Risk Parity — توزیع برابر ریسک: بهینه‌سازی فراتر از سرمایه

هدف یادگیری

پس از مطالعه این درس، قادر خواهید بود سهم ریسک هر دارایی را در یک پرتفوی محاسبه کنید، پرتفوی ERC (Equal Risk Contribution) را با فرمول‌های کمّی بسازید، و تفاوت بنیادین رویکرد Risk Parity با تخصیص سنتی سرمایه را در زمینه بازارهای کریپتو و مالی به‌کار ببرید.

---

۱. چرا تخصیص سرمایه کافی نیست؟

تصور کنید پرتفویی دارید با دو دارایی: بیت‌کوین و اوراق قرضه دولتی. شما ۵۰٪ سرمایه را به هر کدام اختصاص داده‌اید. آیا ریسک هم به‌طور مساوی توزیع شده است؟

قطعاً نه.

اگر انحراف معیار سالانه بیت‌کوین ۷۰٪ و اوراق قرضه ۵٪ باشد، در واقع شما نزدیک به ۹۵٪ از ریسک کل پرتفوی را در بیت‌کوین متمرکز کرده‌اید. تخصیص ۵۰-۵۰ سرمایه، تخصیص ۵-۹۵ ریسک است.

Risk Parity از این پرسش شروع می‌کند: اگر به‌جای سرمایه، ریسک را برابر توزیع کنیم چه می‌شود؟

این رویکرد را Ray Dalio در صندوق Bridgewater با استراتژی «All Weather» معروف کرد، اما ریشه‌های ریاضی آن در بهینه‌سازی پرتفوی مارکوویتز و کارهای Roncalli در دهه ۲۰۰۰ قرار دارد.

---

۲. ریاضیات سهم ریسک (Risk Contribution)

برای یک پرتفوی با وزن‌های بردار w و ماتریس کوواریانس Σ، انحراف معیار کل عبارت است از:

$$\sigma_p = \sqrt{\mathbf{w}^\top \boldsymbol{\Sigma} \mathbf{w}}$$

سهم ریسک نهایی (Marginal Risk Contribution) دارایی i:

$$MRC_i = \frac{\partial \sigma_p}{\partial w_i} = \frac{(\boldsymbol{\Sigma} \mathbf{w})_i}{\sigma_p}$$

سهم مطلق ریسک (Risk Contribution) دارایی i:

$$RC_i = w_i \cdot MRC_i = w_i \cdot \frac{(\boldsymbol{\Sigma} \mathbf{w})_i}{\sigma_p}$$

و خاصیت مهم Euler's decomposition تضمین می‌کند:

$$\sum_{i=1}^{n} RC_i = \sigma_p$$

پس می‌توان سهم درصدی ریسک هر دارایی را نوشت:

$$\%RC_i = \frac{RC_i}{\sigma_p} = \frac{w_i \cdot (\boldsymbol{\Sigma} \mathbf{w})_i}{\mathbf{w}^\top \boldsymbol{\Sigma} \mathbf{w}}$$

مثال عددی — پرتفوی دو دارایی

فرض کنید:
- دارایی A (بیت‌کوین): σ_A = ۷۰٪، وزن w_A = ۰.۵
- دارایی B (اتریوم): σ_B = ۵۵٪، وزن w_B = ۰.۵
- ضریب همبستگی: ρ = ۰.۸

کوواریانس: Cov(A,B) = ρ · σ_A · σ_B = ۰.۸ × ۰.۷ × ۰.۵۵ = ۰.۳۰۸

واریانس پرتفوی:
$$\sigma_p^2 = (0.5)^2(0.49) + (0.5)^2(0.3025) + 2(0.5)(0.5)(0.308) = 0.1225 + 0.0756 + 0.154 = 0.3521$$

$$\sigma_p = \sqrt{0.3521} \approx 59.3\%$$

سهم ریسک بیت‌کوین:
$$RC_A = w_A \cdot \frac{w_A \sigma_A^2 + w_B \cdot Cov}{\sigma_p} = 0.5 \cdot \frac{0.5(0.49) + 0.5(0.308)}{0.593} = 0.5 \cdot \frac{0.245 + 0.154}{0.593} \approx 33.6\%$$

سهم ریسک اتریوم:
$$RC_B = \sigma_p - RC_A \approx 59.3\% - 33.6\% = 25.7\%$$

پس بیت‌کوین ~۵۶٪ از ریسک کل را تحمل می‌کند در حالی که اتریوم ~۴۴٪.

