💰 quantitative finance

A novel robust mixed integer linear programming model for index tracking problem under no rebalancing: heuristic optimization approach

Dieses Paper schlägt ein neuartiges robustes gemischt-ganzzahliges lineares Programmierungsmodell für das Index-Tracking-Problem unter der Bedingung des Nicht-Rebalancierens vor, begleitet von einem hybriden heuristischen Algorithmus, der genetische und lokale Suchkapazitäten kombiniert, um das NP-schwere Problem effizient zu lösen und kommerzielle Solver sowohl bei In-Sample- als auch bei Out-of-Sample-Daten zu übertreffen.

Ursprüngliche Autoren: Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

Veröffentlicht 2026-07-13

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, eine Miniaturversion eines massiven, chaotischen Orchesters zu bauen. Ihr Ziel ist es, nur wenige Instrumente (vielleicht 10 von Hunderten) auszuwählen, die, wenn sie zusammen gespielt werden, exakt wie die gesamte Sinfonie klingen. In der Finanzwelt wird dies als Index-Tracking bezeichnet. Anstatt jede einzelne Aktie eines Marktes zu kaufen (was teuer und unübersichtlich ist), wollen Fondsmanager ein „Tracking-Portfolio“ auswählen, das die Performance des Marktes perfekt nachbildet.

Lange Zeit versuchten Manager dies, indem sie untersuchten, wie ähnlich sich Aktien in der Vergangenheit zueinander waren, so als würde man prüfen, ob eine Violine und ein Cello immer die gleichen Noten spielen. Aber die Autoren dieser Arbeit, Danial Ramezani und sein Team, sagen, dass dieser Ansatz ein wenig so ist, als würde man versuchen, das Wetter von morgen vorherzusagen, indem man nur die Wolken von gestern betrachtet. Das ist zu instabil. Sie argumentieren, dass das Verlassen auf einfache vergangene Korrelationen verrauscht ist und oft scheitert, wenn der Markt seine Stimmung ändert.

Das neue „robuste“ Rezept
Das Team schlug ein neues mathematisches Rezept (ein Modell) vor, das „robust“ ist. Denken Sie daran als den Bau eines Bootes, das nicht nur in ruhigem Wasser schwimmt, sondern so konstruiert ist, dass es den schlimmsten Stürmen standhält. Anstatt nur zu raten, welche Aktien zum Markt passen werden, fragt ihr Modell: „Was, wenn die Beziehung zwischen diesen Aktien schiefgeht? Was, wenn sie sich am schlechtesten verhalten?“ Durch die Planung für das Worst-Case-Szenario wählt das Modell eine Gruppe von Vermögenswerten aus, die stabil bleibt, selbst wenn es unordentlich wird.

Sie führten auch einen speziellen „Sicherheitspuffer“ in ihrer Mathematik ein. Stellen Sie sich vor, Sie packen einen Koffer für eine Reise, bei der Sie nicht sicher sind, ob es regnen oder die Sonne scheinen wird. Ein normaler Packender würde einfach nur raten. Dieses neue Modell packt sowohl für den Regen als auch für die Sonne, um sicherzustellen, dass Sie das haben, was Sie brauchen, egal was passiert. Dieser Ansatz ermöglicht es dem Portfolio, den Markt über einen langen Zeitraum zu verfolgen, ohne dass ständige Anpassungen (Rebalancing) erforderlich sind, was Geld für Transaktionsgebühren spart.

Das Super-Suchteam (GALB)
Hier ist der knifflige Teil: Die Suche nach den perfekten 10 Instrumenten aus Hunderten ist ein Rätsel, das so riesig ist, dass selbst die schnellsten Supercomputer der Welt (sogenannte „exakte Solver“ wie CPLEX) stecken bleiben oder ewig brauchen können, um es zu lösen. Das Problem ist „NP-schwer“, was eine schicke Art zu sagen ist, dass es ein Labyrinth mit zu vielen Sackgassen ist.

Um dies zu lösen, erschuf das Team ein neues Suchteam namens GALB. Sie können sich GALB als einen hybriden Detektiv vorstellen.

Der Genetische Algorithmus (GA): Dieser Teil ist wie ein Schwarm von Entdeckern, die in alle Richtungen laufen und versuchen, verschiedene Kombinationen von Aktien zu finden. Er ist sehr gut darin, schnell neue, interessante Pfade zu finden.
Local Branching: Dies ist der „Zoom-In“-Experte. Wenn die Entdecker einen vielversprechenden Ort finden, hält dieser Experte inne und schaut sich die unmittelbare Nachbarschaft ganz genau an, um zu sehen, ob er die Lösung nur ein kleines bisschen anpassen kann, um sie perfekt zu machen.

