Rahmen fallen. Genau das haben wir in der Kalibrierung in Abbildung 3 gesehen.
Verteilungen für extreme Ereignisse
Wir können die Returns deshalb noch einmal neu kalibrieren und weitere Verteilungen hinzunehmen, die besser als die Normalverteilung geeignet sind, extreme Ereignisse darzustellen. Das sind die Laplace-Verteilung, die Normal-Invers-Gauß-Verteilung und die Poly-Verteilung.
In Abbildung 5 sehen wir, dass die Anpassung jetzt sehr viel besser ist als vorher. Die Linien der Poly-Verteilung (blau), der Normal-Invers-Gauß-Verteilung (grün) und der Laplace-Verteilung (rot) folgen dem Histogramm in der Mitte, an den Flanken und in den Flügeln viel, viel besser als die Normalverteilung (violett), die wir schon hatten. Diese drei Verteilungen können sozusagen die langen Tails darstellen. In der logarithmischen Darstellung wird das noch deutlicher: In den Flügeln ist ihre Anpassung sehr, sehr viel besser als bei der Normalverteilung.
Abbildung 5: Neue Kalibrierung auf die Returns des DAX. Poly-, Normal-Invers-Gauß- und Laplace-Verteilung liegen eng am Histogramm, die Normalverteilung (violett) nicht.
Dass einzelne Ereignisse so weit aus dem Rahmen fallen, ist eine wichtige Grenze auch für die Paradedisziplin der Lognormalverteilung, die proportionale Wachstumsentwicklung. Auch sie lässt sich nur dann mit einer Lognormalverteilung beschreiben, wenn keine einzelne Änderung dominiert.
Wie simuliert man eine Lognormalverteilung in Excel?
Kurz gesagt: Risk Kit ist ein Add-in für Microsoft Excel, mit dem man Monte-Carlo-Simulationen direkt in der Tabelle aufbaut und auswertet. Was wir hier zeigen, gilt aber allgemein. Ob man mit Risk Kit, mit Python oder mit einem anderen Tool simuliert: Die Lognormalverteilung hat überall dieselben Parameter μ und σ und liefert dieselben Ergebnisse. Risk Kit bietet zusätzlich zwei alternative Parametrisierungen an, die wir unten zeigen.
Bisher haben wir die Verteilungen mit Daten kalibriert. Ihre Parameter haben wir also nicht selbst bestimmt, sondern über einen Algorithmus aus Daten abgeleitet. Wie kann man die Lognormalverteilung aber als Experte parametrisieren? In Risk Kit geht das im Eingabedialog der Verteilung. Wir tragen die Parameter direkt im Dialog ein und gehen so vor:
- Zelle E5 auswählen, auf der Risk-Kit-Toolbar die Schaltfläche „Beliebt“ öffnen und die Lognormalverteilung auswählen. Risk Kit öffnet den Eingabedialog der Funktion LogNormal_variate für Zelle E5.
- Im Feld „Parameter“ steht zunächst „Standard“. Das ist die Parametrisierung aus dem Lehrbuch mit den Feldern Mu und Sigma.
Die Standardparametrisierung mit Mu und Sigma
Mu und Sigma beschreiben, wie oben erklärt, die Normalverteilung des logarithmierten Wachstumsfaktors. Für den Wachstumsfaktor eines einzelnen Tages wären das in unserem Wachstumsprozess Mu = 0,03 % und Sigma = 1,5 %.
In der Praxis ist diese Darstellung für Experten allerdings sehr intransparent, weil die Ergebnisse ganz extrem von diesen Zahlen abhängen. Gebe ich für Mu und Sigma jeweils 1 ein, erhalte ich eine Lognormalverteilung, die ungefähr zwischen 0 und 350 liegt. Gebe ich aber jeweils 10 ein, geht das nicht etwa bis 3.500, sondern in aberwitzige Größenordnungen mit so vielen Nullen, wie ich sie gar nicht kenne. Kleine Änderungen an diesen Parametern führen zu gigantischen Änderungen am Ergebnis. Das ist so sensitiv, dass es für Experten unbrauchbar ist. Deshalb gibt es in Risk Kit alternative Parametrisierungen.
