The Long-Only Minimum Variance Portfolio in a One-Factor Market: Theory and Asymptotics

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

📉 De Kunst van het Minder Risico: Een Reis door de Beurs

Stel je voor dat je een enorme schat aan schatten (beleggingen) hebt verzameld. Je wilt een koffer maken (een portefeuille) die zo veilig mogelijk is. Je wilt dat de waarde van je koffer niet te veel schommelt, of het nu regent of zonneschijn is. In de financiële wereld noemen we dit een Minimum Variance Portfolio.

Maar er is een belangrijke regel: je mag alleen kopen (long-only). Je mag geen leningen aangaan om op de beurs te gokken dat iets in waarde daalt (short-sell). Dit maakt het vinden van de perfecte koffer veel moeilijker.

Dit artikel van Alec Kercheval en Ololade Sowunmi lost een groot raadsel op: Hoe kies je precies welke schatten in je koffer gaan als je alleen mag kopen, en hoe gedraagt dit zich als je duizenden schatten hebt?

1. Het Grote Probleem: Wie mag mee?

Stel je hebt 5.000 verschillende aandelen. In een ideale wereld (waar je ook mag short-sellen) zou je een mix maken van alles: je koopt de beste en verkoopt de slechtste. Maar omdat je alleen mag kopen, moet je een selectie maken.

De grote vraag is: Welke aandelen krijgen een plekje in je koffer en welke blijven buiten?

Soms is het antwoord: "Allemaal!"
Maar vaak is het antwoord: "Alleen de beste 5%!"

De auteurs hebben een simpele, maar krachtige formule bedacht om te bepalen wie er binnenkomt. Het is alsof je een ladder hebt. Je sorteert alle aandelen op hun "risicoprofiel" (in het jargon: hun beta). De formule zegt: "Alles wat onder een bepaalde drempel op de ladder staat, mag mee. Alles daarboven, blijft staan."

2. De "Eén Factor" Wereld: De Grote Golf

In dit artikel kijken ze naar een speciaal soort markt: de één-factor markt.

De Analogie: Stel je voor dat de beurs een groot meer is. Er is één grote wind (de "factor") die over het water waait. Alle boten (aandelen) worden door deze wind bewogen. Sommige boten zijn zwaar en bewegen weinig (lage beta), andere zijn licht en vliegen bijna weg (hoge beta).
De auteurs laten zien dat zelfs als sommige boten tegen de wind in varen (negatieve beta), je nog steeds een simpele regel kunt gebruiken om te beslissen wie mee mag. Je hoeft niet te gokken of te raden; je kunt het exact berekenen.

3. Het Grote Geheim: Hoeveel Boten Maken Er Feitelijk mee?

Dit is het meest fascinerende deel van het artikel. De auteurs kijken naar wat er gebeurt als je oneindig veel aandelen hebt (een "hoogdimensionale" markt).

Stel je voor dat je een heel groot festival hebt met duizenden mensen. Iedereen heeft een eigen karakter (hun beta).

De Vraag: Als je duizenden mensen hebt, hoeveel mensen kiezen er dan om in je veilige koffer te zitten?
Het Resultaat: Het antwoord hangt af van de verdeling van de mensen.
- Als er mensen zijn die tegen de wind in varen (negatieve beta), dan is de koffer vaak vol. Je moet veel mensen meenemen om het risico te spreiden.
- Maar... als niemand tegen de wind in vliegt (alle beta's zijn positief), dan wordt het heel raar: je koffer wordt bijna leeg.

De "Lege Koffer" Paradox:
Als alle aandelen in dezelfde richting bewegen (allemaal positief), dan is het veiligst om niet alles te kopen. Je koopt alleen de aller-zwaarste, veiligste boten (die met de laagste beta). De rest laat je staan.

Voorbeeld: Als je 10.000 aandelen hebt en ze bewegen allemaal een beetje mee met de wind, dan kies je misschien maar 50 van de veiligste. De andere 9.950? Die laat je staan. Je portefeuille wordt dus "dunner" naarmate je meer opties hebt.

