💰 quantitative finance

Some general results on risk budgeting portfolios

Dit artikel introduceert een nieuw, efficiënt algoritme voor het berekenen van risicobudgetportefeuilles door gebruik te maken van een Cauchy-rij binnen het simplex, wat de noodzaak om complexe hulpoptimalisatieproblemen op te lossen, overbodig maakt en theoretische voorwaarden voor bestaan en uniciteit biedt.

Oorspronkelijke auteurs: Claudia Fassino, Pierpaolo Uberti

Gepubliceerd 2026-03-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Claudia Fassino, Pierpaolo Uberti

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

🎯 De Grootse Uitdaging: Iedereen tevreden stellen in een groep

Stel je voor dat je een groep vrienden hebt die samen een reis plannen. Ze willen een bus huren (het portefeuille). Elke vriend heeft een andere angst: de een is bang voor hoogte, de ander voor krappe zitjes, en weer een ander voor lange reistijden.

In de financiële wereld noemen we deze angsten risico's.

Risicopariteit is de situatie waarin elke vriend precies evenveel angst bijdraagt aan de totale reisstress.
Risicobudgettering is een stap verder: de groep besluit dat de ene vriend iets meer angst mag hebben dan de andere (bijvoorbeeld: "Jij bent stoer, jij mag 20% van de stress dragen, jij bent bang, jij mag maar 5%").

Het probleem? Het is ontzettend lastig om precies uit te rekenen hoeveel geld je aan wie moet geven zodat die specifieke angstverdeling precies uitkomt.

🛠️ De Oude Manier: Het "Optimalisatie"-Mazige

Vroeger probeerden mensen dit op te lossen door een ingewikkeld wiskundig raadsel op te lossen (een optimalisatie-probleem).

De analogie: Stel je voor dat je een blindeman bent die een berg moet beklimmen. Hij voelt de grond onder zijn voeten en probeert stap voor stap de hoogste top te vinden. Maar soms is de berg zo steil en glad (wiskundig gezien: de berg is onstabiel) dat hij een kleine stap verkeerd zet en in een diepe kuil belandt, of uren rondloopt zonder vooruit te komen.
Het nadeel: Deze methode is traag, gevoelig voor kleine foutjes in de gegevens, en het is voor een leek onduidelijk waarom de oplossing zo is. Het voelt als "zwartkijkende wiskunde" zonder echte economische logica.

✨ De Nieuwe Manier: De "Trekkende Draad" (Dit artikel)

De auteurs van dit artikel (Claudia en Pierpaolo) zeggen: "Waarom proberen we die berg te beklimmen? Laten we gewoon een trekkende draad gebruiken die ons direct naar de juiste plek leidt."

Ze hebben een nieuwe methode bedacht die werkt als een Cauchy-rij.

De analogie: Stel je voor dat je in een donkere kamer staat en je wilt naar de deur (de perfecte verdeling). Je hebt een magneet in je hand die de deur aantrekt.
1. Je begint ergens in de kamer.
2. Je kijkt hoe ver je nog van de deur bent (de fout).
3. Je maakt een stap in de richting van de deur.
4. Je kijkt weer: ben je dichter bij? Ja? Maak nog een stap.
5. Je herhaalt dit tot je precies voor de deur staat.

In de wiskunde noemen ze dit een Cauchy-rij: een rij van stappen die steeds kleiner worden en die uiteindelijk perfect samenkomen op één punt. Het mooie is: je hoeft geen ingewikkeld raadsel op te lossen; je hoeft alleen maar te "stappen" in de goede richting.

🚀 Waarom is dit zo cool?

Snelheid: De oude methode (de blindeman op de berg) kan uren duren. De nieuwe methode (de magneet) is supersnel. In de test van de auteurs was hun nieuwe algoritme duizenden keren sneller dan de oude methoden, vooral als je veel vrienden (veel activa) hebt.
Geen "Zwarte Doos": Je hoeft geen ingewikkeld optimalisatie-probleem op te lossen dat niemand begrijpt. Je bouwt gewoon een rij van stappen. Het is logischer en makkelijker uit te leggen.
Stabiliteit: De oude methode kan gek doen als je de invoer een beetje verandert (bijvoorbeeld: "Oh, de bus is net iets duurder"). De nieuwe methode is robuust; hij blijft rustig naar de deur lopen, ongeacht kleine trillingen.

📊 De Test: Wie wint er?

De auteurs hebben hun nieuwe methode (genaamd FP voor Fixed Point) getest tegen de drie beste oude methoden.

