Asset pre-selection for a cardinality constrained index tracking portfolio with optional enhancement

技術要約：カーディナリティ制約付きインデックス・トラッキング・ポートフォリオにおける資産事前選択の影響とオプションの拡張機能

問題定義
本論文は、カーディナリティ制約付きインデックス・トラッキング・ポートフォリオ（CCITP）問題を取り扱う。これは、市場指数（具体的にはS&P 500）のリスクとリターンを複製するために、より大きなユニバースである$M$個の構成銘柄から$n$個の資産サブセットを選択する問題である。完全な複製は正確であるが、管理コストが高くなる。逆に、小さなサブセットを選択することはコストを削減するが、トラッキングエラーを増大させる。この問題は、資産セットの選択とウェイトの最適化を同時に行う必要があるため計算量的に困難であり、歴史的には大規模なカーディナリティに対してヒューリスティック手法に依存してきた。さらに、本論文では、純粋なインデックス・トラッキング（トラッキングエラーの最小化）と、拡張インデックス・トラッキング（指数を上回るリターンを追求しつつトラッキングエラーを最小化する）を区別している。

手法
著者らは、資産選択とウェイト推定を分離する新しい二段階のアプローチを提案しており、これは両者を結合最適化問題として扱う従来の文献とは対照的である。

1. 第1段階：資産の事前選択： 著者らは、ウェイト最適化の前に最適な$n$個の資産セットを特定するために、統計的回帰手順を採用している。彼らは、2つの方向（前方選択と後方除去）と2つの回帰目的関数（最小二乗法［OLS］と最小絶対偏差［LAD］）に基づき、それぞれ定数項の有無を含めてテストされた計8つの異なる事前選択手順を評価している。

   • 前方選択（Forward Selection）： 指数のリターンまたは残差変動の解説力（OLSの場合は調整済み$R^2$、LADの場合は最小平均絶対偏差）を最大化する資産を逐次的に追加する。
   • 後方除去（Backward Elimination）： 全ユニバースから開始し、解説力が最も低い（OLSの場合は最小t値、LADの場合は最小絶対係数）資産を逐次的に削除する。
   • 拡張（Enhancement）： 拡張トラッキングを容易にするために、選択プロセス中に指数リターンに対してターゲットとなる拡張分（$\lambda$）を加えることができる。

2. 第2段階：ウェイト最適化： 資産セットが固定された後、特定のインサンプル期間（$T_1$）において特定の目的関数を最小化するようにウェイトを最適化する。この目的関数は、二乗平均平方根トラッキングエラー（RMSE）の最小化と、ポートフォリオと指数の平均リターンの差に対するペナルティ項の最小化を行う。非線形最適化には準ニュートン法（BCONF）が使用される。

3. 評価フレームワーク： 本研究は、2005年1月3日から2023年12月29日までのS&P 500のデイリーデータを用いた移動タイムウィンドウ・アプローチを利用している。プロセスとしては、インサンプル期間（$T_1$）でポートフォリオを選択し、その後のアウトオブサンプル期間（$T_2$）におけるパフォーマンスを評価する。取引量は、リバランシング期間における資産ウェイトの絶対変化量の合計によって近似される。

主な結果

• 事前選択のパフォーマンス： 8つの手順の中で、定数項なしのOLSを用いた後方除去（BE-OLS(n)）が、インサンプル・トラッキングエラー、アウトオブサンプル・トラッキングエラー、および取引量のすべてにおいて一貫して最も高い評価を得た。前方選択の手順は一般にトラッキングエラーが高くなり、LADベースの手順は、特に後方除去において、大規模な資産セットにおける線形計画法の退化に起因すると考えられるパフォーマンスの低さを示した。
• カーディナリティとトラッキングエラー： 本研究は、アウトオブサンプル・トラッキングエラーがカーディナリティの逆平方根（$1/\sqrt{cardinality}$）に従って減少することを実験的に示している。具体的には、この関係は $TE \approx \theta n^{-\omega}$ とモデル化され、$\omega \approx 0.58$ であることから、エラーが $1/\sqrt{n}$ に比例するという近似を支持している。
• ボラティリティへの依存性： アウトオブサンプル・トラッキングエラーは、指数のボラティリティと強く相関している。しかし、カーディナリティが増加するにつれて、ポートフォリオの指数ボラティリティへの依存度は低下し、より高い安定性をもたらす。
• 拡張トラッキング： 拡張リターンを追求するポートフォリオの場合、結果は純粋なトラッキングとは大きく異なる。カーディナリティが大きくなるとトラッキングエラーは減少するが、必ずしも超過リターンを最大化するわけではない。本研究では、10から20の範囲のカーディナリティが、超過リターンの生成に最も効果的であることが判明した。
• 感度分析： インサンプル期間（$T_1$）が長いほど、一般にトラッキングエラーと取引量は減少する。アウトオブサンプル評価期間（$T_2$）が短いほど、トラッキングエラーは減少するが、リバランシングが頻繁になるため取引量は増加する。拡張トラッキングにおいては、3年間のインサンプル期間と6ヶ月間のアウトオブサンプル期間が、最良のバランスをもたらした。

意義と主張
本論文は、資産選択とウェイト推定の段階を分離することを提案することで、文献に対する明確な貢献を主張している。著者らは、このアプローチが資産セットとウェイトの同時最適化に伴う計算上の困難を取り除き、複雑なヒューリスティックに頼ることなく、大規模なカーディナリティ（最大100資産）の分析を可能にすると主張している。

本研究は、以下の経験的事実を提供している：

1. 統計的回帰による資産の事前選択は、結合最適化ヒューリスティックに代わる実行可能かつ効果的な代替手段であること。
2. トラッキングエラーとカーディナリティの関係は予測可能なべき乗則（$1/\sqrt{n}$）に従い、これはポートフォリオ構築における実用的な目安となること。
3. トラッキングの正確性とリターン拡張の間にはトレードオフが存在すること。すなわち、大きなポートフォリオはトラッキングエラーを最小化するが、より小さなポートフォリオ（カーディナリティ10–20）の方が超過リターンの生成には効果的であること。

著者らは、事前選択の有効性が資産リターンの特定の統計的特性（例：ファットテール）に依存すること、および「最適」なポートフォリオは一意ではない（異なる高パフォーマンスの手順は、しばしば著しく異なる資産構成を選択する）ことを指摘し、自らの知見の普遍性については慎重な姿勢を保っている。