On Reference-Regulated Multiperiod Mean-Variance Portfolio Optimization in High Dimensions

तकनीकी सारांश: उच्च आयामी परिवेश में संदर्भ-विनियमित बहु-अवधि माध्य-विचरण पोर्टफोलियो अनुकूलन

समस्या विवरण
यह शोध पत्र उच्च-आयामी परिवेश में लागू होने पर शास्त्रीय बहु-अवधि माध्य-विचरण (MMV) पोर्टफोलियो अनुकूलन ढांचे की अंतर्निहित नाजुकता को संबोधित करता है। जबकि MMV ढांचा, विशेष रूप से ली और एनजी (2000) द्वारा प्रस्तुत पूर्व-प्रतिबद्ध फीडबैक नीति, स्थिर रणनीतियों की तुलना में सैद्धांतिक लाभ (जैसे कि एक बेहतर कुशल सीमा और गैर-रैखिक धन संचय) प्रदान करता है, यह माध्य वेक्टर ($\mu$) और सहप्रसरण मैट्रिक्स ($\Sigma$) में अनुमान त्रुटियों के प्रति अत्यधिक संवेदनशील बना रहता है। समकालीन उच्च-आयामी वातावरणों में जहाँ संपत्तियों की संख्या $p$, नमूना आकार $n$ के बराबर या उससे अधिक होती है ($p/n \to c \in (0, \infty)$), ये अनुमान त्रुटियाँ पोर्टफोलियो वेट्स (weights) को गंभीर रूप से विकृत कर देती हैं, जिससे खराब आउट-ऑफ-सैंपल प्रदर्शन और अस्थिरता उत्पन्न होती है। मौजूदा नियमितीकरण (regularization) विधियाँ, जो मुख्य रूप से एकल-अवधि सेटिंग्स के लिए विकसित की गई हैं, गतिशील फीडबैक नीतियों में अनुमान त्रुटियों की जटिल अंतर-सामयिक (intertemporal) अंतःक्रियाओं को पूरी तरह से ध्यान में नहीं रखती हैं।

कार्यप्रणाली
लेखक एक संदर्भ-विनियमित बहु-अवधि माध्य-विचरण (RRMV) ढांचे का प्रस्ताव करते हैं। यह दृष्टिकोण एक स्थिर संदर्भ नीति को गतिशील अनुकूलन मॉडल में एकीकृत करने के लिए एक द्विघाती दंड पद (quadratic penalty term) जोड़ता है, जो एक स्केल्ड संदर्भ पोर्टफोलियो से गतिशील पोर्टफोलियो होल्डिंग्स के विचलन को दंडित करता है।

1. अनुकूलन सूत्रीकरण (Optimization Formulation):
   उद्देश्य फलन टर्मिनल वेल्थ के विचरण, अपेक्षित टर्मिनल वेल्थ और एक विनियमन पद के बीच के व्यापार-संतुलन (trade-off) को कम करता है:
   $$\min_{u_t} \omega \text{Var}(X_T) - E[X_T] + \omega \sum_{t=0}^{T-1} E\left[ \|u_t - X_t w_t\|^2_{Q_t} \right]$$
   जहाँ $u_t$ पोर्टफोलियो होल्डिंग है, $X_t$ धन है, $w_t$ एक पूर्व-निर्धारित संदर्भ पोर्टफोलियो वेट है, और $Q_t$ एक धनात्मक-निश्चित वेटिंग मैट्रिक्स है। पद $\| \cdot \|^2_{Q_t}$ एक भारित $\ell_2$-नॉर्म को दर्शाता है।

2. विश्लेषणात्मक समाधान (Analytical Solution):
   ली और एनजी (2000) की एम्बेडिंग तकनीक को अनुकूलित करते हुए, लेखक डायनेमिक प्रोग्रामिंग में विचरण पद की गैर-पृथक्करणीयता (non-separability) को हल करते हैं। वे एक क्लोज्ड-फॉर्म, रिकर्सिव प्रतिनिधित्व प्राप्त करते हैं जो टर्मिनल होराइजन से पीछे की ओर (backward) गणना किए गए बाजार-निर्भर मापदंडों ($a_k, b_k, c_k, D_k$) पर निर्भर करता है।

