Risk Parity и ИИ: портфель, где риск под контролем

В 2024 году многие частные инвесторы пережили знакомый сюжет: портфель «по ощущениям» вроде бы диверсифицирован, а просадка — как будто вы держали одну-единственную «любимую» бумагу. Причина почти всегда одна и та же: распределён не капитал, а риск. И когда рынок разворачивается, внезапно выясняется, что 30–40% риска сидит в одном активе, даже если по деньгам он занимает меньше.

В серии «Искусственный интеллект в финансовых инвестициях» я люблю разбирать практичные подходы, которые можно автоматизировать: не «угадывать рынок», а системно управлять тем, откуда в портфеле берётся риск. Один из самых понятных методов — Risk Parity (риск-паритет). Он хорош тем, что опирается на наблюдаемые величины (волатильность), а не на прогнозы доходности. А вот дальше начинается самое интересное: ИИ помогает сделать Risk Parity менее “слепым” к смене режимов, дешевле в обслуживании и устойчивее к рыночным сюрпризам.

Почему большинство портфелей на самом деле «концентрированы»

Ключевой факт: портфель может быть диверсифицирован по названиям, но концентрирован по риску. Это происходит, когда вы покупаете активы «на свободные деньги», «как в приложении удобно», «как советовали» — и получаете неосознанные перекосы.

Типичный пример: пять акций, капитал распределён неровно, и одна позиция (часто более волатильная) начинает доминировать. Тогда возникают две неприятности:

• Если доминирующий актив падает, портфель тянет вниз всё — это и есть концентрированный (идосинкратический) риск.
• Если недовешенный актив растёт, вы почти не чувствуете эффекта — потенциал апсайда «не работает».

Риск-паритет решает именно эту проблему: он спрашивает не «сколько денег положить?», а «какой долей риска должен участвовать каждый актив?».

Три подхода к аллокации — и почему Risk Parity выделяется

1. Равные доли (Equal Weight)

   • Плюс: просто, снижает концентрацию по капиталу.
   • Минус: игнорирует волатильность. Риск всё равно может быть перекошен в сторону самых «нервных» активов.

2. Mean-Variance Optimization (MVO, средне-дисперсионная оптимизация)

   • Плюс: красивая теория и понятная цель — максимум доходности на единицу риска.
   • Минус: на практике часто ломается из‑за чувствительности к входным параметрам, особенно к ожидаемой доходности (её трудно прогнозировать без переобучения).

3. Risk Parity (риск-паритет)

   • Плюс: не требует прогнозов доходности, использует историческую волатильность.
   • Минус: в базовой версии почти не учитывает корреляции и нуждается в ребалансировках.

Risk Parity простыми словами: капитал следует за волатильностью

Ответ в одной строке: Risk Parity распределяет веса так, чтобы ни один актив не «командовал» общим риском портфеля.

В базовой (классической) реализации вес актива задаётся обратно пропорционально его волатильности:

• Оценили волатильность каждого актива σ (стандартное отклонение доходностей).
• Посчитали обратную величину 1/σ.
• Нормализовали так, чтобы сумма весов была 100%.

Тогда активы с низкой волатильностью получают больший вес по капиталу, а более волатильные — меньший. Логика прагматичная: если актив «дёргается» сильнее, ему не нужен большой вес, чтобы дать сопоставимый вклад в риск.

Честный нюанс: «risk parity» vs «equal risk contribution»

В быту Risk Parity часто называют стратегию, где веса равны 1/σ. Но строго говоря, «идеальный» риск-паритет — это равный вклад в риск (Equal Risk Contribution) с учётом ковариаций. Тем не менее inverse volatility — отличный входной уровень: простая формула, быстрый прототип, понятная диагностика.

Практика на Python: чем риск-паритет отличается по результату

Если собрать два портфеля и ребалансировать их раз в ~20 торговых дней (примерно месяц), то различия обычно видны даже на простых метриках:

• Годовая доходность
• Годовая волатильность
• Коэффициент Шарпа
• Максимальная просадка

В демонстрационном тесте на наборе из 30 крупных американских акций (компоненты Dow Jones) риск-паритет показал:

• доходность 15,6% против 11,5% у равновзвешенного портфеля;
• волатильность 9,9% против 10,7%;
• Шарп 1,57 против 1,07;
• максимальная просадка −4,8% против −5,8%.

Это не «магия» и не гарантия на будущее. Это иллюстрация того, что управление риском через аллокацию может дать более ровную траекторию капитала.

