💰 quantitative finance

Large-Scale Portfolio Optimization Problem Under Cardinality Constraint With Enhanced Multi-Objective Evolutionary Algorithms

Questo articolo propone algoritmi evolutivi multi-obiettivo potenziati che presentano nuove rappresentazioni delle soluzioni, operatori e meccanismi di riparazione per risolvere efficientemente problemi di ottimizzazione di portafogli su larga scala sotto vincoli di cardinalità, dimostrando una convergenza più rapida e prestazioni superiori rispetto ai metodi tradizionali all'aumentare della complessità del mercato.

Autori originali: Danial Ramezani, Mostafa Abouei Ardakan

Pubblicato 2026-07-13

📖 7 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Danial Ramezani, Mostafa Abouei Ardakan

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 cacciatore di tesori che cerca di costruire lo zaino definitivo per un lungo viaggio. Vuoi due cose: le monete d'oro più preziose (alto rendimento) e un carico il più leggero e sicuro possibile (basso rischio). Ma c'è un ostacolo. Il tuo zaino ha una regola ferrea: puoi trasportare solo un numero specifico di articoli diversi, diciamo tra 3 e 10, indipendentemente da quanti tesori siano sparsi sulla mappa. Questo è il problema della "Ottimizzazione del Portafoglio con Vincolo di Cardinalità".

Per decenni, gli investitori hanno cercato di risolvere questo problema usando metodi matematici "esatti", come cercare di contare ogni singolo granello di sabbia su una spiaggia per trovare la manciata perfetta. Il documento spiega che questo approccio è come cercare di bere da una cascata: è troppo lento e si blocca quando il numero di asset (i granelli di sabbia) diventa enorme. Infatti, gli autori sottolineano che l'aggiunta di queste regole del mondo reale trasforma il problema in un incubo per i computer, noto come "NP-hard", dove gli strumenti matematici tradizionali rinunciano o impiegano troppo tempo.

La Grande Idea: Un Nuovo Design dello Zaino
Invece di cercare di contare ogni granello di sabbia, gli autori hanno costruito un nuovo tipo di zaino e un nuovo insieme di regole per come confezionarlo. Hanno preso uno strumento molto popolare chiamato NSGA-II (pensa a un robot intelligente ed evolutivo che prova diverse combinazioni di zaini) e gli hanno dato un importante aggiornamento.

Ecco come funziona il loro nuovo sistema, utilizzando le proprie analogie e meccaniche:

1. Lo Zaino a "Dimensione Fissa" (Nuova Codifica)
I vecchi metodi cercavano di trasportare un elenco di tutti i possibili tesori e segnavano semplicemente quali prendere. Se avevi 225 tesori, il tuo elenco era sempre lungo 225 elementi, anche se ne trasportavi solo 10. Questo faceva sprecare tempo al robot nel controllare gli slot vuoti.
Gli autori hanno cambiato lo zaino stesso. Ora, lo zaino ha esattamente Kmax slot (il numero massimo di articoli che ti è permesso trasportare). Se ti è permesso trasportare fino a 5 articoli, il tuo zaino ha esattamente 5 slot.

Il Trucco: Se metti lo stesso tesoro in due slot diversi, conta come un unico articolo, ma il peso (il denaro) si somma. Questo rende molto più facile per il robot capire se sta violando le regole. Se lo zaino ha meno di Kmin articoli unici (ad esempio, solo 2 articoli unici quando ne servono almeno 3), il robot sa che deve sostituire un tesoro con uno nuovo.

2. La Caccia in "Due Fasi" (Strategie di Accoppiamento)
Il robot non tira a indovinare casualmente. Caccia in due fasi distinte, come un detective che risolve un caso:

Fase 1 (La Rete Larga): All'inizio, il robot è selvaggio. Utilizza una strategia basata sul "Knee" (il ginocchio della curva) per trovare le migliori combinazioni di tesori. Cerca il "knee" della curva — il punto di equilibrio ottimale dove ottieni l'oro massimo con il minimo peso aggiuntivo. Accoppia le soluzioni che sono vicine a questo punto ideale per trovare rapidamente il mix giusto di asset.
Fase 2 (Il Perfezionamento): Una volta ottenuta una buona lista di tesori, smette di cercare nuovi tesori e inizia ad aggiustare la quantità di ciascun tesoro. Utilizza una strategia basata sulla "Similarità", accoppiando zaini che hanno già gli stessi tesori ma pesi differenti, per perfezionare l'esatto equilibrio.

