RSJ Portfolio Portfolio Optimization

← Alle Beiträge

2026-10-18

Was ist hierarchische Risikoparität? Einfach erklärt

Was ist hierarchische Risikoparität? Einfach erklärt
portfolio optimization modern portfolio theory portfolio correlation portfolio optimization hierachical risk parity minimize volatility minimize semivariance maximize sharpe

Was ist hierarchische Risikoparität? Eine Erklärung in einfacher Sprache

Wenn Sie schon einmal einen Optimierer geöffnet und festgestellt haben, dass hierarchische Risikoparität im Ziel-Dropdown neben minimaler Volatilität und maximalem Sharpe-Ratio steht, haben Sie sich wahrscheinlich eine ganz einfache Frage gestellt: Was macht dieses Ding eigentlich, und wann sollte ich es wählen?

Dieser Artikel beantwortet das in einfacher Sprache. Keine Kovarianzmatrizen zum Invertieren, keine griechischen Buchstaben. Nur die Idee, die Analogie, die Mechanik in einem Absatz und ein ehrlicher Blick darauf, was hierarchische Risikoparität (HRP) für Sie tut und was nicht.

Die Frage in einfacher Sprache

Hierarchische Risikoparität ist eine Allokationsmethode, die ähnliche Vermögenswerte in Cluster gruppiert, bevor sie Gewichte zuweist. Das Kapital wird dann über diese Cluster verteilt, sodass das Portfolio echten unterschiedlichen Risikoquellen ausgesetzt ist und nicht demselben Risiko unter fünf verschiedenen Tickersymbolen.

Vergleichen Sie das mit der klassischen Mean-Variance-Optimierung. Mean-Variance betrachtet die Stichprobe historischer Renditen und fragt: Welche Kombination von Vermögenswerten bietet den besten Kompromiss zwischen Rendite und Varianz? Die Antwort ist mathematisch sauber und in der Praxis oft unangenehm — sie häuft bereitwillig Gewicht auf eine Handvoll Vermögenswerte, deren Korrelationen in dieser bestimmten Stichprobe zufällig günstig aussahen. Ändern Sie den Zeitraum um ein paar Monate, und die Allokation kann völlig anders aussehen.

HRP geht einen anderen Weg. Statt den Rohzahlen in einer großen Kovarianzmatrix zu vertrauen, fragt es zuerst, welche Vermögenswerte sich ähnlich verhalten, und verteilt dann das Risiko über die resultierenden Gruppen. Der Nutzen in einem Satz: Positionen, die schwach miteinander korrelieren, erzeugen ein Portfolio, dessen Volatilität geringer ist als die Summe seiner Teile, bei einem weitgehend ähnlichen erwarteten Ertrag.

Dies ist für Investoren und Quants geschrieben, die den Begriff gehört haben und ihn verstehen wollen, bevor sie sich in einem Optimierer auf ein Ziel festlegen. Wenn das auf Sie zutrifft, lesen Sie weiter.

Eine Analogie aus der Praxis: Ein Team diversifizieren, nicht nur einstellen

Stellen Sie sich vor, Sie bauen ein zehnköpfiges Team auf. Sie könnten zehn Personen mit nahezu identischen Fähigkeiten einstellen — sagen wir zehn Backend-Entwickler. Sie haben zehn Stellen, aber Sie haben eine einzige Fähigkeit. Das erste schwierige Problem, das außerhalb der Backend-Arbeit liegt, bringt die ganze Gruppe zum Stillstand.

Ein Aktienportfolio verhält sich genauso. Zehn Positionen in zehn Halbleiterunternehmen sehen auf einem Bestandsbildschirm diversifiziert aus. An den Tagen, die zählen, bewegen sie sich gemeinsam, weil sie auf dieselben Schocks reagieren.

Der Clustering-Schritt von HRP entspricht dem vorherigen Sortieren Ihrer Kandidaten in Gruppen: die Backend-Leute, die Designer, die Analysten, die Leute, die mit Kunden sprechen. Dann wählt es Vertreter aus jeder Gruppe aus, statt aus dem Pool als Ganzem.

Der „Parität"-Teil ist die zweite Hälfte der Idee. Innerhalb und zwischen diesen Gruppen wird das Risiko verteilt, statt in dem Vermögenswert konzentriert zu werden, der in der historischen Stichprobe am besten aussah. Wenn ein Cluster historisch ruhig ist, bekommt es nicht automatisch ein riesiges Gewicht — es bekommt seinen Anteil.

Und der Zusammenhang mit der Volatilität ist unkompliziert: Wenn sich die Gruppen aus unterschiedlichen Gründen bewegen, wird ein schlechter Tag in einer Gruppe teilweise durch die anderen ausgeglichen. Das ist der ganze Punkt. Weniger gemeinsame Bewegung bedeutet weniger Portfolio-Volatilität.

Wie hierarchische Risikoparität unter der Haube funktioniert

Drei Schritte. Das ist wirklich alles, was Sie im Kopf behalten müssen.