3. उच्च-आयामी स्पर्शोन्मुखी विश्लेषण (High-Dimensional Asymptotic Analysis):
   अनुमान जोखिम के तहत प्रदर्शन को चित्रित करने के लिए, यह शोध पत्र रैंडम मैट्रिक्स थ्योरी (RMT) के उपकरणों का उपयोग करता है। विश्लेषण एक उच्च-आयामी स्पर्शोन्मुखी शासन (asymptotic regime) मानता है जहाँ $p, n \to \infty$ इस प्रकार कि $p/n \to c$। लेखक आउट-ऑफ-सैंपल शार्प रेशियो (Sharpe ratio) के लगभग निश्चित (almost sure) सीमित व्यवहार को व्युत्पन्न करते हैं, जो माध्य वेक्टर और सहप्रसरण मैट्रिक्स में अनुमान त्रुटियों के प्रभावों को स्पष्ट रूप से अलग करता है।

प्रमुख योगदान

• क्लोज्ड-फॉर्म नीति लक्षणization: यह शोध पत्र एक स्पष्ट विश्लेषणात्मक फीडबैक नीति प्रदान करता है, जो संदर्भ विनियमन को शामिल करने के लिए शास्त्रीय एम्बेडिंग दृष्टिकोण का विस्तार करती है।
• गतिशील पोर्टफोलियो के लिए उच्च-आयामी स्पर्शोन्मुखी विश्लेषण: स्थिर पोर्टफोलियो पर केंद्रित पूर्व कार्यों के विपरीत, यह शोध पत्र बहु-अवधि नीतियों के लिए सीमित आउट-ऑफ-सैंपल शार्प रेशियो को व्युत्पन्न करता है। यह मात्रा निर्धारित करता है कि $\mu$ और $\Sigma$ दोनों में अनुमान त्रुटियां गतिशील फीडबैक तंत्र के माध्यम से कैसे प्रसारित होती हैं।
• क्रॉस-रेगुलराइजेशन प्रभावों की खोज: एक केंद्रीय सैद्धांतिक निष्कर्ष यह है कि बहु-अवधि सेटिंग्स ($T > 1$) में उच्च आयामीता ($p/n > 0$) के साथ, संदर्भ पोर्टफोलियो ($w$) और नियमितीकरण मैट्रिक्स ($Q$) की भूमिकाएं एकल-अवधि मॉडलों की तरह पूरी तरह से अलग नहीं हैं।
  • एकल-अवधि मॉडलों में, $Q$ $\Sigma$ को रेगुलराइज करता है और $w$ $\mu$ को रेगुलराइज करता है।
  • बहु-अवधि RRMV ढांचे में, लेखक प्रदर्शित करते हैं कि $Q$ प्रभावी रूप से $\mu$ में अनुमान त्रुटियों को रेगुलराइज कर सकता है, और इसके विपरीत, एक उपयुक्त संदर्भ $w$ $\Sigma$ में त्रुटियों को रेगुलराइज कर सकता है। यह "क्रॉस-रेगुलराइजेशन" फीडबैक ट्रेडिंग की अंतर-सामयिक अंतःक्रिया से उत्पन्न होता है।
• इष्टतम नियमितीकरण पैरामीटर: विश्लेषण से पता चलता है कि इष्टतम नियमितीकरण स्ट्रेंथ ($\rho$) और संदर्भ स्केलिंग ($\alpha$) निवेश क्षितिज $T$, आयामीता अनुपात $p/n$, और संपत्तियों के सिग्नल-टू-नॉइज़ रेशियो पर निर्भर करते हैं।

परिणाम

• सैद्धांतिक निष्कर्ष:

