RSJ Portfolio Portfolio Optimization

← Alle Beiträge

2026-11-13

Hierarchische Risikoparität vs. Minimum-Varianz: Welche Allokation passt?

Hierarchische Risikoparität vs. Minimum-Varianz: Welche Allokation passt?
portfolio optimization modern portfolio theory portfolio correlation portfolio optimization hierachical risk parity minimize volatility minimize semivariance maximize sharpe

Hierarchische Risikoparität vs. Minimum-Varianz: Welche Allokation passt?

Sie haben eine Kandidatenliste, einige Jahre End-of-Day-Kurse und eine Entscheidung vor sich: Welches Ziel soll aus dieser Liste Gewichte machen? Für die meisten, die ein Portfolio von Hand aufbauen, läuft es auf zwei Optionen hinaus: Minimum-Varianz, die die erwartete Volatilität so weit senkt, wie es die Daten zulassen, und hierarchische Risikoparität (HRP), die Vermögenswerte danach gruppiert, wie sie sich gemeinsam bewegen, und das Risiko über diese Struktur verteilt.

Beide senken die Portfoliovolatilität. Sie erreichen das auf unterschiedliche Weise, und der Unterschied zeigt sich in den Gewichten, die Sie am Ende halten. Dieser Artikel vergleicht sie anhand der Dinge, die wirklich zählen, wenn Sie einen Optimierer ausführen: wie sie mit Korrelation umgehen, wie sehr sie Ihren Schätzungen vertrauen, wie konzentriert das Ergebnis ist und welche zu Ihren Zielen passt.

Die gute Nachricht: In RSJ Portfolio sind beide Methoden als auswählbare Ziele im selben Optimierer verfügbar, auf derselben Kandidatenliste und mit denselben bereinigten Kursdaten. Die Frage ist also nicht, welches Tool Sie kaufen – sondern welches Ziel zu Ihrem Portfolio passt.

Die Allokationsentscheidung: HRP oder Minimum-Varianz?

Die Wahl taucht in dem Moment auf, in dem Sie aufhören, Aktien auszuwählen, und anfangen, sie zu dimensionieren. Sie wissen, was Sie halten wollen. Jetzt müssen Sie entscheiden, wie viel von jedem – und das ist eine statistische Frage, keine Überzeugung.

Hier prallen zwei Philosophien aufeinander:

  • Volatilität direkt minimieren. Behandeln Sie das Portfolio als Optimierungsproblem: Finden Sie den Gewichtsvektor, der unter Ihrem Risikomodell die niedrigste erwartete Portfoliovarianz erzeugt. Jeder Vermögenswert konkurriert um Gewicht, und die Namen mit der niedrigsten Volatilität und der geringsten Redundanz gewinnen am meisten.
  • Risiko über eine Hierarchie verteilen. Gruppieren Sie Vermögenswerte nach Korrelation und verteilen Sie das Risiko dann von oben nach unten durch diese Gruppen, statt ein großes globales Problem zu lösen. Kein Vermögenswert erhält ein Gewicht allein deshalb, weil seine Kovarianz mit allem anderen in der Stichprobe zufällig gut aussah.

Beide zielen auf dasselbe Ergebnis – ein Portfolio, das sich weniger bewegt, als seine Komponenten es einzeln täten –, aber sie sind sich uneinig darüber, wie sehr man einer Kovarianzmatrix vertrauen sollte und wie gleichmäßig das Risiko verteilt sein sollte.

Die Kriterien für diesen Vergleich sind die, die Sie tatsächlich bewerten können, bevor Sie Kapital einsetzen: Benutzerfreundlichkeit, Grad der Automatisierung, Transparenz des Ergebnisses, wie sich jede Methode unter verschiedenen Marktbedingungen verhält und wie sauber sich jede in den restlichen Workflow integriert. Kosten spielen nur eine Nebenrolle: RSJ Portfolio wird pro Einzelnutzer lizenziert, Details finden Sie auf der Seite zu Preisen und Lizenz – dieselbe Lizenz, unabhängig davon, welches Ziel Sie wählen.

