A Quadratic Resource-Allocation Reduction for Portfolio Selection in the ε-Contaminated Binomial Model

Investoren standen schon immer vor einem grundlegenden Spannungsfeld: dem Wunsch, Vermögen zu vermehren, gegenüber der Angst, dass die Zukunft nicht wie die Vergangenheit aussehen wird. In der Welt der Finanzen wird diese Unsicherheit oft dadurch modelliert, dass man sich einen Markt vorstellt, der sich größtenteils wie erwartet verhält, sich aber gelegentlich auf unvorhersehbare Weise abweicht. Dies ist das Feld der Portfolio-Auswahl, bei dem es darum geht, zu entscheiden, wie man Geld auf verschiedene Vermögenswerte verteilt. Wenn die Zukunft ungewiss ist, plant ein umsichtiger Investor nicht nur für das wahrscheinlichste Ergebnis; er plant für das schlimmste Szenario, das innerhalb eines vernünftigen Bereichs möglicher Möglichkeiten noch eintreten könnte. Dieser Ansatz, bekannt als robuste Optimierung, stellt eine schwierige Frage: Wenn sich der Markt auf die uns am meisten schädigende Weise gegen uns wendet, wie hätten wir investieren sollen, um zu überleben?

Jahrzehntelang war das Lösen dieses Problems in einem mehrstufigen Marktmodell ein computergestützter Albtraum. Die Anzahl der möglichen Pfade, die der Markt nehmen könnte, wächst mit jedem vergehenden Tag explosionsartig an, was es nahezu unmöglich macht, die beste Strategie für alles als den kürzesten Zeithorizont zu berechnen. Forscher hatten Schwierigkeiten, einen Weg zu finden, diese Komplexität zu vereinfachen, ohne den wesentlichen Schutz gegen die Unsicherheit zu verlieren. Eine neue Studie von Federica Ricca und Andrea Scozzari bietet eine klare und effiziente Lösung für dieses spezifische Problem. Sie haben eine Methode entwickelt, die ein verworrenes, hochriskantes Ratespiel in eine einfache Sortieraufgabe verwandelt und es Investoren ermöglicht, die optimale Strategie für lange Zeithorizonte zu finden, die zuvor unerreichbar waren.

Die Forscher konzentrierten sich auf ein spezifisches mathematisches Modell des Marktes, das sogenannte Binomialmodell, welches sich vorstellt, dass sich der Preis einer Aktie in jedem Schritt nach oben oder unten bewegt. Sie fügten dem Modell eine Ebene der „Kontamination“ hinzu, die die Vorstellung repräsentiert, dass wir zwar eine beste Vermutung darüber haben, wie der Markt sich verhält, aber eine kleine Chance besteht, dass die Realität etwas anders ist. Das Ziel war es, das Geld über alle möglichen zukünftigen Ergebnisse hinweg so zu verteilen, dass die Zufriedenheit maximiert wird, selbst wenn sich der Markt auf die schlimmste Weise verhält, die durch diesen kleinen Fehleranteil zulässig ist. In früheren Arbeiten erforderte das Lösen dies durch das Überprüfen einer astronomischen Anzahl verschiedener Kombinationen von Ergebnissen. Für einen Zeithorizont von nur wenigen hundert Schritten wurde die Anzahl der Möglichkeiten so groß, dass selbst leistungsstarke Computer die Berechnung nicht in einer angemessenen Zeit abschließen konnten. Die alte Methode war wie der Versuch, ein einzelnes spezifisches Sandkorn an einem Strand zu finden, indem man jedes einzelne Korn nach dem anderen aufhebt und untersucht.

Ricca und Scozzari erkannten, dass das Problem nicht durch das Überprüfen aller Möglichkeiten gelöst werden musste. Stattdessen entdeckten sie, dass das Worst-Case-Szenario durch einen viel einfacheren Prozess identifiziert werden konnte. Sie zeigten, dass der Schlüssel zur Lösung in der Identifizierung eines spezifischen Satzes von Gewichten, oder Wahrscheinlichkeiten, liegt, die das schädlichste Marktverhalten repräsentieren. Das Finden dieser Gewichte stellte sich als ein klassisches Problem der Ressourcenallokation heraus, ähnlich dem Füllen eines Behälters mit Gegenständen unterschiedlicher Werte, um den Gesamtwert zu maximieren, ohne ein Gewichtslimit zu überschreiten. In ihrem Fall war der „Behälter“ die Menge aller möglichen Marktabweichungen und die „Gegenstände“ waren die Wahrscheinlichkeiten, die verschiedenen zukünftigen Zuständen zugewiesen wurden.

