Momentum-Crashes: warum Momentum selten, aber heftig einbricht und was Volatilitätssteuerung und Crowding-Maße zeigen

Fortgeschritten9 Min. Lesezeit · aktualisiert am 17. September 2026 · 9 Quellen

Momentum gehört zu den am besten belegten Faktorprämien und zugleich zu den gefährlichsten. Momentum-Crashes sind seltene, sehr tiefe Einbrüche der Strategie, die Gewinner kauft und Verlierer leer verkauft. Sie kommen fast immer in derselben Lage: nach einem Bärenmarkt, bei hoher Volatilität, wenn der Markt plötzlich kräftig dreht. Hier lernst du die Mechanik hinter den Crashs, rechnest eine Volatilitätssteuerung nach und siehst, wie Crowding 2007 quantitative Strategien gleichzeitig traf.

Was ein Momentum-Crash ist

Die klassische Momentum-Strategie sortiert Aktien nach ihrer Rendite der letzten 12 Monate, meist ohne den letzten Monat, kauft das obere Zehntel und verkauft das untere leer: Winners minus Losers, kurz WML. Jegadeesh und Titman (1993) haben den Effekt für US-Aktien dokumentiert, Asness u. a. (2013) in vielen Märkten und Anlageklassen; die Grundlagen stehen in Momentum-Strategien und Fama-French-Faktoren. Dieser Artikel geht der Schattenseite nach.

Barroso und Santa-Clara (2015) fassen das Dilemma zusammen: Verglichen mit Markt, Value und Size bot Momentum die höchste Sharpe Ratio, hatte aber auch die schwersten Crashs. Das macht es unattraktiv für alle, die negative Schiefe und hohe Kurtosis scheuen. Daniel und Moskowitz (2016) beschreiben die Crashs als seltene, anhaltende Folgen negativer Renditen trotz hoher Durchschnittsrenditen in vielen Anlageklassen. Sie sind teilweise vorhersagbar: Sie treten in Panikphasen auf, nach Marktrückgängen und bei hoher Volatilität, und fallen mit kräftigen Erholungen des Markts zusammen (siehe Momentum-Crash).

Die Mechanik: zeitvariable Betas und die Short-Seite nach Bärenmärkten

Warum gerade dann? Die Antwort steckt in den Betas. Wer die Gewinner der letzten zwölf Monate kauft, kauft automatisch Aktien, die sich so verhalten haben wie der Markt in dieser Zeit. Nach einem langen Anstieg sind die Gewinner Aktien mit hohem Beta; nach einem Bärenmarkt sind es Aktien mit niedrigem Beta, während die Verlierer die riskanten, stark gefallenen Werte sind. Grundy und Martin (2001) zeigen, dass Momentum dadurch zeitlich schwankende Faktorladungen hat, je nachdem, wie die Faktoren in der Rangperiode liefen.

Dazu kommt eine Asymmetrie. Die Verlierer nach einem Crash sind oft hoch verschuldete, angeschlagene Unternehmen. Ihre Aktien verhalten sich wie Calls auf den Unternehmenswert: Erholt sich der Markt, steigen sie überproportional. Die Short-Seite der Strategie ist dann ein verkaufter Call. Daniel und Moskowitz (2016) deuten die niedrigen erwarteten Renditen in Panikphasen genau so: als hohe Prämie, die der Markt dann für die optionsähnlichen Auszahlungen der früheren Verlierer verlangt. Für die Absicherung ist die gute Nachricht von Grundy und Martin (2001) wichtig: Bereinigt um die dynamischen Faktorladungen sind die Momentum-Gewinne seit 1926 bemerkenswert stabil, und Momentum aus aktienspezifischen Renditen war ertragreicher als Momentum aus Gesamtrenditen.

Volatilitätssteuerung: das Risiko im Voraus begrenzen

Weil das Risiko von Momentum stark schwankt und vorhersagbar ist, kann man die Position danach skalieren. Barroso und Santa-Clara (2015) finden, dass eine solche Risikosteuerung die Crashs praktisch beseitigt und die Sharpe Ratio fast verdoppelt. Zudem sei risikogesteuertes Momentum ein noch größeres Rätsel als das ursprüngliche. Die Regel ist dieselbe wie bei Target Volatility:

Daniel und Moskowitz (2016) gehen einen Schritt weiter: Ihre dynamische Strategie gewichtet nach Prognosen von Mittelwert und Varianz, also ungefähr proportional zu μ̂ / σ̂². In Panikphasen steigt die erwartete Varianz, und zugleich sinkt die erwartete Rendite. Die Position schrumpft doppelt. Die Strategie verdoppelte in ihren Daten ungefähr Alpha und Sharpe Ratio statischen Momentums, ließ sich nicht durch andere Faktoren erklären und hielt über Zeiträume, internationale Aktienmärkte und andere Anlageklassen. Allgemein zeigen Moreira und Muir (2017), dass Portfolios, die bei hoher Volatilität weniger Risiko nehmen, für den Markt und viele Faktoren höhere Sharpe Ratios erzielten.

