💰 quantitative finance

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

本論文は、リバランスなしのインデックス・トラッキング問題に対する新たなロバスト混合整数線形計画モデルを提案し、併せて、このNP困難な問題を効率的に解き、インサンプルおよびアウトオブサンプルの両方のデータにおいて商用ソルバーを凌駕する、遺伝的アルゴリズムと局所探索能力を組み合わせたハイブリッド・ヒューリスティック・アルゴリズムを提示する。

原著者： Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

公開日 2026-07-13

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、巨大で混沌としたオーケストラをミニチュア版として作り上げようとしていると想像してください。あなたの目標は、数百もの楽器の中から、それらを一緒に演奏したときにフル・シンフォニーと全く同じ響きになるような、わずか数個（例えば10個程度）の楽器を選び出すことです。金融の世界では、これを「インデックス・トラッキング（指数追随）」と呼びます。市場にあるすべての銘柄を購入するのは（コストがかかり、煩雑なため）避け、ファンドマネージャーは市場のパフォーマンスを完璧に模倣する「トラッキング・ポートフォリオ」を選び出したいと考えています。

長い間、マネージャーたちは、過去において銘柄同士がどれほど似ていたか（例えば、バイオリンとチェロが常に同じ音を奏でていたかどうか）を確認することで、これを行おうとしてきました。しかし、この論文の著者であるダニアル・ラメザニとそのチームは、そのアプローチは「昨日の雲だけを見て明日の天気を予測しようとする」ようなものだと述べています。それはあまりにも不安定です。彼らは、単純な過去の相関関係に頼ることはノイズが多く、市場の「気分」が変わったときにはしばしば失敗すると主張しています。

新しい「ロバスト（堅牢）」なレシピ
チームは、「ロバスト」な新しい数学的レシピ（モデル）を提案しました。これは、穏やかな水面で浮くだけでなく、最悪の嵐にも耐えられるように設計されたボートを作るようなものです。どの銘柄が市場と一致するかを単に推測する代わりに、彼らのモデルはこう問いかけます。「もしこれらの銘柄の関係性が狂ったらどうなるか？もし彼らが最悪の動きを見せたらどうなるか？」最悪のシナリオを想定して計画を立てることで、このモデルは状況が混乱しても安定を保てる資産グループを選び出します。

彼らはまた、数学の中に特別な「安全バッファ」を導入しました。旅行の荷造りをする際、雨が降るか晴れるか分からない状況を想像してみてください。普通のパッカーは単に予想するだけかもしれません。この新しいモデルは、雨と晴れの両方に備えて荷造りを行い、何が起きても必要なものを持っていられるようにします。このアプローチにより、ポートフォリオは頻繁な調整（リバランス）を行うことなく、長期にわたって市場を追跡することができ、取引手数料を節約できます。

スーパー検索チーム (GALB)
ここが難しいところです。数百の中から完璧な10個の楽器を見つけ出すことは、あまりにも巨大なパズルであり、世界最速のスーパーコンピュータ（CPLEXのような「厳密ソルバー」）でさえ、行き詰まったり、解決に膨大な時間がかかったりします。この問題は「NP困難」であり、これは、あまりにも多くの行き止まりがある迷路のようなものであることを意味する専門用語です。

この問題を解決するために、著者たちは「GALB」と呼ばれる新しい検索チームを作成しました。GALBは「ハイブリッドな探偵」と考えることができます。

遺伝的アルゴリズム (GA): この部分は、あらゆる方向に走り回り、さまざまな銘柄の組み合わせを試す「探索者の群れ」のようなものです。これは、迅速に新しく興味深い経路を見つけるのが得意です。
ローカル・ブランチング: これは「ズームイン」の専門家です。探索者たちが有望な場所を見つけたとき、この専門家が立ち止まり、その周辺を非常に細かく調査して、解決策をわずかに微調整して完璧にできるかどうかを確認します。

この「広域探索」を行う探索者と、「精密検査」を行う専門家を組み合わせることで、GALBは力任せの計算を行う遅いコンピュータよりもはるかに速く、高品質な解を見つけ出します。

数字が示すこと
チームは、彼らの新しいモデルとGALB検索チームを、古い手法や超高速のCPLEXコンピュータと比較するために、ダウ・ジョーンズ、ハンセン指数、DAX、FTSE 100、S&P 100、日経225といった有名な市場のデータを用いてテストを行いました。

