RSJ Portfolio Portfolio Optimization

← Alle Beiträge

2026-10-25

Moderne Portfoliotheorie vs. Hierarchische Risikoparität

Moderne Portfoliotheorie vs. Hierarchische Risikoparität
portfolio optimization modern portfolio theory portfolio correlation portfolio optimization hierachical risk parity minimize volatility minimize semivariance maximize sharpe

Moderne Portfoliotheorie vs. Hierarchische Risikoparität

Sie haben eine Kandidatenliste. Sagen wir vierzig Ticker, die Sie tatsächlich recherchiert, auf Liquidität geprüft haben und die Sie gerne besitzen würden. Die verbleibende Frage ist nicht, was Sie kaufen sollen, sondern wie viel von jedem – und auf diese Frage gibt es zwei sehr unterschiedliche Antworten, je nachdem, welcher Allokationsmethode Sie vertrauen.

Auf der einen Seite steht die moderne Portfoliotheorie (MPT), das Markowitz-Mean-Variance-Framework, das seit den 1950er Jahren der Standard ist: erwartete Renditen und eine Kovarianzmatrix schätzen, ein Ziel wählen, die Gewichte lösen. Auf der anderen Seite steht die hierarchische Risikoparität (HRP), die die Matrixinversion vollständig überspringt, Aktien nach Korrelationsdistanz clustert und das Risiko entlang des resultierenden Baums verteilt.

Beide zielen auf dasselbe Ergebnis ab – ein Portfolio, das weniger volatil ist, weil seine Positionen nicht alle gleichzeitig fallen. Sie erreichen dies mit unterschiedlichen Annahmen, unterschiedlichen Inputs und sehr unterschiedlichem Verhalten, wenn die Eingabedaten verrauscht sind. Dieser Artikel vergleicht sie Seite an Seite und zeigt, wie RSJ Portfolio beide als auswählbare Allokationsmethoden bereitstellt, sodass der Vergleich ein Dropdown ist und kein Forschungsprojekt.

Die Allokationsentscheidung: MPT oder HRP?

Die Entscheidung ist wegen des Schätzfehlers wichtig. Jeder Optimierer verbraucht eine Kovarianzmatrix, die aus einem endlichen Fenster historischer End-of-Day-Kurse geschätzt wird. Diese Schätzung ist auf eine Weise falsch, die Sie nicht sehen können, und die beiden Methoden reagieren unterschiedlich auf diesen Fehler.

  • MPT invertiert die Kovarianzmatrix. Die Inversion ist empfindlich: Kleine Änderungen der Korrelationen können die Lösung weit verschieben, manchmal hin zu schiefen Gewichten, die auf eine Handvoll Werte konzentriert sind.
  • HRP invertiert die Matrix nie. Sie wandelt Korrelationen in Distanzen um, baut eine Hierarchie auf und teilt das Risiko rekursiv zwischen Zweigen auf. Verrauschte Paarkorrelationen werden innerhalb von Clustern gemittelt, statt durch eine Inverse verstärkt zu werden.

Dieselbe Kandidatenliste, dieselbe Kurshistorie, zwei unterschiedliche Persönlichkeiten. Die eine versucht, angesichts der Schätzung optimal zu sein; die andere versucht, vernünftig zu bleiben, wenn die Schätzung wackelig ist.

Was folgt, ist ein Vergleich, kein Tutorial. Wenn Sie den statistischen Hintergrund dazu möchten, warum schwache Korrelation die Volatilität überhaupt senkt, behandeln wir das separat in Why Low Correlation Stocks Reduce Portfolio Volatility.

Die Landschaft: Wie MPT und HRP die Allokation angehen

Moderne Portfoliotheorie: Ziel wählen, Gewichte lösen

MPT behandelt die Allokation als Optimierungsproblem. Sie liefern ein Risikomodell (die Kovarianzschätzung), oft ein Renditemodell und ein Ziel. Der Solver findet dann den Gewichtsvektor, der dieses Ziel unter Ihren Nebenbedingungen und der Budgetbedingung, dass die Gewichte eins ergeben, am besten erfüllt.