Wie Minimum-Varianz und hierarchische Risikoparität funktionieren

Minimum-Varianz: Volatilität direkt optimieren

Minimum-Varianz ist die klassische Antwort der modernen Portfoliotheorie ohne Renditeprognose. Sie liefern ein Risikomodell (RSJ Portfolio bringt acht davon mit, plus auswählbare Renditemodelle), und der Optimierer sucht die Gewichtskombination mit der kleinsten erwarteten Portfoliovolatilität.

Mathematisch ist der Kern eine Kovarianzmatrix und ihre Inverse. Auf das Wesentliche reduziert sieht es so aus:

import numpy as np

# Illustrative only: the naive closed-form minimum-variance weights
cov = returns.cov().values          # needs to be well-conditioned
inv = np.linalg.inv(cov)            # the fragile step
ones = np.ones(len(cov))

w = inv @ ones / (ones @ inv @ ones)

Diese einzelne Inversion ist der Ort, an dem die Stärke und die Schwäche der Methode liegen. Wenn das Risikomodell die Welt genau beschreibt, ist das Ergebnis tatsächlich das Portfolio mit der niedrigsten Volatilität, das aus Ihrem Universum möglich ist. Wenn die Matrix verrauscht ist – viele korrelierte Namen, eine kurze Historie, ein Regime, das sich weiterentwickelt hat –, verstärkt die Inverse den Schätzfehler, und die Gewichte können an seltsamen Stellen landen. Der Optimierer tut genau das, was Sie verlangt haben; er hat nur eine Matrix gefragt, die geraten hat.

Da Vermögenswerte mit niedriger Volatilität die kleinsten Varianzterme haben, neigt Minimum-Varianz natürlich zu ihnen. Konzentration ist ein Merkmal, kein Fehler: Wenn drei defensive Namen die Portfolioschwankungen tatsächlich dämpfen, erhalten sie große Gewichte.

Hierarchische Risikoparität: erst clustern, dann allokieren

HRP nimmt einen anderen Weg. Sie invertiert die Kovarianzmatrix nie.

  1. Clustern. Vermögenswerte werden nach Korrelationsdistanz gruppiert, wodurch ein Baum entsteht, der zeigt, welche Namen sich ähnlich verhalten.
  2. Ordnen. Der Baum wird so umsortiert, dass ähnliche Vermögenswerte nebeneinander liegen.
  3. Halbieren und allokieren. Das Risiko wird rekursiv den Baum hinunter aufgeteilt – zuerst zwischen den beiden Hälften des Portfolios, dann innerhalb jeder Hälfte und so weiter –, wobei jede Aufteilung mit der Inversen der Varianz dieser Gruppe gewichtet wird.

Das Ergebnis verteilt das Risiko gleichmäßiger über korrelierte Gruppen. Zwei nahezu identische Banken erhalten nicht beide große Gewichte, nur weil jede einzeln gut aussah; sie liegen im selben Cluster und teilen sich dessen Allokation. HRP ist gegenüber einer verrauschten Kovarianzschätzung nachsichtiger, weil das Clustern nur die Reihenfolge der paarweisen Beziehungen einigermaßen richtig braucht, nicht ihre genauen Größenordnungen.

Wo sie auseinandergehen

  • Minimum-Varianz optimiert Korrelationseffekte global – jede paarweise Beziehung wird in einem einzigen Lösungsvorgang bewertet.
  • HRP behandelt Korrelation strukturell – durch Gruppierung und rekursive Allokation.
  • Minimum-Varianz kann sich auf wenige Namen mit niedriger Volatilität konzentrieren. HRP neigt dazu, das Risiko über Cluster zu verteilen, was meist mehr Positionen mit kleineren Einzelgewichten bedeutet.
  • Minimum-Varianz reagiert empfindlich auf die Wahl des Risikomodells; HRP weniger, weil sie sich auf die relative Struktur statt auf absolute Schätzungen stützt.

Es ist übrigens kein Duell zweier Pferde. RSJ Portfolio bietet auch Minimum-Semivarianz, maximale Sharpe-Ratio und Conditional Value at Risk als Ziele an, und die Seite zu Methoden und Funktionen listet jedes davon zusammen mit den Risikomodellen, Renditemodellen, Gewichtsbeschränkungen und Exportoptionen auf. Wenn Sie ein anderes Zielpaar abwägen, gilt dieselbe Logik – siehe Maximale Sharpe-Ratio vs. Minimum-Semivarianz-Allokation.

