Multi-objective Portfolio Optimization Via Gradient Descent

Stellen Sie sich vor, Sie sind der Kapitän eines riesigen Schiffes, das jedoch nicht auf Wasser, sondern auf einem Meer aus Geld navigiert. Ihr Ziel ist es, von Punkt A nach Punkt B mit dem größtmöglichen Schatz zu gelangen, aber es gibt einen Haken: Das Meer ist voller Stürme (Risiko) und es gibt eine strikte Karte (Regulierungen), die besagt, dass Sie nicht zu viel Gold in einer einzelnen Truhe tragen dürfen und in der Nähe eines bestimmten Leuchtturms (eines Benchmark-Index) bleiben müssen. Dies ist die Welt der Portfolio-Optimierung. Jahrzehntelang war die Standardmethode, um dieses Schiff zu steuern, ein starrer, mathematischer Kompass namens „Modern Portfolio Theory“. Er funktionierte gut in ruhigen Gewässern, aber wenn das Meer mit komplexen Regeln oder widersprüchlichen Zielen aufgewühlt wurde – wie etwa dem Wunsch nach maximalem Schatz und minimalem Risiko und strengen Sicherheitsgrenzen – blieb der alte Kompass oft stecken oder ging kaputt.

Hier kommt ein neues Navigationswerkzeug ins Spiel: Gradientenabstiegsverfahren (Gradient Descent). Betrachten Sie dies nicht als eine starre Karte, sondern als einen Wanderer, der sich seinen Weg durch einen nebligen Berg vorfühlt. Der Wanderer (der Computer) macht kleine Schritte und prüft ständig, in welche Richtung es am steilsten bergab geht (hin zu weniger Risiko oder mehr Profit) und passt seinen Pfad an. Normalerweise wird diese „Wander“-Methode verwendet, um Computern beizubringen, Katzen auf Fotos zu erkennen oder Autos zu fahren. Aber was wäre, wenn wir den Computer lehren würden, durch die Finanzberge zu wandern? Genau das untersucht dieses Paper. Die Forscher haben einen neuen Rahmen geschaffen, der diese „Wander“-Technik nutzt, angetrieben durch moderne KI-Werkzeuge, um die unordentlichen, vielzieligen Probleme des Investierens zu lösen, mit denen die alten Methoden Schwierigkeiten haben. Sie wollten sehen, ob dieser flexible, schrittweise Ansatz eine bessere, sicherere und regelkonformere Schatzkiste bauen kann als die traditionellen, starren Rechner.

Die Reise des Papers: Wandern durch die Finanzberge

Die Autoren, ein Team der Autonomen Universität Madrid und March Asset Management, wollten testen, ob diese „Wander“-Methode (Gradientenabstieg) die komplexe Aufgabe der Multi-Objective Portfolio Optimization (MPO) bewältigen kann. In der realen Welt wollen Investoren nicht einfach nur „hohe Renditen“. Sie wollen hohe Renditen, während sie das Risiko niedrig halten, während sie strenge Gesetze befolgen (wie die europäischen UCITS-Regeln), während sie sicherstellen, dass sie nicht alles auf eine Karte setzen, und während sie einen bestimmten Marktindex eng verfolgen. Traditionelle Werkzeuge stoßen oft an ihre Grenzen, wenn man sie bittet, all diese Bälle gleichzeitig zu jonglieren, besonders wenn die Regeln kompliziert sind oder die Daten riesig sind.

Die Forscher bauten einen digitalen Spielplatz unter Verwendung von Daten aus dem S&P 500 (einer Liste von etwa 500 der größten US-Unternehmen) aus dem Jahr 2020. Sie bauten nicht nur einen Test; sie bauten sechs verschiedene Szenarien, die von einfachen „Finde den besten Pfad“-Aufgaben bis hin zu unglaublich komplexen „Finde den besten Pfad, während du Felsen ausweichst, Geschwindigkeitsbegrenzungen einhältst und eine bestimmte Last trägst“-Herausforderungen reichten.

Die einfachen Tests: Den geraden Weg gehen
Zuerst testeten sie die Grundlagen. In einem Szenario baten sie den Computer, einfach den Pfad mit der besten Balance zwischen Risiko und Rendite zu finden (Maximierung der „Sharpe-Ratio“). Sie verglichen ihre neue „Wander“-Methode mit einem berühmten, starren mathematischen Solver namens CVXPY. Das Ergebnis? Der Wanderer und der starre Rechner kamen fast am exakt gleichen Punkt an. Die Gewichtungen der Vermögenswerte (wie viel Geld in jede Aktie floss) waren nahezu identisch und unterschieden sich nur in der sechsten Dezimalstelle. Dies bewies, dass die neue Methode bei einfachen Aufgaben genauso genau ist wie die alten, vertrauten Werkzeuge.

In einem zweiten Test baten sie den Computer, „extreme Verluste“ zu minimieren (ein Konzept namens CVaR). Sie verglichen dies mit einem anderen Tool namens SKFOLIO. Hier wählte der „Wanderer“ einen etwas anderen Pfad als der starre Rechner, wählte andere Aktien aus und wies ihnen leicht unterschiedliche Gewichte zu. Doch als sie das Endergebnis überprüften – den tatsächlichen Betrag der vermiedenen extremen Verluste – waren die beiden Methoden praktisch Zwillinge. Der Unterschied war so winzig (in der fünften Dezimalstelle), dass der Wanderer aus praktischen Gründen dasselbe Ziel erreichte, indem er lediglich den Boden fühlte, anstatt einer vorgezeichneten Karte zu folgen. Dies war eine große Sache, da das Problem der „extremen Verluste“ mathematisch unordentlich und für starre Werkzeuge schwer perfekt zu lösen ist; der Wanderer bewältigte es mit Leichtigkeit.