---

۳. پرتفوی ERC — توزیع کاملاً برابر ریسک

هدف ERC یافتن وزن‌هایی است که:

$$RC_i = RC_j \quad \forall i, j$$

یا به‌صورت معادل:

$$w_i \cdot (\boldsymbol{\Sigma} \mathbf{w})_i = w_j \cdot (\boldsymbol{\Sigma} \mathbf{w})_j \quad \forall i \neq j$$

برای حل این سیستم غیرخطی از الگوریتم‌های تکرارشونده استفاده می‌شود. یک روش رایج Cyclical Coordinate Descent است:

گام ۱: w_i^(0) = 1/n برای همه دارایی‌ها

گام ۲: برای هر i به‌ترتیب:
$$w_i^{new} = \frac{\sqrt{w_i \cdot (\boldsymbol{\Sigma} \mathbf{w})_i}}{\text{normalizing constant}}$$

گام ۳: نرمال‌سازی تا مجموع وزن‌ها = ۱

گام ۴: تکرار تا همگرایی (معمولاً < ۱۰۰ تکرار)

تقریب ساده برای بازارها با همبستگی پایین

وقتی همبستگی بین دارایی‌ها کم است، وزن ERC تقریباً معکوس انحراف معیار می‌شود:

$$w_i^{ERC} \approx \frac{1/\sigma_i}{\sum_j 1/\sigma_j}$$

این همان Inverse Volatility Weighting است — تقریب خوبی برای پیاده‌سازی سریع.

با همان مثال قبل (σ_A=۷۰٪, σ_B=۵۵٪):
$$w_A \approx \frac{1/0.7}{1/0.7 + 1/0.55} = \frac{1.43}{1.43 + 1.82} = \frac{1.43}{3.25} \approx 44\%$$
$$w_B \approx 56\%$$

---

۴. اهرم و Risk Parity در دنیای واقعی

یکی از نتایج ضروری Risk Parity این است که دارایی‌های کم‌نوسان باید وزن بیشتری بگیرند — گاهی بیشتر از آنچه بدون اهرم ممکن است.

صندوق‌های حرفه‌ای مثل Bridgewater برای اجرای کامل استراتژی از اهرم مالی استفاده می‌کنند تا بازده هدف را حفظ کنند.

چرا اهرم ضروری می‌شود؟

اگر پرتفوی بدون اهرم، وزن زیادی به اوراق قرضه با بازده ۳٪ سالانه بدهد، بازده کل پرتفوی به شدت پایین می‌آید. صندوق‌ها این پرتفوی را با اهرم ۱.۵ تا ۳ برابر می‌کنند تا بازده هدفشان مثلاً ۸٪ سالانه حفظ شود.

در بازار کریپتو:

کریپتو یک حالت خاص دارد: اکثر دارایی‌های آن نوسان بالا دارند و همبستگی بینشان زیاد است. بنابراین:

- در یک پرتفوی خالص کریپتو (BTC, ETH, SOL, ...) ERC کمک می‌کند اما همبستگی بالا اثر تنوع‌بخشی را کاهش می‌دهد
- ترکیب کریپتو با دارایی‌های سنتی (طلا، اوراق) یا stablecoin-های با درآمد ثابت اثر Risk Parity را چشمگیرتر می‌کند
- در DeFi، پروتکل‌هایی مثل Enzyme Finance و Set Protocol قابلیت ساخت vault با وزن‌دهی دینامیک دارند

---

۵. Risk Parity دینامیک — بازتعادل بر اساس نوسان

در دنیای واقعی، نوسان ثابت نیست. بازارهای کریپتو دوره‌هایی با نوسان فوق‌العاده بالا (Volatility Clustering) دارند. پس وزن‌های ERC باید دینامیک باشند.

