📈 economics

P vs NP Problem in Portfolio Optimization: Integrating the Markowitz-CAPM Framework with Cardinality Constraints and Black-Scholes Derivative Pricing

Questo studio rende operativo il problema P vs NP nella finanza quantitativa analizzando la selezione di portafogli con vincoli di cardinalità all'interno del framework Markowitz-CAPM, integrando la valutazione di opzioni Black-Scholes e confrontando l'efficacia di diverse approssimazioni scalabili per gestire la complessità computazionale NP-difficile.

Autori originali: Davit Gondauri

Pubblicato 2026-03-18

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Davit Gondauri

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un cuoco stellato che deve preparare un piatto perfetto (il portafoglio di investimenti) per un cliente esigente. Il tuo obiettivo è ottenere il massimo sapore (profitto) con il minimo rischio di bruciarsi la lingua (perdita di denaro).

Ecco come l'autore, Davit Gondauri, affronta questo problema, diviso in tre parti chiave:

1. Il Problema: Troppa scelta, poco tempo (Il dilemma P vs NP)

Immagina di avere un frigorifero con 94 ingredienti diversi (azioni di 94 settori industriali diversi, come tecnologia, banche, agricoltura). Il tuo compito è sceglierne solo 10 per creare il piatto migliore.

La versione facile: Se potessi usare infiniti ingredienti in piccole quantità, la ricetta sarebbe semplice da calcolare.
La versione reale (il problema): Devi sceglierne solo 10. Il numero di combinazioni possibili è astronomico (più di 10 trilioni!). È come cercare un ago in un pagliaio, ma il pagliaio è fatto di stelle.
Il concetto "P vs NP": In termini matematici, verificare se una ricetta è buona è facile (basta assaggiarla). Ma trovare la ricetta perfetta tra tutte quelle possibili è così difficile che, anche con i computer più veloci del mondo, ci vorrebbe più tempo dell'età dell'universo per provarle tutte. Questo è il cuore del problema: come trovare una soluzione "abbastanza buona" in tempi umani?

2. La Soluzione: Gli "Assaggiatori" Intelligenti (Algoritmi)

Poiché non possiamo provare tutte le combinazioni, l'autore usa dei "metodi intelligenti" (algoritmi) per cercare la ricetta migliore senza impazzire. Immagina tre approcci:

Il Metodo "Scegli i Top" (Greedy): Prendi i 10 ingredienti che sembrano migliori in assoluto e basta. È veloce, ma potrebbe non essere il miglior abbinamento possibile.
Il Metodo "Lancio di Moneta" (Monte Carlo): Mescoli gli ingredienti a caso migliaia di volte, assaggi ogni combinazione e tieni quella che ti piace di più. È un po' caotico, ma se lo fai abbastanza volte, trovi quasi sempre un ottimo piatto.
Il Metodo "Evoluzione" (Algoritmo Genetico): Come in natura, crei una "famiglia" di ricette. Le migliori si "accoppiano" per creare nuove ricette, quelle brutte vengono eliminate. Dopo molte generazioni, la famiglia evolve verso il piatto perfetto.

Il risultato: L'autore dimostra che questi metodi "approssimati" funzionano benissimo. Non trovano la perfezione matematica assoluta (che forse non esiste in tempi umani), ma trovano soluzioni così buone che nessun investitore reale potrebbe distinguerle da un'ipotesi perfetta.

3. L'Ingrediente Speciale: Le Opzioni (Derivati)

Il paper aggiunge un livello di complessità: cosa succede se nel frigorifero metti anche un ingrediente "magico"? Un'opzione finanziaria (come un'assicurazione o una scommessa sul prezzo futuro) che non è un ingrediente normale, ma cambia sapore se la temperatura cambia.

La sfida: Come si misura il sapore di un ingrediente che non è solido, ma liquido e volatile?
La soluzione: L'autore usa una formula famosa (Black-Scholes) per trasformare questo ingrediente magico in qualcosa di misurabile, come se fosse un normale ingrediente, ma con una "leva" (un effetto moltiplicatore).
La scoperta: Aggiungere questo ingrediente magico può sembrare un'idea geniale per aumentare il profitto, ma spesso aumenta anche il rischio in modo esplosivo. È come aggiungere un po' di peperoncino: se ne metti troppo, il piatto diventa ingestibile. L'autore mostra come gestire questo rischio senza farsi male.