Crowding und der Quant Meltdown im August 2007

Crashs entstehen nicht nur aus Betas, sondern auch aus Positionen. Wenn viele Investoren dieselben Faktorportfolios halten, wird ein Verkauf des einen zum Verlust aller. Das nennt man Crowding. Das deutlichste Beispiel ist der Quant Meltdown im August 2007. Khandani und Lo (2011) simulieren Long/Short-Portfolios auf Basis von fünf Bewertungsfaktoren und finden, dass die Krise schon im Juli begann und bis Ende 2007 anhielt. Mit Transaktionsdaten identifizieren sie zwei Abwicklungswellen: am 1. August von 10:45 bis 11:30 Uhr und am 6. August von der Eröffnung bis 13:00 Uhr. Beide begannen bei Finanzwerten, auf der Long-Seite von Value nach Buchwert-Kurs-Verhältnis und auf der Short-Seite von Gewinn-Momentum. Eine simulierte Market-Making-Strategie verlor in der Woche ab dem 6. August, war davor und danach aber profitabel. Das ist ein Hinweis auf marktweiten Hebelabbau und den plötzlichen Rückzug von Kapital für das Market-Making ab dem 8. August. Den Ablauf aus Sicht marktneutraler Fonds schildert der Artikel Pairs-Trading.

Wie misst man Crowding, bevor es knallt? Lou und Polk (2022) schlagen Comomentum vor: die Korrelation der Überrenditen der Aktien, auf die eine typische Momentum-Strategie setzt. Ist sie niedrig, korrigieren Arbitrageure eine Unterreaktion, und Momentum wirkt stabilisierend. Ist sie hoch, kehren sich die Renditen der Momentum-Aktien danach stark um. Das ist ein Zeichen, dass überfülltes Handeln die Kurse von den Fundamentaldaten weggedrückt hat. Die Idee dahinter: Wenn viele dieselben Aktien gleichzeitig kaufen und verkaufen, bewegen sich diese Aktien gemeinsam, über das hinaus, was gemeinsame Faktoren erklären.

Ein weiterer Kanal ist die Liquidität. Pástor und Stambaugh (2003) finden, dass ein Faktor für marktweites Liquiditätsrisiko die Hälfte der Momentum-Gewinne von 1966 bis 1999 erklärt. Momentum verdient also zum Teil dafür, dass es in Liquiditätskrisen verliert, genau dann, wenn Zwangsverkäufe die Kurse bewegen. Mehr dazu im Artikel Liquiditätsrisiko.

Für Fortgeschrittene: warum Volatilitätssteuerung wirkt

Eine Steuerung nach Volatilität lohnt sich, wenn die Volatilität beständig ist, die erwartete Rendite aber nicht im gleichen Maß mitsteigt. Dann ist das Verhältnis aus erwarteter Rendite und Varianz in ruhigen Phasen hoch und in unruhigen niedrig, und ein konstantes Risiko verteilt das Kapital besser über die Zeit. Für Momentum gilt das besonders: Die erwartete Rendite sinkt in Panikphasen sogar (Daniel und Moskowitz 2016), während die Volatilität steigt. Formal wählt ein Mittelwert-Varianz-Anleger in jeder Periode w_t = μ_t / (γ σ_t²); mit konstantem μ wird daraus die Skalierung mit 1/σ², mit μ proportional zu σ die mit 1/σ.

