Hierarchische Risikoparität vs. Mean-Variance-Optimierung

Sie haben eine Kandidatenliste, ein paar Jahre End-of-Day-Kurse und eine Entscheidung zu treffen, bevor Sie Kapital binden: Übergeben Sie die Kovarianzmatrix einem Mean-Variance-Optimierer, oder lassen Sie die hierarchische Risikoparität die Assets clustern und den Baum hinunter allokieren?

Beide Methoden verfolgen dasselbe Ziel — ein Portfolio, das auf Aktien gewichtet ist, die schwach miteinander korrelieren, und damit ein Portfolio mit geringerer Volatilität als ein gleichgewichteter oder marktkapitalisierungsgewichteter Korb derselben Titel. Sie unterscheiden sich darin, woher die Gewichte kommen. Die Mean-Variance-Optimierung (MVO) löst sie aus einer Kovarianzmatrix. Die hierarchische Risikoparität (HRP) leitet sie aus der Korrelationsstruktur selbst ab, ohne diese Matrix jemals zu invertieren.

Dieser eine Unterschied erklärt den Großteil des praktischen Verhaltens — die Stabilität des Ergebnisses, die Konzentration, die Sie in den Gewichten sehen, und wie stark jede Methode reagiert, wenn Ihre Inputs verrauscht sind. Dieser Artikel vergleicht beide hinsichtlich Annahmen, Verhalten und Eignung und zeigt, wo jede in einen echten Workflow gehört. RSJ Portfolio implementiert beide, sodass der Vergleich einer ist, den Sie auf Ihren eigenen Daten durchführen können, statt ihn auf Treu und Glauben hinzunehmen.

Was jede Methode tatsächlich tut

Mean-Variance-Optimierung (MVO)

MVO ist Markowitz’ Framework: Finde für ein gegebenes Niveau erwarteter Rendite die Gewichte mit der geringsten Varianz — oder umgekehrt, finde für ein gegebenes Risikoniveau die Gewichte mit der höchsten erwarteten Rendite. Die Mathematik ist eine restringierte Optimierung über die Kovarianzmatrix der Asset-Renditen.

Die textbook-Minimum-Varianz-Lösung (Long-only-Beschränkung der Klarheit halber ignoriert) sieht so aus:

import numpy as np
import pandas as pd

prices = pd.read_csv("eod_prices.csv", index_col="date", parse_dates=True)
returns = prices.pct_change().dropna()
cov = returns.cov().values

# minimize w'Σw subject to sum(w) = 1, unconstrained closed form
inv_cov = np.linalg.inv(cov)
ones = np.ones(len(cov))
w_mvo = inv_cov @ ones / (ones @ inv_cov @ ones)
print(w_mvo.round(4))

Die beiden Operationen, die alles entscheiden: returns.cov() und np.linalg.inv(cov). Wenn die Kovarianzschätzung danebenliegt, verstärkt die Inverse den Fehler — oft zu extremen Long- und Short-Positionen, die kein vernünftiger Investor halten würde. Eine nützliche Diagnose ist die Konditionszahl:

print("condition number:", round(np.linalg.cond(cov), 1))

Eine große Konditionszahl bedeutet, dass die Matrix nahezu singulär ist und kleine Datenänderungen die Gewichte stark ausschlagen lassen. Das ist der Fehlermodus, für den MVO berüchtigt ist.

Hierarchische Risikoparität (HRP)

HRP geht einen anderen Weg. Es wandelt die Korrelationsmatrix in ein Distanzmaß um, clustert Assets in eine Hierarchie und teilt dann das Kapital rekursiv den Baum hinunter auf — bei jeder Aufteilung wird zwischen den beiden Zweigen im umgekehrten Verhältnis zu ihrem Risiko allokiert.

from scipy.cluster.hierarchy import linkage
from scipy.spatial.distance import squareform

corr = returns.corr()
dist = np.sqrt(0.5 * (1 - corr))                       # correlation distance
link = linkage(squareform(dist.values, checks=False), method="single")
# then: bisect the tree, weight each branch by inverse variance, recurse

Es gibt nirgends in dieser Pipeline eine Matrixinversion. Die Korrelationsmatrix wird als Struktur verwendet — wer neben wem sitzt — und nicht als ein Gleichungssystem, das gelöst werden muss.

Der Unterschied, der zählt

MVO ist eine Optimierung über geschätzte Parameter. HRP ist eine rekursive Allokation über eine geschätzte Struktur. Parameter sind fragil; Struktur ist vergleichsweise stabil. Zwei Aktien, die sich drei Jahre lang gemeinsam bewegt haben, werden in der Regel immer noch zusammen clustern, nachdem Sie ein weiteres Jahr Daten hinzugefügt haben, selbst wenn der exakte Korrelationskoeffizient driftet.

Beide Methoden können auf unterschiedliche Ziele ausgerichtet werden. Minimale Volatilität, maximale Sharpe Ratio, minimale Semivarianz — das sind Ziele, keine Methoden, und RSJ Portfolio stellt sie als auswählbare Ziele über der Allokations-Engine bereit.

