Pod Platfrom: Wie robust sind Diver-sifiaktion und Stop-Losses?

Multi-Manager-Plattformen versprechen Diversifikation und konsequente Stop-Loss-Disziplin. Ein neues Paper zeigt jedoch, weshalb Korrelationen zwischen Pods und starre Stop-Loss-Regeln gerade in Stressphasen zu unerwarteten Risiken führen können.

< English Version >

In einem neuen Working Paper untersucht Marcos Mollica die Funktionsweise von Multi-Manager- bzw. «Pod»-Hedge-Fund-Plattformen und stellt dabei insbesondere zwei ihrer zentralen Erfolgsversprechen auf den Prüfstand: Diversifikation und strikte Stop-Loss-Disziplin. Das erste Problem betrifft die Diversifikation. Diese funktioniert sehr gut, solange die einzelnen Pods tatsächlich weitgehend unabhängig voneinander sind. Bereits eine moderate Korrelation verändert das Bild jedoch deutlich. Im Modell reduziert sich bei 50 Pods mit jeweils 8% Volatilität die idiosynkratische Volatilität bei vollständiger Unabhängigkeit auf rund 1.1%. Bei einer durchschnittlichen Restkorrelation von 20% liegt sie dagegen bei 3.7%. Selbst deutlich mehr Pods bringen dann kaum noch zusätzliche Diversifikation.

Besonders relevant ist, dass solche Korrelationen gerade in Stressphasen steigen können. Etwa wenn mehrere Manager ähnliche Positionen halten oder gleichzeitig Risiken reduzieren. Genau dann können zudem mehrere Pods gleichzeitig ihre Stop-Loss-Grenzen erreichen. Diversifikationsrisiko und Stop-Out-Risiko verstärken sich damit potenziell gegenseitig.

Auch die Stop-Loss-Regeln selbst sind gemäss der Studie weniger präzise, als sie erscheinen. Entscheidend für das Überleben eines Pods ist nicht allein dessen Alpha, sondern das Verhältnis zwischen Alpha und Volatilität. Ein hochqualifizierter, aber volatiler PM kann deshalb schlechtere Überlebenschancen haben als ein Manager mit deutlich geringerem Alpha, aber niedrigerem Risiko. Gleichzeitig sehen die Track Records der überlebenden Pods aufgrund des Survivorship Bias tendenziell besser aus, als es ihr tatsächliches Alpha rechtfertigen würde.

Mollica plädiert deshalb für einen kontinuierlicheren Ansatz: Kapital sollte laufend danach angepasst werden, wie hoch das geschätzte Alpha eines PMs ist und wie sicher diese Einschätzung bereits ist, anstatt einen Pod bis zu einer fixen Verlustgrenze volllaufen zu lassen und ihn danach abrupt zu schliessen. Für Investoren bleibt damit eine zentrale Frage: Wie unabhängig sind die Pods tatsächlich? Und wie gut kann das Risikomanagement zwischen fehlendem Skill und normaler Volatilität unterscheiden?

Englisch Version:

Pod Platforms: How robust are diversification and stop losses?

Multi-manager platforms promise diversification and strict stop-loss discipline. A recent paper shows why correlations across pods and rigid stop-loss rules can create unexpected risks, particularly in stressed markets.

In a recent working paper, Marcos Mollica examines the mechanics of multi-manager, or “pod”, hedge fund platforms and puts two of their central selling points under scrutiny: diversification and strict stop-loss discipline.

The first issue is diversification. It works extremely well as long as the individual pods are genuinely close to independent. Once even moderate residual correlation is introduced, however, the picture changes materially. In Mollica’s model, 50 pods with 8% volatility each would reduce idiosyncratic portfolio volatility to around 1.1% if they were fully independent. With an average residual correlation of just 20%, that figure rises to 3.7%. At that point, adding many more pods delivers very little additional diversification benefit.

This matters particularly because correlations are unlikely to remain constant. They may rise sharply in stress periods, for example when several managers hold similar trades, rely on overlapping factors, or de-risk at the same time. Those are also precisely the environments in which multiple pods may approach their stop-loss limits together. Diversification risk and stop-out risk can therefore reinforce each other at the worst possible moment.

The paper also questions how effectively fixed stop-loss rules distinguish skill from noise. A pod’s probability of survival is not driven by alpha alone, but by the relationship between alpha and volatility. A genuinely skilled but more volatile PM can therefore have worse survival odds than a manager with materially lower alpha but a quieter return profile. The problem goes further: surviving pods also tend to display track records that overstate their true underlying alpha simply because unsuccessful paths have already been removed from the sample.

Mollica therefore argues for a more continuous approach. Rather than keeping a pod fully sized until a fixed loss threshold is breached and then cutting it abruptly, capital should be adjusted gradually as the platform updates its estimate of a PM’s alpha and the confidence around that estimate. In other words, risk allocation should respond continuously to both expected skill and uncertainty.

For investors, the key questions are therefore not simply how many pods a platform runs, but how independent those pods really are, how correlations behave in stress, and how effectively the risk framework separates a lack of skill from normal return volatility.