  • यह दिखाया गया है कि स्पर्शोन्मुखी शार्प रेशियो नियमितीकरण मापदंडों का एक फलन है। लेखक सिद्ध करते हैं कि $T > 1$ के लिए, सकारात्मक नियमितीकरण ($\rho > 0$) तब भी शार्प रेशियो में सुधार कर सकता है जब अधिकतम सैद्धांतिक शार्प रेशियो मध्यम ($\mu^\top \Sigma^{-1} \mu < 1$) हो।
  • स्पर्शोन्मुखी सूत्रों का संख्यात्मक विश्लेषण दिखाता है कि शार्प रेशियो एक परिमित, धनात्मक नियमितीकरण पैरामीटर $\rho^*$ पर अधिकतम होता है, जो "SR स्केलर" (जो श्रिंकेज के साथ सुधरता है) और "स्यूडो SR" (जो अत्यधिक श्रिंकेज के साथ बिगड़ सकता है) के बीच संतुलन बनाता है।
  • नियमितीकरण के कारण शार्प रेशियो में सापेक्ष सुधार लंबे निवेश क्षितिज और उच्च आयामीता अनुपात के लिए अधिक स्पष्ट होता है।

• अनुभवजन्य और सिमुलेशन साक्ष्य:

  • सिमुलेशन: उद्योग पोर्टफोलियो (10-Ind और 48-Ind) और S&P 500 घटकों से कैलिब्रेट किए गए डेटा का उपयोग करते हुए, RRMV पोर्टफोलियो उच्च-आयामी सेटिंग्स में अनरेगुलराइज्ड MMV रणनीतियों और स्थिर बेंचमार्क की तुलना में लगातार बेहतर प्रदर्शन करते हैं। वे उच्च शार्प रेशियो और काफी कम टर्नओवर प्राप्त करते हैं।
  • वास्तविक डेटा: उद्योग पोर्टफोलियो और S&P 500 घटकों (जहाँ $p=280$ और $n=120$) पर आउट-ऑफ-सैंपल परीक्षणों में, EW (Equal Weighted) या GMV-SH (Global Minimum Variance) संदर्भ के साथ RRMV नीति ने उच्चतम शार्प रेशियो प्राप्त किया। विशेष रूप से, चरम उच्च-आयामी मामले ($p/n > 1$) में जहाँ सैंपल कोवेरिएंस सिंगुलर है, RRMV ढांचा मजबूत रहा, जबकि मानक MMV रणनीतियां विफल रहीं।
  • इंडेक्स एन्हांसमेंट: यह शोध पत्र एक इंडेक्स-ट्रैकिंग पोर्टफोलियो को संदर्भ के रूप में उपयोग करके ढांचे की लचीलेपन को प्रदर्शित करता है ($RRMV-IT$), जिसने प्रदर्शन को और बढ़ाया, और सभी परीक्षण की गई रणनीतियों में उच्चतम शार्प रेशियो दिया।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह गतिशील पोर्टफोलियो चयन में अनुमान जोखिम को कम करने के लिए एक एकीकृत सैद्धांतिक और अनुभवजन्य परिप्रेक्ष्य प्रदान करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

1. गतिशीलता तक नियमितीकरण का विस्तार: यह स्थिर नियमितीकरण से आगे बढ़कर यह दिखाता है कि कैसे संदर्भ-आधारित दंड गतिशील फीडबैक नीतियों को स्थिर करते हैं।
2. नई प्रणालियों की खोज: यह "क्रॉस-रेगुलराइजेशन" घटना की पहचान करता है और इसे सैद्धांतिक रूप से सिद्ध करता है, जहाँ संदर्भ पोर्टफोलियो और नियमितीकरण मैट्रिक्स एक बहु-अवधि संदर्भ में विभिन्न प्रकार की अनुमान त्रुटियों को ठीक करने के लिए परस्पर क्रिया करते हैं।
3. व्यावहारिक मजबूती: यह उच्च-आयामी पोर्टफोलियो प्रबंधन के लिए एक व्यावहारिक समाधान प्रदान करता है, यह प्रदर्शित करते हुए कि एक स्थिर संदर्भ नीति को शामिल करने से बहु-अवधि रणनीतियों की स्थिरता और आउट-ऑफ-सैंपल प्रदर्शन को महत्वपूर्ण रूप से बढ़ाया जा सकता है, विशेष रूप से तब जब संपत्तियों की संख्या के सापेक्ष डेटा कम हो।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह ढांचा मजबूत है, भविष्य के शोध इन परिणामों को समय-परिवर्तित रिटर्न मोमेंट्स और वैकल्पिक एस्टिमेटर्स तक विस्तारित कर सकते हैं।