PortfoliosLab logoPortfoliosLab logo

HERC оптимизация

Иерархический равный вклад в риск (HERC) — это продвинутый метод оптимизации портфеля, который группирует активы в естественные кластеры (например, акции роста, защитные активы, сырьевые товары, облигации), а затем балансирует их так, чтобы каждая группа вносила равный вклад в общий риск портфеля. HERC гарантирует, что ни одна группа не доминирует в риске портфеля, предотвращая ситуации, когда обвал одной группы активов тянет вниз весь портфель.

HERC является расширением иерархического паритета риска (HRP), с ключевым отличием в том, что HRP просто даёт меньший вес более рисковым группам, что может приводить к излишне консервативным распределениям. HERC же выравнивает вклад в риск между всеми группами, что приводит к более сбалансированной диверсификации.


В портфеле нет позиций. Импортируйте, добавьте их вручную или выберите существующий портфель.


На что влияет

Настройки оптимизации


Мера риска

Как определяется риск при оптимизации вашего портфеля

Безрисковая ставка

Минимальная доходность, которую вы ожидаете без какого-либо риска

%

Частота переоптимизации

Посмотрите, как бы вёл себя ваш портфель при регулярной переоптимизации

Дата оптимизации

Результаты после этой даты показывают реальную доходность вне выборки


Период анализа

Сколько исторических данных используется для расчёта оптимальных весов

Коррелированные активы

Автоматически исключает активы, которые движутся слишком похоже, для улучшения диверсификации


Constraints

Установите минимальные и максимальные лимиты распределения для каждого актива

%

%


Бенчмарк

Сравните ваш оптимизированный портфель с рыночным индексом

 

Оптимальное распределение активов


Chart placeholderНажмите Рассчитать, чтобы получить результаты

Ключевые улучшения


Нажмите Рассчитать, чтобы получить результаты

Доходность портфеля

График показывает рост $10,000 инвестированных в Оптимизированный портфель и сравнивает его с ростом индекса S&P 500 или другим бенчмарком. Цены представлены с поправкой на сплиты и дивиденды.


Chart placeholderНажмите Рассчитать, чтобы получить результаты

Allocation Over Time

This chart presents a detailed view of the portfolio's composition from its inception to the present day.

Chart placeholderНажмите Рассчитать, чтобы получить результаты

Коэффициент Шарпа портфеля


Chart placeholderНажмите Рассчитать, чтобы получить результаты

Просадки портфеля


Chart placeholderНажмите Рассчитать, чтобы получить результаты

Волатильность портфеля


Chart placeholderНажмите Рассчитать, чтобы получить результаты

Таблица корреляции активов

Таблица ниже отображает коэффициенты корреляции между отдельными компонентами портфеля, всем портфелем и выбранным бенчмарком.

Chart placeholderНажмите Рассчитать, чтобы получить результаты
Анализ диверсификации

Дополните оптимизацию анализом диверсификации

Оптимизация перераспределяет то, что у вас уже есть. Анализ диверсификации находит пробелы и предлагает новые активы — логичный шаг перед фиксацией весов.

Открыть анализ диверсификации

HERC против HRP

Оба метода используют иерархическую кластеризацию, но отличаются способом распределения весов:

  • HRP: веса обратно пропорциональны риску каждого кластера (больше риск = меньше вес)
  • HERC: корректирует веса так, чтобы каждый кластер вносил равный вклад в общий риск портфеля
  • Результат: HERC обычно создаёт более сбалансированное распределение риска между различными группами активов

Когда использовать HERC

HERC лучше всего работает, когда:

  • Ваш портфель содержит различные группы активов (технологии vs облигации vs сырьё)
  • Вы хотите равного вклада в риск на уровне кластеров, а не только отдельных активов
  • Вы оптимизируете под показатели хвостового риска (CVaR, CDaR), а не только волатильность
  • Вы хотите предотвратить доминирование любой отдельной группы в риске портфеля

Компромиссы

  • Более ресурсоёмкий, чем HRP (требует оптимизации на каждом узле)
  • Производительность может быть менее стабильной, чем у HRP при разных рыночных условиях
  • Как и HRP, не требует обращения ковариационной матрицы (более стабилен, чем традиционный MVO)
  • Лучше всего работает с 15+ активами, образующими естественные, различные кластеры