روش استاندارد:

• برآورد نوسان با EWMA (Exponentially Weighted Moving Average):
$$\sigma_t^2 = \lambda \cdot \sigma_{t-1}^2 + (1-\lambda) \cdot r_{t-1}^2$$ مقدار رایج: λ = ۰.۹۴ (مدل RiskMetrics)
• برآورد کوواریانس دینامیک با DCC-GARCH (Dynamic Conditional Correlation)
• محاسبه مجدد وزن‌های ERC روی هر دوره (روزانه، هفتگی، یا ماهانه)

مثال عملی — بازتعادل هفتگی:

فرض کنید در هفته‌ای که بیت‌کوین از ۲۰٪ نوسان هفتگی به ۴۵٪ جهش می‌کند:
- وزن BTC باید از ۴۰٪ به ~۲۵٪ کاهش یابد
- وزن ETH یا دارایی‌های کم‌نوسان‌تر افزایش می‌یابد

این «فروش خودکار در نوسان بالا» یک مزیت رفتاری مهم دارد: به‌صورت طبیعی در بازارهای پرنوسان ریسک را کاهش می‌دهد.

---

۶. محدودیت‌ها و نقدهای کمّی

هیچ استراتژی بدون محدودیت نیست:

مشکل ۱ — تخمین کوواریانس:
ماتریس کوواریانس با n دارایی، نیاز به تخمین n(n+1)/2 پارامتر دارد. برای ۲۰ دارایی این ۲۱۰ پارامتر است — خطای تخمین می‌تواند نتایج را معکوس کند.

راه‌حل: استفاده از Shrinkage Estimators (مثل Ledoit-Wolf) که ماتریس کوواریانس را به سمت ماتریس قطری می‌کشد و خطا را کاهش می‌دهد:
$$\hat{\Sigma} = (1-\alpha)\hat{\Sigma}_{sample} + \alpha \cdot \hat{\sigma}^2 \mathbf{I}$$

مشکل ۲ — هزینه معاملاتی:
بازتعادل مکرر در بازارهای کریپتو با هزینه‌های تراکنش، slippage و spread همراه است. باید آستانه بازتعادل (Rebalancing Band) تعریف شود:
$$\text{بازتعادل اگر: } |\%RC_i - \%RC_{target}| > \epsilon$$
مقدار رایج ε = ۲ تا ۵ درصد

مشکل ۳ — در Crash همبستگی‌ها به ۱ می‌رسد:
در بحران‌های شدید، همبستگی بین دارایی‌های کریپتو به ۱ نزدیک می‌شود و مزیت تنوع‌بخشی از بین می‌رود. این پاشنه آشیل همه مدل‌های کوواریانس-محور است.

---

نتیجه‌گیری

Risk Parity یک پارادایم‌شیفت در مدیریت پرتفوی است: به‌جای پرسیدن «چقدر سرمایه به هر دارایی بدهیم؟»، می‌پرسد «چقدر ریسک باید هر دارایی تحمل کند؟». این تغییر زاویه دید، به‌ویژه در بازارهای ناهمگن مثل کریپتو که نوسان‌ها بین ۱۰٪ تا ۱۵۰٪ متفاوتند، می‌تواند تمرکز پنهان ریسک را آشکار و اصلاح کند.

---

خلاصه نکات کلیدی

- تخصیص ۵۰-۵۰ سرمایه لزوماً توزیع برابر ریسک نیست — دارایی پرنوسان‌تر سهم بیشتری از ریسک را می‌برد
- سهم ریسک هر دارایی: RC_i = w_i · (Σw)_i / σ_p
- پرتفوی ERC وزن‌هایی دارد که RC_i = RC_j برای همه جفت دارایی‌ها
- تقریب Inverse Volatility (w_i ∝ 1/σ_i) برای همبستگی‌های پایین کافی است
- اهرم اغلب برای حفظ بازده هدف در Risk Parity ضروری است
- نوسان دینامیک با EWMA وزن‌ها را در زمان واقعی تنظیم می‌کند
- Shrinkage Estimators خطای تخمین ماتریس کوواریانس را کاهش می‌دهند
- آستانه بازتعادل (ε ≈ ۲-۵٪) هزینه معاملاتی را مدیریت می‌کند
- در بحران‌ها همبستگی به ۱ می‌رسد و تنوع‌بخشی تضعیف می‌شود — این محدودیت ذاتی مدل است