Wehrspohn Risk Management

Wann nehme ich eine Normalverteilung in einer Monte-Carlo-Simulation?

Von Dr. Uwe Wehrspohn.

Die Normalverteilung mit ihrer Glockenkurve beschreibt Größen, die aus vielen kleinen, voneinander unabhängigen Einflüssen entstehen, etwa Messfehler oder, mit Einschränkungen, Renditen von Aktienportfolios. Wir erklären Definition und Parameter, wann man sie verwendet, wo ihre Grenzen liegen und wie man sie in Excel mit Risk Kit simuliert, auch abgeschnitten und mit Expertenschätzungen.

Die Normalverteilung ist eine der berühmtesten Verteilungen überhaupt. In Deutschland ist sie besonders durch den Mathematiker Carl Friedrich Gauß bekannt, der sie bereits Anfang des 19. Jahrhunderts beschrieben hat. Ihr Kennzeichen ist die charakteristische Glockenkurve.

In einer Monte-Carlo-Simulation ist die Normalverteilung immer dann ein gutes Modell, wenn sich viele kleine, voneinander unabhängige Einflüsse zu einem Gesamtergebnis addieren. Wir zeigen im Folgenden, wie die Verteilung definiert ist, wann sie passt und wo ihre Grenzen liegen. Danach simulieren wir sie Schritt für Schritt in Excel mit Risk Kit und schauen uns einige besondere Eigenschaften der Normalverteilung an.

Was ist eine Normalverteilung?

Die Normalverteilung wird durch zwei klassische Parameter beschrieben: den Erwartungswert μ und die Standardabweichung σ. Der Erwartungswert ist der Mittelpunkt der Glockenkurve. Die Standardabweichung bestimmt die Bandbreite der Kurve nach links und rechts: Je größer sie ist, desto breiter wird die Glocke.

Als Formel geschrieben lautet die Dichte der Normalverteilung:

f(x) = 1 / (σ √(2π)) · exp(−(x − μ)² / (2σ²))

Ein Beispiel: Erwartungswert 20, Standardabweichung 10

Nehmen wir zum Beispiel einen Erwartungswert von 20 und eine Standardabweichung von 10. Abbildung 1 zeigt die zugehörige Glockenkurve, so wie sie die Vorschau in Risk Kit anzeigt. Auf der waagerechten Achse stehen die möglichen Werte, auf der senkrechten Achse die Dichte. Je höher die Kurve über einem Wert liegt, desto häufiger kommen Werte in seiner Nähe vor. Der Gipfel liegt beim Erwartungswert 20, nach links und rechts fällt die Kurve symmetrisch ab.

Rechts daneben stehen Kennzahlen der Verteilung. Erwartung und Median sind 20,00. Die Zeilen mit Prozentangaben sind Quantile: 1 % der Werte liegen unter −3,26, 99 % liegen unter 43,26. Bei Min. und Max. stehen −∞ und ∞. Die Verteilung ist also nach beiden Seiten unbegrenzt, sie ist auf der gesamten reellen Achse zu Hause.

Abbildung 1: Normalverteilung mit Erwartungswert 20 und Standardabweichung 10. Links die Glockenkurve, rechts Kennzahlen wie Median und Quantile.

Wann passt eine Normalverteilung?

Ein guter Hinweis darauf, wann sich die Normalverteilung als Modell anbietet, ist der zentrale Grenzwertsatz. Er sagt: Summen von kleinen Einflüssen, von denen keiner dominant ist und die voneinander unabhängig sind, konvergieren gegen eine Normalverteilung. Wenn sich also viele kleine, nicht dominante, unabhängige Einflüsse aufsummieren, entsteht eine Normalverteilung.

Warum die Glockenkurve entsteht

Aus diesem Zusammenhang ist auch sofort ersichtlich, woher die Glockenform kommt. Wenn sich viele Dinge addieren, kompensieren sich Abweichungen nach rechts und Abweichungen nach links tendenziell. Zwischen gegenläufigen Effekten gibt es einen Netting-Effekt. Deshalb landen wir mit unserem Gesamtergebnis sehr häufig in einem mittleren Bereich.