Auswahlkriterien: Welche Methode passt zu Ihrem Portfolio?

  • Benutzerfreundlichkeit. Minimum-Varianz verlangt mehr von Ihren Eingaben: ein Risikomodell, dem Sie vertrauen, und eine Historie, die lang genug ist, damit die Kovarianzschätzung etwas bedeutet. HRP verlangt weniger – sie braucht zwar auch die Korrelationsstruktur, verschlechtert sich aber gnädiger, wenn diese Struktur unvollkommen ist. Wenn Ihre Kandidatenliste lang und intern korreliert ist, ist HRP der pflegeleichtere Ausgangspunkt.
  • Automatisierung. Beide sind eine Auswahl im Empfehlungsschritt von RSJ Portfolio. Sie ändern das Ziel, ändern den Risikoschätzer, führen erneut aus und lesen die Allokation. Kein Skripting, keine Matrix-Bastelei – das Empfehlungskapitel des Benutzerhandbuchs führt durch die Parameter und die resultierende Allokation.
  • Transparenz. Minimum-Varianz liefert Ihnen eine klare Kernaussage: Dies ist die niedrigste erwartete Volatilität aus diesem Universum unter diesem Risikomodell. HRP liefert Ihnen eine Struktur: So ist das Risiko über die Cluster verteilt. Was leichter zu erklären ist, hängt von Ihrem Publikum ab. Ein Gremium versteht in der Regel „wir verteilen das Risiko über diese Gruppen“ schneller als „wir haben eine Kovarianzmatrix invertiert“.
  • Integration. Beide laufen auf derselben bereinigten Kurshistorie, demselben lokalen Cache und derselben Multi-Währungs-Behandlung. Wenn Ihre Kandidaten in mehreren Währungen gehandelt werden, dokumentiert die Seite zu Daten und Währungen den Konvertierungspfad, sodass beide Methoden dieselbe vergleichbare Renditereihe sehen. Auch die Exporte funktionieren identisch – nützlich, wenn Sie Gewichte offline vergleichen möchten (siehe Optimierte Portfoliogewichte in eine Tabellenkalkulation exportieren).
  • Wechselkosten. Praktisch null. Das Ziel ist ein Parameter, keine Festlegung. Das zählt mehr als jeder einzelne Backtest.

Bevor Sie irgendetwas vergleichen, stellen Sie sicher, dass die Eingaben stimmen. Datenanbieter, Cache, lokale Währung, Datumsbereich und Bereinigungseinstellungen verschieben alle das Ergebnis – der Leitfaden zur Ersteinrichtung behandelt die Einstellungen, die Sie vor Ihrem ersten Optimierungslauf festlegen sollten.

Direkter Vergleich: HRP vs. Minimum-Varianz

Dimension Minimum-Varianz Hierarchische Risikoparität
Ziel Den Gewichtsvektor mit der niedrigsten erwarteten Portfoliovolatilität finden Risiko über eine aus Korrelation abgeleitete Hierarchie verteilen
Umgang mit Korrelation Direkte Optimierung – alle paarweisen Kovarianzen in einem Lösungsvorgang bewertet Clustering – Vermögenswerte nach Korrelation gruppiert, dann Risiko den Baum hinunter halbiert
Inversion der Kovarianzmatrix Erforderlich Nicht erforderlich
Erforderliche Eingaben Risikomodell, Renditehistorie, Gewichtsbeschränkungen Korrelationsstruktur aus derselben Renditehistorie
Empfindlichkeit gegenüber Schätzfehlern Höher – die Inverse verstärkt Rauschen Niedriger – stützt sich auf relative Reihenfolge, nicht auf genaue Größenordnungen
Typische Gewichtskonzentration Kann sich auf wenige Namen mit niedriger Volatilität konzentrieren Verteilt Risiko gleichmäßiger über Cluster; meist mehr Positionen
Rechenkomplexität Wächst schnell mit der Anzahl der Vermögenswerte Skaliert komfortabel auf größere Universen
Ruhige Märkte Neigt dazu, die wirklich volatilitätsarmen Namen zu halten; kann unterdiversifiziert wirken Verteilt Risiko breit; hält möglicherweise mehr Vermögenswerte als unbedingt nötig
Stressphasen Konzentration kann helfen oder schaden, je nachdem, ob die volatilitätsarmen Namen volatilitätsarm bleiben Diversifikation über Cluster hält tendenziell besser stand, wenn sich Korrelationen verschieben
Ausführung in RSJ Portfolio Als Ziel auswählen, Risikomodell wählen, Beschränkungen setzen, ausführen Als Ziel auswählen, ausführen – dieselbe Kandidatenliste, dieselben bereinigten Daten

