Was ist hierarchische Risikoparität? Eine Erklärung in einfacher Sprache

Die meisten Portfolio-Gespräche beginnen mit der Frage, welche Aktien gekauft werden sollen. Die schwierigere Frage folgt unmittelbar danach: Wie viel von jeder?

Beantwortet man das mit der Lehrbuchmethode – der Mean-Variance-Optimierung –, erhält man oft etwas, das falsch aussieht. Eine Handvoll Positionen absorbiert den Großteil des Kapitals. Die Gewichte verschieben sich merklich, wenn man das Startdatum um einen Monat verschiebt. Nichts in der Ausgabe erklärt, warum sich der Allokator in eine bestimmte Aktie verliebt hat.

Hierarchische Risikoparität (HRP) ist eine andere Antwort auf die Frage der Gewichtung, die speziell für diesen Fehlermodus entwickelt wurde. Sie ist außerdem eine der Allokationsmethoden, die Sie in RSJ Portfolio auswählen können, ohne Code zu schreiben. Dieser Artikel erklärt, was HRP tut, wie es funktioniert und wann es die Klassiker schlägt.

Die Frage, in einfacher Sprache

Hierarchische Risikoparität ist eine Vermögensallokationsmethode, die ähnliche Vermögenswerte in Cluster gruppiert und das Risiko dann über diese Cluster verteilt statt über einzelne Vermögenswerte.

Der „hierarchische" Teil ist es, was HRP von gewöhnlicher Risikoparität unterscheidet. Traditionelle Risikoparität gibt jedem Vermögenswert einen gleichen Anteil am Portfoliorisiko und ignoriert die Tatsache, dass zwei Banken, zwei Halbleiterhersteller und zwei Ölkonzerne keine unabhängigen Wetten sind. HRP betrachtet zuerst die Korrelationen, baut eine Hierarchie ähnlicher Vermögenswerte auf und entscheidet erst dann, wie viel Kapital jede Gruppe erhält.

Warum der Aufwand? Weil die Mean-Variance-Optimierung die Kovarianzmatrix der Renditen invertiert. Die Inversion ist unnachgiebig gegenüber verrauschten Eingaben. Korrelations- und Varianzschätzungen stammen aus begrenzter Historie, und wenn mehrere Vermögenswerte sich gemeinsam bewegen, nähert sich die Matrix der Singularität. Die Inversion einer nahezu singulären Matrix verstärkt das Rauschen, anstatt es aufzuheben – genau deshalb konzentrieren sich optimierte Portfolios auf wenige Positionen und formen sich bei jedem erneuten Durchlauf neu. HRP invertiert die Matrix nie. Es arbeitet mit Distanzen und einem Baum.

# Mean-variance optimization: needs expected returns plus a matrix inverse
# w = argmax( mu @ w - lambda * w.T @ Sigma @ w )   # mu is the noisy input here

# Hierarchical risk parity: same covariance data, no mu, no inverse
# 1. cluster assets by correlation
# 2. bisect the tree
# 3. allocate across clusters in inverse proportion to their variance

Das Ergebnis ist ein Portfolio, das konstruktionsbedingt diversifiziert und typischerweise weniger volatil ist als entweder ein naiver gleichgewichteter Korb oder ein fragiles Mean-Variance-Ergebnis – und das ohne Renditeprognose. Für die Mechanik dahinter siehe Correlation and Volatility: A Long-Term Investor’s Guide.

Eine Analogie aus der Praxis: Ein Team aufstellen, nicht einen Kader

Denken Sie daran, eine Fußballmannschaft zusammenzustellen. Sie stellen nicht fünf Starstürmer auf, selbst wenn die Stürmer diejenigen sind, die Tore schießen. Ein Team braucht einen Torwart, Verteidiger, Mittelfeldspieler – Rollen, deren Schwächen von den anderen Rollen abgedeckt werden. Wenn der Angriff einen schlechten Tag hat, macht die Abwehr trotzdem ihre Arbeit.

