Risk Parity Hierárquico (HRP, na sigla em inglês) é uma estrutura avançada de otimização de carteiras de investimento desenvolvida em 2016 por Marcos López de Prado. É uma alternativa baseada em grafos probabilísticos à prevalente estrutura de otimização de média-variância (MVO, na sigla em inglês) introduzida por Harry Markowitz. Os algoritmos de HRP aplicam matemática discreta e técnicas de aprendizado de máquina para criar carteiras de investimento diversificadas e robustas que superam os métodos de MVO fora da amostra. A estrutura visa abordar as limitações dos métodos tradicionais de construção de carteiras, particularmente ao lidar com ativos altamente correlacionados. Após sua publicação, o HRP foi implementado em inúmeras bibliotecas de código aberto e recebeu múltiplas extensões.
Principais Características
Carteiras de HRP foram propostas como uma alternativa robusta aos métodos tradicionais de otimização quadrática, incluindo o Algoritmo de Linha Crítica (CLA, na sigla em inglês) de Markowitz. O HRP aborda três questões centrais comumente associadas a otimizadores quadráticos: instabilidade numérica, concentração excessiva em um pequeno número de ativos e desempenho ruim fora da amostra.
O HRP utiliza técnicas de teoria dos grafos e aprendizado de máquina para construir carteiras diversificadas usando apenas as informações incorporadas na matriz de covariância. Diferentemente dos métodos de programação quadrática, o HRP não exige que a matriz de covariância seja invertível. Consequentemente, o HRP permanece aplicável mesmo em casos onde a matriz de covariância é mal condicionada ou singular, condições sob as quais otimizadores padrão falham.
Simulações de Monte Carlo indicam que o HRP alcança menor variância fora da amostra do que o CLA, apesar de que minimizar a variância é o objetivo explícito de otimização do CLA. Além disso, carteiras de HRP exibem menor risco realizado em comparação com aquelas geradas por metodologias tradicionais de paridade de risco. Testes retrospectivos empíricos demonstraram que o HRP teria historicamente superado técnicas convencionais de construção de carteiras.
Algoritmos dentro da estrutura do HRP são caracterizados pelas seguintes características:
- Abordagem de Aprendizado de Máquina: O HRP emprega agrupamento hierárquico, uma técnica de aprendizado de máquina, para agrupar ativos semelhantes com base em suas correlações. Isso permite que o algoritmo identifique a estrutura hierárquica subjacente da carteira e evite que erros se espalhem por toda a rede.
- Alocação Baseada em Risco: O algoritmo aloca capital com base no risco, garantindo que os ativos apenas compitam com ativos semelhantes por representação na carteira. Essa abordagem leva a uma melhor diversificação entre diferentes fontes de risco, evitando a instabilidade associada a estimativas ruidosas de retornos.
- Manuseio da Matriz de Covariância: Diferentemente de métodos tradicionais como a Otimização de Média-Variância, o HRP não exige inverter a matriz de covariância. Isso o torna mais estável e aplicável a carteiras com um grande número de ativos, particularmente quando o número de condição da matriz de covariância é alto.
O Problema: A Maldição de Markowitz
A construção de carteiras é talvez o problema financeiro mais recorrente. Diariamente, gestores de investimento precisam construir carteiras que incorporem suas visões e previsões sobre riscos e retornos. Apesar da elegância teórica da estrutura de média-variância de Markowitz, sua implementação prática é dificultada por várias limitações que comprometem a confiabilidade das soluções derivadas do Algoritmo de Linha Crítica. Uma preocupação principal é a alta sensibilidade das carteiras ótimas a pequenas perturbações nos retornos esperados: mesmo erros de previsão menores podem resultar em alocações significativamente diferentes. Dada a dificuldade inerente de produzir previsões precisas de retornos, numerosos pesquisadores defenderam abordagens que dispensam completamente os retornos esperados e, em vez disso, dependem apenas da estrutura de covariância dos retornos dos ativos. Isso deu origem a métodos de alocação baseados em risco, entre os quais a paridade de risco é um exemplo amplamente citado.
Embora eliminar previsões de retornos mitigue alguma instabilidade, isso não a elimina. Técnicas de programação quadrática empregadas na otimização de carteiras exigem a inversão de uma matriz de covariância definida positiva, o que significa que todos os autovalores devem ser estritamente positivos. Quando a matriz é numericamente mal condicionada, ou seja, quando a razão entre seu maior e menor autovalor (seu número de condição) é grande, a inversão da matriz se torna não confiável e propensa a erros numéricos significativos.