3. Lo Strumento "Esploratore"
A volte il robot ripara uno zaino rotto (uno che ha troppi pochi o troppi articoli) semplicemente inserendo un elemento casuale. Ma gli autori hanno capito che questo è un metodo goffo. Hanno inventato un nuovo strumento chiamato "Esploratore".
Immagina di avere uno zaino a cui manca un articolo. Invece di afferrare semplicemente la prima pietra che vede, l'Esploratore osserva diversi modi per colmare quel vuoto. Prova cinque diversi metodi "euristici" (come distribuire il denaro equamente, o dare più denaro agli articoli più sicuri) per vedere quale rende lo zaino migliore. Poi sceglie la versione migliore e si sposta anche un po' nello spazio "ignoto" tra il vecchio e il nuovo zaino per vedere se può trovare qualcosa di ancora meglio. Questo assicura che la riparazione non sia solo "accettabile", ma sia effettivamente un miglioramento.

4. La "Squadra di Riparazione" (Gestione dei Vincoli)
Quando il robot rompe accidentalmente le regole (come scegliere troppi articoli o mettere troppa parte di denaro in un singolo articolo), non si limita a buttare via lo zaino. Ha una squadra di riparazione specializzata:

La Squadra di Associazione: Osserva cosa contengono gli altri zaini di successo nel gruppo corrente e ne copia i modelli.
La Squadra del Punteggio: Raggruppa i tesori in base a come performano insieme e sceglie il gruppo migliore.
La Squadra della Soglia: Guarda specificamente i tesori che non si muovono in sincronia con gli altri (bassa correlazione) per aggiungere diversità.

Cosa Hanno Scoperto (I Risultati)
Gli autori hanno testato questo nuovo sistema contro il vecchio robot standard su quattro mercati reali: il DAX 100 (Germania), l'S&P 100 (USA), il Nikkei 225 (Giappone) e il Borsa di Teheran (TSE).

La Dimensione del Test: Hanno utilizzato dataset con rispettivamente 85, 98, 225 e 418 asset.
Le Regole: Hanno impostato lo zaino per contenere tra Kmin e Kmax articoli (ad esempio, tra 2 e 10, o esattamente 10).
L'Esito: Nelle simulazioni eseguite per 100 iterazioni con una popolazione di 100 soluzioni, il loro robot potenziato ha trovato costantemente zaini migliori.
- Ha trovato soluzioni che erano più vicine al limite teorico "perfetto" (misurato da una metrica chiamata IGD).
- Ha coperto un intervallo più ampio di buone opzioni (misurato dall'Hypervolume).
- Ci ha messo meno tempo ed è stato più affidabile, specialmente quando il numero di asset cresceva.

Cosa Escludono Esplicitamente
Il documento è molto chiaro su ciò che non funziona bene per questo specifico problema:

Metodi Esatti: Gli autori sostengono che i metodi matematici tradizionali ed esatti sono inefficienti per questo problema perché è NP-hard. Suggeriscono che questi metodi siano troppo lenti per i grandi mercati.
Funzioni di Penalità: Sebbene alcuni ricercatori utilizzino le "funzioni di penalità" (dare un punteggio basso agli zaini errati), questo studio afferma esplicitamente che la stragreria dei casi di successo utilizza i meccanismi di riparazione (riparare lo zaino) invece di penalizzare semplicemente le soluzioni. Hanno scelto di riparare le soluzioni piuttosto che limitarsi a penalizzarle.
Indovinare a Caso: Dimostrano che accoppiare semplicemente soluzioni casuali nelle prime fasi è una perdita di tempo. La loro selezione basata sul "Knee" è necessaria per guidare la ricerca.

Quanto Sono Sicuri?
Gli autori sono fiduciosi nei loro risultati, ma sono cauti nel linguaggio. Affermano che il loro approccio "indica" e "dimostra" la superiorità basandosi su 100 sessioni di simulazione. Hanno utilizzato test statistici (il Test del Segno e il Test di Wilcoxon Signed-Rank) per provare che i loro risultati non siano frutto del caso.

Ad esempio, nel mercato TSE, il loro metodo ha vinto 10 volte su 10 contro il metodo standard per la metrica Hypervolume.
Tuttavia, notano che per il mercato DAX 100, il miglioramento in una metrica specifica (MGD) non era statisticamente significativo al livello più rigoroso, sebbene fosse comunque migliore in media.

