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

Technische Samenvatting: De impact van asset-preselectie voor een Cardinality-Constrained Index Tracking Portfolio met optionele verbetering

Probleemdefinitie
Het artikel behandelt het Cardinality Constrained Index Tracking Portfolio (CCITP) probleem, waarbij een subset van $n$ activa wordt geselecteerd uit een grotere universe van $M$ indexcomponenten om het risico en rendement van een markindex (specifiek de S&P 500) te repliceren. Hoewel volledige replicatie accuraat is, brengt dit hoge beheerkosten met zich mee; het selecteren van een kleine subset vermindert daarentegen de kosten, maar verhoogt de tracking error. Het probleem is computationeel moeilijk omdat het gelijktijdig de selectie van de assetset en de optimalisatie van hun gewichten vereist, een taak die historisch gezien vertrouwde op heuristieken voor grote cardinaliteiten. Bovendien maakt het artikel onderscheid tussen pure index tracking (het minimaliseren van de tracking error) en enhanced index tracking (het zoeken naar rendementen die hoger zijn dan de index terwijl de tracking error wordt geminimaliseerd).

Methodologie
De auteurs stellen een nieuwe tweestapsbenadering voor die de assetselectie scheidt van de gewichtsbepaling, in tegenstelling tot de literatuur die ze vaak als een gezamenlijk optimalisatieprobleem behandelt.

1. Fase 1: Asset Pre-selectie: De auteurs maken gebruik van statistische regressieprocedures om de optimale set van $n$ activa te identificeren vóór de gewichtoptimalisatie. Ze evalueren acht verschillende pre-selectieprocedures gebaseerd op twee richtingen (Forward Selection en Backward Elimination) en twee regressiedoelen (Ordinary Least Squares [OLS] en Least Absolute Deviation [LAD]), elk getest met en zonder een regressieconstante.

   • Forward Selection: Voegt iteratief de asset toe die de verklarende kracht (gecorrigeerde $R^2$ voor OLS, geminimaliseerde Mean Absolute Deviation voor LAD) van het indexrendement of de residuvariatie maximaliseert.
   • Backward Elimination: Begint met de volledige universe en verwijdert iteratief de asset met de minste verklarende kracht (laagste t-waarde voor OLS, kleinste absolute coëfficiënt voor LAD).
   • Verbetering (Enhancement): Een doelstelling voor verbetering ($\lambda$) kan worden toegevoegd aan het indexrendement om enhanced tracking te faciliteren tijdens de selectie.

2. Fase 2: Gewichtsoptimalisatie: Zodra de assetset is vastgesteld, worden de gewichten geoptimaliseerd om een specifieke doelfunctie te minimaliseren over een in-sample periode ($T_1$). De doelfunctie minimaliseert de gekwadrateerde Root Mean Square Tracking Error (RMSE) plus een strafterm voor het verschil in gemiddelde rendementen tussen de portfolio en de index. Een quasi-Newton methode (BCONF) wordt gebruikt voor deze niet-lineaire optimalisatie.

3. Evaluatiekader: De studie maakt gebruik van een bewegend tijdvenster op dagelijkse S&P 500-data van 3 januari 2005 tot 29 december 2023. Het proces omvat het selecteren van een portfolio over een in-sample periode ($T_1$) en het evalueren van de out-of-sample prestaties over een daaropvolgende periode ($T_2$). Transactievolume wordt benaderd door de som van de absolute veranderingen in assetgewichten tussen herbalanceringsperiodes.

Belangrijkste Resultaten

• Pre-selectie Prestaties: Onder de acht procedures rangschikte Backward Elimination met OLS zonder constante (BE-OLS(n)) consistent het hoogst op het gebied van in-sample tracking error, out-of-sample tracking error en transactievolume. Forward selection procedures leverden over het algemeen hogere tracking errors op, en LAD-gebaseerde procedures presteerden slecht, vooral bij backward elimination, waarschijnlijk door degeneratie in lineaire programmering met grote assetsets.
• Cardinaliteit en Tracking Error: De studie demonstreert experimenteel dat de out-of-sample tracking error afneemt volgens de inverse vierkantswortel van de cardinaliteit ($1/\sqrt{cardinality}$). Specifiek wordt de relatie gemodelleerd als $TE \approx \theta n^{-\omega}$, waarbij $\omega \approx 0.58$ voor out-of-sample errors, wat de benadering ondersteunt dat de error proportioneel is aan $1/\sqrt{n}$.
• Volatiliteitsafhankelijkheid: De out-of-sample tracking error is sterk gecorreleerd met de indexvolatiliteit. Echter, naarmate de cardinaliteit toeneemt, neemt de afhankelijkheid van de portfolio van de indexvolatiliteit af, wat leidt tot grotere stabiliteit.
• Enhanced Tracking: Voor portfolio's die streven naar verbeterde rendementen, verschillen de resultaten aanzienlijk van pure tracking. Hoewel grotere cardinaliteiten de tracking error verminderen, maximaliseren ze niet noodzakelijkerwijs de excess rendementen. De studie vindt dat cardinaliteiten in de range van 10 tot 20 het meest effectief zijn voor het genereren van enhanced returns.
• Gevoeligheidsanalyse: Langere in-sample periodes ($T_1$) verminderen over het algemeen de tracking error en het transactievolume. Kortere out-of-sample evaluatieperiodes ($T_2$) verminderen de tracking error maar verhogen het transactievolume door frequentere herbalancering. Voor enhanced tracking leverde een in-sample periode van 3 jaar en een out-of-sample periode van 6 maanden de beste balans op.

Betekenis en Claims
Het artikel claimt een duidelijke bijdrage aan de literatuur door een scheiding voor te stellen tussen de fasen van assetselectie en gewichtsbepaling. De auteurs stellen dat deze benadering de computationele moeilijkheid wegneemt die gepaard gaat met het gezamenlijk optimaliseren van assetsets en gewichten, waardoor de analyse van grotere cardinaliteiten (tot 100 assets) mogelijk wordt zonder te vertroukken op complexe heuristieken.

De studie levert empirisch bewijs dat:

1. Asset pre-selectie via statistische regressie een levensvatbaar en effectief alternatief is voor gezamenlijke optimalisatieheuristieken.
2. De relatie tussen tracking error en cardinaliteit een voorspelbare machtswet volgt ($1/\sqrt{n}$), wat een praktische vuistregel biedt voor portfolio-constructie.
3. Er een trade-off bestaat tussen tracking nauwkeurigheid en rendementverbetering; terwijl grote portfolio's de tracking error minimaliseren, zijn kleinere portfolio's (cardinaliteit 10–20) effectiever voor het genereren van excess rendementen.

De auteurs blijven bescheiden over de universaliteit van hun bevindingen, waarbij zij opmerken dat de effectiviteit van pre-selectie afhangt van de specifieke statistische eigenschappen van asset-rendementen (bijv. fat tails) en dat de "optimale" portfolio niet uniek is, aangezien verschillende hoogpresterende procedures vaak aanzienlijk verschillende asset-componenten selecteren.