Um einen sehr großen oder umgekehrt einen sehr kleinen Wert zu bekommen, müssen viele dieser Einflüsse in dieselbe Richtung gehen, entweder nach oben oder nach unten. Dass alle in dieselbe Richtung gehen, ist natürlich sehr viel unwahrscheinlicher, als dass sie bunt gemischt sind und sich gegenseitig ausgleichen. Darum ist die Kurve in der Mitte hoch und läuft zu den Rändern hin flach aus.

Messfehler

Die klassische Anwendung sind Messfehler. Deshalb ist die Normalverteilung in der Physik und in den Ingenieurwissenschaften sehr wichtig. Messfehler hängen von vielen kleinen Effekten ab, die sich aufsummieren und voneinander unabhängig sind. Deshalb weichen sie mal nach rechts und mal nach links vom Erwartungswert ab.

Renditen von Aktien und Aktienportfolios

Ein weiteres berühmtes Beispiel sind die täglichen Renditen von Aktien und insbesondere von Aktienportfolios. Aktienpreise werden von vielen Faktoren beeinflusst, die auf die Märkte einprasseln. Viele kleine Informationen haben hier ihren Einfluss. Deshalb schwankt der Preis mal nach oben und mal nach unten, und in der Summe ist das Ganze normalverteilt.

Bei einem Aktienportfolio ist dieser Effekt sogar noch ausgeprägter, weil hier zusätzlich die Summe über verschiedene Aktien gebildet wird. Der Einzugsbereich der Informationen, die verarbeitet werden, ist also noch breiter.

Die Grenze: dominante Ereignisse

Gerade der Aktienmarkt zeigt aber auch direkt eine Grenze der Normalverteilung. Sie setzt voraus, dass sich viele kleine, nicht dominante Effekte aufsummieren. Am Finanzmarkt kann es aber passieren, dass zentrale, große Nachrichten eintreffen. Sie lenken den Preis extrem nach oben oder nach unten aus, sodass die Renditen sehr groß oder sehr klein werden.

Solche Ereignisse treten am Finanzmarkt häufiger auf, als es bei einer Normalverteilung der Fall wäre, eben weil dort dominante Effekte vorkommen. Man spricht in dieser Situation von sogenannten Long Tails. Gemeint ist, dass große Abweichungen vom Erwartungswert häufiger vorkommen als bei der Normalverteilung.

Umsatzschwankungen: Normalfall und Krise

Ganz ähnlich können wir bei Umsatzschwankungen argumentieren. Auch Umsätze hängen von vielen Faktoren ab, und im normalen Tagesgeschäft sind sie meistens normalverteilt. Allerdings können auch hier wichtige Ereignisse einmal große Abweichungen auslösen.

Man kann die Normalverteilung hier „retten“, indem man eine Fallunterscheidung macht. Ein vorgeschaltetes Zufallsexperiment entscheidet zuerst, ob wir in einem normalen Szenario unterwegs sind oder in einem besonders ausgeprägten Sonderfall. In beiden Fällen können wir dann möglicherweise eine Normalverteilung verwenden, aber mit unterschiedlichem Erwartungswert und unterschiedlicher Standardabweichung. Im Normalfall erwarten wir also eine bestimmte Entwicklung, in einer Krise möglicherweise eine andere Entwicklung mit einem anderen Erwartungswert und einer anderen Streuung.

Welche Werte kann eine Normalverteilung annehmen?

Die Normalverteilung ist eine stetige Verteilung: Zwischen zwei Werten kann sie jeden beliebigen Zwischenwert annehmen. Außerdem ist sie unbegrenzt, wie schon Abbildung 1 gezeigt hat: Zumindest in der Theorie kommt jeder Wert auf der reellen Achse vor.

Das kann dazu führen, dass sie in Wertebereiche vordringt, die für unser Modell nicht geeignet sind. Viele Größen können zum Beispiel keine negativen Werte annehmen, etwa Längen oder Gewichte. In unserem Beispiel aus Abbildung 1 reicht die Kurve links aber deutlich in den negativen Bereich. Laut Tabelle liegt 1 % der Werte unter −3,26 und 0,1 % sogar unter −10,90. Für eine Länge oder ein Gewicht wäre das eine Verletzung einer grundlegenden Annahme.