Die komplexen Tests: Jonglieren und Hindernisparcours
Dann wurde es spannend. Die Forscher fügten Ebenen der Komplexität hinzu, wie bei einem Videospiel, das neue Level hinzufügt.

• Der Regelbefolger: Sie baten den Computer, extreme Verluste zu minimieren und dabei die UCITS-Regulierung einzuhalten. Dies sind strenge europäische Regeln, die beispielsweise besagen: „Keine einzelne Aktie darf mehr als 10 % Ihres Portfolios ausmachen“ und „Die Summe Ihrer großen Wetten (über 5 %) darf 40 % nicht überschreiten“. Traditionelle Werkzeuge geraten bei diesen Regeln oft ins Straucheln, weil sie die Mathematik „nicht-konvex“ machen (eine schicke Art zu sagen, dass die Karte Löcher und Klippen hat, die die starren Rechner brechen lassen). Aber der Wanderer? Er ging einfach weiter und passte seine Schritte an, bis er einen Pfad fand, der innerhalb der Linien blieb. Das Ergebnis war ein Portfolio, das die Regeln perfekt einhielt und dennoch das Risiko niedrig hielt.

• Der Seiltänzer: In einem anderen Test fügten sie eine Tracking Error-Beschränkung hinzu. Das bedeutet, dass die Performance des Portfolios sehr nah am S&P 500-Index bleiben musste (wie ein Seiltänzer, der auf dem Draht bleibt). Der Wanderer schaffte es, die extremen Verluste zu minimieren und gleichzeitig eng am Index zu bleiben, was bewies, dass er in der Lage ist, gegensätzliche Ziele auszubalancieren, ohne herunterzufallen.

• Die ultimative Herausforderung: Der letzte, komplexeste Test verlangte vom Computer, alles gleichzeitig zu tun: Renditen maximieren, extreme Verluste minimieren, die UCITS-Regeln befolgen, eine Mindestanzahl an Aktien halten, sicherstellen, dass keine Aktie zu klein ist, und nah am Index bleiben. Der Computer navigierte erfolgreich durch diesen chaotischen Hindernisparcours. Er wählte 23 Aktien aus, stellte sicher, dass jede einzelne über einer Gewichtung von 1 % lag, sorgte dafür, dass die „großen Wetten“ unter der 40 %-Grenze blieben, und lieferte ein Portfolio, das den Standardindex in Bezug auf die risikobereinigte Rendite übertraf.

Das „Masken“-Rätsel
In einem letzten, kreativen Test erstellten die Forscher „Masken“ – Gruppen von Aktien, die eine bestimmte Gesamtgewichtung nicht überschreiten durften (wie die Anweisung: „Die Tech-Gruppe darf nicht mehr als 27 % Ihres Geldes enthalten“). Der Wanderer verteilte das Geld erfolgreich so, dass keine Gruppe ihr Limit überschritt, während er gleichzeitig das Gesamtrisiko des Portfolios minimierte. Dies zeigte, dass die Methode benutzerdefinierte, willkürliche Regeln handhaben kann, die für ältere Software ein Albtraum wären.

Was dies für die Zukunft bedeutet

Das Paper behauptet nicht, ein „Wundermittel“ entdeckt zu haben, das garantiert, dass man reich wird. Stattdessen deutet es auf etwas Praktischeres hin: Flexibilität. Die Autoren zeigen, dass die Verwendung von Gradientenabstieg mit automatischer Differenzierung (ein Werkzeug, das es Computern ermöglicht, Steigungen sofort zu berechnen) ein leistungsstarker, skalierbarer Weg ist, um Investitionsprobleme zu lösen, die für die traditionelle Mathematik zu unordentlich sind.

Die wichtigste Erkenntik ist, dass diese Methode bei einfachen Aufgaben wettbewerbsfähig mit den besten bestehenden Werkzeugen ist, aber bei komplexen Szenarien mit vielen Regeln überlegen ist. Sie findet nicht nur eine Antwort, sondern eine gute Antwort, die alle unordentlichen, realen Einschränkungen respektiert, denen sich Investoren tatsächlich gegenübersehen. Die Forscher betonen, dass der „Wanderer“ einen Führer (den Benutzer) braucht, um die richtigen „Gewichte“ (wie viel man Risiko gegenüber Rendite gewichtet) festzulegen, aber sobald diese Einstellungen gewählt sind, kann der Computer die schwere Arbeit übernehmen, um Dutzende von sich widersprechenden Zielen gleichzeitig auszubalancieren.

Letztendlich öffnet dieses Paper die Tür für eine neue Art von Finanzwerkzeug – eines, das so anpassungsfähig ist wie ein menschlicher Wanderer, fähig, durch das neblige, felsige Gelände des modernen Investierens zu navigieren, in dem starre Karten versagen. Es legt nahe, dass wir, indem wir Techniken aus der Welt der künstlichen Intelligenz entlehnen, Portfolios bauen können, die nicht nur mathematisch fundiert, sondern auch praktisch robust und bereit für die reale Welt sind.