⚡ electrical engineering

On Frequency-Based Optimal Portfolio with Transaction Costs

Dit artikel onderzoekt de impact van de herbalanceringsfrequentie en transactiekosten op log-optimale portefeuilles door hun equivalentie met concave programma's te bewijzen, faillissementsrisico's aan te pakken via kwadratische benaderingen, nieuwe dominantie- en twee-fondstheorema's vast te stellen, en deze methoden te valideren via empirische studies op intraday-, dagelijkse en online handelsdata.

Oorspronkelijke auteurs: Chung-Han Hsieh, Yi-Shan Wong

Gepubliceerd 2026-08-11

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Chung-Han Hsieh, Yi-Shan Wong

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je de kapitein bent van een schip vol schatten, en je doel is om je goudvoorraad zo snel mogelijk te laten groeien tijdens een lange reis. In de wereld van de financiën wordt dit "portefeuilleoptimalisatie" genoemd. Decennialang hebben wiskundigen een speciale strategie bestudeerd die de "Log-Optimale Portefeuille" (of de Kelly-criterium) wordt genoemd. Zie dit als een superintelligent kompas dat je precies vertelt hoeveel van je goud je op elk eiland moet inzetten dat je bezoekt, om je totale schat aan het einde van de reis te maximaliseren. Het geheime ingrediënt van dit kompas is een simpele regel: kijk niet alleen naar hoeveel geld je kunt verdienen, maar kijk naar hoe je vermogen gemiddeld groeit, wiskundig gezien.

Echter, het echte leven is geen perfect computerspel. In de echte wereld moet je elke keer dat je je goud van het ene eiland naar het andere verplaatst, een tol betalen. Dit zijn "transactiekosten"—kosten voor het handelen, spreads tussen de koop- en verkoopprijzen en commissies. Als je je goud te vaak verplaatst (hoge frequentie), kunnen deze tollen al je winst opeten. Maar als je je goud nooit verplaatst (lage frequentie), loop je misschien geweldige kansen mis. De grote vraag is: hoe vaak moet je je schatkist herbalanceren om het meeste goud te bemachtigen, wanneer je bij elke beweging tol betaalt? Dit is de puzzel die een team onderzoekers van de National Tsing Hua Universiteit probeerde op te lossen.

De auteurs van dit artikel, Chung-Han Hsieh en Yi-Shan Wong, besloten het beroemde "Log-Optimale" kompas te mengen met de rommelige realiteit van transactiekosten en verschillende herbalanceringssnelheden. Ze wilden zien wat er gebeurt als je probeert je vermogensgroei te maximaliseren terwijl je kosten betaalt elke keer dat je je inzetten aanpast.

Dit is wat zij ontdekten. Ten eerste bewezen ze dat zelfs met deze rommelige kosten, het probleem van het vinden van de beste strategie nog steeds wiskundig "mooi" is. Ze lieten zien dat het kan worden omgezet in een specifiek type puzzel, een "concaaf programma", wat een soort gladde kom is waarbij de bodem de beste oplossing vormt, waardoor het makkelijker wordt om het juiste antwoord te vinden zonder ergens aan de zijkanten vast te komen zitten.

Maar er was een addertje onder het gras. Toen ze de kosten toevoegden, stuitten ze op een angstaanjagende mogelijkheid: faillissement. Als de kosten te hoog zijn en je probeert te vaak te herbalanceren, zegt de wiskunde dat je met nul geld kunt eindigen. Het is alsof je zoveel tol betaalt dat je je goud al kwijt bent voordat je het volgende eiland bereikt. Om dit op te lossen, bedachten het team een slimme afkorting. Ze benaderden de complexe, angstaanjagende wiskunde met een eenvoudigere, gladdere versie (een kwadratisch programma) die de valkuil van het faillissement vermijdt en tegelijkertijd een zeer goed antwoord geeft. Ze bewezen dat deze afkorting in de meeste gevallen bijna identiek is aan de perfecte oplossing.

Ze ontdekten ook enkele verrassende regels over wanneer je "all in" moet gaan. Ze bewezen een "Dominantie-stelling" met kosten: als één activum goed genoeg is om alle anderen te verslaan, zelfs na het betalen van de kosten, dan is de slimste zet om alles in dat enkele activum te storten en de rest te negeren. Het is alsof je een eiland vindt met een goudmijn die zo rijk is, dat het zelfs na het betalen van de tollen om daar te komen, beter is om je goud te verdelen over tien andere eilanden.