スピード: これらのテストにおいて、CPLEXコンピュータは一部の市場に対して解決を試みるのに最大1,800秒（30分）かかり、時には最善の答えを見つけられずに諦めてしまうこともありました。対照的に、GALBチームは、小規模な市場ではわずか120秒、大規模な市場でも300秒で優れた解を見つけ出しました。
正確性: GALBによって作成されたポートフォリオは、単に素早く答えを見つけただけでなく、より「良い」答えを見つけ出しました。チームが将来のパフォーマンス（「アウト・オブ・サンプル」データと呼ばれます）を検証したところ、新しいモデルは一貫して低い誤差を示しました。例えば、ダウ・ジョーンズのテストでは、新しいモデルのトラッキングエラー（MAD）は、旧来のモデル3の0.00458に対し、0.00402でした。
安定性: 彼らが構築したポートフォリオは、わずか10の資産で構成されていました（利用可能な数百もの銘柄と比較して非常に少ない数です）。それにもかかわらず、彼らは頻繁に組み替えられることなく、長期間にわたって巨大な市場を追跡することができました。

これではないもの
著者たちは、自分たちの手法が「何ではないか」についても注意深く指摘しています。彼らは、銘柄の過去の相関関係を見るだけで将来を予測できるという考えに対して、明確に反対しています。彼らは、「最悪のシナリオ」を無視するモデル（旧来のモデル1のようなもの）が、テストでは良く見えても、現実世界の条件が変わると失敗してしまうことを示しています。また、彼らのヒューリスティック（GALB）は素晴らしいものですが、あくまで近似値であり、世界中のあらゆるシナリオにおける数学的な完璧さの証明を与えるものではないことも述べています（ただし、テストした問題の規模においては最適解に収束しました）。

結論
これらのシミュレーションとテストにおいて、著者たちは、彼らの新しい「ロバスト」なモデルとGALB検索チームの組み合わせが、巨大な市場を模倣する、小さく低コストなポートフォリオを構築するための強力な方法であることを示唆しています。それは、古い手法よりも市場の混沌をうまく処理し、トラッキングエラーを低く抑え、高価なリバランスの必要性を最小限に抑えるようです。論文は、これらの結果がいくつかの主要なグローバル・インデックススの間で有効であることを示していますが、著者らはこれを、あらゆる金融の謎を解く魔法の杖ではなく、しっかりとテストされた強力なアプローチとして提示しています。

技術要約：リバランスなしのインデックス・トラッキングのための新しいロバスト混合整数線形計画モデル

問題定義
本論文は、パッシブ・ファンド管理における中核的な課題であるインデックス・トラッキング（IT）問題を取り扱っている。この問題の目的は、特定の市場ベンチマークのパフォーマンスを複製するために、資産のサブセットを用いてポートフォリオを構築することである。著者らは、既存の数学的定式化における決定的な限界を以下のように特定している：

相関関係への敏感さ： 従来のモデルは、多くの場合、歴史的な資産相関関係に依存しているが、これらはノイズが多く、異なる市場レジーム間で不安定であり、インサンプル・データに対して過学習（オーバーフィッティング）を起こしやすく、アウトオブサンプルでのパフォーマンスが悪化する傾向がある。
リバランス・コスト： 多くの戦略は、トラッキング精度を維持するために頻繁なリバランスを必要とし、多大な取引コストと流動性リスクを引き起こす。
計算の複雑性： IT問題は、資産の選択とウェイトの決定という組み合わせの性質を持つためNP困難であり、大規模なデータセットに対して合理的な時間内に最適解を得るために、厳密なソルバーを使用することが困難である。

本研究の具体的な目標は、パラメータの不確実性（特に相関の偏差）に対してロバストであり、リバランスを必要とせずに長期間インデックスを追跡することが可能で、かつ新しいヒューリスティックによって効率的に解けるモデルを開発することである。

手法

1. 数学的定式化（モデル4）
著者らは、2つの異なる目的を単一のロバストなモデルに統合した、新しい混合整数線形計画法（MILP）の定式化を提案している：

相関の不確実性によるロバスト性： Bertsimas and Sim (2003) のロバスト最適化アプローチに基づき、本モデルは資産相関の「ワーストケース」シナリオを組み込んでいる。これは、相関が不利な方向に変化した場合でもポートフォリオが有効であり続けることを保証するために、相関のダウンサイド偏差（ $\Gamma$ 係数が最悪の値をとる場合）を最小化するものである。
トラッキング誤差の最小化： モデルは、ポートフォリオの収益とベンチマーク・インデックスの収益との間の平均絶対偏差（MAD）を同時に最小化する。
制約条件： 定式化には、カーディナリティ（資産数を $K$ 個に制限）、バイイン（買い入れ）閾値（最小および最大ウェイト）、および空売り禁止といった標準的な実世界の制約が含まれている。
目的関数： 目的関数（式19）は、トラッキング誤差項とロバスト相関項を組み合わせ、値を0から1の間に正規化するための係数 $\xi$ および $\psi$ によってスケーリングされている。

2. 解法：GALBヒューリスティック
厳密なソルバーが大規模な問題サイズに対して苦戦することを認識し、著者らはハイブリッド・メタヒューリスティックである GALB (Genetic Algorithm with Local Branching) を開発した：