Vermögenswerte verhalten sich genauso:

• Zwei Aktien aus derselben Branche sind zwei Stürmer. Sie teilen ein Fähigkeitsprofil, also versagen sie gemeinsam.
• Ein Versorger und ein Wachstumstechnologiewert sind ein Verteidiger und ein Stürmer. Unterschiedliche Fehlermodi, unterschiedliche Bedingungen.
• Zwanzig hochkorrelierte Aktien sind ein Kader, kein Team. Auf dem Depotbildschirm sieht es diversifiziert aus und verhält sich während eines Drawdowns wie eine einzige Position.

HRP sortiert den Kader zuerst nach Rolle – das ist der Clustering-Schritt, und die Rollen werden allein dadurch bestimmt, wie sich die Renditen der Vermögenswerte gemeinsam bewegen. Dann verteilt es die Spielzeit: Kapital wird so zugewiesen, dass kein einzelnes Cluster das Risikobudget dominiert. Eine Gruppe von fünf nahezu identischen Aktien zählt als eine Einheit, sodass keine dieser fünf das Risiko der anderen doppelt zählen kann.

Zwei Einschränkungen:

• Die Gruppierung reagiert auf das Abwärtsverhalten. Vermögenswerte, die gemeinsam abstürzen, landen im selben Cluster, weil die Korrelationsschätzung die schlechten Tage einschließt, nicht nur die ruhigen.
• Die Analogie stößt an ihre Grenzen, sobald die Volatilitäten auseinandergehen. Ein Cluster mit niedriger Volatilität und ein Cluster mit hoher Volatilität sind keine austauschbaren Spieler, und HRP handhabt das, indem es Cluster invers zu ihrer Varianz gewichtet. Die Clustering-Idee überlebt auch dort, wo die Sportmetapher es nicht tut.

Wie HRP unter der Haube funktioniert (kurz)

Vier Schritte, der Reihe nach.

Schritt 1 – Eine Korrelations- (oder Kovarianz-)Matrix aus historischen Renditen schätzen. Dies ist die einzige Eingabe. Es gibt keinen Vektor erwarteter Renditen.

Schritt 2 – Korrelation in Distanz umwandeln und einen Baum bauen. Korrelation ist keine Distanz: identische Vermögenswerte haben Korrelation 1, sollten aber Distanz 0 haben. Die Standardtransformation ist:

import numpy as np

# returns: T x N matrix of historical returns, one column per asset
corr = np.corrcoef(returns, rowvar=False)
dist = np.sqrt(0.5 * (1.0 - corr))   # 0 for identical assets, 1 for perfectly opposed

Ein hierarchisches Clustering-Verfahren (Single, Average oder Complete Linkage) führt dann die nächstliegenden Vermögenswerte paarweise zu einem Dendrogramm zusammen – einem Baum, dessen unterste Zweige die ähnlichsten Vermögenswerte enthalten.

Schritt 3 – Die Kovarianzmatrix quasi-diagonalisieren. Zeilen und Spalten so umordnen, dass ähnliche Vermögenswerte nebeneinander liegen. Die Zahlen ändern sich nicht; die Matrix hört einfach auf, durchmischt zu sein, was die Struktur lesbar macht.

Schritt 4 – Den Baum rekursiv halbieren und allokieren. Den Baum in zwei Hälften teilen, die Varianz jeder Hälfte messen, den Hälften Kapital invers zu dieser Varianz zuweisen und dann innerhalb jeder Hälfte wiederholen, bis man einzelne Vermögenswerte erreicht.

Das ist der ganze Algorithmus, und zwei Eigenschaften ergeben sich daraus: HRP ist deterministisch (gleiche Daten hinein, gleiche Gewichte heraus), und es braucht nie eine Renditeprognose. Es ist nicht die einzige risikobasierte Methode, die es wert ist, gekannt zu werden – Minimum Volatility vs Maximum Sharpe Ratio: Which to Choose? behandelt die Abwägungen zwischen zwei Alternativen.

Dies von Hand zu tun bedeutet, eine Linkage-Funktion, eine Quasi-Diagonalisierung und Ihre eigene rekursive Halbierung zu verdrahten – der schwierige Weg. RSJ Portfolio liefert HRP als auswählbares Ziel mit, neben Minimum Volatility, Maximum Sharpe Ratio, Minimum Semi Variance und Conditional Value at Risk, sodass Sie Methoden mit identischen Eingaben vergleichen können.