Scenario: Ze lieten computers 1000 keer een portemonnee samenstellen met 5, 10, 50, 100 of zelfs 200 verschillende aandelen.
Resultaat: Hun nieuwe methode was overal de snelste en gaf de meest nauwkeurige resultaten.
- Bij 200 aandelen deed de oude methode (OP1) er 1,4 seconde over. Hun methode? Slechts 0,038 seconde.
- En hoe groter de groep, hoe beter hun methode presteerde ten opzichte van de anderen.

💡 De "L"-knop: De snelheidsregelaar

In hun nieuwe methode is er een knop genaamd L.

Te laag (bijv. 0,3): Je maakt heel kleine, voorzichtig stappen. Je komt wel aan, maar het duurt lang. Soms loop je zelfs vast omdat de wiskunde even niet mee wil.
Te hoog (bijv. 0,99): Je maakt enorme stappen. Je komt heel snel dichtbij, maar je kunt soms net voorbij de deur springen en moet terug.
De Gouden Middenweg: De auteurs ontdekten dat een waarde rond 0,9 of 0,95 vaak het beste werkt. Het is alsof je met een straaljager vliegt: snel, maar met genoeg controle om precies te landen.

🏁 Conclusie in één zin

Dit artikel zegt: "Vergeet die ingewikkelde bergbeklimmingen om je geld te verdelen. Gebruik in plaats daarvan een slimme, snelle 'stap-voor-stap' methode die je direct en nauwkeurig naar de perfecte risicoverdeling leidt, zonder dat je een wiskundig genie hoeft te zijn."

Het is een nieuwe, snellere en slimmere manier om je geld te verdelen, zodat elke "vriend" in je portefeuille precies de hoeveelheid risico krijgt die jij wilt.

1. Probleemstelling

Het artikel adresseert de berekening van risicobudgetportefeuilles (Risk Budgeting Portfolios). In een dergelijke portefeuille draagt elk actief een vooraf bepaald, vooraf vastgesteld bedrag bij aan het totale portefeuillerisico. Dit is een generalisatie van de bekende "Risk Parity"-strategie, waarbij alle activa een gelijke risicobijdrage hebben.

De bestaande literatuur lost dit probleem doorgaans op door een hulpoptimalisatieprobleem op te lossen (vaak gebaseerd op het werk van Maillard et al., 2010). De auteurs identificeren echter enkele ernstige tekortkomingen in deze traditionele aanpak:

Gebrek aan economische interpretatie: Het hulpoptimalisatieprobleem heeft geen directe economische betekenis, waardoor het moeilijk te verklaren is waarom een investeerder haar vermogen via deze specifieke optimalisatie zou toewijzen.
Numerieke instabiliteit: Optimalisatieproblemen kunnen gevoelig zijn voor kleine variaties in invoerparameters en leiden tot numerieke instabiliteit.
Berekeningskosten: De methoden worden computationally zwaar naarmate het aantal activa ( $N$ ) toeneemt.
Theoretische beperkingen: Bestaande bewijzen voor bestaan en uniciteit zijn sterk afhankelijk van de convexiteit van het hulpoptimalisatieprobleem.

2. Methodologie

De auteurs stellen een nieuw, alternatief perspectief voor dat het probleem niet als een optimalisatie, maar als een vaste punt-probleem (fixed point problem) benadert.

Kernconcepten:

Cauchy-sequentie: De auteurs definiëren een Cauchy-sequentie binnen het simplex van $\mathbb{R}^N$ (de ruimte van alle mogelijke gewichten die optellen tot 1 en niet-negatief zijn). Het limietpunt van deze sequentie correspondeert met het gewenste risicobudgetportefeuille.
Iteratief algoritme: In plaats van een optimalisatie te zoeken, wordt een iteratief proces opgezet:
$x_{n+1} = x_n + k(x_n)\Delta(x_n)$
Waarbij:
- $x_n$ de portefeuille is op iteratie $n$ .
- $\Delta(x)$ een functie is die het verschil meet tussen de huidige risicobijdragen en de gewenste risicobudgetten ( $RC_\rho(x) - x_b 1^t RC_\rho(x)$ ).
- $k(x)$ een continu, begrensd stappenlengte-functie is die zorgvuldig wordt gekozen om convergentie te garanderen en de iteraties binnen het simplex te houden.
Vaste punt theorie: De limiet van de sequentie is een vast punt van de functie $G(x) = x - k(x)\Delta(x)$ . De auteurs gebruiken de stelling van Kellogg om voorwaarden te formuleren waaronder dit vaste punt uniek bestaat binnen het simplex.
Toepassing op Standaardafwijking: Hoewel de methode algemeen is voor elke risicomaatstaf $\rho$ , wordt deze in detail uitgewerkt voor de standaardafwijking. Hierbij wordt de covariantiematrix $V$ gebruikt om de marginale risicobijdragen te berekenen ( $RC_\rho(x) = \text{diag}(x)Vx$ ).
Bepaling van $k_n$ : Om de convergentie te garanderen, moet $k_n$ zo worden gekozen dat de norm van het residu $\|\Delta(x_{n+1})\|$ afneemt volgens een factor $L < 1$ (d.w.z. $\|\Delta(x_{n+1})\| \leq L \|\Delta(x_n)\|$ ). Dit leidt tot het oplossen van een kwartische of kubische polynoom, afhankelijk van de situatie.

