💰 quantitative finance

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

Questo articolo propone un nuovo modello di programmazione lineare intera mista robusta per il problema dell'index tracking in assenza di ribilanciamento, accompagnato da un algoritmo euristico ibrido che combina capacità genetiche e di ricerca locale per risolvere efficientemente il problema NP-hard e superare i solver commerciali sia sui dati in-sample che su quelli out-of-sample.

Autori originali: Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

Pubblicato 2026-07-13

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

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 cercare di costruire una versione in miniatura di un'orchestra massiccia e caotica. Il tuo obiettivo è scegliere solo alcuni strumenti (magari 10 su centinaia) che, suonati insieme, abbiano lo stesso identico suono di una sinfonia completa. Nel mondo finanziario, questo si chiama Index Tracking. Invece di acquistare ogni singola azione di un mercato (il che è costoso e disordinato), i gestori di fondi vogliono scegliere un piccolo "portafoglio di tracciamento" che imiti perfettamente le prestazioni del mercato.

Per molto tempo, i gestori hanno cercato di farlo osservando quanto le azioni fossero simili tra loro in passato, come controllare se un violino e un violoncello suonassero sempre le stesse note. Ma gli autori di questo articolo, Danial Ramezani e il suo team, dicono che questo approccio è un po' come cercare di prevedere il meteo di domani guardando solo le nuvole di ieri. È troppo instabile. Sostengono che fare affidamento sulle semplici correlazioni passate sia rumoroso e spesso fallisca quando il mercato cambia umore.

La Nuova Ricetta "Robusta"
Il team ha proposto una nuova ricetta matematica (un modello) che è "robusta". Immagina di costruire una barca che non si limiti a galleggiare in acque calme, ma che sia progettata per sopravvivere alla peggiore delle tempeste. Invece di limitarsi a indovinare quali azioni combacino con il mercato, il loro modello si chiede: "E se la relazione tra queste azioni dovesse andare male? E se si comportassero nel modo peggiore possibile?". Pianificando per lo scenario peggiore, il modello sceglie un gruppo di attività che rimane stabile anche quando le cose si fanno complicate.

Hanno anche introdotto un particolare "margine di sicurezza" nella loro matematica. Immagina di preparare una valigia per un viaggio in cui non sei sicuro se pioverà o ci sarà il sole. Un imballatore normale potrebbe limitarsi a tirare a indovinare. Questo nuovo modello prepara la valigia sia per la pioggia che per il sole, assicurandosi di avere ciò che serve indipendentemente da ciò che accadrà. Questo approccio permette al portafoglio di seguire il mercato per un lungo periodo senza dover apportare continui aggiustamenti (ribilanciamenti), il che fa risparmiare denaro sulle commissioni di transazione.

La Squadra di Super-Ricerca (GALB)
Ecco la parte difficile: trovare i perfetti 10 strumenti su centinaia è un puzzle così enorme che persino i supercomputer più veloci del mondo (chiamati "solutori esatti" come CPLEX) possono bloccarsi o impiegare una eternità per risolverlo. Il problema è "NP-hard", un modo elegante per dire che è un labirinto con troppi vicoli ciechi.

Per risolvere questo problema, gli autori hanno creato una nuova squadra di ricerca chiamata GALB. Puoi pensare a GALB come a un detective ibrido.

L'Algoritmo Genetico (GA): Questa parte è come uno sciame di esploratori che corrono in tutte le direzioni, provando diverse combinazioni di azioni. È ottimo per trovare nuovi percorsi interessanti rapidamente.
Branching Locale: Questo è l'esperto del "zoom". Quando gli esploratori trovano un punto promettente, questo esperto si ferma e osserva molto da vicino l'intorno immediato per vedere se può perfezionare leggermente la soluzione.

Mescolando la "ricerca ampia" degli esploratori con l' "ispezione ravvicinata" dell'esperto, GALB trova soluzioni di alta qualità molto più velocemente dei lenti computer a forza bruta.

Cosa dicono i Numeri
Il team ha testato il loro nuovo modello e la loro squadra di ricerca GALB contro i vecchi metodi e il super-veloce computer CPLEX utilizzando dati da mercati famosi come il Dow Jones, l'Hang Seng, il DAX, il FTSE 100, l'S&P 100 e il Nikkei 225.

Velocità: In questi test, il computer CPLEX ha impiegato fino a 1.800 secondi (30 minuti) per cercare di risolvere il problema per alcuni mercati, e a volte si è arreso senza trovare la risposta migliore. Al contrario, la squadra GALB ha trovato ottime soluzioni in soli 120 secondi per i mercati più piccoli e 300 secondi per quelli più grandi.
Accuratezza: I portafogli creati da GALB non si sono limitati a trovare risposte velocemente; hanno trovato risposte migliori. Quando il team ha analizzato quanto bene si siano comportati i portafogli in futuro (dati "out-of-sample"), il nuovo modello ha costantemente mostrato errori inferiori. Ad esempio, nel test sul Dow Jones, il nuovo modello ha avuto un errore di tracciamento (MAD) di 0,00402 rispetto allo 0,00458 del vecchio Modello 3.
Stabilità: I portafogli che hanno costruito erano composti da soli 10 asset (un numero molto piccolo rispetto alle centinaia disponibili). Nonostante queste ridotte dimensioni, hanno seguito i grandi mercati per lunghi periodi senza dover essere costantemente riorganizzati.