遺伝的アルゴリズム (GA)： グローバル探索エンジンとして機能し、候補解（ポートフォリオ）の集団を進化させるための交叉および突然変異オペレータを利用する。
ローカル・ブランチング： ローカル探索メカニズムとして統合されている。特定の条件（例：改善が見られない一定数のGAイテレーションなど）が満たされたとき、アルゴリズムは現在の最良解の周囲にハミング距離の近傍を定義し、近傍の解をより深く探索するために制限付きMILPサブ問題を解くことで、ローカル・ブランチングを適用する。
適合度関数： 各ステップで厳密なソルバーを実行する計算オーバーヘッドを回避するために設計された、特殊な適合度関数（アルゴリズム2）を用いる。これは資産ウェイトをデコードし、ワーストケースの相関シナリオを効率的に処理しながら、ロバストな目的関数値を直接計算する。

実験設定
本研究では、ダウ・ジョーンズ、ハンセン指数、CAC 40、EURO STOXX 50、DAX、FTSE 100、S&P 100、および日経225の8つの主要市場のデータを利用した。データソースはOR-libraryおよびYahoo Finance（2018年7月～2024年1月）である。

比較： 提案されたモデル4およびGALBを、以下のものと比較した：
- 既存の定式化（相関最大化に基づくモデル1、およびMAD最小化に基づくモデル3）。
- 商用厳密ソルバーである CPLEX。
指標： パフォーマンスは、相関係数 ( $\rho$ )、平均絶対偏差 (MAD)、平方根平均二乗誤差 (RMSE)、トラッキング誤差の標準偏差 (STD)、およびベータを用いて評価された。インサンプルおよびアウトオブサンプルの両方の結果が分析された。
パラメータ： 実験では、不確実性のレベル（ $\Gamma = 0, 50\%, 75\%, 90\%$ ）をテストし、ポートフォリオのサイズを10資産 ( $K=10$ ) に固定した。

主な結果

1. ロバストな定式化の優位性：

CPLEXによって解かれた場合、提案されたモデル4は、テストされたすべての市場（ダウ・ジョーンズ、CAC 40、EURO STOXX 50）において、アウトオブサンプル指標でモデル1およびモデル3を一貫して上回った。
具体的には、モデル4はアウトオブサンプル期間において、より高いインデックス相関と、より低いトラッキング誤差（MAD、RMSE、STD）を達成しており、市場レジームの変化に対するロバスト性を実証している。
計算効率の面では、CPLEXはいくつかの市場（例：ダウ・ジョーンズでは72秒 vs 118秒）において、提案されたモデルをモデル3よりも速く解いた。

2. GALBヒューリスティックの性能：

効率性： GALBは、CPLEXと同等またはそれ以上の品質の解を、大幅に短い時間で見出した（例：ダウ・ジョーンズにおいて120秒 vs 1800秒、その他の市場では300秒 vs 1800秒）。
最適性： より小さな問題サイズでは、特に $\Gamma=0$ の場合、GALBは多くの実行においてグローバルな最適解（CPLEXと同一の結果）に収束した。
アウトオブサンプルの優位性： ほとんどの市場（ハンセン指数、DAX、日経225、S&P 100）において、GALBによって生成されたポートフォリオ（特に $\Gamma=75\%$ または $90\%$ の場合）は、たとえCPLEXがより多くの探索時間を費やしたとしても、CPLEXによる解よりも優れたアウトオブサンプル・トラッキング性能を示した。
リバランスなし： わずか10資産で構成される結果のポートフォリオは、最小限の偏差で長期間にわたってインデックスを追跡しており、「リバランスなし」の主張を裏付けている。

意義と主張
本論文は、二重の貢献を主張している：

ロバストな定式化： 従来のITモデルよりもロバストであり、相関の不正確性を処理でき、頻繁なリバランスを必要とせずに優れたアウトオブサンプル・パフォーマンスを提供できるMILPモデルを導入した。
強力なヒューリスティック： グローバルな探索（GA）とローカルな搾取（ローカル・ブランチング）を効果的にバランスさせるハイブリッド・アルゴリズムであるGALBを提示した。著者らは、GALBが厳密なソルバーよりも高速にNP困難なIT問題を解くだけでなく、実世界のトラッキング精度において厳密ソルバーの解を凌駕するポートフォリオを生成できると断言している。

本研究は、提案されたアプローチにより、日経225のような大きく変動するインデックスに対して、高い相関を維持しながら長期間にわたって運用できる、極めてスリムなポートフォリオ（わずか10資産）の構築が可能であることを結論づけている。これにより、ターンオーバーやリバランスに関連する管理コストを効果的に削減できる。

関連論文