3. Belangrijkste Bijdragen

Nieuwe theoretische grondslag: De auteurs bewijzen dat het bestaan en de uniciteit van een risicobudgetportefeuille equivalent zijn aan het bestaan en de uniciteit van een vast punt van een specifieke functie op het simplex. Dit biedt een alternatief voor de bewijzen die volledig afhankelijk zijn van convexiteit in optimalisatieproblemen.
Efficiënt algoritme zonder optimalisatie: Ze ontwikkelen een direct iteratief algoritme dat geen hulpoptimalisatieprobleem hoeft op te lossen. Dit elimineert de noodzaak voor zware optimalisatieroutines (zoals fmincon in MATLAB) en biedt een economisch intuïtiefere interpretatie (het aanpassen van gewichten op basis van het verschil in risicobijdrage).
Voldoende voorwaarden: Ze formuleren voldoende voorwaarden voor de convergentie van de Cauchy-sequentie en de uniciteit van het resultaat, gebaseerd op de continuïteit van de risicobijdragefunctie en de keuze van de parameter $L$ .
Robuustheid: Het algoritme is ontworpen om te werken met algemene risicomaatstaven, hoewel het in dit artikel specifiek wordt getest op standaardafwijking.

4. Resultaten (Empirische Evaluatie)

De auteurs vergelijken hun Fixed Point (FP) algoritme met drie standaardmethoden uit de literatuur:

OP1 & OP2: Optimalisatieproblemen (minimatie van kwadratische afwijkingen of log-transformaties).
NLS: Oplossen van een niet-lineair vergelijkingensysteem.

Vergelijking op basis van 1000 simulaties voor verschillende portefeuillegroottes ( $N = 5, 10, 50, 100, 200$ ):

Snelheid: Het FP-algoritme is aanzienlijk sneller dan alle andere methoden. Voor $N=200$ is het FP-algoritme ongeveer 37 keer sneller dan OP1 en 95 keer sneller dan NLS.
Nauwkeurigheid: Het FP-algoritme levert de nauwkeurigste resultaten op (kleinste afstand tot de ideale risicobijdrage). De optimalisatiemethoden (OP1, OP2) vertonen vaak significante afwijkingen, zelfs na veel iteraties.
Schalbaarheid: De rekentijd van het FP-algoritme schaalt veel beter met het aantal activa dan de concurrenten. De optimalisatiemethoden worden exponentieel zwaarder naarmate $N$ groeit.
Parameter $L$ : Er wordt onderzocht hoe de parameter $L$ (die de convergentiesnelheid regelt) de prestaties beïnvloedt. Een waarde van $L$ die dicht bij 1 ligt (bijv. 0.9 of 0.95) bleek vaak de beste balans te bieden tussen snelheid en stabiliteit, hoewel te kleine waarden van $L$ kunnen leiden tot het niet vinden van reële oplossingen voor de polynomen in bepaalde stappen.

5. Betekenis en Conclusie

Dit artikel biedt een fundamentele doorbraak in de berekening van risicobudgetportefeuilles. Door het probleem te herschrijven als een vast punt-probleem in plaats van een optimalisatieprobleem, bieden de auteurs:

Een snellere en nauwkeurigere numerieke methode die minder rekenkracht vereist.
Een theoretisch robuustere basis voor het bewijzen van bestaan en uniciteit, losgekoppeld van de complexiteit van hulpoptimalisatieproblemen.
Een praktisch bruikbaar algoritme dat minder gevoelig is voor numerieke instabiliteit en beter schaalbaar is voor grote portefeuilles.

De auteurs concluderen dat hun methode een superieur alternatief is voor de huidige state-of-the-art en dat toekomstig onderzoek zich kan richten op het toepassen van deze techniek op andere risicomaatstaven (zoals Value at Risk of Expected Shortfall) en het verfijnen van de theoretische voorwaarden voor uniciteit.