Indem sie die „weite Suche“ der Entdecker mit der „engen Inspektion“ des Experten mischen, findet GALB qualitativ hochwertige Lösungen viel schneller als die langsamen Brute-Force-Computer.

Was die Zahlen sagen
Das Team testete ihr neues Modell und ihr GALB-Suchteam gegen die alten Methoden und den superschnellen CPLEX-Computer unter Verwendung von Daten aus berühmten Märkten wie dem Dow Jones, Hang Seng, DAX, FTSE 100, S&P 100 und Nikkei 225.

Geschwindigkeit: In diesen Tests benötigte der CPLEX-Computer bis zu 1.800 Sekunden (30 Minuten), um das Problem für einige Märkte zu lösen, und manchmal gab er die Lösung auf, ohne die beste Antwort gefunden zu haben. Im Gegensatz dazu fand das GALB-Team großartige Lösungen in nur 120 Sekunden für kleinere Märkte und 300 Sekunden für größere.
Genauigkeit: Die von GALB erstellten Portfolios fanden nicht nur schnell Antworten; sie fanden bessere Antworten. Als das Team untersuchte, wie gut die Portfolios in der Zukunft performten (sogenannte „Out-of-Sample“-Daten), wiesen die neuen Modelle konsistent geringere Fehler auf. Beispielsweise hatte das neue Modell im Dow Jones-Test einen Tracking-Error (MAD) von 0,00402 im Vergleich zu 0,00458 beim älteren Modell 3.
Stabilität: Die von ihnen gebauten Portfolios bestanden aus nur 10 Vermögenswerten (eine sehr kleine Anzahl im Vergleich zu den Hunderten, die zur Verfügung standen). Trotz dieser geringen Größe verfolgten sie die massiven Märkte über lange Zeiträume, ohne ständig neu arrangiert werden zu müssen.

Was sie NICHT sind
Die Autoren sind vorsichtig darauf hinzuweisen, was ihre Methode nicht ist. Sie argumentieren explizit gegen die Idee, dass man einfach nur die vergangenen Korrelationen von Aktien betrachten kann, um die Zukunft vorherzusagen. Sie zeigen, dass Modelle, die „Worst-Case“-Szenarien ignorieren (wie das ältere Modell 1), oft Portfolios produzieren, die im Test gut aussehen, aber scheitern, wenn sich die realen Bedingungen ändern. Sie merken auch an, dass ihr Heuristik-Verfahren (GALB) zwar großartig ist, aber eine Annäherung bleibt; es findet Lösungen, die „gleichwertig oder sogar überlegen“ zu exakten Solvern in kürzerer Zeit sind, garantiert aber keinen mathematischen Beweis der Perfektion für jedes einzelne mögliche Szenario im Universum, obwohl es für die getesteten Problemgrößen zu optimalen Lösungen konvergierte.

Das Fazit
In diesen Simulationen und Tests legen die Autoren nahe, dass ihr neues „robustes“ Modell, gepaart mit dem GALB-Suchteam, ein leistungsstarker Weg ist, um ein kleines, kostengünstiges Portfolio aufzubauen, das einen riesigen Markt nachbildet. Es scheint das Chaos des Aktienmarktes besser zu bewältigen als ältere Methoden, indem es den Tracking-Error niedrig hält und die Notwendigkeit für teure Rebalancings auf ein Minimum reduziert. Während die Arbeit zeigt, dass diese Ergebnisse über mehrere große globale Indizes hinweg Bestand haben, präsentieren die Autoren dies als einen starken, getesteten Ansatz und nicht als ein magisches Allheilmittel, das jedes finanzielle Mysterium der Welt löst.