Der uneingeschränkte Kern davon ist fast peinlich kurz:

# The heart of mean-variance optimization — and the reason estimation
# error matters so much. A small change in `cov` moves `w` a long way.
import numpy as np

w = np.linalg.solve(cov, mu)   # tangency-style solution, unconstrained
w = w / w.sum()                # scale to fully invested

Dieser eine solve-Aufruf ist eine Matrixinversion in Verkleidung. Wenn die Kovarianzmatrix aus einigen hundert überlappenden Tagesbeobachtungen von vierzig korrelierten Aktien geschätzt wird, ist sie nahezu singulär, und die Inverse verstärkt genau das Rauschen, das Sie eigentlich herausmitteln wollten.

Hierarchische Risikoparität: erst clustern, dann allokieren

HRP, 2016 eingeführt, wurde als Antwort auf diese Fragilität konzipiert. Sie nimmt die Korrelationsmatrix, wandelt jede paarweise Korrelation in eine Distanz um, baut einen hierarchischen Clustering-Baum auf, ordnet die Assets so um, dass ähnliche nebeneinander liegen, und teilt dann Kapital und Risiko rekursiv den Baum hinunter auf – jede Aufteilung allokiert invers zur Varianz der beiden Zweige.

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

dist = np.sqrt(0.5 * (1 - corr))                       # correlation distance
tree = linkage(squareform(dist, checks=False), method="single")

Zur Einordnung: Das ist der Schritt, den HRP hinzufügt, bevor irgendein Geld allokiert wird. Eine Inversion taucht nirgendwo in der Pipeline auf.

Wo sie tatsächlich auseinandergehen

  • Inputs. MPT will eine Kovarianzmatrix und, für renditeorientierte Ziele, erwartete Renditen. HRP will eine Korrelationsmatrix plus eine Linkage-Wahl und überhaupt keine Renditeprognosen.
  • Fehlerbehandlung. MPT pflanzt den Schätzfehler durch eine Inverse fort. HRP verdünnt ihn durch Cluster-Mittelwerte und rekursive Bisektion.
  • Form des Outputs. MPT kann konzentrierte Gewichte erzeugen, wenn die Korrelationen instabil sind. HRP verteilt das Risiko typischerweise gleichmäßiger über die Korrelationsstruktur.
  • Kosten des Irrtums. Eine schlechte Renditeprognose in MPT schmerzt direkt. In HRP gibt es keine Renditeprognose, bei der man falsch liegen könnte.

Beide beruhen weiterhin auf derselben Grundidee: hin zu Aktien allokieren, deren Renditen – oder deren Abwärtsrisiko – schwach mit dem Rest korrelieren. Der Unterschied liegt darin, wie aggressiv jede Methode den rohen paarweisen Zahlen vertraut.

Auswahlkriterien: Welche Methode passt zu Ihrer Situation?

Benutzerfreundlichkeit

MPT verlangt mehr von Ihnen: ein Risikomodell wählen, oft ein Renditemodell und ein Ziel. HRP verlangt auf der Renditeseite weniger, braucht aber trotzdem ein Korrelationsfenster und eine Linkage-Methode – die Entscheidungen existieren, es sind nur weniger. Keine ist schwierig, sobald die Inputs auf dem Bildschirm sind; beide sind mühsam, wenn Sie die Matrizen von Hand zusammenbauen.

Automatisierung

Hier entscheidet sich üblicherweise die Tooling-Frage. In RSJ Portfolio sind beide Ansätze als Allokationsmethoden implementiert, die Sie in der Oberfläche auswählen – Sie wählen die Methode und ihre Parameter, und der Optimierer läuft. Es gibt keinen Optimierer-Code zu pflegen und keinen Matrixaufbau-Schritt, bei dem man etwas falsch machen könnte.

Robustheit

Wenn Ihre Korrelationen stabil und Ihre Renditeansichten fundiert sind, ist die Präzision von MPT ein Vorteil. Wenn Ihre Korrelationen verrauscht sind – dünner Handel, Regimewechsel, ein Fenster, das eine Krise überspannt –, hält sich das Clustering von HRP out of sample tendenziell besser. Eine nützliche Faustregel: Je mehr Sie Ihren Inputs misstrauen, desto mehr ist HRPs Konservatismus das Geld wert.

Integration

Beide Methoden verbrauchen in RSJ Portfolio dieselben Daten: historische End-of-Day-Kurse, die durch dieselbe Bereinigungspipeline laufen und im selben lokalen Cache landen. Mehrwährungs-Kandidatenlisten folgen unabhängig von der gewählten Methode demselben Konvertierungspfad – siehe Portfolio Optimization for Multi-Currency Portfolios: A Guide für diesen Workflow.

