A Distributed Method for Cooperative Transaction Cost Mitigation

Dit paper introduceert een gedistribueerd protocol op basis van convex optimalisatie dat portfoliobeheerders in staat stelt hun handelsorders af te stemmen om transactiekosten te verlagen zonder hun strategieën of orderlijsten te hoeven onthullen, waardoor zelfs na enkele iteraties aanzienlijke besparingen worden gerealiseerd.

De kern

Hier is een uitleg van het artikel in eenvoudig, alledaags Nederlands, vol met creatieve vergelijkingen.

De Grote Koeriersprobleem: Hoe een Beleggingsbedrijf Geld Bespaart zonder te Kletsen

Stel je een groot, modern postkantoor voor. Dit postkantoor heeft vele verschillende afdelingen (de Portfolio Managers of PM's). Elke afdeling heeft zijn eigen specifieke doel:

• Afdeling A wil vooral pakketten naar Spanje sturen.
• Afdeling B wil vooral naar Japan.
• Afdeling C wil juist naar Brazilië.

Elke afdeling werkt onafhankelijk. Ze maken hun eigen lijstjes met pakketten die ze vandaag willen versturen. Ze weten niet wat de andere afdelingen doen, en ze willen hun geheimen ook niet delen.

Het Probleem: De "Verkeersdrukte" op de Weg

Nu komt het: in plaats dat elke afdeling zijn eigen vrachtwagen laat rijden, besluit het postkantoor om alle pakketten te bundelen. Ze tellen alle lijstjes bij elkaar op.

• Als Afdeling A 100 pakketten naar Spanje wil en Afdeling B 100 pakketten terug uit Spanje, dan hoeft er niets verstuurd te worden! De vrachtwagen blijft staan.
• Maar als Afdeling A 100 pakketten naar Spanje wil en Afdeling B ook 100 pakketten naar Spanje, dan moet er ineens een enorme vrachtwagen de weg op.

Hier zit de valkuil: Hoe groter de vrachtwagen, hoe meer hij de weg "opstopt". De weg wordt drukker, de brandstofprijzen stijgen en de tolkosten worden hoger. In de beurswereld noemen we dit transactiekosten. Als een bedrijf te veel van hetzelfde aandeel koopt of verkoopt, duwt dat de prijs omhoog of omlaag, en wordt het voor het bedrijf duurder om die handel uit te voeren.

Als elke afdeling alleen naar zijn eigen lijstje kijkt, ziet hij niet dat hij samen met de anderen een enorme "verkeersopstopping" veroorzaakt. Het resultaat? Het hele postkantoor betaalt te veel tol.

De Oplossing: Een Slimme, Stille Coördinatie

De auteurs van dit paper (Nikhil Devanathan en collega's) hebben een slimme manier bedacht om dit op te lossen. Ze noemen het een gedistribueerde methode.

Stel je voor dat er een hoofdcoördinator is (een centrale computer) die geen geheimen wil weten, maar wel de totale drukte op de weg kan meten.

Het proces werkt als een stille dans in rondes:

1. De Eerste Dansstap: Elke afdeling stuurt zijn lijstje naar de coördinator. De coördinator telt alles bij elkaar op en ziet: "Oh, we hebben een enorme drukte naar Spanje!"
2. Het Signaal: De coördinator stuurt geen lijstjes terug naar de afdelingen (want dan zouden ze elkaars geheimen zien). In plaats daarvan stuurt hij een simpel signaal: "Hé, de weg naar Spanje is druk, het kost je nu 5% extra tol."
3. De Aanpassing: Elke afdeling krijgt dit signaal. Ze denken: "O, als het zo duur is, misschien moet ik iets minder naar Spanje sturen, of juist iets meer naar Japan?" Ze passen hun eigen lijstje een klein beetje aan, zonder hun eigen strategie te onthullen.
4. Herhaling: Ze sturen het nieuwe lijstje weer op. De coördinator meet de drukte opnieuw, stuurt een nieuw signaal, en de afdelingen passen weer iets aan.

Na slechts een paar rondes (soms maar 2 of 3) vinden ze een perfect evenwicht. De enorme vrachtwagen is verdwenen, de weg is rustig, en de tolkosten zijn drastisch gedaald.

Waarom is dit zo slim?