O número de condição de uma matriz de covariância, correlação ou qualquer matriz simétrica (e, portanto, diagonalizável) é definido como o valor absoluto da razão entre seu maior e menor autovalor em módulo. Uma matriz de correlação diagonal, que é igual à sua própria inversa, exibe o número de condição mínimo possível.
À medida que o número de ativos correlacionados (ou multicolineares) em uma carteira aumenta, o número de condição aumenta. Em níveis altos, isso leva a uma instabilidade numérica severa, pela qual pequenas modificações em qualquer entrada da matriz podem resultar em inversas drasticamente diferentes. Esse fenômeno, frequentemente chamado de maldição de Markowitz, encapsula o paradoxo em que o aumento da correlação entre ativos eleva a necessidade teórica de diversificação, mas simultaneamente aumenta a probabilidade de resultados de otimização instáveis. Consequentemente, os benefícios potenciais da diversificação são frequentemente ofuscados por erros de estimativa.
Esses problemas são exacerbados à medida que a dimensionalidade da matriz de covariância aumenta. A estimativa de cada termo de covariância consome graus de liberdade e, em geral, é necessário um mínimo de 1/2 N(N+1) observações independentes e identicamente distribuídas (IID) para estimar uma matriz de covariância não singular de dimensão N. Por exemplo, construir uma matriz de covariância invertível de dimensão 50 exige pelo menos cinco anos de observações IID diárias. No entanto, evidências empíricas sugerem que a estrutura de correlação de ativos financeiros é altamente instável ao longo de períodos tão extensos. Essas dificuldades são destacadas pela observação de que até mesmo estratégias de alocação ingênuas, como carteiras igualmente ponderadas, frequentemente superaram otimizações baseadas em média-variância e em risco em testes fora da amostra.
A Solução: Paridade de Risco Hierárquica
O algoritmo HRP aborda a maldição de Markowitz em três etapas:
- Agrupamento Hierárquico: Os ativos são agrupados em clusters com base em suas correlações, formando uma estrutura de árvore hierárquica.
- Quase-Diagonalização: A matriz de correlação é reordenada para colocar ativos semelhantes juntos ao longo da diagonal, explorando a estrutura de blocos da árvore agrupada.
- Bissecção Recursiva: O capital é alocado recursivamente pela árvore, dividindo os pesos de forma inversamente proporcional à variância de cada cluster, garantindo que o risco seja distribuído entre clusters e ativos.
Esse processo de três etapas permite que o HRP evite a necessidade de inversão de matriz e explore a estrutura hierárquica das correlações de ativos, resultando em carteiras mais estáveis e diversificadas.
Extensões e Implementações
Desde sua introdução, o HRP foi implementado em inúmeras bibliotecas de código aberto, tornando-o acessível a profissionais e pesquisadores. Essas implementações frequentemente incluem variações e extensões, como a incorporação de diferentes algoritmos de agrupamento, o tratamento de dados ausentes ou a integração com outras técnicas de gestão de risco. O framework também foi estendido para abordar o rebalanceamento dinâmico de carteiras e para incorporar medidas alternativas de risco além da variância.
A versatilidade do HRP o tornou uma escolha popular em finanças quantitativas, especialmente para carteiras com um grande número de ativos, onde os otimizadores tradicionais enfrentam dificuldades. Sua dependência de aprendizado de máquina e teoria dos grafos está alinhada com tendências mais amplas em inteligência artificial e aprendizado de máquina aplicados a finanças.
Recepção e Impacto
O HRP foi bem recebido na comunidade financeira como uma solução prática para as limitações do framework de Markowitz. Sua ênfase em robustez e desempenho fora da amostra ressoou com profissionais que enfrentam restrições do mundo real, como erro de estimativa e instabilidade de mercado. A capacidade do framework de lidar com matrizes de covariância mal condicionadas tem sido particularmente valorizada em cenários de alta dimensionalidade, onde os métodos tradicionais frequentemente falham.
Embora o HRP não esteja isento de críticas, que apontam sua dependência de correlações históricas e o potencial de sobreajuste no agrupamento, ele ainda assim se estabeleceu como uma contribuição significativa para a otimização de carteiras. Seu desenvolvimento reflete uma mudança mais ampla em direção à incorporação de técnicas computacionais e de aprendizado de máquina em finanças, uma tendência que continua a evoluir com os avanços em aprendizado profundo e IA generativa.
Até o estado atual do conhecimento, o HRP permanece uma área ativa de pesquisa, com trabalhos contínuos explorando seus fundamentos teóricos e refinamentos práticos. Seu impacto é evidente na proliferação de ferramentas de código aberto e no crescente corpo de literatura que se baseia em seus princípios.