A discussion of stochastic dominance and mean-risk optimal portfolio problems based on mean-variance-mixture models

Each language version is independently generated for its own context, not a direct translation.

De Gids voor Slimme Beleggers: Hoe je Risico Meet in een Onvoorspelbare Wereld

Stel je voor dat beleggen een reis is door een onbekend landschap. De klassieke manier om deze reis te plannen (de "Markowitz-methode" uit de jaren '50) gaat ervan uit dat het weer altijd voorspelbaar is en dat de weg altijd rechtlijnig verloopt. Ze gebruiken een simpele maatstaf voor gevaar: variatie. Als de weg een beetje hobbelig is, is het risico laag; als hij erg hobbelig is, is het risico hoog.

Maar in het echte leven is de weg niet zomaar hobbelig. Soms is er een plotselinge storm (een crash), soms is er een mistbank (onvoorspelbaarheid), en soms is de weg scheef (onevenwichtige kansen). De oude methode faalt hier vaak omdat ze deze complexe patronen niet kan vangen.

Dit artikel van Hasanjan Sayit biedt een nieuwe kaart voor deze reis. Het lost een groot probleem op: Hoe vind je de beste route (portefeuille) als je een heel specifieke manier hebt om risico te meten, en de weg zelf heel vreemd gedraagt?

Hier is hoe het werkt, stap voor stap:

1. De Vreemde Weg: De "Hyperbolische" Route

In de traditionele theorie gaan beleggers uit van een "normale" verdeling (een klok-kromme). Maar echte beursdata gedragen zich anders: ze hebben meer extreme uitschieters (zoals een plotselinge storm) dan de klok-kromme voorspelt.

Sayit gebruikt een wiskundig model genaamd Normal Mean-Variance Mixture (NMVM).

De Analogie: Stel je voor dat je een auto rijdt. De snelheid is je rendement.
- In de oude theorie is de snelheid altijd een beetje willekeurig rond een gemiddelde.
- In Sayit's model is er een stuurman (Z) die de auto bestuurt. Soms is de stuurman rustig, soms is hij paniekerig. Als de stuurman paniekerig is, wordt de auto niet alleen sneller, maar ook veel onvoorspelbaarder en scheef (asymmetrisch).
- Dit model (de "Hyperbolische" verdeling) past veel beter bij de echte, chaotische beurs dan de oude, saaie klok-kromme.

2. Het Probleem: De "Risico-Meter" is Anders

Beleggers willen niet alleen kijken naar hoe hobbelig de weg is (variatie). Ze kijken naar specifieke risico's:

VaR (Value at Risk): "Wat is het ergste dat kan gebeuren met 95% zekerheid?"
CVaR (Conditional Value at Risk): "Als het echt misgaat, hoeveel geld verlies ik dan gemiddeld?"

Het probleem is: als je deze specifieke risico-meters gebruikt in plaats van de simpele "hobbel-meter", wordt de wiskunde om de beste route te vinden onmogelijk ingewikkeld. Het lijkt op het proberen om een pad te vinden in een doolhof waarbij de muren continu verschuiven.

3. De Grote Doorbraak: De Magische Vertaling

Sayit ontdekt een slimme truc. Hij zegt: "Je hoeft niet het hele doolhof opnieuw te tekenen. Je kunt de oude, simpele kaart gebruiken, maar dan met een kleine aanpassing."

Zijn centrale ontdekking is als volgt:
Als je een portefeuille kiest die optimaal is voor een complexe risico-maatstaf (zoals CVaR) op deze vreemde weg, dan is diezelfde portefeuille ook de optimale keuze voor de simpele "hobbel-maatstaf" (variatie), mits je de kaart een beetje aanpast.

De Analogie: Stel je voor dat je een GPS hebt die alleen werkt met "afstand" (de oude methode). Je wilt echter een route die "minimale stress" garandeert (de nieuwe methode). Sayit zegt: "Gebruik gewoon je GPS, maar voer de bestemming in als een virtuele locatie die iets anders is dan je echte bestemming." Als je die virtuele locatie bereikt, heb je per ongeluk ook de perfecte stress-vrije route gevonden.

Dit betekent dat beleggers geen nieuwe, onbegrijpelijke software nodig hebben. Ze kunnen de bekende, bewezen methoden gebruiken, maar dan met een "gecorrigeerde" versie van de verwachte rendementen.

4. De Nieuwe CAPM: De "Marktplaats" van Risico

Het artikel gaat nog een stap verder en past het beroemde CAPM-model aan (een model dat uitlegt hoeveel rendement je moet verwachten voor een bepaald risico).