4. De "Kubieke Wortel" Regel

De auteurs ontdekten iets heel grappigs over hoe snel deze koffer leeg wordt.
Stel je voor dat je een flesje hebt met een beetje "negatieve wind" (aandelen die tegen de trend in gaan). Als je dat flesje leeg maakt (dus minder negatieve aandelen), wordt je koffer niet lineair kleiner.

Het wordt kubiek kleiner!

Als je de hoeveelheid "negatieve wind" halveert, wordt je koffer niet de helft kleiner, maar veel, veel kleiner (ongeveer de derdemachtswortel van het aantal).
De Metafoor: Het is alsof je een ijsblokje hebt. Als je de temperatuur iets verhoogt (minder negatieve aandelen), smelt het ijsblokje niet langzaam, maar stort het ineens in elkaar.

5. Waarom is dit belangrijk?

Vroeger dachten beleggers dat als je meer aandelen hebt, je een bredere koffer zou bouwen. Dit artikel zegt: "Nee, niet als je alleen mag kopen."

Voor de belegger: Het betekent dat in een markt waar alles positief is (zoals de meeste aandelenmarkten), je je portefeuille heel selectief moet houden. Je hoeft niet 500 aandelen te kopen om veilig te zijn; vaak zijn 20 van de veiligste al genoeg.
Voor de wiskunde: Het lost een raadsel op dat al jaren bestond. Vroeger dachten wetenschappers dat hun formules alleen werkten als alle aandelen positief waren. Nu weten we: het werkt ook als er een paar "rotte appels" (negatieve aandelen) tussen zitten.

Samenvatting in één zin

Dit artikel leert ons dat in een wereld waar we alleen mogen kopen, de veiligste strategie vaak is om alleen de aller-zwaarste, veiligste boten te kiezen, en dat hoe meer opties we hebben, hoe kleiner en selectiever onze koffer eigenlijk wordt.

Het is een beetje zoals het kiezen van een team voor een zware tocht: als je duizenden sterke mensen hebt, kies je niet iedereen, maar alleen de top 1% die het meest stabiel is. De rest laat je achter, niet omdat ze slecht zijn, maar omdat ze onnodig risico toevoegen aan je specifieke missie.

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

1. Probleemstelling

Het artikel onderzoekt het Long-Only Minimum Variance (LOMV) portfolio-probleem in een markt met $p$ activa. Het doel is om een portefeuille $w$ te vinden die de variantie minimaliseert onder de volgende voorwaarden:

Volledige investering: De som van de gewichten is 1 ( $w^\top \mathbf{1}_p = 1$ ).
Geen short-sells: Alle gewichten moeten niet-negatief zijn ( $w_i \geq 0$ ).

Dit staat in contrast met het klassieke Global Minimum Variance (GMV) probleem (long-short), waar gewichten negatief mogen zijn en een expliciete, gesloten oplossing bestaat via de inverse van de covariantiematrix. Het LOMV-probleem is echter veel complexer omdat het een kwadratisch programmeringsprobleem is met ongelijkheidsbeperkingen. De centrale uitdaging is het bepalen van de actieve set $K$ (de subset van activa met een positief gewicht), aangezien de oplossing voor de actieve activa gelijk is aan de long-short oplossing voor die specifieke subset.

Het artikel focust specifiek op een één-factor model (single-index model) voor de covariantiematrix $\Sigma$ :
$\Sigma = \sigma^2 \beta \beta^\top + \Delta$
waarbij $\sigma^2$ de variantie van de factor is, $\beta$ de vector van betas (blootstellingen), en $\Delta$ een diagonaalmatrix met idiosyncratische varianties. Een belangrijk aspect is dat de auteurs geen restrictie opleggen aan het teken van de betas; deze kunnen positief, negatief of nul zijn, wat een open vraag uit eerdere literatuur (Qi [2021]) oplost.