• Kein Vorgriff: σ̂ darf nur Daten bis zum Rebalancing-Zeitpunkt nutzen. Wer die Volatilität des Monats selbst verwendet, misst den Crash, statt ihn vorherzusehen.
• Schätzer: Tagesrenditen über einige Monate reagieren schneller als Monatsrenditen; GARCH-Modelle oder exponentiell gewichtete Schätzer sind Alternativen. Mehr Reaktion heißt mehr Umschlag.
• Hebel und Kosten: In ruhigen Phasen verlangt die Regel Hebel über 1. Finanzierung, Leihgebühren der Short-Seite und Handelskosten fressen einen Teil des Vorteils; eine Obergrenze wie w_max = 2 ist üblich.
• Residual-Momentum: Nach Grundy und Martin (2001) sortiert man besser nach aktienspezifischen Renditen. Das nimmt einen Teil der zeitvariablen Betas heraus, bevor sie zum Crash werden.
• Beta-Absicherung: Statt das ganze Risiko zu kürzen, kann man das bedingte Beta schätzen und mit Index-Futures neutralisieren (siehe Overlay-Management). Das hilft gegen den Beta-Teil, nicht gegen die optionsähnliche Asymmetrie.

Was die Forschung zeigt

• Crashs sind vorhersagbar: Daniel und Moskowitz (2016) verorten sie in Panikphasen nach Marktrückgängen bei hoher Volatilität; eine dynamische Strategie verdoppelte ungefähr Alpha und Sharpe Ratio.
• Risiko steuern hilft: Barroso und Santa-Clara (2015) beseitigen die Crashs mit einer Risikosteuerung fast und verdoppeln die Sharpe Ratio beinahe; Moreira und Muir (2017) zeigen den Effekt auch für andere Faktoren.
• Dynamische Betas: Grundy und Martin (2001) erklären einen großen Teil des Momentum-Risikos mit zeitvariablen Faktorladungen; Faktormodelle erklären 95 % der Schwankung der Gewinner- und Verliererportfolios, aber nicht ihre Durchschnittsrenditen.
• Crowding: Lou und Polk (2022) messen Arbitrage-Aktivität mit Comomentum; Khandani und Lo (2011) dokumentieren den Hebelabbau im August 2007.
• Liquidität: Pástor und Stambaugh (2003) erklären die Hälfte der Momentum-Gewinne mit einem Liquiditätsrisikofaktor.

Grenzen und typische Fehler

• Backtest ohne Kosten: Momentum hat hohen Umschlag, die Short-Seite kostet Leihgebühren, und die Steuerung fügt Hebel hinzu. Bruttozahlen überschätzen das Ergebnis.
• Parameter ausprobieren: Zielvolatilität, Fenster und Obergrenze laden zum Optimieren im Rückblick ein (siehe Backtest-Overfitting).
• Crowding der Steuerung selbst: Wenn viele nach Volatilität steuern, verkaufen alle gleichzeitig, sobald die Volatilität steigt. Die Regel kann den nächsten Abverkauf verstärken.
• Long-only ist etwas anderes: Ein Momentum-ETF ohne Short-Seite trägt das Marktrisiko voll, aber nicht den verkauften Call auf die Verlierer; seine Crashs sehen anders aus.
• Seltene Ereignisse: Die großen Crashs lassen sich an wenigen Episoden abzählen. Statistische Sicherheit über ihre Häufigkeit gibt es kaum.
• Keine Anlageberatung: Der Artikel erklärt Mechanik und Forschung, er empfiehlt keine Strategie.

So rechnet Portfolio Lab

Unter Faktoren zeigt die Faktorstatistik den Momentum-Faktor nach Fama und French für ein gewähltes Modell oder über Regionen: durchschnittliche und geometrische Prämie, Volatilität, Sharpe Ratio, schlechtester Monat und schlechtestes Jahr, maximalen Drawdown, die längste Phase unter dem Hoch, Schiefe und Exzess-Kurtosis sowie die rollierende Prämie über 3, 5, 10 oder 20 Jahre. So siehst du die Crashs direkt in den Faktorrenditen. Die Faktorregression schätzt, wie stark ein Portfolio auf Momentum lädt.

Eine Long-Short-Strategie mit Volatilitätssteuerung rechnet die App nicht. Am nächsten kommt das Modell „Zielvolatilität“ in der Taktik: Es skaliert ein Long-only-Portfolio so, dass die realisierte Volatilität aus Monatsrenditen dem Ziel entspricht. Voreingestellt sind 10 % mit 6 Monaten Lookback, wählbar 2 bis 30 % und 3 bis 36 Monate, mit einer Investitionsquote von 50 bis 200 % (voreingestellt 100 %). Als Baustein dient etwa die Anlageklasse „Aktien Welt Momentum“ (@FAKTOR_MOMENTUM) aus den Anlageklassen. Mehr in der Methodik der Faktoren.

Dieser Artikel erklärt eine Methode; er ist keine Anlage- oder Steuerberatung. Zahlenbeispiele sind vereinfacht und gerundet. Alle Begriffe im Glossar.