Как выглядит логика ребалансировки (без лишней математики)

Простейший алгоритм:

1. Считаем дневные доходности.
2. Считаем rolling-волатильность за окно (например, 20 дней).
3. На день ребаланса берём волатильность, сдвинутую на 1 день назад, чтобы не подглядывать в будущее.
4. Пересчитываем веса:
   • equal weight: всем поровну;
   • risk parity: пропорционально 1/σ.
5. Держим веса до следующего ребаланса.

Этот подход легко автоматизировать, и именно здесь появляется естественный мост к ИИ.

Где ИИ реально усиливает Risk Parity (и не превращает его в «чёрный ящик»)

Главная слабость классического Risk Parity: он использует прошлую волатильность как приближение будущей. В спокойные периоды это работает терпимо. В моменты смены режима — хуже.

ИИ полезен не тем, что «предскажет рынок», а тем, что улучшит три практических узла стратегии.

1) Более умная оценка волатильности и смены режимов

Вместо одной rolling-стандартной можно применять:

• модели режимов (например, классификация «низкая/высокая волатильность»);
• ансамблевые оценки волатильности (несколько окон + адаптивные веса);
• детекторы структурных сдвигов.

ИИ здесь играет роль фильтра: он помогает понять, когда прошлые данные перестали быть релевантными.

2) Оптимизация частоты ребалансировки и издержек

Ребалансировать «раз в месяц» — удобно, но не всегда рационально. ИИ/ML можно использовать для правила:

• ребалансировать только при превышении порога отклонения весов;
• учитывать спреды/комиссии и выбирать момент, когда эффект от ребаланса перекрывает издержки;
• прогнозировать вероятность «шумовых» движений, чтобы не гоняться за рынком.

Итог: меньше лишних сделок, больше дисциплины.

3) Учёт корреляций без переусложнения

Классический inverse volatility почти не учитывает, что два актива могут двигаться вместе. ИИ может помочь:

• кластеризовать активы по поведению (идея, близкая к Hierarchical Risk Parity);
• выявлять «скрытые факторы» (секторный риск, валютный риск, сырьевой риск);
• ограничивать концентрации по факторам, а не только по тикерам.

Мне нравится формулировка: «диверсификация — это не количество позиций, а независимость источников риска».

Когда Risk Parity не понравится (и это нормально)

Прямой ответ: риск-паритет может отставать в сильных ралли, когда рынок награждает высокорисковые активы.

Типичные ограничения:

• Опора на историю. Если волатильность «сломалась» (кризис, шок, смена политики регуляторов), веса могут быть неадекватны.
• Склонность к “low vol” перекосу. В мульти-активных портфелях это часто означает больший вес облигаций. В акционном портфеле — больший вес «тихих» бумаг.
• Издержки ребалансировки. Без контроля затрат стратегия может “проесть” часть преимущества.

Если ваша цель — максимизировать рост любой ценой, risk parity может показаться слишком «скучным». Если цель — управляемый риск и предсказуемость поведения портфеля, он обычно выглядит очень здраво.

Мини-чеклист: как внедрить Risk Parity в реальную систему

1. Определите вселенную активов (акции, облигации, золото, фонды, валютные инструменты). Risk parity лучше раскрывается в мульти-активной корзине.
2. Выберите окно волатильности (20/60/120 дней) и проверьте устойчивость результатов на разных окнах.
3. Задайте правила ребалансировки: календарно (раз в месяц) или по порогу отклонений.
4. Добавьте ограничения риска:
   • максимум веса на актив;
   • лимиты по сектору/фактору;
   • контроль ликвидности.
5. Смоделируйте издержки (комиссии, проскальзывание) — без этого бэктест часто «слишком красивый».
6. Подумайте, где нужен ИИ: чаще всего — в оценке режимов волатильности и в снижении лишних ребалансов.

Сильная система управления портфелем — это не одна формула, а набор правил, которые держат риск в рамках, когда эмоции мешают.

Что дальше в серии про ИИ в инвестициях

Risk Parity — отличный «скелет» для автоматизированного управления портфелем: понятная логика, простые метрики контроля и прозрачные причины каждого решения. Но чтобы сделать стратегию действительно взрослой, стоит добавить ИИ‑слой, который отвечает на три вопроса: когда прошлые данные перестали работать, когда ребалансировка оправдана и где риск на самом деле концентрируется.

Если вы хотите собрать портфель, который сам подстраивается под рынок, начните с малого: постройте базовый risk parity, затем подключите мониторинг режимов волатильности и контроль издержек. Именно так обычно и рождаются практичные AI‑инструменты для управления капиталом.

А вы какую проблему в портфеле хотите автоматизировать первой — оценку риска, ребалансировку или контроль просадок?