Minimum Variance vs. Hierarchische Risikoparität: Was passt?
Minimum Variance vs. Hierarchische Risikoparität ist eine Entscheidung, die Sie treffen, bevor Sie eine einzige Optimierung ausführen — und sie bestimmt still und leise, wie sehr Sie Ihrer eigenen Kovarianzschätzung vertrauen. Beide Methoden sind korrelationsbewusst, beide zielen auf ein ruhigeres Portfolio ab, und beide nehmen dieselbe Eingabe: historische End-of-Day-Kurse. Was sie unterscheidet, ist der Umgang mit der Korrelationsstruktur, sobald sie vorliegt. Minimum Variance invertiert eine Kovarianzmatrix und lässt den Optimierer die Kombination mit der geringsten Volatilität finden. Hierarchische Risikoparität clustert Assets nach Korrelation und verteilt das Risiko den resultierenden Baum hinab, ohne irgendetwas zu invertieren.
Dieser Unterschied ist wichtig, wenn Sie eine statistisch fundierte Allokation wünschen statt einer handverlesenen Mischung aus „Dingen, die sich nicht gemeinsam bewegen". Dieser Artikel vergleicht die beiden Methoden anhand der Kriterien, die das Ergebnis tatsächlich entscheiden — Schätzfehler, Anzahl der Assets, Automatisierung, Datenanbindung — und zeigt, wie RSJ Portfolio beide auf derselben Kandidatenliste ausführt, sodass Sie sie vergleichen können, ohne Ihren Workflow neu aufzubauen.
Die Landschaft der korrelationsbewussten Allokationsmethoden
Minimum Variance ist ein Ziel der modernen Portfoliotheorie im klassischen Sinne. Sie geben dem Optimierer eine aus historischen Renditen geschätzte Kovarianzmatrix, und er löst nach den Gewichten, die die Portfoliovarianz minimieren:
minimize wᵀ Σ w
subject to Σ wᵢ = 1
wᵢ ≥ 0 (and any other weight constraints you set)
Alles, wovon das Ergebnis abhängt, steckt in Σ. Wenn Σ aus einer langen, sauberen Historie geschätzt wird und die Kandidatenliste überschaubar ist, ist die Lösung stabil und tatsächlich volatilitätsarm. Wenn Σ verrauscht oder schlecht konditioniert ist — viele Assets, kurze Historie, fehlende Kurse — verstärkt die Inverse den Schätzfehler, und die Gewichte können sich auf eine Weise konzentrieren, die willkürlich wirkt.
Hierarchische Risikoparität (López de Prado, 2016) geht einen anderen Weg. Sie wandelt paarweise Korrelationen in eine Distanzmetrik um, baut einen hierarchischen Clustering-Baum, ordnet die Kovarianzmatrix so um, dass ähnliche Assets nebeneinander liegen, und weist dann das Risiko von oben nach unten durch den Baum per rekursiver Bisektion zu. Nirgends in der Pipeline wird eine Matrix invertiert. Die praktische Konsequenz: HRP verschlechtert sich gnädiger, wenn Korrelationen schlecht geschätzt sind — die normale Situation in einem großen Universum.
Beide sind korrelationsbewusst in dem Sinne, der für die Produktpositionierung zählt — sie belohnen Assets, die schwach korrelieren oder deren Abwärtsbewegung schwach korreliert, und senken dadurch die Volatilität des resultierenden Portfolios. Sie gelangen nur auf unterschiedliche Weise dorthin.
RSJ Portfolio implementiert beide, neben maximalem Sharpe Ratio, minimaler Semivarianz und Conditional Value at Risk. Die vollständige Liste, die acht Risikomodelle, die Renditemodelle und die Exportoptionen finden Sie auf der Seite zu Methoden und Funktionen; der statistische Hintergrund zu jedem Ziel steht im Konzeptkapitel. Wenn Sie die ausführlicheren Darstellungen der benachbarten Ziele wünschen, sind sie separat behandelt: minimale Semivarianz und Conditional Value at Risk.
Auswahlkriterien: Wie Sie zwischen den beiden wählen
Benutzerfreundlichkeit und Schätzanforderungen
Minimum Variance verlangt mehr von Ihren Daten. Es benötigt eine Kovarianzschätzung, die stabil genug zum Invertieren ist, was in der Praxis genügend Beobachtungen relativ zur Anzahl der Assets und eine lückenlose Kursreihe bedeutet. HRP verlangt eine Korrelationsmatrix und einen Clustering-Schritt — mehr bewegliche Teile im Algorithmus, weniger Fragilität in der Eingabe.