Um das zu korrigieren, können wir die Verteilung abschneiden, man sagt auch trunkieren. Dazu legen wir eine untere und eine obere Grenze für den Wertebereich fest, den wir für die Normalverteilung erlauben wollen. Setze ich die untere Grenze auf 0, kann die Normalverteilung nicht mehr negativ werden. Wie das in der Praxis aussieht, zeigen wir im nächsten Abschnitt.

Wie simuliert man eine Normalverteilung 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 Normalverteilung ist überall dieselbe und liefert dieselben Ergebnisse.

Wir bleiben bei unserem Beispiel. In der Tabelle steht der Erwartungswert 20 in Zelle B8 und die Standardabweichung 10 in Zelle B10. Die normalverteilte Zufallszahl soll in Zelle D8 entstehen. Wir nehmen an, dass unsere Größe nicht negativ werden kann, und schneiden die Verteilung deshalb bei 0 ab. Wir gehen in sieben Schritten vor:

  1. Zelle D8 auswählen, auf der Risk-Kit-Toolbar die Schaltfläche „Beliebt“ öffnen und die Normalverteilung auswählen. Es öffnet sich der Eingabedialog der Funktion Normal_variate. Im Feld „Parameter“ steht „Standard“, also die Beschreibung über Erwartungswert und Standardabweichung.
  2. Die beiden Parameter angeben: im Feld „Erwartung“ den Bezug auf Zelle B8, im Feld „Std. dev.“ den Bezug auf Zelle B10. Rechts neben den Feldern zeigt Risk Kit die Werte an, auf die die Bezüge verweisen: 20 und 10.
  3. Unten links im Dialog die Schaltfläche mit den beiden kleinen Verteilungen öffnen und „Abschneiden“ wählen. Der Dialog bekommt zwei weitere Felder, „Untere Grenze“ und „Obere Grenze“.
  4. Bei „Untere Grenze“ eine 0 eintragen und „Obere Grenze“ leer lassen. Nach oben bleibt die Verteilung offen.
  5. Mit „Einfügen“ schreibt Risk Kit die Funktion =Normal_variate(B8;B10;0) in Zelle D8.
  6. Zelle D8 über die Schaltfläche „Ausgabe“ als Ausgabe markieren und ihr den Ausgabenamen „Trunkierte Normalverteilung“ geben. Risk Kit ergänzt die Formel dafür um OutputName("Trunkierte Normalverteilung") und hebt die Zelle gelb hervor.
  7. Die Simulation starten.

Abbildung 2 zeigt die Schritte 1 bis 3. Links in der Tabelle stehen die Eingaben: der Erwartungswert 20 in B8 und die Standardabweichung 10 in B10. Rechts ist der Eingabedialog für Zelle D8 geöffnet, das zeigt die Titelzeile „[D8] = Normal_variate(...)“. Der orange Keil zeigt auf die Zielzelle D8. Das Feld „Erwartung“ verweist auf B8, das Feld „Std. dev.“ auf B10. Unten links ist das Menü der Schaltfläche mit den beiden Verteilungen aufgeklappt, der Eintrag „Abschneiden“ ist markiert.

Abbildung 2: Eingabedialog für Zelle D8 mit den Bezügen auf B8 und B10. Über das Menü unten links wird die Verteilung abgeschnitten.

In Abbildung 3 sind die beiden neuen Felder ausgefüllt. Die untere Grenze ist 0. Das Feld für die obere Grenze ist leer, rechts daneben steht dafür „any“, also beliebig. Die Vorschau zeigt sofort die Wirkung: Die Kurve beginnt jetzt bei 0 und bricht dort ab, links davon gibt es keine Werte mehr. In der Tabelle steht bei Min. jetzt 0,00. Die Erwartung ist auf 20,55 gestiegen, weil der abgeschnittene linke Teil fehlt.

Abbildung 3: Die Normalverteilung mit der unteren Grenze 0. Die Kurve beginnt bei 0, das Minimum in der Tabelle ist 0,00.