Om hun ideeën te testen, gebruikten ze niet alleen theorie; ze gebruikten echte data. Ze bekeken minuut-per-minuut prijzen van zaken zoals aandelen, obligaties en zelfs Bitcoin. Ze simuleerden handel met verschillende herbalanceringssnelheden (elke minuut versus elke vijf minuten) en verschillende kostenniveaus. De resultaten waren duidelijk:

Vaak handelen is duur: Wanneer ze elke minuut herbalanceerden met de kosten uit de echte wereld, waren de winsten vaak negatief omdat de tollen de winst opaten.
Wachten loont: Wanneer ze iets langer wachtten (elke vijf minuten herbalanceren), waren de kosten lager en maakte de strategie daadwerkelijk winst.
De afkorting werkt: Hun vereenvoudigde wiskunde (de benadering) gaf resultaten die bijna identiek waren aan de complexe, perfecte wiskunde, wat bewees dat het een veilige en efficiënte tool is voor beleggers.

Ten slotte lieten ze zien hoe je dit in een real-time, online setting kunt gebruiken. In plaats van de toekomst te raden, gebruikten ze een "sliding window"-benadering. Stel je voor dat je door het raam van je schip kijkt naar het weer van de afgelopen 30 dagen om je koers voor de volgende dag te bepalen. Door hun strategie constant bij te werken op basis van de meest recente gegevens, konden ze zich aanpassen aan veranderende markten zonder een onmogelijke, complexe wiskundige formule elke seconde te hoeven oplossen.

Kortom, dit artikel biedt een praktische, wiskundig bewezen gids voor beleggers die de krachtige "Log-Optimale" strategie willen gebruiken, maar rekening moeten houden met de werkelijke kosten van het handelen. Het waarschuwt dat te snel bewegen je failliet kan laten gaan, maar dat je met de juiste timing en een slimme benadering nog steeds de golven van de markt kunt bezeilen om je vermogen te laten groeien.

Technische Samenvatting: Over het Frequentieafhankelijke Log-Optimale Portfolio met Transactiekosten

Probleemformulering
Dit artikel onderzoekt het log-optimale portfolio-probleem, dat streeft naar het maximaliseren van de Verwachte Logaritmische Groei (ELG) van het vermogen van een investeerder, waarbij expliciet twee kritieke factoren worden opgenomen die in eerdere literatuur vaak apart worden behandeld of genegeerd: herbalanceringsfrequentie en proportionele transactiekosten. De auteurs beschouwen een discrete-tijd kader met $N$ stadia en $m \ge 2$ activa, inclusief ten minste één risicoloos actief. De investeerder hanteert een lineair beleid waarbij de gewichtsvector $K$ op het eenheidssimplex ligt (long-only restrictie).

De kernuitdaging die wordt aangepakt, is dat wanneer proportionele transactiekosten groter zijn dan nul, het standaard frequentieafhankelijke log-optimale probleem onhandelbaar kan worden. Specifiek kan de aanwezigheid van kosten leiden tot "overlevingsproblemen" waarbij de waarde van de rekening $V(n)$ met een positieve waarschijnlijkheid nul of onder nul daalt, waardoor de logaritmische groeivoet ongedefinieerd wordt. Bovendien levert het exacte optimalisatieprobleem met kosten niet altijd een triviale of gesloten oplossing op, wat een rigoureuze wiskundige aanpak vereist om de restricties en potentiële faillissementen te beheersen.

Methodologie
Het artikel maakt gebruik van een combinatie van convexe optimalisatietheorie, stochastische analyse en empirische validatie met behulp van zowel intraday als dagelijkse data.