Oud CAPM: "Hoe meer je meedraait met de markt (covariantie), hoe meer je verdient."
Nieuw CAPM (uit dit artikel): "Hoe meer je meedraait met de specifieke aard van de chaos (de stuurman Z en de scheefheid), hoe meer je verdient."

Sayit toont aan dat zelfs in deze complexe, onvoorspelbare wereld, de relatie tussen risico en rendement nog steeds lineair blijft. Het is alsof je zegt: "De prijs voor het dragen van risico is nog steeds eerlijk en voorspelbaar, zelfs als de wereld chaotisch is."

5. Waarom is dit belangrijk voor jou?

Voor de gemiddelde belegger of beleggingsmanager betekent dit drie dingen:

Realiteit: Je hoeft je niet meer te laten voorliegen door modellen die aannemen dat de beurs altijd rustig is. Je kunt modellen gebruiken die rekening houden met stormen en scheefheid.
Eenvoud: Je hoeft geen wiskundig genie te zijn om dit te gebruiken. De complexe berekeningen zijn teruggebracht tot een simpele aanpassing van de bekende formules.
Veiligheid: Je kunt je portefeuille optimaliseren voor precies het soort risico dat je wilt vermijden (bijvoorbeeld: "Ik wil niet dat ik in een crash alles verlies"), zonder dat de wiskunde je brein laat ontploffen.

Samenvatting in één zin

Dit artikel geeft beleggers een "magische brilmaker" die hen toelaat om de complexe, onvoorspelbare wereld van de beurs te bekijken met de simpele, betrouwbare hulpmiddelen van het verleden, zodat ze de veiligste en meest winstgevende route kunnen vinden, ongeacht hoe stormachtig het weer wordt.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het artikel "Efficient frontiers for portfolios under SSD and law-invariant risk measures with hyperbolic return distributions" van Hasanjan Sayit, in het Nederlands.

1. Probleemstelling

De klassieke Markowitz-middelen-variatie (mean-variance) framework voor portefeuilleoptimalisatie gaat uit van de aanname dat activa-rendementen normaal verdeeld zijn en gebruikt variantie als risicomaatstaf. Dit leidt tot gesloten formules voor efficiënte portefeuilles. Echter, empirisch onderzoek toont aan dat activa-rendementen vaak afwijken van de normale verdeling: ze vertonen zwaardere staarten (fat tails), skewness (asymmetrie) en een hogere concentratie rond het gemiddelde.

Het artikel adresseert twee hoofdvragen:

Hoe kan men gesloten formules voor efficiënte portefeuilles afleiden wanneer rendementen volgen uit een Normal Mean-Variance Mixture (NMVM) verdeling (waarbij hyperbolische verdelingen een speciaal geval van zijn)?
Hoe kan men dit doen voor een brede klasse van wettelijk invariantie (law-invariant) en convexe risicomaatstaven (zoals Conditional Value-at-Risk of CVaR), in plaats van alleen voor variantie?

Het doel is om een analytische oplossing te vinden voor het optimalisatieprobleem:
$\min_{\omega} \rho(-\omega^T X) \quad \text{onder de voorwaarden} \quad E(-\omega^T X) = r, \quad \omega^T \mathbf{1} = 1$
waarbij $\rho$ een risicomaatstaf is, $X$ het rendementvector is, en $r$ een doelrendement.

2. Methodologie

De auteur hanteert een wiskundige benadering die voortbouwt op stochastische dominantie en de specifieke structuur van NMVM-verdelingen.

NMVM Model: De rendementvector $X$ wordt gemodelleerd als $X \stackrel{d}{=} \mu + \gamma Z + \sqrt{Z} A N_d$ , waarbij $Z$ een mengvariabele is (onafhankelijk van de standaardnormale vector $N_d$ ). Dit dekt een breed scala aan verdelingen, waaronder de Generalized Hyperbolic (GH) en Normal Inverse Gaussian (NIG).
Stochastische Dominantie (SD): De kern van de analyse ligt in het afleiden van voorwaarden voor tweede-orde stochastische dominantie (SSD) binnen de familie van NMVM-verdelingen. De auteur bewijst dat voor NMVM-modellen, de SSD-relatie tussen twee portefeuille-rendementen $\omega_1^T X$ $ω_{1}^{T} X$ en $\omega_2^T X$ $ω_{2}^{T} X$ afhangt van de vergelijking van hun parameters:
- Het verwachte rendement moet gelijk zijn of hoger zijn.
- De "normale" variabiliteit (de schaalparameter gerelateerd aan $\sqrt{Z}$ ) moet lager zijn.
Risicomaatstaven: Er wordt aangenomen dat de risicomaatstaf $\rho$ wettelijk invariant is (afhankelijk alleen van de verdeling, niet van de specifieke uitkomsten) en SSD-consistent (als $\eta_1 \succeq_{(2)} \eta_2$ , dan is $\rho(\eta_1) \le \rho(\eta_2)$ ). Dit omvat coherent risicomaatstaven zoals CVaR.
Reductie: De auteur toont aan dat het optimaliseren van een willekeurige SSD-consistente risicomaatstaf onder NMVM-rendementen kan worden gereduceerd tot het oplossen van een klassiek Markowitz-probleem, maar dan met een aangepast verwachtingsvector.