Il Punto Fondamentale
Il documento suggerisce che cambiando il modo in cui rappresentiamo il problema (lo zaino a dimensione fissa), il modo in cui cerchiamo le soluzioni (la caccia in due fasi) e il modo in cui correggiamo gli errori (lo strumento Esploratore), possiamo trovare portafogli di investimento migliori molto più velocemente. Questo è vero soprattutto quando il mercato si riempie di centinaia di asset. Gli autori concludono che, sebbene il loro metodo sia un forte miglioramento, non è una bacchetta magica; deve ancora essere adattato se gli investitori desiderano aggiungere regole ancora più complesse, come i costi di transazione, in futuro. Ma per ora, è semplicemente un modo molto più intelligente di preparare lo zaino.

Sintesi Tecnica: Ottimizzazione di Portafogli su Larga Scala sotto Vincolo di Cardinalità con Algoritmi Evolutivi Multi-Obiettivo Potenziati

Definizione del Problema
Il documento affronta il Problema di Ottimizzazione di Portafoglio con Vincolo di Cardinalità (CCPOP), una variante del classico modello Media-Varianza (MV) introdotto da Markowitz. Mentre il modello MV cerca di massimizzare il rendimento e minimizzare il rischio, spesso non riesce a tenere conto dei vincoli del mondo reale, rendendo il problema NP-difficile. Nello specifico, questo studio si concentra sul Vincolo di Cardinalità (CC), che limita il numero di asset ( $K$ ) in un portafoglio a un intervallo $[K_{min}, K_{max}]$ , e sul Vincolo di Confine (BC), che restringe il peso dei singoli asset a $[\epsilon_i, \delta_i]$ . L'inclusione di questi vincoli, insieme agli obiettivi contrastanti di rischio e rendimento, rende i metodi esatti inefficienti per mercati su larga scala, rendendo necessari l'uso di algoritmi di approssimazione.

Metodologia
Gli autori propongono una versione personalizzata dell'Algoritmo Genetico Non Dominato II (NSGA-II) progettata per gestire le specifiche complessità del CCPOP. La metodologia introduce quattro innovazioni primarie:

Nuova Codifica delle Soluzioni:
Invece del classico vettore a valori reali di dimensione $N$ (totale degli asset), gli autori propongono un cromosoma di dimensione fissa $K_{max}$ composto da due righe:
- Riga 1: Identificativi degli asset selezionati per il portafoglio.
- Riga 2: Pesi corrispondenti.
  Questa rappresentazione limita intrinsecamente il numero di asset a $K_{max}$ , eliminando la necessità di meccanismi di riparazione per rimuovere gli asset in eccesso quando il limite superiore viene violato. Gli asset duplicati nella prima riga sono ammessi; i loro pesi nella seconda riga vengono sommati per determinare l'allocazione totale per quell'asset.
Strategie di Accoppiamento Dinamiche:
Il processo di selezione è diviso in due fasi per bilanciare esplorazione e sfruttamento:
- Iterazioni Iniziali (Esplorazione): Viene utilizzato un Knee-based Tournament Selection. Seleziona gli individui in base alla distanza euclidea dal "Punto Utopia" (rendimento massimo ideale/rischio minimo), dando priorità alle soluzioni vicine al "ginocchio" (knee) della Frontiera di Pareto (PF) per trovare rapidamente combinazioni di asset di alta qualità.
- Iterazioni Avanzate (Sfruttamento): Viene attivato un Similarity-based Matrix Tournament Selection. Identifica i portafogli con combinazioni di asset identiche o simili e li accoppia per perfezionare le allocazioni di capitale (pesi) piuttosto che cercare nuove miscele di asset.
Mutazione Specializzata e l'Operatore "Explorer":
- Mutazioni: Tre tipi di mutazioni vengono combinati dinamicamente. Le iterazioni iniziali utilizzano mutazioni che scambiano gli asset (ricerca globale), mentre le iterazioni successive si concentrano sulla regolazione dei pesi (ricerca locale).
- Operatore Explorer: Un nuovo operatore di riparazione e ottimizzazione progettato per gli individui che violano i vincoli. Esso genera soluzioni candidate utilizzando cinque metodi euristici di distribuzione del capitale (ad esempio, distribuzione equa, basata sulla volatilità, rapporto rendimento-rischio). Successivamente, esplora lo spazio tra la soluzione target e il miglior candidato utilizzando una specifica formula di interpolazione (Equazione 10) per trovare allocazioni di peso superiori senza alterare l'insieme degli asset.
Meccanismi di Gestione dei Vincoli:
- Riparazione della Cardinalità: Sono proposte tre tecniche per aggiungere asset ai portafogli che violano il vincolo $K_{min}$ $K_{min}$ :
  - Basata sull'associazione (Associated-based): Utilizza il clustering della corrente Frontiera di Pareto per identificare gli asset che co-occorrono frequentemente con gli asset del portafoglio violato.
  - Basata sul punteggio (Score-based): Raggruppa l'intero universo di asset e seleziona gli asset dai cluster con il punteggio più alto in base a metriche di correlazione e performance.
  - Basata sulla soglia (Threshold-based): Seleziona asset con bassa correlazione rispetto agli asset del portafoglio esistente, controllati da un coefficiente di severità.
- Riparazione del Confine: Viene utilizzata una versione modificata di Chang et al. (2000) per regolare i pesi in modo da soddisfare $[\epsilon_i, \delta_i]$ , gestendo specificamente i casi in cui gli asset duplicati causano violazioni del peso totale.