Cosa NON sono
Gli autori sono attenti a sottolineare cosa il loro metodo non sia. Essi argomentano esplicitamente contro l'idea che si possa semplicemente guardare le correlazioni passate delle azioni per prevedere il futuro. Dimostrano che i modelli che ignorano gli scenari "peggiori" (come il vecchio Modello 1) producono spesso portafogli che sembrano buoni durante il test, ma che falliscono quando le condizioni reali cambiano. Notano inoltre che, sebbene la loro euristica (GALB) sia straordinaria, è un'approssimazione; trova soluzioni che sono "uguali o addirittura superiori" ai solutori esatti in meno tempo, ma non garantisce una prova matematica di perfezione per ogni singolo scenario possibile nell'universo, sebbene sia confluita verso soluzioni ottimali per le dimensioni dei problemi testati.

Il Punto Fondamentale
In queste simulazioni e test, gli autori suggeriscono che il loro nuovo modello "robusto", abbinato alla squadra di ricerca GALB, è un modo potente per costruire un piccolo portafoglio a basso costo che imiti un enorme mercato. Sembra gestire il caos del mercato azionario meglio dei metodi precedenti, mantenendo basso l'errore di tracciamento e riducendo al minimo la necessità di costosi ribilanciamenti. Sebbene il documento mostri che questi risultati si mantengono in diversi importanti indici globali, gli autori presentano questo come un approccio testato e forte, piuttosto che come una bacchetta magica capace di risolvere ogni mistero finanziario esistente.

Sintesi Tecnica: Un Nuovo Modello di Programmazione Lineare Intera Mista Robusto per l'Index Tracking Senza Ribilanciamento

Definizione del Problema
Il documento affronta il problema dell'Index Tracking (IT), una sfida centrale nella gestione di fondi passivi in cui l'obiettivo è costruire un portafoglio utilizzando un sottoinsieme di attività che replichi la performance di un determinato benchmark di mercato. Gli autori identificano critiche limitazioni nelle formulazioni matematiche esistenti:

Sensibilità alla Correlazione: I modelli tradizionali spesso si basano sulle correlazioni storiche tra le attività, che possono essere rumorose, instabili attraverso diversi regimi di mercato e soggette a overfitting sui dati in-sample, portando a scarse prestazioni out-of-sample.
Costi di Ribilanciamento: Molte strategie richiedono ribilanciamenti frequenti per mantenere l'accuratezza del tracking, incorrendo in significativi costi di transazione e rischi di liquidità.
Complessità Computazionale: Il problema IT è NP-hard a causa della sua natura combinatoria (selezione di un sottoinsieme di attività e determinazione dei relativi pesi), il che lo rende difficile da risolvere in modo ottimale per grandi dataset entro tempi ragionevoli utilizzando solver esatti.

L'obiettivo specifico di questo studio è sviluppare un modello che sia robusto contro l'incertezza dei parametri (specificamente le deviazioni di correlazione), capace di seguire gli indici per lunghi periodi senza la necessità di ribilanciamento, e risolvibile efficientemente tramite una nuova euristica.

Metodologia

1. Formulazione Matematica (Modello 4)
Gli autori propongono una nuova formulazione di Programmazione Lineare Intera Mista (MILP) che integra due obiettivi distinti in un unico modello robusto:

Robustezza tramite l'Incertezza della Correlazione: Attingendo all'approccio di ottimizzazione robusta di Bertsimas e Sim (2003), il modello incorpora uno scenario "worst-case" per le correlazioni tra le attività. Esso minimizza la deviazione negativa delle correlazioni (coefficienti $\Gamma$ che assumono i valori peggiori) per garantire che il portafoglio rimanga efficace anche se le correlazioni cambiano in modo sfavorevole.
Minimizzazione dell'Errore di Tracking: Il modello minimizza simultaneamente la Deviazione Assoluta Media (MAD) tra il rendimento del portafoglio e il rendimento dell'indice benchmark.
Vincoli: La formulazione include vincoli standard del mondo reale come la cardinalità (limitare il numero di attività, $K$ ), le soglie di acquisto (pesi minimi e massimi) e l'assenza di vendite allo scoperto.
Funzione Obiettivo: La funzione obiettivo (Eq. 19) combina il termine dell'errore di tracking e il termine della correlazione robusta, scalati dai coefficienti $\xi$ e $\psi$ per normalizzare i valori tra 0 e 1.