Preis

RSJ Portfolio ist eine Windows-Desktop-Anwendung, die unter einer Einzelbenutzerlizenz verkauft wird; die aktuellen Bedingungen stehen auf der Preisseite. Es gibt keine abgerechnete API und keine Gebühr pro Optimierung, sodass der Vergleich von MPT und HRP auf derselben Kandidatenliste Sie Zeit kostet, keine Credits.

Direkter Vergleich: MPT vs. HRP

Moderne Portfoliotheorie (MPT) Hierarchische Risikoparität (HRP)
Ziel Bester Risiko-Rendite-Kompromiss für ein gewähltes Ziel: minimale Volatilität, maximaler Sharpe Ratio, minimale Semivarianz oder Conditional Value at Risk Risikoparität über eine Korrelationshierarchie
Inputs Kovarianzmatrix aus einem Risikomodell; erwartete Renditen für renditeorientierte Ziele; Gewichtsbeschränkungen Korrelationsmatrix, eine Linkage-Wahl, ein Korrelationsfenster
Schätzfehler Wird durch Matrixinversion fortgepflanzt; kann Gewichte stark verschieben Wird durch Clustering und rekursive Bisektion absorbiert; stabiler
Typische Gewichtskonzentration Kann sich bei instabilen Korrelationen auf wenige Werte konzentrieren Meist gleichmäßiger über die Korrelationsstruktur verteilt
Rechenkomplexität Matrixinversion dominiert; wächst steil mit der Anzahl der Kandidaten Clustering plus rekursive Aufteilungen; keine Inversion
Unterstützung in RSJ Portfolio Minimale Volatilität, maximaler Sharpe Ratio, minimale Semivarianz, Conditional Value at Risk, mit acht auswählbaren Risikomodellen Hierarchische Risikoparität, auswählbar als Allokationsmethode neben den MPT-Zielen

Wie RSJ Portfolio beide Methoden implementiert

Der Workflow ist unabhängig von der Methode derselbe, was einen echten direkten Vergleich praktikabel macht.

  1. Kandidatenliste erstellen. Symbole suchen und im Schritt Selection der Bedienungsanleitung hinzufügen.
  2. Datenschicht einmal konfigurieren. Datenanbieter, lokaler Cache, lokale Währung, Datumsbereich und Bereinigungseinstellungen. Das ist das Kapitel Configuration, und es lohnt sich, es vor dem ersten Lauf zu erledigen – die Datenseite erklärt die Bereinigungspipeline und den Währungskonvertierungspfad.
  3. Allokationsmethode wählen. Minimale Volatilität, maximaler Sharpe Ratio, minimale Semivarianz, Conditional Value at Risk oder hierarchische Risikoparität.
  4. Risikomodell und Nebenbedingungen festlegen. Acht Risikoschätzer stehen zur Verfügung, dazu Renditemodelle und Gewichtsbeschränkungen. Die Funktionsseite listet alle auf.
  5. Optimierer ausführen und Ergebnisse lesen. Gewichte und Portfoliostatistiken kommen in der Recommendation-Ansicht zurück; Exporte stehen für weitere Analysen zur Verfügung.

Der Installer ist eine Windows-Executable mit versionsbehaftetem Dateinamen, und der SHA-512-Hash wird auf der Download-Seite veröffentlicht. Verifizieren Sie ihn, bevor Sie irgendetwas ausführen:

Get-FileHash .\RSJPortfolio-Setup-<version>.exe -Algorithm SHA512
# compare the output to the hash printed on the downloads page

Führen Sie dann beide Methoden auf derselben Kandidatenliste aus und exportieren Sie die Gewichte zum Vergleich:

symbol,weight
AAA,0.0812
BBB,0.0734
CCC,0.0651

Exporte geben Ihnen die beiden Gewichtsvektoren Seite an Seite, ohne eine der beiden Optimierungen von Hand erneut auszuführen. Sie könnten beide Optimierer selbst bauen – die Mathematik ist öffentlich, und eine Korrelationsdistanzmatrix plus ein Linkage-Aufruf sind ein Dutzend Zeilen –, aber das ist der harte Weg, und er lässt Sie einen Solver pflegen, statt ein Portfolio zu bewerten. RSJ Portfolio führt Bereinigung, Caching und Optimierung als einen verwalteten Schritt aus einer Desktop-UI aus.