• Privacy: De afdelingen hoeven nooit te zeggen waarom ze naar Spanje willen of wat hun geheime strategie is. Ze geven alleen een getal (hun lijstje) en krijgen een prijsinformatie terug.
• Snelheid: Je hoeft niet alles in één keer uit te rekenen (wat een gigantische, onmogelijke rekensom zou zijn). Het gebeurt stap voor stap.
• Resultaat: Zelfs met heel weinig rondes bespaart het bedrijf enorm veel geld. Het is alsof je in een file staat en plotseling ziet dat er een alternatieve route is die niemand had bedacht, totdat iedereen even een klein beetje van richting veranderde.

De Conclusie

Deze methode is als een orkest zonder dirigent die toch perfect samen speelt.
Elke muzikant (PM) speelt zijn eigen partituur. Ze horen niet wat de anderen spelen, maar ze horen wel de "klank van de zaal" (de transactiekosten). Als de zaal te luidruchtig wordt (te hoge kosten), passen ze hun volume of toon een klein beetje aan.

Het resultaat is dat het hele orkest (het bedrijf) een veel mooier geluid maakt (meer winst) met minder inspanning (lagere kosten), zonder dat de muzikanten elkaar hoeven te controleren of hun partituren hoeven in te leveren.

Kortom: Door slim te communiceren over de "prijs van de weg", kunnen beleggers samenwerken om geld te besparen, terwijl ze hun eigen geheimen veilig houden.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "A Distributed Method for Cooperative Transaction Cost Mitigation" in het Nederlands.

Titel: Een Gedistribueerde Methode voor Cooperatieve Transactiekostemitigatie

Auteurs: Nikhil Devanathan, Logan Bell, Dylan Rueter, Stephen Boyd
Datum: 10 maart 2026

---

1. Het Probleem: Coördinatie in Portefeuillebeheer

In grote vermogensbeheerders werken vaak meerdere portefeuillemanagers (PM's) samen aan één fonds, waarbij elke manager een specifiek deel (een "sleeve") beheert met een eigen doelstelling.

• Onafhankelijke optimalisatie: Elke PM lost zijn eigen optimalisatieprobleem op om zijn gewenste handelslijst te bepalen, gebaseerd op zijn eigen visie op risico en rendement.
• Netting en Marktprijsimpact: De handelslijsten van alle PM's worden door het bedrijf samengevoegd (genetnet) en als één netto-order op de markt uitgevoerd.
• Het conflict: Omdat transactiekosten (zoals marktprijsimpact en spread) niet lineair zijn en afhangen van het totale handelsvolume, beïnvloeden de trades van de ene PM de kosten van de andere. Als PM's onafhankelijk handelen zonder rekening te houden met de netto-order van het bedrijf, kunnen ze onnodig hoge transactiekosten veroorzaken die het totale rendement van het fonds aantasten.
• Privacyuitdaging: Een centrale oplossing zou vereisen dat PM's hun volledige handelsstrategieën en doelstellingen delen, wat vaak onwenselijk is vanwege concurrentie, privacy en intellectueel eigendom.

2. Methodologie: Gedistribueerde Convexe Optimalisatie

De auteurs stellen een protocol voor dat gebaseerd is op de Alternating Direction Method of Multipliers (ADMM). Dit maakt het mogelijk om het gezamenlijke optimalisatieprobleem op te lossen zonder dat PM's hun interne gegevens hoeven te onthullen.

Wiskundige Formulering

• Doelfunctie: Het doel is om de som van de negatieve verwachte rendementen van alle PM's (gewogen naar hun netto-assetwaarde, NAV) te minimaliseren, plus de gemodelleerde transactiekosten van de netto-handel.
• Gecombineerd probleem:
  $$\min \sum_{i=1}^M \lambda_i f_i(x_i) + \gamma_{tc} \phi_{tc}(z)$$
  waarbij $z = \sum \lambda_i x_i$ de netto-handel is en $\phi_{tc}$ de transactiekostfunctie (bijv. een model met bid-ask spread en $3/2$-macht impact).
• Privacy: De PM's hoeven hun functie $f_i$ (hun strategie) niet te delen. Ze delen alleen hun voorgestelde handelsgewichten.

Het ADMM-Protocol (Algorithm 1)

Het proces verloopt in iteraties (rondes) tussen de PM's en een centrale planner:

1. Initialisatie: PM's berekenen hun initiële handelslijst ($x_{i,0}$) op basis van hun eigen doelstellingen.
2. Iteratie (herhaald $K$ keer):
   • Stap 1 (Gedistribueerde update): De centrale planner berekent een "signaal" ($\ell_k$) gebaseerd op de huidige netto-handel en de transactiekosten. Dit signaal wordt als een prijsaanpassing (korting of toeslag) naar elke PM gestuurd.
   • PM Update: Elke PM lost zijn eigen optimalisatieprobleem opnieuw op, maar voegt het ontvangen signaal toe als een lineaire kostencomponent en een kwadratische stabiliteitsstraf (om grote afwijkingen van de vorige ronde te voorkomen). Ze sturen hun nieuwe handelslijst terug.
   • Stap 2 (Gecentraliseerde update): De planner berekent de nieuwe netto-handel en update de Lagrange-multiplicatoren (dual variables) om de convergentie te versnellen.
3. Convergentie: Na voldoende iteraties convergeren de handelslijsten naar de oplossing die het totale bedrijfsoptimum bereikt. In de praktijk volstaan vaak slechts een paar iteraties.