Warum es wichtig ist: Stabilität, Diversifikation und Abwärtsschutz

• Weniger Schätzfehler. Keine Matrixinversion bedeutet, dass das Ergebnis weit weniger empfindlich auf eine verrauschte Korrelationsschätzung reagiert. Kleine Änderungen in den Daten erzeugen kleine Änderungen in den Gewichten.
• Diversifikation, die wirkt. Gleichgewichtung verteilt Kapital; HRP verteilt Risiko über korrelierte Gruppen, und das ist es, was die Portfoliovolatilität tatsächlich bewegt.
• Abwärtsbewusstsein. Das Clustering nach Korrelation bringt Vermögenswerte, die in Krisen gemeinsam fallen, auf denselben Zweig, sodass sich der Allokator weigert, sich bei ihnen zu überengagieren.
• Es skaliert. HRP liefert noch Gewichte, wenn die Anzahl der Vermögenswerte sich der Anzahl der Beobachtungen nähert oder sie übersteigt – der Fall, in dem die Kovarianzinversion zusammenbricht.
• Es lässt sich mit anderen Entscheidungen kombinieren. In RSJ Portfolio wählen Sie HRP als Ziel und kombinieren es mit einem von acht Risikomodellen, sodass der Risikoschätzer an Ihre Daten angepasst werden kann, statt angenommen zu werden.

Häufige Missverständnisse über HRP

„HRP ist nur Gleichgewichtung mit zusätzlichen Schritten." Nein. Gleichgewichtung gibt jedem Vermögenswert dasselbe Gewicht. HRP leitet das Gewicht jedes Vermögenswerts aus der Varianz seines Clusters ab, sodass ein ruhiger Zweig mit niedriger Volatilität mehr Kapital erhält als ein volatiler. Die Gewichte sind im Allgemeinen ungleich – das ist der Punkt.

„HRP ignoriert Renditen völlig." Es ignoriert erwartete Renditen, was ein bewusster Kompromiss ist und kein Versehen, denn Prognosen sind die verrauschteste Eingabe im klassischen Rahmenwerk. Sie können trotzdem Nebenbedingungen oder Renditeansichten über die risikobasierte Allokation legen.

„HRP ergibt nur bei großen Portfolios Sinn." Es läuft auch auf kleinen Kandidatenlisten. Der Diversifikationsnutzen wächst einfach mit der Anzahl schwach verwandter Vermögenswerte.

„HRP ist eine Blackbox." Das Gegenteil. Das Dendrogramm ist inspizierbar, die Linkage-Regel ist explizit, und der Algorithmus ist deterministisch. Sie können auf einen Zweig zeigen und erklären, warum diese Vermögenswerte zusammen gelandet sind.

„HRP ersetzt die Mean-Variance-Optimierung." Es ist eine robuste Alternative für die Situation, in der die Eingaben unzuverlässig sind – was mit echten historischen Daten die meiste Zeit der Fall ist. Es ist keine Behauptung, dass Renditeprognose wertlos ist.

Wie RSJ Portfolio HRP praktikabel macht

HRP zu implementieren ist der leichte Teil. Ihn mit sauberer, vergleichbarer Preishistorie zu versorgen, ist die Arbeit – und das ist die Ebene, die RSJ Portfolio für Sie übernimmt, als Windows-Desktop-Anwendung mit einer Einzelplatzlizenz.

Der Arbeitsablauf:

1. Eine Kandidatenliste erstellen. Symbole suchen und die Aktien zusammenstellen, die Sie in Betracht ziehen.
2. HRP als Allokationsmethode wählen, dann ein Risikomodell und Ihre Gewichtungsbeschränkungen auswählen.
3. Datenbereich und lokale Währung festlegen und die Software die Preise von den unterstützten Datenanbietern abrufen lassen.
4. Den Optimierer ausführen und die resultierende Allokation zusammen mit der dahinterstehenden Clusterstruktur lesen.
5. Die Allokation exportieren, wenn Sie das Ergebnis weiterverwenden möchten.