Für einen tieferen Blick speziell auf das Dropdown für Risikoschätzer siehe Portfolio Optimizer with Selectable Risk Models: A Comparison.

Fazit: Wer sollte was wählen?

Wählen Sie MPT, wenn Sie Renditeprognosen haben, denen Sie tatsächlich glauben, ein bestimmtes Ziel wie maximalen Sharpe Ratio oder minimale Volatilität anstreben und es Ihnen nichts ausmacht, konzentrierte Gewichte zu prüfen, statt sie einfach zu akzeptieren.

Wählen Sie HRP, wenn Sie eine diversifikationsorientierte Allokation wollen, die nicht von erwarteten Renditen abhängt, und lieber eine robuste Antwort als eine präzise auf verrauschten Korrelationen haben möchten.

Führen Sie beide aus, wenn Sie unentschieden sind – was ehrlicherweise meistens der Fall ist. RSJ Portfolio hält beide Methoden auf denselben Daten nur eine Auswahl entfernt, sodass der Vergleich günstig ist. Welche Sie auch wählen, prüfen Sie den Output, bevor Sie damit handeln; How to Validate Portfolio Optimizer Output Before You Trade behandelt diesen Schritt, und Portfolio Optimization for Multi-Currency Portfolios: A Guide behandelt die Währungsseite.

FAQ

Welche Methode ist besser zur Senkung der Volatilität: MPT oder HRP?

Das hängt von Ihren Inputs und Zielen ab. MPT kann die Volatilität direkt minimieren – oder den Sharpe Ratio maximieren –, ist aber empfindlich gegenüber Schätzfehlern in der Kovarianzmatrix. HRP erzeugt tendenziell stärker diversifizierte, robustere Allokationen durch hierarchisches Clustering, was bei verrauschten Korrelationen zu niedrigerer Out-of-Sample-Volatilität führen kann. Mit RSJ Portfolio können Sie beide ausführen und die Ergebnisse vergleichen.

Kann ich in RSJ Portfolio sowohl MPT als auch HRP verwenden?

Ja. RSJ Portfolio enthält sowohl Ziele der modernen Portfoliotheorie (minimale Volatilität, maximaler Sharpe Ratio, minimale Semivarianz, Conditional Value at Risk) als auch hierarchische Risikoparität als auswählbare Allokationsmethoden. Sie können zwischen ihnen wechseln und die Ergebnisse vergleichen.

Benötigt HRP erwartete Renditen?

Nein. Hierarchische Risikoparität allokiert Risiko auf Basis der Korrelationsstruktur und benötigt keine Prognosen erwarteter Renditen. Das macht sie weniger anfällig für Fehler aus der Renditeschätzung – anders als MPT, die typischerweise erwartete Renditen verwendet.

Wie behandelt RSJ Portfolio die Korrelationsschätzung für diese Methoden?

RSJ Portfolio berechnet Korrelationen aus historischen End-of-Day-Kursen nach der Bereinigung. Sie können das Risikomodell (acht Optionen) und den Datumsbereich wählen. Für HRP baut es einen hierarchischen Baum aus der Korrelationsmatrix; für MPT verwendet es die Kovarianzmatrix, die das gewählte Risikomodell liefert.

Fazit

MPT und HRP sind weniger Rivalen als zwei Antworten auf dieselbe Frage mit unterschiedlicher Toleranz gegenüber schlechten Inputs. MPT optimiert härter und verlangt mehr von Ihren Schätzungen; HRP optimiert vorsichtiger und verlangt fast nichts von Ihren Renditeansichten. Wenn Sie nicht begründen können, warum Ihre Kovarianzmatrix in diesem Quartal vertrauenswürdig ist, ist HRP meist der sicherere Standard – und wenn Sie es können, gibt Ihnen MPT ein schärferes Ziel.

RSJ Portfolio stellt beide hinter dieselbe Kandidatenliste, dieselbe bereinigte Kurshistorie und denselben Ein-Klick-Lauf, sodass die Entscheidung empirisch wird: Führen Sie beide aus, exportieren Sie die Gewichte und behalten Sie die Methode, deren Verhalten Sie verteidigen können. Es ist eine Windows-Desktop-Anwendung unter einer Einzelbenutzerlizenz – beginnen Sie mit der Erste-Schritte-Anleitung, verifizieren Sie den Installer-Hash von der Download-Seite und führen Sie Ihren ersten Vergleich diese Woche aus.

Verwandte Beiträge

EU label: AI-generated content