Als Faustregel gilt: Je kleiner und sauberer Ihr Universum, desto weniger weichen die beiden Methoden voneinander ab. Je größer und verrauschter es wird, desto stärker zeigt sich HRPs Robustheit in den Gewichten.
Automatisierung
Beide sind Ziele, die Sie im Optimierer von RSJ Portfolio auswählen. Datenbereinigung, Auswahl des Risikomodells, Umgang mit dem Renditemodell und Gewichtsbeschränkungen werden von der Anwendung angewendet, statt dass Sie eine Solver-Schleife schreiben — das ist der Unterschied zwischen dem einmaligen Ausführen des Vergleichs und dem monatlichen Ausführen.
# The math, sketched — this is what you'd maintain yourself without a tool.
import numpy as np
cov = np.array([
[0.0400, 0.0090, 0.0045],
[0.0090, 0.0625, 0.0060],
[0.0045, 0.0060, 0.0324],
])
def portfolio_vol(weights, cov):
return float(np.sqrt(weights @ cov @ weights))
# minimum variance, unconstrained and fully invested: w proportional to Sigma^-1 * 1
inv = np.linalg.inv(cov)
w_mv = inv @ np.ones(3)
w_mv /= w_mv.sum()
# HRP: no inversion, risk split through a cluster tree
w_hrp = np.array([0.42, 0.31, 0.27])
for name, w in (("min variance", w_mv), ("HRP", w_hrp)):
print(f"{name:13s} vol={portfolio_vol(w, cov):.2%} weights={np.round(w, 3)}")
Die Clustering-Hälfte von HRP ist der Teil, den die Leute unterschätzen:
import numpy as np
from scipy.cluster.hierarchy import linkage
returns = np.array([...]) # historic end-of-day returns, one column per stock
corr = np.corrcoef(returns, rowvar=False)
dist = np.sqrt(0.5 * (1.0 - corr)) # correlation distance
tree = linkage(dist[np.triu_indices_from(dist, k=1)], method="single")
# then: quasi-diagonalize, recursive bisection, inverse-variance split at each node
Das ist ein überschaubares Nachmittagsprojekt. Es über Datenanbieter, Währungen, fehlende Kurse und Rebalancing hinweg korrekt zu halten, ist es nicht.
Zuverlässigkeit und wo Ihre Daten liegen
RSJ Portfolio ist eine Windows-Desktop-Anwendung mit lokalem Cache. Die Kurse, die Sie abrufen, bleiben auf Ihrem Rechner, und wiederholte Läufe lesen aus dem Cache, statt den Anbieter zu belasten — nützlich, wenn Sie dieselbe Kandidatenliste unter verschiedenen Zielen erneut ausführen. Die Seite zu Daten und Währungen beschreibt die Anbieter, die Pipeline zur Kursbereinigung und den Konvertierungspfad für Portfolios, die in mehreren Währungen notiert sind.
Preis und Integration
Eine Einzelnutzerlizenz deckt die Anwendung ab; die Preisseite enthält die aktuellen Konditionen. Ergebnisse lassen sich für die weitere Analyse exportieren, sodass keine der beiden Methoden zur Sackgasse wird — Sie können die Allokation in Ihre eigene Reporting- oder Backtesting-Umgebung übernehmen. Vergleichen Sie das mit den Kosten eines eigenen Optimierers: Der Solver ist der günstige Teil, die Datenpipeline der teure.
Datenanforderungen
Beide Methoden verbrauchen historische End-of-Day-Kurse. Keine von beiden benötigt Intraday-Daten, Orderbücher oder einen Live-Feed. Kandidatenlisten mit mehreren Währungen werden über den Konvertierungspfad des Produkts abgewickelt, und Bereinigungseinstellungen sind Konfiguration, kein Code.