  1. Die Struktur schätzen. Aus historischen Schlusskursen berechnen, wie sich die Kandidaten-Vermögenswerte gemeinsam bewegen — eine Korrelations- oder Kovarianzschätzung.
  2. Eine Hierarchie aufbauen. Diese Beziehungen in Distanzen umwandeln und einen Baum von Clustern wachsen lassen. Vermögenswerte, die sich ähnlich verhalten, sitzen nah beieinander im Baum; schwach verwandte Vermögenswerte sitzen weit auseinander.
  3. Das Risiko von oben nach unten durch den Baum allokieren. Das Kapital zwischen den beiden Hauptästen aufteilen, dann jeden Ast zwischen seinen Kindern aufteilen, und immer weiter nach unten gehen. Das Risiko wird rekursiv geteilt, statt durch Invertieren einer großen Matrix abgeleitet.

Hier ist die Form dieser Berechnung, rein zur Veranschaulichung — Sie müssen das nicht selbst schreiben:

import numpy as np
import pandas as pd
from scipy.cluster.hierarchy import linkage
from scipy.spatial.distance import squareform

prices = pd.read_csv("prices.csv", index_col=0, parse_dates=True)
returns = np.log(prices).diff().dropna()

# 1. structure: how do the candidates co-move?
corr = returns.corr()

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

# 3. allocation: walk the tree top-down, splitting risk at every node
#    (this is the part that replaces inverting the covariance matrix)

Die praktische Konsequenz von Schritt 3 ist der interessante Teil. Mean-Variance-Optimierung benötigt die Inverse der Kovarianzmatrix, und diese Inverse wird instabil, wenn Sie viele Vermögenswerte haben oder wenn mehrere von ihnen hoch korreliert sind — genau die Situationen, in denen die Zahlen nicht mehr vertrauenswürdig sind. Die rekursive Aufteilung von HRP vermeidet diese Inversion vollständig, weshalb sie dazu neigt, vernünftigere Gewichte auf langen, unübersichtlichen Kandidatenlisten zu erzeugen.

Die Statistik hinter dem Clustering und dem Risikomodell gehört in die eigene Konzeptdokumentation des Produkts, nicht in eine Erklärung. Was hier zählt, ist die Form: erst clustern, dann das Risiko über die Cluster verteilen.

Warum es wichtig ist und wo es passt

HRP ist ein Werkzeug für eine Aufgabe, kein universeller Sieger.

  • Es steht neben mehreren anderen wählbaren Zielen — minimale Volatilität, maximales Sharpe-Ratio, minimale Semivarianz und Conditional Value at Risk — von denen jedes eine andere Frage beantwortet.
  • Es ist am nützlichsten, wenn die Kandidatenliste lang und die Korrelationsstruktur unübersichtlich ist. Genau dort haben sowohl naive Gleichgewichtung als auch instabile Optimierer Schwierigkeiten.
  • Es beseitigt nicht die Notwendigkeit von Entscheidungen. Das Ergebnis hängt weiterhin vom Risikomodell und den von Ihnen gewählten Gewichtsbeschränkungen ab. HRP ändert, wie das Risiko aufgeteilt wird, nicht wie es geschätzt wird.

Wenn Sie noch zwischen Zielen schwanken, behandelt der Schwesterartikel zu minimaler Volatilität vs. maximalem Sharpe-Ratio diese Wahl direkt.

Häufige Missverständnisse über hierarchische Risikoparität

Vier Dinge, die Menschen falsch verstehen, und was tatsächlich stimmt.

  • „HRP garantiert eine niedrigere Volatilität als jede andere Methode." Nein. Es ist eine andere Allokationsregel. Ob es ein Portfolio mit niedrigerer Volatilität erzeugt, hängt von den Daten, dem Risikoschätzer und den von Ihnen gewählten Beschränkungen ab.
  • „HRP sagt Renditen voraus." Tut es nicht. Es ist eine Risikoallokationsmethode. Es hat keine Meinung dazu, welches Cluster besser abschneiden wird — nur dazu, wie viel Risiko jedes verdient.
  • „Clustering ist eine einmalige Sache." Die Hierarchie wird aus einem gewählten historischen Fenster geschätzt. Ändern Sie den Zeitraum oder die Einstellungen zur Kursbereinigung, und die Gruppierung — und damit die Gewichte — kann sich ändern.
  • „Mehr Vermögenswerte bedeuten immer bessere Diversifikation." Nicht, wenn sie zusammen clustern. Zehn Aktien, die sich wie ein Vermögenswert verhalten, zählen weiterhin als eine Wette.

Hierarchische Risikoparität in RSJ Portfolio verwenden

RSJ Portfolio ist eine Windows-Desktop-Anwendung, die aus historischen Schlusskursen ein statistisch optimiertes Portfolio erstellt, und hierarchische Risikoparität ist eine ihrer wählbaren Allokationsmethoden. Der Optimierer wird durchgängig verwaltet — es gibt keine Kovarianzmatrix zusammenzustellen und keinen Clustering-Code zu schreiben.