Contributi Chiave

Efficienza della Codifica: La rappresentazione del cromosoma a dimensione fissa semplifica la gestione del limite superiore di cardinalità e riduce l'overhead computazionale dei meccanismi di riparazione.
Ricerca Adattiva: La strategia di accoppiamento in due fasi (Knee-based vs. Similarity-based) bilancia efficacemente la scoperta di diverse combinazioni di asset con l'ottimizzazione dell'allocazione del capitale.
Riparazione Potenziata: L'operatore "Explorer" fornisce un modo strutturato per ri-ottimizzare i pesi per le soluzioni riparate, garantendo che la fattibilità non avvenga a scapito delle prestazioni.
Scalabilità: L'approccio è progettato specificamente per mantenere le prestazioni all'aumentare del numero di asset disponibili ( $N$ ), affrontando una nota debolezza degli algoritmi evolutivi standard per problemi su larga scala.

Risultati Sperimentali
L'algoritmo proposto è stato testato contro il classico NSGA-II e una versione che utilizza la nuova codifica ma strategie di accoppiamento standard. Gli esperimenti sono stati condotti su quattro dataset: DAX 100, S&P 100, Nikkei 225 e la Borsa di Teheran (TSE) (418 asset).

Metriche di Prestazione: Lo studio ha utilizzato Hypervolume (HV), Generational Distance (GD), Inverted Generational Distance (IGD) e la metrica di Diversità ( $\Delta$ ). È stata inoltre introdotta una "Modified Generational Distance" (MGD) per normalizzare i confronti.
Risultati:
- L'approccio proposto ha superato costantemente lo standard NS-GA II in tutte le metriche e i mercati.
- Il divario di prestazioni si è ampliato all'aumentare del numero di asset, dimostrando una scalabilità superiore.
- L'algoritmo ha raggiunto tassi di convergenza più rapidi, particolarmente evidenti nei grafici IGD sulle generazioni.
- La validazione statistica tramite Test di Segno e Test di Wilcoxon Signed-Rank ha confermato la significatività dei miglioramenti (p < 0,05) nella maggior parte delle metriche, con l'eccezione della MGD nel mercato DAX 100.
- L'analisi dei tempi computazionali ha indicato che, sebbene Python sia più lento di C++, la codifica e la logica proposte hanno prodotto tempi di esecuzione comparabili o migliori rispetto agli approcci standard, anche per il dataset più grande TSE.

Significatività e Rivendicazioni
Il documento afferma che la strategia proposta offre una soluzione robusta per l'ottimizzazione di portafogli su larga scala sotto vincoli di cardinalità. Gli autori sostengono che il loro approccio:

Fornisce una convergenza più rapida e una capacità di ricerca estesa rispetto ai metodi tradizionali.
Mantiene la stabilità delle prestazioni all'aumentare della dimensione del mercato (numero di asset), laddove gli algoritmi standard tendono a degradare.
Gestisce efficacemente il compromesso tra la ricerca del set ottimale di asset e l'ottimale allocazione dei pesi attraverso l'accoppiamento a fasi e l'operatore "Explorer".

Lo studio conclude che, sebbene la formulazione attuale affronti CC e BC, il lavoro futuro potrebbe incorporare altri vincoli del mondo reale come i costi di transazione e la liquidità, che richiederebbero modifiche ai meccanismi di riparazione proposti.

Articoli simili