Abbildung 4 zeigt das Ergebnis der Schritte 5 und 6. Zelle D8 ist gelb hervorgehoben und damit als Ausgabe markiert. In der Bearbeitungsleiste steht die vollständige Formel. Die ersten beiden Argumente von Normal_variate sind die Bezüge auf Erwartungswert und Standardabweichung, das dritte Argument ist die untere Grenze 0. In der Zelle selbst steht eine einzelne Zufallszahl aus dieser Verteilung, hier 11,8942515.

Abbildung 4: Zelle D8 ist als Ausgabe markiert. Die Bearbeitungsleiste zeigt die vollständige Formel =Normal_variate(B8;B10;0)+OutputName("Trunkierte Normalverteilung").

Nach der Simulation sehen wir wieder unsere Normalverteilung, jetzt abgeschnitten. Abbildung 5 zeigt links das Histogramm der simulierten Werte. Jede Säule steht für einen schmalen Wertebereich, ihre Höhe zeigt, wie häufig Werte darin vorkommen. Die Säulen beginnen bei 0, negative Werte kommen nicht mehr vor. Am häufigsten sind Werte um 20, nach rechts laufen die Säulen flach aus. Rechts stehen die Kennzahlen der simulierten Werte: Der Mittelwert liegt bei 20,42, die Standardabweichung bei 9,39 und das Minimum bei 0,00.

Abbildung 5: Simulationsergebnis der abgeschnittenen Normalverteilung. Links das Histogramm, das bei 0 beginnt, rechts die Kennzahlen, unter anderem Mittelwert 20,42, Standardabweichung 9,39 und Minimum 0,00.

Woher kommen die Parameter: aus Daten oder von Experten?

Die Normalverteilung wird über den Erwartungswert und die Standardabweichung beschrieben. Haben wir Daten, an die wir die Verteilung anpassen (kalibrieren) können, lassen sich diese beiden Werte direkt aus den Daten schätzen. Für diesen Fall ist diese Parametrisierung wunderbar geeignet.

Anders ist es, wenn wir die Normalverteilung mit Experteneinschätzungen bestimmen möchten. Experten können die Standardabweichung oft nicht gut nennen. Sie ist eine abstrakte statistische Kennzahl, die sich der Lebenserfahrung bis zu einem gewissen Grad verschließt.

Deshalb gibt es in Risk Kit eine zweite Parametrisierung, nämlich die über Perzentil und Konfidenzniveau. Perzentil und Quantil meinen hier dasselbe. Auch hier ist der Erwartungswert ein Parameter. Statt der Standardabweichung gebe ich aber ein Quantil an und dazu die Wahrscheinlichkeit, mit der es nicht überschritten werden soll. Ich sage zum Beispiel: Mein Erwartungswert ist 20, mein Quantil ist 30, und es soll mit 99 % Wahrscheinlichkeit nicht überschritten werden. Dann ist 30 das Quantil zu 99 %. Mit 1 % Wahrscheinlichkeit liege ich darüber und mit 99 % Wahrscheinlichkeit darunter.

Abbildung 6 zeigt diese Eingabe. Im Feld „Parameter“ ist jetzt „Perzentil + Konfidenzniveau“ ausgewählt. Risk Kit verwendet für diese Parametrisierung die Funktion Normal2_variate, so steht es auch über der Tabelle rechts. Darunter stehen die drei Parameter: „Expectation“ mit dem Bezug auf Zelle B8, also dem Erwartungswert 20, „C“ mit dem Konfidenzniveau 0,99 und „Q“ mit dem Quantil 30. Die Felder für die Grenzen sind leer, die Verteilung ist hier also nicht abgeschnitten. In der Vorschau markiert eine gestrichelte senkrechte Linie den Wert 30, in der Tabelle steht in der Zeile 99 % entsprechend 30,00. Der Titel „Trunkierte Normalverteilung“ über der Grafik ist noch der Ausgabename der Zelle D8 aus dem vorigen Abschnitt.

Abbildung 6: Die zweite Parametrisierung über Perzentil und Konfidenzniveau mit Erwartungswert 20 aus B8, Konfidenzniveau 0,99 und Quantil 30. Die gestrichelte Linie markiert das Quantil bei 30.

Was sind weiche Grenzen?