Technisches Resümee: Ein neuartiges robustes gemischt-ganzzahliger lineares Programmierungsmodell für das Index-Tracking ohne Neugewichtung

Problemdefinition
Die Arbeit befasst sich mit dem Problem des Index-Trackings (IT), einer Kernherausforderung im passiven Fondsmanagement, bei dem das Ziel darin besteht, ein Portfolio aus einer Teilmenge von Vermögenswerten zu konstruieren, das die Performance eines spezifischen Markt-Benchmarks repliziert. Die Autoren identifizieren kritische Einschränkungen bestehender mathematischer Formulierungen:

Sensitivität gegenüber Korrelation: Traditionelle Modelle stützen sich oft auf historische Korrelationen zwischen Vermögenswerten, die verrauscht, instabil über verschiedene Marktregime hinweg und anfällig für Overfitting von In-Sample-Daten sein können, was zu einer schlechten Out-of-Sample-Performance führt.
Neugewichtungskosten: Viele Strategien erfordern häufige Neugewichtungen, um die Tracking-Genauigkeit aufrechtzuerhalten, was erhebliche Transaktionskosten und Liquiditätsrisiken verursacht.
Rechenkomplexität: Das IT-Problem ist aufgrund seiner kombinatorischen Natur (Auswahl einer Teilmenge von Vermögenswerten und Bestimmung der Gewichte) NP-schwer, was es schwierig macht, große Datensätze innerhalb angemessener Zeiträume mittels exakter Solver optimal zu lösen.

Das spezifische Ziel dieser Studie ist die Entwicklung eines Modells, das robust gegenüber Parameterunsicherheit (speziell Korrelationsabweichungen) ist, in der Lage ist, Indizes über lange Zeiträume ohne die Notwendigkeit einer Neugewichtung zu verfolgen, und effizient über eine neuartige Heuristik lösbar ist.

Methodik

1. Mathematische Formulierung (Modell 4)
Die Autoren schlagen eine neuartige gemischt-ganzzahlige lineare Programmierungsformulierung (MILP) vor, die zwei unterschiedliche Ziele in einem einzigen robusten Modell integriert:

Robustheit durch Korrelationsunsicherheit: Basierend auf dem robusten Optimierungsansatz von Bertsimas und Sim (2003) beinhaltet das Modell ein „Worst-Case“-Szenario für die Korrelationen der Vermögenswerte. Es minimiert die Downside-Abweichung der Korrelationen ( $\Gamma$ -Koeffizienten nehmen ihre schlechtesten Werte an), um sicherzustellen, dass das Portfolio auch dann effektiv bleibt, wenn sich die Korrelationen ungünstig verschieben.
Minimierung des Tracking-Fehlers: Das Modell minimiert gleichzeitig die mittlere absolute Abweichung (Mean Absolute Deviation, MAD) zwischen der Portfoliorendite und der Rendite des Benchmark-Index.
Nebenbedingungen: Die Formulierung enthält Standard-Realwelt-Nebenbedingungen wie Kardinalität (Beschränkung der Anzahl der Vermögenswerte, $K$ ), Buy-in-Schwellenwerte (Mindest- und Höchstgewichte) sowie das Verbot von Leerverkäufen.
Zielfunktion: Die Zielfunktion (Gleichung 19) kombiniert den Tracking-Error-Term und den robusten Korrelationsterm, skaliert durch Koeffizienten $\xi$ und $\psi$ , um die Werte auf einen Bereich zwischen 0 und 1 zu normieren.

2. Lösungsansatz: GALB-Heuristik
Da exakte Solver bei größeren Problemgrößen Schwierigkeiten haben, entwickelten die Autoren GALB (Genetic Algorithm with Local Branching), eine hybride Metaheuristik:

Genetischer Algorithmus (GA): Dient als globaler Suchmechanismus, der Crossover- und Mutationsoperatoren nutzt, um eine Population von Kandidatenlösungen (Portfolios) zu entwickeln.

Local Branching: Integriert als lokaler Suchmechanismus. Wenn bestimmte Bedingungen erfüllt sind (z. B. eine festgelegte Anzahl von GA-Iterationen ohne Verbesserung), wendet der Algorithmus Local Branching auf die beste gefundene Lösung an. Dies beinhaltet die Definition einer Hamming-Distanz-Nachbarschaft um die aktuelle beste Lösung und das Lösen eines eingeschränkten MILP-Teilproblems, um benachbarte Lösungen tiefergehend zu explorieren.

Fitnessfunktion: Eine spezialisierte Fitnessfunktion (Algorithmus 2) wurde entwickelt, um Lösungen zu bewerten, ohne den Rechenaufwand eines vollständigen Durchlaufs eines exakten Solvers in jedem Schritt zu verursachen. Sie dekodiert die Gewichtungen der Vermögenswerte und berechnet den robusten Zielfunktionswert direkt, wobei die Worst-Case-Korrelationsszenarien effizient gehandhabt werden.