Perché è importante? (La lezione per tutti)

Questo studio ci insegna tre cose fondamentali, spiegate in modo semplice:

La perfezione è nemica del bene: Non serve cercare la ricetta matematicamente perfetta (che è impossibile da trovare). Serve trovare una ricetta robusta, che funzioni bene anche se le condizioni cambiano leggermente.
La trasparenza è tutto: L'autore non nasconde i suoi calcoli. Fornisce tutti gli ingredienti, le ricette e i tempi di cottura. Chiunque può ricreare il piatto e verificare che non sia avvelenato. È come pubblicare la ricetta completa con le foto del processo.
Il rischio è nascosto nelle correlazioni: Se scegli 10 ingredienti che sono tutti "amici" tra loro (tutti reagiscono allo stesso modo al freddo), non stai diversificando. Se uno va male, vanno male tutti. L'autore mostra come i settori economici siano spesso collegati tra loro, rendendo difficile trovare un vero equilibrio.

In sintesi:
Questo articolo è un manuale pratico su come gestire il caos. Ci dice che nel mondo degli investimenti, dove le scelte sono infinite e il tempo è limitato, non dobbiamo cercare la "verità assoluta" (che è un'illusione matematica), ma dobbiamo usare strumenti intelligenti, trasparenti e ripetibili per costruire portafogli che siano solidi, sicuri e, soprattutto, comprensibili. È la dimostrazione che anche i problemi più complessi della matematica (come il P vs NP) hanno una risposta pratica e gestibile nella vita reale.

Titolo: Il problema P vs NP nell'Ottimizzazione di Portafoglio: Integrazione del Framework Markowitz-CAPM con Vincoli di Cardinalità e Prezzi di Derivati Black-Scholes

1. Il Problema di Ricerca

Il paper affronta l'intersezione critica tra la teoria economica dei portafogli e la complessità computazionale. Il problema centrale è l'ottimizzazione di portafoglio con vincoli di cardinalità (ovvero, limitare il numero di asset nel portafoglio a un numero $K$ fisso, $|supp(w)| \le K$ ).

Contesto: Mentre l'ottimizzazione media-varianza classica di Markowitz è un problema convesso risolvibile in tempo polinomiale, l'introduzione di un vincolo di cardinalità rigido trasforma il problema in un Programma Quadratico Misto-Intero (MIQP).
Complessità: Questo accoppiamento tra selezione discreta (quale sottoinsieme di asset includere) e ottimizzazione continua (quali pesi assegnare) rende lo spazio di ricerca combinatorio ( $\approx C(n, K)$ ). Il problema è classificato come NP-hard: verificare una soluzione è efficiente, ma trovare la soluzione globale ottimale richiede, nel caso peggiore, una esplorazione esponenziale.
Obiettivo: Il paper non cerca solo una soluzione numerica, ma tratta la selezione del portafoglio come un'istanza concreta del divario P vs NP, dimostrando come gestire questa intrattabilità computazionale in un contesto finanziario realistico e auditabile.

2. Metodologia

L'approccio è rigorosamente empirico e riproducibile, basato su un framework integrato:

Dati e Calibrazione:
- L'universo degli asset è composto da circa 94 portafogli industriali statunitensi (dati di Aswath Damodaran).
- I rendimenti attesi ( $\mu$ ) sono calibrati tramite il modello CAPM: $\mu_i = R_f + \beta_i \cdot ERP$ .
- La matrice di covarianza ( $\Sigma$ ) è costruita utilizzando un modello a indice singolo (Single-Index): la correlazione tra asset è derivata dai loro beta e dalla volatilità di mercato, rendendo la matrice ricostruibile e auditabile senza bisogno di serie storiche complete.
Modelli di Ottimizzazione:
- Il problema è formulato come MIQP con vincoli di non negatività, budget e cardinalità.
- Poiché la soluzione esatta è intrattabile per $n \approx 94$ $n \approx 94$ , il paper valuta tre schemi di approssimazione:
  1. Algoritmo Greedy: Selezione basata su punteggi (es. Sharpe proxy).
  2. Campionamento Monte Carlo: Campionamento casuale di sottoinsiemi di dimensione $K$ con pesi distribuiti (es. Dirichlet).
  3. Algoritmi Genetici (GA): Evoluzione di popolazioni di vettori binari di selezione, seguiti da una ri-ottimizzazione continua dei pesi sul sottoinsieme selezionato.
Integrazione dei Derivati:
- Il framework estende l'universo includendo un'opzione europea (Call) prezzata con Black-Scholes.
- L'opzione è mappata nello spazio media-varianza tramite linearizzazione Delta: i momenti (rendimento atteso, volatilità, beta) dell'opzione sono derivati dal sottostante moltiplicati per un fattore di leva ( $L = \Delta \cdot S_0 / C$ ).
- Vengono eseguiti test di robustezza ("bump test") per validare l'accuratezza della linearizzazione Delta rispetto al riprezzamento completo.
Protocollo di Riproducibilità:
- Tutti i risultati stocastici sono riportati con statistiche distribuzionali (mediana, IQR, quantili) su 10 semi casuali diversi, evitando di basarsi su un singolo "miglior risultato".
- Vengono forniti profili di runtime e curve di convergenza.