2. Approccio di Soluzione: Euristica GALB
Riconoscendo che i solver esatti faticano con dimensioni del problema più grandi, gli autori hanno sviluppato GALB (Genetic Algorithm with Local Branching), una meta-euristica ibrida:

Algoritmo Genetico (GA): Funge da motore di ricerca globale, utilizzando operatori di crossover e mutazione per far evolvere una popolazione di soluzioni candidate (portafogli).
Local Branching: Integrato come meccanismo di ricerca locale. Quando si verificano specifiche condizioni (ad esempio, un numero prestabilito di iterazioni GA senza miglioramenti), l'algoritmo applica il local branching alla migliore soluzione trovata. Ciò comporta la definizione di un vicinato di distanza di Hamming attorno alla migliore soluzione corrente e la risoluzione di un sottoproblema MILP ristretto per esplorare più profondamente le soluzioni vicine.
Funzione di Fitness: Una funzione di fitness specializzata (Algoritmo 2) è progettata per valutare le soluzioni senza l'overhead computazionale di eseguire un solver esatto ad ogni passaggio. Essa decodifica i pesi delle attività e calcola direttamente il valore dell'obiettivo robusto, gestendo efficientemente gli scenari di correlazione worst-case.

Configurazione Sperimentale
Lo studio ha utilizzato dati provenienti da otto mercati principali: Dow Jones, Hang Seng, CAC 40, EURO STOXX 50, DAX, FTSE 100, S&P 100 e Nikkei 225. Le fonti dei dati includono l'OR-library e Yahoo Finance (luglio 2018 – gennaio 2024).

Confronti: Il proposto Modello 4 e l'algoritmo GALB sono stati confrontati con:
- Formulazioni esistenti (Modello 1 basato sulla massimizzazione della correlazione, Modello 3 basato sulla minimizzazione della MAD).
- Il solver commerciale esatto CPLEX.
Metriche: Le performance sono state valutate utilizzando Correlazione ( $\rho$ ), Deviazione Assoluta Media (MAD), Errore Quadratico Medio Radice (RMSE), Deviazione Standard dell'errore di tracking (STD) e Beta. Sono stati analizzati sia i risultati in-sample che quelli out-of-sample.
Parametri: Gli esperimenti hanno testato vari livelli di incertezza ( $\Gamma = 0, 50\%, 75\%, 90\%$ ) e hanno fissato la dimensione del portafoglio a 10 attività ( $K=10$ ).

Risultati Chiave

Superiorità della Formulazione Robusta:
- Quando risolto da CPLEX, il proposto Modello 4 ha costantemente superato il Modello 1 e il Modello 3 nelle metriche out-of-sample in tutti i mercati testati (Dow Jones, CAC 40, EURO STOXX 50).
- Nello specifico, il Modello 4 ha ottenuto una correlazione più alta con l'indice e una minore errore di tracking (MAD, RMSE, STD) nei periodi out-of-sample, dimostrando la sua robustezza rispetto ai cambiamenti dei regimi di mercato.
- In termini di efficienza computazionale, CPLEX ha risolto il modello proposto più velocemente del Modello 3 per diversi mercati (ad esempio, 72s vs 118s per il Dow Jones).
Performance dell'Euristica GALB:
- Efficienza: GALB ha trovato soluzioni di qualità uguale o superiore a CPLEX in tempi significativamente inferiori (ad esempio, 120s vs 1800s per il Dow Jones; 300s vs 1800s per altri).
- Ottimalità: Per dimensioni del problema più piccole, GALB è convergente verso l'ottimo globale (risultati identici a CPLEX) in molte esecuzioni, particolarmente quando $\Gamma=0$ .
- Dominanza Out-of-Sample: Nella maggior parte dei mercati (Hang Seng, DAX, Nikkei 225, S&P 100), i portafogli generati da GALB (specialmente con $\Gamma=75\%$ o $90\%$ ) hanno prodotto performance di tracking out-of-sample migliori rispetto a quelli di CPLEX, anche quando CPLEX disponeva di più tempo per la ricerca.
- Nessun Ribilanciamento: I portafogli risultanti, composti da sole 10 attività, hanno seguito gli indici per lunghi periodi con una deviazione minima, validando l'affermazione di "nessun ribilanciamento".

Significatività e Rivendicazioni
Il documento rivendica un duplice contributo:

Una Formulazione Robusta: Introduce un modello MILP che è più robusto dei modelli di IT tradizionali, capace di gestire l'incertezza della correlazione e di fornire una performance out-of-sample superiore senza richiedere ribilanciamenti frequenti.
Un'Euristica Potente: Presenta GALB, un algoritmo ibrido che bilancia efficacemente l'esplorazione globale (GA) e lo sfruttamento locale (Local Branching). Gli autori affermano che GALB non solo risolve problemi di IT NP-hard più velocemente dei solver commerciali, ma genera anche portafogli che superano le soluzioni dei solver esatti in termini di accuratezza di tracking nel mondo reale.

Lo studio conclude che l'approccio proposto consente la costruzione di portafogli snelli (anche solo 10 attività) che mantengono un'alta correlazione con indici ampi e volatili (come il Nikkei 225) per periodi prolungati, riducendo efficacementmente i costi di gestione associati al turnover e al ribilanciamento.

Articoli simili