Ein praktischer Hinweis zur letzten Zeile: Weil beide Methoden in RSJ Portfolio auf exakt demselben Datensatz laufen, ist der Vergleich wirklich äpfel-mit-äpfeln. Führen Sie Minimum-Varianz aus, exportieren oder notieren Sie die Gewichte, wechseln Sie das Ziel zu hierarchischer Risikoparität, führen Sie erneut aus und vergleichen Sie. Schauen Sie dann, was die beiden Portfolios tatsächlich halten:

import pandas as pd

# One column per optimization run, one row per symbol.
# Build this file from the weights you exported for each run.
weights = pd.read_csv("weights_comparison.csv", index_col="symbol")

def concentration(w: pd.Series) -> dict:
    w = w / w.sum()
    return {
        "positions": int((w > 0).sum()),
        "effective_n": round(1 / (w ** 2).sum(), 2),   # 1 / Herfindahl index
        "top3_share": round(w.nlargest(3).sum(), 4),
    }

for column in ["min_variance", "hrp"]:
    print(column, concentration(weights[column]))

Zwei Zahlen erzählen meist die ganze Geschichte: wie viele Positionen ein aussagekräftiges Gewicht tragen und wie viel des Portfolios in den Top drei steckt. Wenn Minimum-Varianz Ihnen sechs Positionen und 55 % in den Top drei liefert, während HRP Ihnen vierzehn Positionen und 30 % liefert, sehen Sie den Konzentrationskompromiss in harten Zahlen.

Fazit: Wer sollte was wählen?

Wählen Sie Minimum-Varianz, wenn Ihre Priorität die niedrigste erreichbare erwartete Volatilität aus Ihrem Universum ist, Sie ein Risikomodell haben, dem Sie vertrauen, und genug saubere Historie dahinter, und Sie sich wohl damit fühlen, ein konzentriertes Buch volatilitätsarmer Namen zu halten. Es ist das schärfere Werkzeug, wenn die Schätzungen gut sind, und es liefert Ihnen eine einzige, verteidigbare Zahl, auf die Sie zeigen können.

Wählen Sie hierarchische Risikoparität, wenn Sie das Risiko über korrelierte Gruppen verteilen möchten, statt es in dem zu konzentrieren, was in der Stichprobe am sichersten aussah, Ihre Kandidatenliste groß oder stark korreliert ist oder Sie Ihren Kovarianzschätzungen skeptisch gegenüberstehen. HRP ist der robustere Standard – sie gibt etwas theoretische Optimalität auf, dafür überfittet sie die Matrix nicht.

Höchstwahrscheinlich wählen Sie vorübergehend beides. Führen Sie jedes Ziel auf Ihrer Kandidatenliste aus und vergleichen Sie Allokationen, Risikokennzahlen und Gewichtskonzentration, bevor Sie Kapital einsetzen. Der ganze Sinn eines auswählbaren Ziels ist, dass Sie Ihre Meinung günstig ändern können. Und das sollten Sie: Wenn sich Ihre Ansichten, Ihr Universum oder das Marktregime ändern, kann sich auch das passende Ziel mitändern.

RSJ Portfolio ist eine Windows-Desktop-Anwendung, der Workflow ist also Installieren-und-Ausführen statt einer Cloud-Pipeline. Überprüfen Sie den Installer, bevor Sie ihn starten – die Download-Seite veröffentlicht einen SHA-512-Hash zusammen mit einem versionierten Dateinamen:

# Compare this output against the SHA-512 published on the downloads page
Get-FileHash .\<installer>.exe -Algorithm SHA512

Legen Sie dann Datenanbieter, Währung und Datumsbereich einmal fest und beginnen Sie, Ziele zu vergleichen. Der Leitfaden für den Einstieg listet die Voraussetzungen und die empfohlenen Startparameter auf. Wenn Sie das Clustern und rekursive Halbieren lieber selbst in Python erledigen möchten, können Sie das – das ist der harte Weg, und es ist eine Woche, die Sie nicht zurückbekommen.