Hyperparameters

• D (Schaalvector): Wordt gekozen om de kromming van de transactiekostfunctie te benaderen (gebaseerd op de Hessiaan van de kwadratische impactkosten).
• $\rho$ (Strafparameter): Controleert de sterkte van de consensus.
• $\phi$ (Extrapolatie): Versnelt de convergentie (vaak ingesteld op 1 of de gulden snede).

3. Belangrijkste Bijdragen

1. Privacybehoud: Het protocol lost het gezamenlijke probleem op zonder dat PM's hun strategieën, alfa-estimates of beperkingen aan elkaar of aan de centrale planner hoeven te onthullen.
2. Schaalbaarheid: De methode is geschikt voor grote systemen met veel PM's en assets, omdat de zware berekeningen lokaal bij elke PM plaatsvinden.
3. Praktische efficiëntie: Het paper toont aan dat zelfs met een klein aantal iteraties (bijv. $K=2$ of $K=5$) een aanzienlijke reductie in transactiekosten wordt bereikt, dicht in de buurt van de theoretisch optimale "full cooperative" oplossing.
4. Flexibiliteit: Het framework kan eenvoudig worden uitgebreid met andere bedrijfswijde beperkingen (zoals leverage-limieten, shorting-kosten op netto-posities, of sectorlimieten).

4. Resultaten (Backtest)

De auteurs hebben het protocol getest op historische data van 434 Amerikaanse aandelen (S&P 500) van juli 2000 tot april 2025, met een simulatie van 4 PM's.

• Vergelijkingsmodellen:

  • Independent: PM's handelen onafhankelijk.
  • Full Cooperative: Ideale oplossing waarbij alle data centraal wordt samengevoegd (bovenste limiet).
  • ADMM 2 iter: Gedistribueerde oplossing met 2 rondes.
  • ADMM 5 iter: Gedistribueerde oplossing met 5 rondes.

• Kernbevindingen:

  • Transactiekosten: De onafhankelijke methode levert de hoogste kosten op. De ADMM-methoden reduceren de kosten drastisch. ADMM met 5 iteraties bereikt ongeveer 75% van de besparingen van de ideale "Full Cooperative" oplossing.
  • Rendement en Sharpe Ratio:
    • Onafhankelijk: Sharpe Ratio 1.60.
    • Full Cooperative: Sharpe Ratio 2.05.
    • ADMM 2 iter: Sharpe Ratio 2.04.
    • ADMM 5 iter: Sharpe Ratio 2.08.
  • Conclusie: Zelfs met slechts 2 iteraties wordt bijna hetzelfde rendement en dezelfde Sharpe Ratio bereikt als de ideale centrale oplossing, maar dan met behoud van privacy.

5. Betekenis en Conclusie

Dit paper biedt een praktische en wiskundig onderbouwde oplossing voor een veelvoorkomend probleem in het institutionele vermogensbeheer: het afstemmen van handelsactiviteiten om kosten te verlagen zonder de autonomie van portefeuillemanagers in te perken.

• Toepassing: Het is bijzonder relevant voor firmes met een "multi-sleeve" structuur waar netto-handel centraal wordt uitgevoerd.
• Beperkingen: Het protocol garandeert niet dat elke individuele PM een hoger rendement behaalt (sommige PM's kunnen minder trades uitvoeren of andere posities innemen), maar het maximaliseert wel het rendement van het gehele fonds door frictiekosten te minimaliseren.
• Impact: Het bewijst dat gedistribueerde optimalisatie (ADMM) een krachtig instrument is voor het oplossen van complexe, gekoppelde problemen in de financiële sector, waarbij privacy en efficiëntie hand in hand gaan.

Kortom, de auteurs tonen aan dat een paar rondes van coördinatie via een eenvoudig protocol voldoende zijn om de transactiekosten van een fonds substantieel te verlagen, terwijl de strategische geheimen van de individuele managers behouden blijven.