Der Workflow sieht so aus:

  1. Den Lauf konfigurieren. Datenanbieter, lokale Währung, Zeitraum und Bereinigungseinstellungen wählen.
  2. Eine Kandidatenliste erstellen. Nach Symbolen suchen und das Universum zusammenstellen, das der Optimierer berücksichtigen soll.
  3. Den Optimierer ausführen. Das Ziel (hierarchische Risikoparität oder eines der anderen), den Risikoschätzer und die Gewichtsbeschränkungen wählen.
  4. Die Allokation ablesen. Der Optimierer gibt die resultierenden Gewichte direkt zurück. Die Parameter und Ergebnisse sind ausführlich im Empfehlungskapitel des Leitfadens dokumentiert.

Der schwierige Weg bedeutet, Kursreihen zu beschaffen und zu bereinigen, Korrelationen zu schätzen, ein Dendrogramm zu erstellen und die rekursive Bisektion von Hand zu programmieren — das Produkt existiert, damit Sie das nicht müssen.

Wenn einige Ihrer Kandidaten in verschiedenen Währungen notiert sind, hat die Anwendung einen definierten Konvertierungspfad; das Kapitel zu Daten und Währungen dokumentiert ihn, und der spezielle Artikel zu mehrwährungsfähigen Kursdaten behandelt die Fallstricke.

FAQ

Ist hierarchische Risikoparität besser als minimale Volatilität oder maximales Sharpe-Ratio?

Nicht universell. In RSJ Portfolio ist hierarchische Risikoparität eines von mehreren wählbaren Zielen, neben minimaler Volatilität, maximalem Sharpe-Ratio, minimaler Semivarianz und Conditional Value at Risk. Welches zu Ihnen passt, hängt davon ab, worauf Sie optimieren, und vom Risikomodell und den Gewichtsbeschränkungen, die Sie wählen.

Muss ich das Clustering selbst programmieren, um hierarchische Risikoparität zu verwenden?

Nein. RSJ Portfolio ist eine Windows-Desktop-Anwendung, die aus historischen Schlusskursen ein statistisch optimiertes Portfolio erstellt. Sie konfigurieren Datenanbieter, Währung, Zeitraum und Bereinigungseinstellungen, erstellen eine Kandidatenliste, wählen das Ziel und die Parameter, und der Optimierer gibt die Allokation zurück. Die Hierarchie von Hand zu programmieren ist der schwierige Weg, keine Voraussetzung.

Welche Daten benötigt hierarchische Risikoparität?

Sie arbeitet mit historischen Schlusskursen. In RSJ Portfolio wählen Sie den Datenanbieter, die lokale Währung und den Zeitraum, und die Anwendung wendet ihre Pipeline zur Kursbereinigung und ihren lokalen Cache an, bevor der Optimierer läuft. Das Kapitel zu Daten und Währungen im Benutzerhandbuch behandelt die Details.

Garantiert hierarchische Risikoparität ein Portfolio mit niedrigerer Volatilität?

Keine Methode garantiert ein Ergebnis. Hierarchische Risikoparität allokiert Kapital über Cluster schwach korrelierter Vermögenswerte, was die Volatilität des resultierenden Portfolios verringern soll, aber das tatsächliche Ergebnis hängt vom historischen Fenster, dem Risikoschätzer und den von Ihnen gewählten Gewichtsbeschränkungen ab.

Fazit: Probieren Sie es mit Ihrer eigenen Kandidatenliste aus

Die Ein-Satz-Definition ist es wert, sich eingeprägt zu werden: ähnliche Vermögenswerte clustern, dann das Risiko über die Cluster verteilen. Alles andere — die Distanzmetrik, die Verknüpfung, die rekursive Aufteilung — ist Maschinerie im Dienst dieser Idee.

Der praktische nächste Schritt ist zu sehen, was es mit Ihrem Universum macht. Installieren Sie die Windows-Anwendung, arbeiten Sie die Konfiguration vor Ihrem ersten Lauf durch statt danach, und beginnen Sie mit den empfohlenen Startparametern, statt zu raten. Das Kapitel Erste Schritte des Leitfadens behandelt die Voraussetzungen, die Einstellungen, die es sich zuerst anzufassen lohnt, und wie man die Ergebnisse liest.

Bevor Sie den Installer ausführen, können Sie den Download überprüfen: Die Download-Seite veröffentlicht einen SHA-512 neben dem versionierten Dateinamen.

# Compare the output against the hash published on the downloads page
Get-FileHash .\RSJPortfolio-Setup-<version>.exe -Algorithm SHA512

Wenn Sie bereit für die Details sind, erklärt die Seite zu Einzelnutzerlizenz und Preisgestaltung, was die Lizenz umfasst und wo Sie bezahlen können.

Verwandte Beiträge

EU label: AI-generated content