Die Landschaft der Allokationsmethoden

HRP und MVO sind nicht die einzigen beiden Optionen. Ein Optimierer, der es wert ist, verwendet zu werden, sollte eine Auswahl bieten, denn die richtige Wahl hängt davon ab, was Sie über Ihre Inputs glauben:

• Minimale Volatilität — das klassische defensive Ziel: geringste Portfolio-Varianz, keine Renditeprognose erforderlich.
• Maximale Sharpe Ratio — erfordert ein Renditemodell, da sie Risiko gegen erwartete Rendite abwägt.
• Minimale Semivarianz — bestraft nur die Abwärtsstreuung, was besser damit übereinstimmt, wie Investoren Risiko tatsächlich erleben. Schwache Abwärts-Korrelation ist ein anderes und oft nützlicheres Signal als schwache Gesamtkorrelation.
• Hierarchische Risikoparität — clustering-basiert, keine Matrixinversion, robust wenn Korrelationen instabil sind.
• Conditional Value at Risk (CVaR) — ein Ziel, das auf Tail-Verluste statt auf Varianz abzielt.

RSJ Portfolio unterstützt all diese als auswählbare Allokationsmethoden, plus acht Risikomodelle und Renditemodelle. Diese Kombination ist wichtiger, als die Leute erwarten: Die Wahl des Risikoschätzers — Stichprobenkovarianz, Semikovarianz, CVaR und die anderen Modelle — verschiebt die resultierenden Gewichte häufig stärker als ein Wechsel der Allokationsmethode. Wenn Sie die Details des CVaR-Ziels selbst möchten, haben wir es in Conditional Value at Risk in Portfolio Optimization, Explained behandelt.

Gewichtsbeschränkungen gelten für alle von ihnen. Ein maximales Gewicht pro Asset, Long-only-Grenzen oder ein Mindestmaß an Positionsgröße verändern eine HRP-Allokation und eine MVO-Allokation an derselben Stelle: Sie halten den Optimierer davon ab, etwas zu tun, was Sie von Hand ohnehin nie tun würden.

Auswahlkriterien: Einfachheit, Automatisierung, Sicherheit, Preis, Integration

Wenn Sie Werkzeuge statt Lehrbücher vergleichen, verschieben sich die Fragen von „Welcher Schätzer ist besser" zu „Welchen kann ich tatsächlich jeden Monat laufen lassen, ohne dass daraus ein Projekt wird."

Einfachheit. RSJ Portfolio ist eine Windows-Desktop-Anwendung mit einem geführten Workflow — Auswahl, Empfehlung, Konfiguration. Sie suchen nach Symbolen, bauen eine Kandidatenliste auf, wählen ein Ziel und ein Risikomodell und lesen die resultierende Allokation ab. Nichts von der obigen linearen Algebra wird offengelegt, und das ist der Punkt: Die App existiert, damit Sie entscheiden, was optimiert wird, nicht wie man eine Matrix invertiert.

Automatisierung. Kurse werden lokal zwischengespeichert, sodass ein erneuter Lauf gegen dieselbe Kandidatenliste die Historie nicht erneut herunterlädt. Das verwandelt die Re-Optimierung von einer Datenabruf-Pflichtübung in eine Fünf-Minuten-Prüfung. Die Mechanik davon haben wir in Automating Repeat Portfolio Optimization Runs With a Local Price Cache durchgesprochen.

Sicherheit und Daten. Die gesamte Berechnung erfolgt lokal. Kursdaten von den unterstützten Anbietern werden über eine dokumentierte Pipeline bereinigt und in einem lokalen Cache gespeichert; nichts an Ihrer Kandidatenliste oder Ihrer Allokation verlässt den Rechner. Der Bereinigungsschritt ist wichtiger, als er klingt — Splits, veraltete Kurse und nicht übereinstimmende Währungen ruinieren still und leise eine Kovarianzschätzung, und darauf zu prüfen ist eine Gewohnheit, die es wert ist, aufgebaut zu werden (How to Check If a Portfolio Optimizer Uses Look-Ahead Bias).

Preis. Eine Einzelnutzerlizenz mit einmaligem Checkout — kein Abonnement. Aktuelle Details, einschließlich dessen, was die Lizenz abdeckt, finden Sie auf der Preisseite.

Integration. Allokationen sind für weitere Analysen exportierbar, und Portfolios, die in mehreren Währungen notiert sind, erhalten einen definierten Konvertierungspfad statt einer stillen Vermischung von Einheiten.

Direkter Vergleich

Der praktische Test ist nicht, welche Tabellenzelle besser klingt — sondern was jede Methode mit Ihrer Kandidatenliste macht. RSJ Portfolio lässt Sie beide gegen dieselben Symbole, denselben Zeitraum und dasselbe Risikomodell laufen und die resultierenden Allokationen und Risikokennzahlen direkt vergleichen. Dieser direkte Vergleich ist in der Regel informativer als jede allgemeine Faustregel, denn die Antwort hängt davon ab, wie korreliert Ihr spezifisches Universum zufällig ist.