Experimenteller Aufbau
Die Studie nutzte Daten von acht großen Märkten: Dow Jones, Hang Seng, CAC 40, EURO STOXX 50, DAX, FTSE 100, S&P 100 und Nikkei 225. Datenquellen waren die OR-Library und Yahoo Finance (Juli 2018 – Januar 2024).

Vergleiche: Das vorgeschlagene Modell 4 und GALB wurden verglichen mit:
- Bestehenden Formulierungen (Modell 1 basierend auf Korrelationsmaximierung, Modell 3 basierend auf MAD-Minimierung).
- Dem kommerziellen exakten Solver CPLEX.
Metriken: Die Performance wurde anhand von Korrelation ( $\rho$ ), mittlerer absoluter Abweichung (MAD), quadratischer Mittelwertabweichung (RMSE), Standardabweichung des Tracking-Fehlers (STD) und Beta bewertet. Sowohl In-Sample- als auch Out-of-Sample-Ergebnisse wurden analysiert.
Parameter: In den Experimenten wurden verschiedene Unsicherheitsgrade ( $\Gamma = 0, 50\%, 75\%, 90\%$ ) getestet und die Portfoliogröße auf 10 Vermögenswerte ( $K=10$ ) festgelegt.

Wesentliche Ergebnisse

1. Überlegenheit der robusten Formulierung:

Wenn durch CPLEX gelöst, übertraf das vorgeschlagene Modell 4 die Modelle 1 und 3 konsistent in den Out-of-Sample-Metriken über alle getesteten Märkte hinweg (Dow Jones, CAC 40, EURO STOXX 50).
Insbesondere erzielte Modell 4 eine höhere Korrelation mit dem Index und geringere Tracking-Fehler (MAD, RMSE, STD) in den Out-of-Sample-Zeiträumen, was seine Robustheit gegenüber Marktregimewechseln demonstriert.
In Bezug auf die Recheneffizienz löste CPLEX das vorgeschlagene Modell für mehrere Märkte schneller als Modell 3 (z. B. 72s vs. 118s für Dow Jones).

2. Performance der GALB-Heuristik:

Effizienz: GALB fand Lösungen von gleicher oder überlegener Qualität wie CPLEX in signifikant kürzerer Zeit (z. B. 120s vs. 1800s für Dow Jones; 300s vs. 1800s für andere).
Optimalität: Für kleinere Problemgrößen konvergierte GALB in vielen Durchläufen zum globalen Optimum (identische Ergebnisse zu CPLEX), insbesondere wenn $\Gamma=0$ .
Out-of-Sample-Dominanz: In den meisten Märkten (Hang Seng, DAX, Nikkei 225, S&P 100) lieferten die von GALB generierten Portfolios (insbesondere mit $\Gamma=75\%$ oder $90\%$ ) eine bessere Out-of-Sample-Tracking-Performance als jene von CPLEX, selbst wenn CPLEX mehr Zeit für die Suche zur Verfügung hatte.
Keine Neugewichtung: Die resultierenden Portfolios, die nur aus 10 Vermögenswerten bestehen, verfolgten die Indizes über lange Zeiträume mit minimaler Abweichung, was die Behauptung des „Keine Neugewichtung“ validiert.

Bedeutung und Ansprüche
Das Paper beansprucht einen zweifachen Beitrag:

Eine robuste Formulierung: Es führt ein MILP-Modell ein, das robuster als traditionelle IT-Modelle ist, in der Lage ist, Korrelationsunsicherheiten zu handhaben und eine überlegene Out-of-Sample-Performance ohne die Notwendigkeit häufiger Neugewichtungen zu liefern.
Eine leistungsstarke Heuristik: Es präsentiert GALB, einen hybriden Algorithmus, der die globale Exploration (GA) und die lokale Exploitation (Local Branching) effektiv ausbalanciert. Die Autoren behaupten, dass GALB nicht nur NP-schwere IT-Probleme schneller als kommerzielle Solver löst, sondern auch Portfolios generiert, die im Hinblick auf die reale Tracking-Genauigkeit die Lösungen exakter Solver übertreffen.

Die Studie kommt zu dem Schluss, dass der vorgeschlagene Ansatz die Konstruktion schlanker Portfolios (mit nur 10 Vermögenswerten) ermöglicht, die über längere Zeiträume eine hohe Korrelation mit großen, volatilen Indizes (wie dem Nikkei 225) aufrechterhalten und somit die mit dem Umschlag und der Neugewichtung verbundenen Managementkosten effektiv reduzieren.

Mehr davon