Dieses Beispiel zeigt auch: Die Normalverteilung ist zwar unendlich breit, hat in der Praxis aber sogenannte weiche Grenzen. In der Tabelle in Abbildung 6 stehen bei Min. und Max. −∞ und ∞. Trotzdem liegt das Quantil zu 0,1 % bei 6,72 und das Quantil zu 99,9 % bei 33,28. Fast alle Werte bleiben also in einem recht schmalen Bereich um den Erwartungswert 20.

Die Kurve geht nach außen so schnell gegen null, dass die Normalverteilung in einer normalen Simulation eine gewisse Bandbreite um den Erwartungswert nicht verlässt. Man kann sagen, dass sie den Bereich von drei Standardabweichungen nach links und rechts mit einer Wahrscheinlichkeit von rund 99,7 % nicht verlässt. Nehmen wir vier Standardabweichungen, ist die Wahrscheinlichkeit, in diesem Bereich zu bleiben, noch erheblich größer. Für viele praktische Zwecke ist die Normalverteilung also doch begrenzt.

Für Größen mit natürlich begrenztem Wertebereich ist das etwas Gutes. Dadurch kann man sie auch für Größen nehmen, die gar nicht den gesamten Wertebereich annehmen können. Ein Beispiel ist die Körpergröße von Menschen. Sie ist in einer gewissen Näherung normalverteilt, kann aber natürlich nicht negativ werden. Wir können hier trunkieren, aber der Wertebereich wird ohnehin nicht ausgeschöpft: Wir kommen gar nicht in die Nähe der Grenze. Deshalb liegt die Verteilung der Körpergröße trotz der Grenze bei 0 sehr nah an der Normalverteilung. Für seltene, sehr große Schäden ist es dagegen ein Nachteil, weil Abweichungen von mehr als vier bis fünf Standardabweichungen praktisch nicht vorkommen.

Warum bleiben Summen normalverteilt?

Die Normalverteilung hat eine ganz besondere Eigenschaft, die extrem selten ist. Linearkombinationen von unabhängigen normalverteilten Zufallsvariablen sind wieder normalverteilt, also zum Beispiel ihre Summen. Ich kann deshalb Ketten aus Normalverteilungen bilden.

Das nutzt man insbesondere, wenn man Preise oder überhaupt Entwicklungen simuliert. Man geht von einem bestimmten Wert aus und modelliert eine Änderung dieser Größe über einen gewissen Zeitraum, zum Beispiel eine Preisänderung. Von dort geht es über den nächsten Zeitraum weiter und dann über den dritten. Wenn alle diese Änderungen normalverteilt und voneinander unabhängig sind, ist auch die Gesamtänderung über alle drei Zeiträume normalverteilt.

Unabhängig von der Länge des Zeitfensters bleiben wir also immer im gleichen Modell. Diese sehr angenehme Eigenschaft führt dazu, dass sehr viele klassische Modelle für Preisentwicklungen auf der Normalverteilung beruhen.

Welche Verteilungen sind mit der Normalverteilung verwandt?

Die Normalverteilung steht mit vielen anderen Wahrscheinlichkeitsverteilungen in einem engen Zusammenhang. Die Binomial- und die Poisson-Verteilung lassen sich für geeignete Parameterwerte durch eine Normalverteilung näherungsweise beschreiben. Weitere Verwandte sind die Chi-Quadrat-Verteilung und die t-Verteilung.

Besonders eng verwandt ist die Schwester der Normalverteilung, die Lognormalverteilung. Der Logarithmus einer lognormalverteilten Zufallsvariable ist normalverteilt. Die beiden gehen also durch eine einfache Transformation auseinander hervor und hängen direkt miteinander zusammen.

Wenn ich also die logarithmierten Renditen von Aktien mit einer Normalverteilung beschreibe, dann sind die Aktienpreise lognormalverteilt. Das ist ein ganz klassisches Modell für Aktien, das den Zusammenhang dieser beiden Verteilungen ausnutzt und uns an den Finanzmärkten immer wieder begegnet. Wir lernen es im Beitrag zur Lognormalverteilung genauer kennen.

Weitere Verteilungen

Den Überblick über alle Verteilungen gibt unser Leitfaden „Wann nehme ich welche Verteilung?“.