Fazit: Wer sollte was wählen?

Wählen Sie MVO, wenn Sie Renditeprognosen haben, denen Sie wirklich vertrauen, und eine Kovarianzschätzung, bei der Sie sich sicher sind. Es ist der Standard für Mean-Variance-Effizienz, es optimiert den Trade-off explizit, und es sagt genau, was es tut. Wenn Ihr Universum klein ist, Ihre Historie sauber ist und Ihre Ansichten stark sind, wird MVO diese Informationen aggressiver nutzen als HRP es je tun wird.

Wählen Sie HRP, wenn Sie sich mehr um Schätzfehler sorgen als darum, einen zusätzlichen Basispunkt erwarteter Rendite herauszupressen. Es erzeugt diversifiziertere, stabilere Allokationen, es degradiert anmutig, wenn sich Korrelationen verschieben, und es verlangt nicht, dass Sie irgendetwas invertieren. Für ein Universum aus Dutzenden von Titeln — wo die Kovarianzmatrix ohnehin größtenteils Rauschen ist — ist diese Robustheit das ganze Argument.

In der Praxis: Lassen Sie beide laufen. Viele Quants tun das. Wenn HRP und MVO übereinstimmen, haben Sie ein Portfolio, das Sie verteidigen können. Wenn sie scharf voneinander abweichen, ist die Abweichung selbst das Signal: Sie bedeutet meist, dass die Kovarianzschätzung instabil ist oder die Renditeprognosen mehr Arbeit leisten, als die Daten stützen. RSJ Portfolio unterstützt beide Methoden mit auswählbaren Risikomodellen, Zielen und Gewichtsbeschränkungen, sodass der Vergleich eine Konfigurationsänderung ist statt ein separates Forschungsprojekt. Die Ausgabe dieses Vergleichs zu lesen — Gewichte, Risikobeiträge, Konzentration — ist eine eigene Fähigkeit; wir haben sie in How to Read Optimizer Allocation Weights and Risk Model Output behandelt.

FAQ

Ist HRP immer besser als MVO?

Nein. HRP ist tendenziell robuster, wenn Korrelationen instabil sind oder die Anzahl der Assets groß ist, weil es die Inversion der Kovarianzmatrix vermeidet. MVO kann überlegen sein, wenn Sie Renditeprognosen mit hoher Konfidenz und eine stabile Kovarianzschätzung haben. Die beste Wahl hängt von Ihren Daten und Zielen ab.

Kann ich beide Methoden in RSJ Portfolio verwenden?

Ja. RSJ Portfolio unterstützt hierarchische Risikoparität, minimale Volatilität, maximale Sharpe Ratio, minimale Semivarianz und Conditional Value at Risk als auswählbare Allokationsmethoden. Sie können sowohl HRP als auch MVO auf derselben Kandidatenliste laufen lassen und die Ergebnisse vergleichen.

Welche Daten brauche ich, um diese Optimierer laufen zu lassen?

Sie brauchen historische End-of-Day-Kurse für Ihre Kandidatenaktien. RSJ Portfolio unterstützt mehrere Datenanbieter, bereinigt die Kursdaten und speichert sie lokal zwischen, sodass Sie wiederholte Optimierungen ohne erneutes Herunterladen durchführen können.

Wie handhabt RSJ Portfolio Korrelation und Volatilitätsreduktion?

RSJ Portfolio analysiert die Renditekorrelation zwischen Aktien und allokiert Kapital auf Kandidaten, die schwach korrelieren — oder deren Abwärtsseite schwach korreliert —, was die Volatilität des resultierenden Portfolios reduziert. Es verwendet die moderne Portfoliotheorie mit auswählbaren Zielen, Risikoschätzern und Gewichtsbeschränkungen.

Fazit

HRP und MVO sind weniger Konkurrenten als vielmehr Antworten auf unterschiedliche Fragen. MVO fragt, was die optimalen Gewichte sind, gegeben Ihre Schätzungen. HRP fragt, wie die Assets zueinander in Beziehung stehen, und teilt das Kapital entsprechend auf. Wenn Ihre Inputs vertrauenswürdig sind, ist die erste Frage die nützlichere. Wenn sie es nicht sind — und bei echten Marktdaten sind sie das selten, vollständig —, ist die zweite die sicherere Wahl.

Die einzige Möglichkeit herauszufinden, auf welcher Seite Ihr Portfolio liegt, ist, beide laufen zu lassen und sich die Gewichte anzusehen. Laden Sie den Windows-Installer von der Download-Seite herunter, bauen Sie Ihre Kandidatenliste auf und lassen Sie dasselbe Universum in einem Durchgang durch HRP und minimale Volatilität laufen. Die Unterschiede werden Ihnen mehr über Ihre Daten verraten, als dieser Artikel es kann.

Verwandte Beiträge

• Conditional Value at Risk in Portfolio Optimization, Explained
• How to Check If a Portfolio Optimizer Uses Look-Ahead Bias
• Automating Repeat Portfolio Optimization Runs With a Local Price Cache