Datenabruf, Preisbereinigung, Caching und Währungsumrechnung geschehen automatisch, sodass keine Pipeline aufgebaut werden muss. Installieren Sie die App von der Downloads-Seite – und überprüfen Sie zuerst den Hash:

# After downloading the installer from the downloads page:
# compare the printed hash with the SHA-512 published next to the versioned filename.
Get-FileHash .\RSJ-Portfolio-Setup.exe -Algorithm SHA512

Zu den Parametern: Das Empfehlungskapitel des Benutzerhandbuchs behandelt die Optimierer-Einstellungen und -Ergebnisse; das Konzeptkapitel behandelt den statistischen Hintergrund. Die Funktionsseite listet jede Allokationsmethode und alle acht Risikomodelle auf.

FAQ

Wie unterscheidet sich HRP von traditioneller Risikoparität?

Traditionelle Risikoparität verteilt Risiko gleichmäßig über alle Vermögenswerte und ignoriert Korrelationen. HRP clustert Vermögenswerte zuerst nach Korrelation und verteilt das Risiko dann über Cluster, sodass eine Überkonzentration in hochkorrelierten Gruppen vermieden wird. Das macht HRP robuster, wenn Vermögenswerte nicht unabhängig sind.

Muss ich Renditen prognostizieren, um HRP zu verwenden?

Nein. HRP ist eine risikobasierte Allokationsmethode, die nur die Kovarianz- oder Korrelationsmatrix historischer Renditen verwendet. Sie erfordert keine Prognosen erwarteter Renditen, die oft verrauscht und unzuverlässig sind. Das ist einer ihrer Hauptvorteile gegenüber der Mean-Variance-Optimierung.

Kann HRP mit jeder Anlageklasse verwendet werden?

Ja, HRP ist anlageklassenagnostisch. Es funktioniert mit Aktien, Anleihen, Rohstoffen oder jeder Menge von Vermögenswerten, für die Sie historische Preisdaten haben. Der Clustering-Schritt gruppiert Vermögenswerte einfach nach ihrer Renditekorrelation, unabhängig davon, was sie sind.

Wie implementiert RSJ Portfolio HRP?

RSJ Portfolio enthält HRP als eine seiner auswählbaren Allokationsmethoden. Sie erstellen eine Kandidatenliste, wählen HRP als Ziel, wählen ein Risikomodell und Gewichtungsbeschränkungen, und die Software berechnet die Allokation. Sie übernimmt Datenabruf, Bereinigung und Währungsumrechnung automatisch, sodass Sie sich auf die Analyse konzentrieren können.

Fazit: Wo HRP in Ihren Werkzeugkasten passt

HRP ist eine clustering-basierte Allokationsmethode, die die Volatilität reduziert, indem sie über korrelierte Gruppen diversifiziert, nicht nur über Ticker. Sie geben die Erwartung der Renditeprognose ein und erhalten dafür Stabilität: keine Matrixinversion, keine fragilen Gewichte, keine Abhängigkeit von der verrauschtesten Eingabe in der Pipeline.

Es passt zu Anlegern, die eine datengetriebene, reproduzierbare Allokation wollen und ehrlich darüber sind, wie wenig sie über die Renditen des nächsten Jahres wissen. Wenn Ihre Kandidatenliste voller Aktien ist, die sich gemeinsam bewegen – und die meisten Watchlists sind das –, ist HRP die vertretbarere Art, sie zu gewichten. Um zu sehen, wie es sich auf Ihrer eigenen Liste verhält, laden Sie den Installer von der Downloads-Seite herunter und führen Sie es als Ziel aus, oder beginnen Sie mit dem Benutzerhandbuch, um Ihre Parameter bewusst festzulegen.

Verwandte Beiträge

• Correlation and Volatility: A Long-Term Investor’s Guide
• Minimum Volatility vs Maximum Sharpe Ratio: Which to Choose?
• How to Build a Low Correlation Stock Portfolio, Step by Step