# A decision sheet worth filling in before you touch either optimizer
minimum_variance:
input: covariance matrix, estimated
failure_mode: ill-conditioned estimate -> concentrated, unstable weights
best_when: assets are few and the price history is long
hierarchical_risk_parity:
input: correlation matrix plus a cluster tree
failure_mode: cluster structure drives the allocation
best_when: assets are many and pairwise correlations are noisy
Direkter Vergleich: Minimum Variance vs. Hierarchische Risikoparität
| Minimum Variance | Hierarchische Risikoparität | |
|---|---|---|
| Ziel | Portfoliovarianz für die gegebene Kandidatenmenge minimieren | Risiko gleichmäßig über eine Hierarchie korrelierter Assets verteilen |
| Risikoschätzer | Kovarianzmatrix — Stichprobenschätzung oder eines der wählbaren Risikomodelle | In eine Distanzmetrik umgewandelte Korrelationsmatrix plus Varianzen auf Clusterebene |
| Umgang mit Korrelation | Korrelation fließt direkt über die Kovarianzmatrix ein; Paare mit geringer Korrelation erhalten mehr Gewicht | Assets werden nach Korrelation geclustert, dann wird das Risiko von oben nach unten durch den Baum verteilt |
| Empfindlichkeit gegenüber Schätzfehlern | Höher: Das Invertieren einer verrauschten Matrix kann Gewichte konzentrieren | Geringer: keine Matrixinversion, daher fallen verrauschte paarweise Korrelationen weniger ins Gewicht |
| Typischer Anwendungsfall | Ein fokussiertes Universum mit langer, sauberer Historie und hohem Vertrauen in die Risikoschätzung | Ein breites Universum, kurze oder lückenhafte Historien und eine Allokation, die Sie über Rebalancings hinweg halten möchten |
| Unterstützung in RSJ Portfolio | Verfügbar als Ziel „minimale Volatilität" | Verfügbar als Ziel „hierarchische Risikoparität" |
Da RSJ Portfolio acht Risikomodelle und wählbare Gewichtsbeschränkungen bereitstellt, ist der Vergleich kein einmaliger Münzwurf — Sie können Minimum Variance gegen HRP unter demselben Risikomodell laufen lassen, dann beide unter einem anderen erneut ausführen und sehen, ob die Rangfolge bestehen bleibt. Wenn die Antwort mit dem Risikomodell kippt, haben Sie etwas Nützlicheres gelernt als aus jedem einzelnen Ergebnis.
Fazit: Wer sollte was wählen?
Wählen Sie Minimum Variance, wenn Ihre Kandidatenliste konzentriert genug ist, dass die Kovarianzmatrix gut konditioniert ist, Ihre Historie lang und sauber ist und Ihr Ziel buchstäblich die niedrigste erreichbare Volatilität für diese Asset-Menge ist. Es ist die direkte Antwort auf die direkte Frage, und wenn die Schätzung vertrauenswürdig ist, gewinnt sie meist bei der realisierten Volatilität.
Wählen Sie hierarchische Risikoparität, wenn Sie Dutzende von Titeln führen, Ihre Korrelationen verrauscht oder regimeabhängig sind oder Sie schon einmal von einem Optimierer verbrannt wurden, der wegen eines numerischen Zufalls 60 % in zwei Assets gepackt hat. HRPs Allokation ist konstruktionsbedingt tendenziell diversifizierter, und sie verlangt nicht, dass Sie einer Matrixinversion vertrauen.
In der Praxis: Führen Sie beide aus. Die beiden Methoden sind wählbare Ziele in derselben Anwendung, die mit denselben gecachten Kursdaten arbeitet, sodass die Grenzkosten des zweiten Laufs ein paar Klicks betragen. Vergleichen Sie die resultierenden Allokationen, vergleichen Sie die Ex-ante-Volatilität und prüfen Sie, ob der Unterschied innerhalb des Rauschens Ihrer Schätzungen liegt. Wenn die Kandidatenliste Ihnen konzentrierte Gewichte geliefert hat, ist das Ihr Signal, HRP zu bevorzugen; wenn Sie ein enges Universum haben und das Minimum wollen, tut Minimum Variance genau das, was draufsteht. Zur übergeordneten Frage, warum Titel mit geringer Korrelation die Volatilität überhaupt senken, siehe diesen Beitrag.
Beide Methoden in RSJ Portfolio zum Einsatz bringen
- Installieren und lizenzieren. Der Windows-Installer steht auf der Download-Seite bereit, veröffentlicht unter einem versionierten Dateinamen mit seinem SHA-512-Hash auf derselben Seite. Überprüfen Sie den Hash, bevor Sie ihn ausführen; die Anleitung dazu behandelt die Kommandozeilenseite. Wenden Sie dann Ihre Lizenz an.
- Daten und Währung konfigurieren. Wählen Sie Ihren Datenanbieter, legen Sie die lokale Währung fest, wählen Sie den Datumsbereich und prüfen Sie die Bereinigungseinstellungen. Dies ist der Schritt, der entscheidet, ob Ihre Kovarianzschätzung brauchbar ist — ein Fünfjahresfenster mit Lücken verhält sich ganz anders als ein sauberes Zehnjahresfenster. Details im Konfigurationskapitel.