Der Durchbruch bestand in der Erkenntnis, dass diese schwierige Suche auf eine einfache Sortierübung reduziert werden konnte. Indem sie die Marktzustände in einer spezifischen Reihenfolge basierend auf ihrer Wahrscheinlichkeit und ihrem Risiko anordneten, konnten die Forscher den genauen Punkt bestimmen, an dem sich das Worst-Case-Szenario verschiebt. Dieser Prozess, den sie eine Schwellenwertkonstruktion (threshold construction) nennen, ermöglicht es ihnen, die Notwendigkeit zu umgehen, jede Kombination zu überprüfen. Anstatt Milliarden von Pfaden zu untersuchen, erfordert die neue Methode nur einen einzigen Durchlauf durch die sortierte Liste. Dies reduziert den Rechenaufwand von etwas, das exponentiell wächst und schnell unmöglich wird, auf etwas, das linear wächst und selbst für sehr lange Zeithorizonte handhabbar bleibt.

Sobeder das Worst-Case-Szenario identifiziert ist, fügt sich der Rest der Lösung zusammen. Die Forscher zeigten, dass die optimale Anlagestrategie unter Verwendung einer einfachen Formel rekonstruiert werden kann, die von diesem identifizierten Szenario abhängt. Entscheidend ist, dass der Teil der Berechnung, der das Worst-Case-Szenario findet, nicht von den spezifischen Präferenzen des Investors oder der Menge des Startkapitals abhängt. Das bedeutet, dass die Hauptarbeit bei der Suche nach dem Worst-Case-Marktverhalten nur einmal durchgeführt werden muss. Wenn ein Investor seine Meinung darüber ändert, wie viel Risiko er eingehen möchte, oder wenn er mit einem anderen Kapitalbetrag beginnt, muss er nicht die gesamte Berechnung neu starten. Er kann einfach dasselbe Worst-Case-Szenario wiederverwenden und eine schnelle Anpassung vornehmen, um die neue optimale Strategie zu finden.

Die Autoren testeten ihre Methode anhand simulierter Marktdaten gegen den älteren, erschöpfenderen Ansatz. Sie verglichen die Zeit, die ein Computer benötigte, um das Problem mit der neuen Sortiermethode im Vergleich zur alten Methode des Überprüfens von Kombinationen zu lösen. Für kürzere Zeiträume funktionierten beide Methoden, aber die neue Methode war bereits schneller. Als der Zeithorizont zunahm, wurde der Unterschied dramatisch. Für einen Zeithorizont von fünfhundert Schritten löste die neue Methode das Problem in einem Bruchteil einer Sekunde, während die alte Methode über eine Minute benötigte. Als der Horizont auf eintausend Schritte ausgeweitet wurde, fand die alte Methode keine Lösung innerhalb des Zeitlimits, während die neue Methode immer noch fast augenblicklich eine Antwort lieferte.

Die Studie untersuchte auch die Genauigkeit der Ergebnisse. Während die neue Methode wesentlich schneller ist, stellten die Forscher fest, dass die Fähigkeit des Computers, extrem kleine Zahlen zu verarbeiten, bei sehr langen Zeithorizonten geringfügige Fehler einführen kann. Speziell bei einem Horizont von 500 Schritten war die neue Methode zwar schneller, erfüllte aber nicht das strenge Kriterium der Objektgenauigkeit, während die ältere Methode dies tat. Bei 1.000 Schritten lieferte die neue Methode lösbare Ergebnisse, die jedoch das Genauigkeitskriterium nicht erfüllten, wohingegen die ältere Methode ohne Rückgabe einer Lösung in die Zeitüberschreitung lief. Darüber hinaus erfüllte bei diesem extremen Horizont keine der beiden Methoden das vorgeschriebene komponentenweise Genauigkeitskriterium. Die Arbeit kommt zu dem Schluss, dass dieser Ansatz einen praktischen und effizienten Weg darstellt, um die Portfolio-Auswahl unter Unsicherheit zu handhaben, indem er ein Problem, das einst rechnerisch unlösbar war, in eines verwandelt, das mit Standardalgorithmen schnell gelöst werden kann. Durch die Verknüpfung des Problems der finanziellen Unsicherheit mit einem gut verstandenen mathematischen Werkzeug für die Ressourcenallokation haben die Forscher einen klaren Weg für Investoren aufgezeigt, die für den langfristigen Plan in einer unsicheren Welt planen müssen, wenngleich die numerische Präzision bei den extrem langen Horizonten eine Herausforderung bleibt.