Erwartung und Standardabweichung
Deshalb wählen wir im Kombinationsfeld „Parameter“ eine andere Version, zum Beispiel „Erwartung + Standardabw.“. Die Felder heißen dann E und S. Bei dieser Parametrisierung sind E und S der Erwartungswert und die Standardabweichung der Lognormalverteilung selbst, also des Ergebnisses. Wir sagen hier, dass wir 1 Million als Erwartungswert möchten, mit einer Standardabweichung von 500.000.
Abbildung 6 zeigt den Dialog mit diesen Werten. Im Namenfeld von Excel oben links steht E5, die Zelle, für die der Dialog geöffnet wurde. Links im Dialog stehen das Feld „Parameter“ mit „Erwartung + Standardabw.“ und darunter E und S. In der Mitte zeigt Risk Kit die Dichte der Verteilung, mit der Überschrift LogNormal2_variate. Mit der Parametrisierung wechselt also die Funktion: „Erwartung + Standardabw.“ ist LogNormal2_variate, „Perzentil + Konfidenzniveau“ ist LogNormal3_variate (Abbildung 7). In Abbildung 6 nennen Titelzeile und Beschreibung des Dialogs allerdings noch die Standardversion LogNormal_variate mit den Parametern mu und sigma. Darunter steht die Formel der dargestellten Dichte, =LogNormal2_pdf(x;1000000;500000;;). Rechts stehen die Kennzahlen. Die Erwartung beträgt 1.000.000,00, und beim Maximum steht das Zeichen ∞.
Abbildung 6: Lognormalverteilung mit Erwartungswert 1 Million und Standardabweichung 500.000. Die waagerechte Achse reicht bis 8,5 Millionen. Im Hintergrund ist noch die Tabelle aus Abbildung 1 mit neu gezogenen Zufallszahlen zu sehen.
Wichtig ist, dass ich immer sofort visuelles Feedback bekomme, wie die Verteilung aussieht. Risk Kit zeigt in der Grafik den Bereich bis zu einem Ereignis von 1 zu 1 Million. Die Verteilung ist, wie oben gesagt, immer positiv und rechtsschief und kann weit hinausgehen. In Abbildung 6 endet die waagerechte Achse deshalb erst bei 8,5 Millionen: Über diesen Wert kommt die Verteilung nur einmal in einer Million Simulationsläufen.
Erwartungswert, Perzentil und Konfidenzniveau
Die zweite alternative Parametrisierung heißt „Perzentil + Konfidenzniveau“. Sie nimmt den Erwartungswert E sowie ein Perzentil Q mit dem Konfidenzniveau C. Ich kann also zusätzlich zum Erwartungswert von 1 Million sagen, dass ich sicher bin, dass der Wert unter 3 Millionen bleibt, und zwar mit einer Wahrscheinlichkeit von 99 %. Dann zeigt Risk Kit die entsprechende Lognormalverteilung.
Bei dieser Parametrisierung muss man allerdings aufpassen. Zwischen dem Quantil zu einem gegebenen Konfidenzniveau und dem Erwartungswert gibt es einen Zusammenhang, die beiden können nicht beliebig weit auseinanderliegen. Setze ich das Quantil zum Beispiel auf 14 Millionen hoch, reicht die Grafik plötzlich in den Milliardenbereich. Auch hier ist das visuelle Feedback der Grafik also sehr wichtig.
Gehe ich noch höher, ist es irgendwann nicht mehr möglich, eine Lognormalverteilung durch diese Werte zu legen. Hier kommen wir an die Grenze der Machbarkeit. Bei einem Quantil von 15 Millionen meldet Risk Kit neben dem Feld: „Q ist im Vergleich zu e zu groß, um das c-Perzentil in einer Lognormalverteilung zu sein.“
Wie schneidet man eine Lognormalverteilung ab?