3. Risultati Chiave

Frontiere Efficienti e Vincoli: L'imposizione del vincolo di cardinalità ( $K=10$ ) modifica materialmente la frontiera efficiente rispetto al caso non vincolato, introducendo discontinuità. I portafogli ottimali tendono a selezionare settori ad alto beta per massimizzare il premio per il rischio, ma la forte correlazione comune (dovuta al modello a indice singolo) limita i benefici della diversificazione.
Performance degli Algoritmi:
- Non esiste un singolo "miglior portafoglio" stabile; le performance variano leggermente tra le repliche.
- Gli algoritmi genetici con ri-ottimizzazione continua dei pesi raggiungono risultati comparabili all'ottimo esatto (verificato su un universo ridotto $n=20, K=6$ tramite enumerazione completa), confermando l'efficacia delle euristiche.
- La media dei rapporti di Sharpe ottenuti è circa 0.088, un valore stabile ma influenzato dalle assunzioni del modello CAPM e dalla struttura di correlazione.
Diagnostica della Dipendenza: L'analisi della matrice di correlazione rivela una forte dipendenza comune (correlazione mediana $\approx 0.77$ , primo autovalore che spiega il 76% della varianza). Questo spiega perché i solver tendono a selezionare settori correlati: la diversificazione reale è compressa dalla struttura a fattore unico.
Integrazione dei Derivati: L'aggiunta di un'opzione Call aumenta drasticamente sia il rendimento atteso che il rischio (volatilità) a causa dell'effetto leva. Tuttavia, il rapporto di Sharpe non migliora necessariamente, evidenziando come l'aggiunta di derivati possa essere un "artefatto di leva" piuttosto che un miglioramento genuino dell'efficienza se non gestita con vincoli di rischio appropriati.

4. Contributi Principali

Ancoraggio alla Complessità: Formalizza esplicitamente la selezione di portafoglio con vincoli di cardinalità come un problema NP-hard, giustificando l'uso di euristiche e la necessità di reporting distribuzionale invece di garanzie di ottimalità globale.
Backbone Empirico Riproducibile: Fornisce un dataset e una metodologia di costruzione della covarianza completamente trasparenti e ricostruibili, permettendo la verifica indipendente dei risultati.
Standard di Reporting per Euristiche: Sposta il focus dal "miglior risultato singolo" alla stabilità statistica (mediana, IQR) e ai profili di convergenza, stabilendo un nuovo standard per la ricerca finanziaria computazionale.
Integrazione Auditabile dei Derivati: Dimostra come integrare strumenti non lineari (opzioni) in un framework lineare (Markowitz) mantenendo la tracciabilità dei momenti e validando l'approssimazione tramite test di sensibilità.
Diagnostica della Geometria: Collega il comportamento degli algoritmi alla struttura geometrica sottostante della matrice di covarianza, spiegando le scelte del portafoglio attraverso la lente della dipendenza fattoriale.

5. Significato e Implicazioni

Il paper dimostra che l'ottimizzazione di portafoglio con vincoli reali non è solo un problema di ingegneria finanziaria, ma un laboratorio metodologico per esplorare i limiti computazionali (P vs NP).

Teorico: Conferma che, in assenza di $P=NP$, la soluzione esatta per grandi universi è intrattabile, rendendo le euristiche non solo pratiche ma necessarie.
Pratico: Fornisce un template per istituzioni finanziarie per costruire portafogli sparsi (sparse) in modo auditabile, gestendo la complessità attraverso la trasparenza dei dati e la robustezza statistica delle soluzioni.
Futuro: Identifica la necessità di passare a modelli di covarianza multifattoriale, di includere metriche di rischio di coda (CVaR) e di testare le soluzioni su dati di rendimenti reali (out-of-sample) per validare la teoria contro la pratica di mercato.

In sintesi, il lavoro unisce teoria finanziaria, complessità computazionale e sperimentazione computazionale, offrendo una base solida e verificabile per lo studio della selezione di portafoglio in condizioni di vincoli reali e incertezza computazionale.