Equivalentie van Concaaf Programma: De auteurs bewijzen eerst dat het frequentieafhankelijke ELG-optimalisatieprobleem met proportionele transactiekosten equivalent is aan een concaaf programma. Door een kosten-gecorrigeerde return-vector $\tilde{X}_n$ te definiëren waarbij $\tilde{X}_{n,i} = X_{n,i} - c_i$ (waarbij $c_i$ de transactiekost is), wordt aangetoond dat de objectieve functie concaaf is over de convexe compacte verzameling van het eenheidssimplex.
Dominantietheorema met Kosten: Een versie van het Dominantietheorema wordt vastgesteld. Het biedt een voldoende voorwaarde waaronder een log-optimale investeerder 100% van de beschikbare middelen in een enkel actief $j$ zou investeren. Dit gebeurt indien de verwachte ratio van de kosten-gecorrigeerde returns van elk ander actief $i$ ten opzichte van actief $j$ kleiner dan of gelijk aan één is.
Benadering via Kwadratisch Concaaf Programma: Om het faillissementsprobleem aan te pakken waarbij $V(n) \le 0$ , stelt het artikel een Taylor-gebaseerde kwadratische benadering van de ELG-functie rond $K=0$ voor. Dit transformeert het probleem in een concaaf kwadratisch programma. De auteurs leiden de noodzakelijke en voldoende optimaliteitsvoorwaarden (KKT-voorwaarden) af voor dit benaderde probleem.
Twee-fondsen-stelling: Een versie van de Twee-fondsen-stelling wordt bewezen voor het benaderde probleem. Het demonstreert dat elke convexe combinatie van twee optimale gewichtsvectoren die voldoen aan de afgeleide optimaliteitsvoorwaarden, zelf een optimale oplossing is.
Sliding Window voor Online Trading: Om zich aan te passen aan dynamische marktomstandigheden waarbij de ware returnverdelingen onbekend zijn, implementeren de auteurs een data-gestuurde sliding window aanpak. Deze methode lost een reeks statische concave programma's op over een bewegend venster van historische data, waardoor de computationele complexiteit van stochastische dynamische programmering wordt vermeden.

Belangrijkste Resultaten en Empirische Bevindingen
Het theoretische kader wordt gevalideerd door uitgebreide empirische studies met behulp van intraday minuten-per-minuut data (vijf activa inclusief ETF's en Bitcoin) en dagelijkse data (een 32-activa portfolio inclusief Dow 30 aandelen en Bitcoin).

Nauwkeurigheid van Benadering: De empirische resultaten tonen aan dat de optimale gewichten afgeleid uit de kwadratische benadering ( $\hat{K}^*$ ) bijna identiek zijn aan de ware log-optimale gewichten ( $K^*$ ), wat het nut van de benadering voor praktische implementatie valideert.
Impact van Transactiekosten en Frequentie:
- Hoge-frequentie herbalancering (bijv. elke minuut) in combinatie met transactiekosten verslechtert de prestaties aanzienlijk, wat vaak resulteert in negatieve Sharpe-ratio's en cumulatieve verliezen.
- Het vergroten van de herbalanceringsperiode (bijv. elke 5 minuten of dagen) mitigeert de impact van transactiekosten, wat leidt tot positieve Sharpe-ratio's en betere prestaties vergeleken met frequente herbalancering.
- Onder hoge transactiekosten verschuift de optimale strategie vaak naar het aanhouden van het risicoloze actief (bankrekening) of een enkel dominant actief, in plaats van een gediversifieerd portfolio.
Dominantie in Middelgrote Portfolios: In het voorbeeld met de 32-activa dagelijkse data identificeerde het Dominantietheorema correct een enkel dominant actief (Chevron) wanneer transactiekosten aanwezig waren, wat leidde tot de optimale strategie om alle kapitaal in dat actief te concentreren.
Sliding Window Prestaties: Het online trading scenario met een sliding window aanpak toonde aan dat de log-optimale strategieën (zowel exacte als benaderde) over het algemeen beter presteerden dan een buy-and-hold strategie met gelijke gewichten, vooral wanneer het venster groot genoeg was (bijv. 30 dagen) om de schatting-ruis te middelen.

Betekenis en Claims
Het artikel claimt een gat in de literatuur te vullen door de herbalanceringsfrequentie en transactiekosten rigoureus te integreren in het log-optimale portfolio framework. De primaire bijdragen zijn:

Theoretische Rigor: Het bewijzen van de equivalentie van het kosten-inclusieve probleem aan een concaaf programma en het vaststellen van voorwaarden voor het vermijden van faillissement.
Praktische Oplosbaarheid: Het bieden van een hanteerbare kwadratische benadering met noodzakelijke en voldoende optimaliteitsvoorwaarden, waardoor het probleem oplosbaar is voor real-world portfolios.
Frequentie-Kosten Afweging: Het kwantificeren van de afweging tussen herbalanceringsfrequentie en transactiekosten, en het aantonen dat frequente herbalancering nadelig is wanneer kosten groter zijn dan nul.
Online Adaptatie: Het uitbreiden van het statische optimalisatiekader naar een online trading omgeving via een sliding window aanpak, wat een computationeel efficiënt alternatief biedt voor dynamische programmering.

De auteurs hanteren een bescheiden toon, waarbij zij erkennen dat de kwadratische benadering het meest nauwkeurig is bij kleine returns en dat toekomstig werk de mogelijkheden kan verkennen van short-selling, dividendmodellering en distributionele robuustheid om om te gaan met schattingsfouten in de returnverdelingen.

Meer zoals dit