Wir haben gesehen, dass die Lognormalverteilung potenziell Werte annehmen kann, die so groß sind, dass sie für unsere Anwendung keine realistische Größenordnung mehr darstellen. Nehmen wir zum Beispiel einen Erwartungswert von 1 Million und ein 99-%-Quantil von 5 Millionen an. Dann geht die Verteilung, wenn man sie nicht bremst, über 40 Millionen hinaus.
Hier kann es sinnvoll sein, die Verteilung zu retten, indem man sie abschneidet. Im Eingabedialog von Risk Kit geht das so:
- Unten links im Dialog auf den kleinen Pfeil neben dem Symbol mit den Verteilungen klicken und „Abschneiden“ wählen.
- Der Dialog zeigt jetzt die zusätzlichen Felder „Untere Grenze“ und „Obere Grenze“.
- Bei „Obere Grenze“ den Wert 15000000 eintragen. Die Verteilung soll also nicht größer werden als 15 Millionen.
Abbildung 7 zeigt das Ergebnis. Links stehen die Parameter E = 1000000, Q = 5000000 und C = 99 %, darunter die leere untere und die obere Grenze von 15000000. Die Grafik reicht jetzt nur noch bis etwa 15 Millionen statt über 40 Millionen. In den Kennzahlen rechts steht beim Maximum jetzt 15.000.000,00 statt ∞. Es wird also künstlich ein Maximum eingefügt.
Abbildung 7: Die Lognormalverteilung mit Erwartungswert 1 Million und 99-%-Quantil 5 Millionen, oben bei 15 Millionen abgeschnitten. Erwartung und 99-%-Quantil ändern sich nur geringfügig.
Das Abschneiden hat eine geringfügige Auswirkung auf das 99-%-Quantil. Es liegt jetzt bei 4.977.570,27 statt bei 5 Millionen und bleibt damit in derselben Größenordnung. Dasselbe gilt für den Erwartungswert, der jetzt bei 997.428,29 statt bei 1 Million liegt. Die Wahrscheinlichkeitsmasse, die wir oben abschneiden, ist so klein, dass sie kaum Auswirkungen auf diese beiden Größen hat. Die Verteilung bleibt aber in einer realistischen Größenordnung. Das erweitert den Anwendungsbereich der Lognormalverteilung unter Umständen noch einmal deutlich.
Weitere Verteilungen
Den Überblick über alle Verteilungen gibt unser Leitfaden „Wann nehme ich welche Verteilung?“.
- Wann nehme ich eine Bernoulli-Verteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wann die Bernoulli-Verteilung passt und welche Rolle sie als Weiche in einer Simulation spielt.
- Wann nehme ich eine Binomialverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wie die Binomialverteilung die Zahl der Erfolge in n unabhängigen Versuchen beschreibt und wie man sie in Excel berechnet.
- Wann nehme ich eine Poisson-Verteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wie die Poisson-Verteilung die Häufigkeit unabhängiger Ereignisse beschreibt und wann sie passt.
- Wann nehme ich eine Normalverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wann die Normalverteilung passt, wo ihre Grenzen liegen und wie man sie abschneidet.
- Wann nehme ich eine Dreiecksverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiel: wann die Dreiecksverteilung passt, warum der wahrscheinlichste Wert nicht der Erwartungswert ist und wo ihre Grenzen liegen.
- Experteneinschätzungen in einer Monte-Carlo-Simulation quantifizieren: die ExpertverteilungExperteneinschätzungen besser quantifizieren: wie die Expertverteilung Schätzungen über Grenzen und Quantile abbildet, auch ohne festes Minimum oder Maximum.
- Wann nehme ich eine PERT-Verteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiel: wie die PERT-Verteilung eine begrenzte Dauer mit Minimum, wahrscheinlichstem Wert und Maximum beschreibt und wo ihre Grenzen liegen.
- Benutzerdefinierte Verteilungen in einer Monte-Carlo-Simulation: die Flex-VerteilungBenutzerdefinierte Verteilungen: wie die Flex-Verteilung aus Werten und Wahrscheinlichkeiten entsteht und wann sie passt, von Experteneinschätzungen bis zur Übertragung von Simulationsergebnissen.