- Die Kandidatenliste erstellen. Suchen Sie Symbole und stellen Sie das Universum zusammen, über das Sie tatsächlich allokieren möchten, wie im Auswahlkapitel beschrieben. Alles Nachgelagerte ist nur so gut wie diese Liste.
- Das Ziel wählen. Wählen Sie minimale Volatilität oder hierarchische Risikoparität. Wählen Sie dann ein Risikomodell und legen Sie Ihre Gewichtsbeschränkungen fest. Ändern Sie jeweils nur eine Variable, wenn Sie aus dem Vergleich etwas lernen wollen.
- Ausführen und das Ergebnis lesen. Der Optimierer liefert die empfohlene Allokation; das Empfehlungskapitel erklärt, was jeder Parameter und jede Ausgabe bedeutet. Exportieren Sie sie, wenn Sie sie ins Reporting übernehmen.
- Unter dem anderen Ziel wiederholen. Gleiche Liste, gleiche Daten, gleiches Risikomodell — eine andere Einstellung. Das ist Ihr Vergleich.
Wenn Sie dies nach Zeitplan statt ad hoc ausführen, lohnt sich als Nächstes die Lektüre des Workflows mit gecachten End-of-Day-Kursen: Das ist der Unterschied zwischen einer monatlichen manuellen Aktualisierung und einem wiederholbaren Prozess.
FAQ
Was ist der Hauptunterschied zwischen Minimum Variance und hierarchischer Risikoparität?
Minimum Variance minimiert die Portfoliovolatilität mithilfe einer Kovarianzmatrix, während hierarchische Risikoparität das Risiko über eine Hierarchie korrelierter Assets verteilt, Matrixinversion vermeidet und oft robuster gegenüber Schätzfehlern ist.
Kann ich beide Methoden in RSJ Portfolio verwenden?
Ja. Mit RSJ Portfolio können Sie Minimum Variance, hierarchische Risikoparität und andere Ziele auswählen, sodass Sie Allokationen auf demselben Datensatz vergleichen können, ohne das Werkzeug zu wechseln oder Ihre Kurse neu aufzubereiten.
Welche Methode ist besser für Portfolios mit vielen Assets?
Hierarchische Risikoparität wird für große Portfolios oft bevorzugt, weil sie mit verrauschten Korrelationen besser umgeht, aber Minimum Variance kann gut funktionieren, wenn Sie eine stabile Kovarianzschätzung haben. Beide in RSJ Portfolio auf Ihrer eigenen Kandidatenliste zu testen, ist der schnellste Weg zur Entscheidung.
Muss ich meine eigene Korrelationsmatrix bereitstellen?
Nein. RSJ Portfolio berechnet Korrelationen aus historischen End-of-Day-Kursen mit Ihrem gewählten Datenanbieter und Risikomodell — Sie liefern die Symbole und die Konfiguration, nicht die Statistik.
Fazit
Minimum Variance und hierarchische Risikoparität sind weniger konkurrierende Antworten auf dieselbe Frage als vielmehr zwei Antworten auf eine etwas andere: Wie sehr vertrauen Sie Ihrer Korrelationsschätzung? Wenn Sie ihr vertrauen, holt Minimum Variance die niedrigste verfügbare Volatilität heraus. Wenn nicht — viele Assets, lückenhafte Historie, Regimewechsel — hält sich HRPs clusterbasierte Allokation besser und bleibt diversifiziert.
Der einzige Weg herauszufinden, was auf Ihr Universum zutrifft, ist, beide auf denselben Daten auszuführen und zu vergleichen. RSJ Portfolio ist genau dafür gebaut: Symbole auswählen, Daten und Risikomodell konfigurieren, dann das Ziel wechseln und den Unterschied ablesen. Beginnen Sie mit dem Leitfaden für den Einstieg für die Konfiguration, die sich vor Ihrem ersten Lauf lohnt, und sehen Sie auf der Download-Seite nach dem Installer und dem vollständigen Benutzerhandbuch.
Verwandte Beiträge
- Wie Sie die Portfoliovolatilität mit Aktien geringer Korrelation senken
- Portfoliooptimierung mit gecachten End-of-Day-Kursen automatisieren
- Wie Sie ein Portfolio mit minimaler Semivarianz aufbauen: Tutorial