3. Belangrijkste Bijdragen en Resultaten

A. Gesloten Formules voor Efficiënte Frontiers

Het centrale resultaat (Theorema 3.4) stelt dat voor elke wettelijk invariantie, convexe risicomaatstaf $\rho$ , de optimale portefeuille $\omega^*$ die het risico minimaliseert voor een gegeven doelrendement $r$ , exact dezelfde vorm heeft als de klassieke Markowitz-oplossing, maar met een gewijzigde verwachtingsvector:
$\mu_{\theta} = \mu + \gamma E[Z]$
De covariance matrix blijft echter $\Sigma$ (de covariantie van de normale component), in plaats van de totale covariantie van $X$ .
Dit betekent dat de efficiënte frontier voor complexe risicomaatstaven en niet-normale verdelingen kan worden berekend door een standaard Markowitz-algoritme te gebruiken met een aangepaste input voor het gemiddelde.

B. Decompositie van Risico

Voor NMVM-modellen wordt een krachtige decompositie afgeleid (Propositie 4.2):
$\rho(\omega^T X) = \omega^T (\mu + \gamma E[Z]) + \sqrt{\omega^T \Sigma \omega} \cdot \rho(\sqrt{Z} N)$
Dit resultaat toont aan dat het totale risico bestaat uit twee delen:

Een lineaire term gebaseerd op het "gemiddelde" van de mengverdeling.
Een term die evenredig is met de standaarddeviatie van de normale component, vermenigvuldigd met een constante factor die afhangt van de risicomaatstaf en de mengvariabele.

C. CAPM in een NMVM-context

De auteur leidt een Capital Asset Pricing Model (CAPM) af dat geldig is onder deze algemene voorwaarden.

De marktportefeuille (tangentieportefeuille) wordt bepaald door het maximaliseren van een aangepaste Sharpe-ratio.
De evenwichtsvergelijking voor het verwachte rendement van een actief $R$ wordt:
$E[R] - r_f = \frac{\rho(R) - E[R]}{\rho(R_m) - E[R_m]} (E[R_m] - r_f)$
Dit behoudt de lineaire relatie tussen risico en rendement van het klassieke CAPM, maar vervangt de covariance-gebaseerde beta door een maatstaf gebaseerd op de parameters van de mengverdeling. De "beta" wordt hier bepaald door de parameters van de NMVM-verdeling in plaats van alleen door de covariantie met de markt.

D. Specifieke Toepassingen

CVaR: De resultaten zijn direct toepasbaar op Conditional Value-at-Risk (CVaR), een populaire maatstaf voor tail-risk.
Generalized Hyperbolic (GH): Het artikel toont aan dat voor GH-verdelingen (waar $Z$ een GIG-verdeling volgt), de portefeuilleselectie aanzienlijk wordt vereenvoudigd door de gesloten formules.

4. Significatie en Implicaties

Generalisatie van Markowitz: Het artikel biedt een theoretisch fundament om de klassieke mean-variance optimalisatie uit te breiden naar een veel bredere klasse van risicomaatstaven en verdelingen zonder in te leveren op de rekenbaarheid (gesloten formules).
Praktische Toepasbaarheid: Voor beleggers en risicomanagers die werken met realistische, niet-normale rendementverdelingen (zoals die vaak voorkomen in hedge funds of derivaten), biedt dit model een manier om efficiënte portefeuilles te berekenen zonder complexe numerieke optimalisatie te hoeven gebruiken.
Risicomanagement: De decompositie van risico (Resultaat B) maakt het mogelijk om het effect van "staartrisico" (tail risk) en skewness expliciet te scheiden van de normale volatiliteit, wat cruciaal is voor reguliere doeleinden en stress-testen.
Theoretische consistentie: Het bewijst dat de elegantie van de mean-variance theorie niet verloren gaat bij het introduceren van complexere risicomaatstaven, mits de onderliggende verdelingen binnen de NMVM-familie vallen.

Kortom, het artikel levert een robuust wiskundig raamwerk dat de brug slaat tussen de realiteit van financiële markten (niet-normale, skew verdelingen) en de wens naar analytisch hanteerbare portefeuilleoptimalisatie voor diverse risicoprofielen.