FAQ

Ist hierarchische Risikoparität immer besser als Minimum-Varianz? Nein. HRP ist robuster gegenüber Schätzfehlern und neigt dazu, das Risiko gleichmäßiger zu verteilen, aber Minimum-Varianz kann eine niedrigere Volatilität erreichen, wenn Ihr Risikomodell genau ist. Die beste Wahl hängt von Ihrer Datenqualität und Ihren Zielen ab. RSJ Portfolio ermöglicht Ihnen, beides zu vergleichen.

Wie hilft mir RSJ Portfolio bei der Wahl zwischen HRP und Minimum-Varianz? RSJ Portfolio implementiert beide Methoden als auswählbare Ziele. Sie können beide auf derselben Kandidatenliste ausführen und die resultierenden Allokationen, Risikokennzahlen und Gewichtskonzentrationen vergleichen, bevor Sie sich entscheiden.

Welche Daten brauche ich, um diese Methoden in RSJ Portfolio auszuführen? Sie brauchen historische End-of-Day-Kurse für Ihre Kandidatenaktien. RSJ Portfolio übernimmt Datenbereinigung, Währungsumrechnung und Caching automatisch, sodass Sie sich auf den Methodenvergleich konzentrieren können.

Kann ich beide Methoden zusammen in einem Portfolio verwenden? RSJ Portfolio erlaubt Ihnen, pro Optimierungslauf ein Ziel auszuwählen. Sie können separate Optimierungen ausführen und Erkenntnisse manuell kombinieren oder die Exportfunktion nutzen, um Ergebnisse in einer Tabellenkalkulation zu analysieren.

Welche Methode ist rechenintensiver? Minimum-Varianz wächst schnell mit der Größe Ihres Universums, weil sie mit der vollständigen Kovarianzmatrix arbeitet. HRP skaliert komfortabler, da sie auf einem Clustering-Baum operiert. In der Praxis sind auf einem Desktop-Rechner beide schnell genug fertig, dass die Rechenzeit nicht der Engpass ist – die Datenqualität ist es.

Wie vermeide ich Overfitting bei beiden Ergebnissen? Halten Sie den Vergleich ehrlich: dieselbe Kandidatenliste, derselbe Datumsbereich, dieselben Bereinigungseinstellungen, dasselbe Risikomodell, wo anwendbar. Prüfen Sie dann, ob die resultierenden Gewichte eine Änderung des Zeitfensters überstehen – ein Portfolio, das nur auf einer bestimmten Historie funktioniert, ist ein Curve-Fit, keine Allokation. Das Konzeptkapitel behandelt den statistischen Hintergrund, und Wie man die Allokationsergebnisse eines Portfolio-Optimierers überprüft führt durch die Prüfungen.

Fazit

Minimum-Varianz und hierarchische Risikoparität senken beide die Portfoliovolatilität; sie sind sich uneinig darüber, wie sehr man einer Kovarianzmatrix vertrauen sollte und wie gleichmäßig das Risiko verteilt sein sollte. Wenn Ihre Schätzungen solide sind und Sie die niedrigstmögliche Volatilität wollen, minimieren Sie die Varianz. Wenn Sie Widerstandsfähigkeit gegenüber Schätzfehlern und eine gleichmäßigere Risikoverteilung wollen, verwenden Sie HRP. Wenn Sie unsicher sind – und das sollten Sie wahrscheinlich sein, bis Sie beides gesehen haben –, führen Sie beide aus und vergleichen Sie die Gewichte.

RSJ Portfolio macht diesen Vergleich zu einer Zwei-Klick-Übung: Installieren Sie es, richten Sie es auf Ihre Kandidatenliste und wechseln Sie das Ziel zwischen den Läufen. Beginnen Sie mit der Übersicht, um den vollständigen Workflow zu sehen, laden Sie dann den Installer herunter und lassen Sie die Daten entscheiden.

Verwandte Beiträge

EU label: AI-generated content