2. Methodologie

De auteurs hanteren een combinatie van exacte optimalisatietheorie en asymptotische analyse:

KKT-voorwaarden (Karush-Kuhn-Tucker): Ze gebruiken de KKT-voorwaarden om de structuur van de optimale oplossing af te leiden. Dit leidt tot een karakterisering waarbij de actieve set $K$ wordt bepaald door een drempelwaarde op de gesorteerde betas.
Expliciete constructie: In plaats van een iteratieve numerieke solver te gebruiken, leiden ze een expliciete, berekenbare reeks af die direct de actieve set identificeert zonder het oplossen van een vast-puntvergelijking (fixed-point equation).
Asymptotische Analyse: Voor het geval $p \to \infty$ analyseren ze het gedrag van het aandeel actieve activa (de "active ratio" $k/p$ ). Ze nemen aan dat de betas onafhankelijk en identiek verdeeld (i.i.d.) zijn volgens een verdelingsfunctie $F$ , en dat de idiosyncratische varianties ook i.i.d. zijn.
Concentratie-ongelijkheden: Ze gebruiken momenten- en concentratiegrenzen om convergentiesnelheden af te leiden, specifiek wanneer het aandeel van niet-positieve betas klein is.

3. Belangrijkste Bijdragen en Resultaten

A. Expliciete Oplossing voor Gemengde Betas (Stelling 1)

De auteurs lossen het probleem op voor betas met willekeurige tekens. Ze definiëren een reeks $R_i$ gebaseerd op de gesorteerde betas ( $\beta_1 \leq \beta_2 \leq \dots \leq \beta_p$ ):
$R_i = \frac{1}{\sigma^2} + \sum_{j=1}^{i-1} \frac{\beta_j}{\delta_j^2}(\beta_j - \beta_i)$
Resultaat: Er bestaat een drempelindex $k$ zodanig dat de actieve set $K = \{1, 2, \dots, k\}$ is. De index $k$ is het grootste getal waarvoor $R_k > 0$ .

Dit betekent dat de activa met de laagste betas (inclusief negatieve betas) de enige activa zijn die een positief gewicht krijgen in het LOMV-portfolio.
De oplossing vereist geen iteratie; $k$ kan efficiënt worden gevonden (bijv. met bisection in $O(\log p)$ stappen).
Dit lost de open vraag van Qi [2021] op: de oplossing blijft geldig zelfs als betas negatief zijn, zolang de som van de gewogen betas niet-negatief is (wat zonder verlies van generaliteit kan worden aangenomen).

B. Asymptotisch Aantal Actieve Activa (Stelling 2)

In het hoog-dimensionale regime ( $p \to \infty$ ) convergeert het aandeel actieve activa $k/p$ naar een waarde bepaald door de verdeling $F$ van de betas.

Er wordt een functie $G(y)$ gedefinieerd: $G(y) = \int_{-\infty}^y (x^2 - yx) dF(x)$ .
De limiet wordt bepaald door de grootste wortel $\beta^* \geq 0$ van $G(x) = 0$ .
Gevallen:
1. Negatieve betas aanwezig, positief gemiddelde: De limiet bestaat en is gelijk aan $F(\beta^*)$ (als $F$ continu is bij $\beta^*$ ). Als $F$ een atoom heeft bij $\beta^*$ , kan de limiet niet bestaan (oscillatie tussen $F(\beta^*-)$ en $F(\beta^*)$ ).
2. Negatieve betas aanwezig, gemiddelde nul: Het aandeel actieve activa convergeert naar 1 (alle activa zijn actief).
3. Alle betas niet-negatief: Het aandeel actieve activa convergeert naar $F(\beta^*)$ . Als $F$ geen atoom heeft bij de linkerrand van de steun, convergeert het aandeel naar 0. Dit verklaart waarom in praktijken met voornamelijk positieve betas, het LOMV-portfolio slechts een zeer klein deel van de markt bevat.

C. Convergentiesnelheid bij Kleine Negatieve Betas (Stelling 3)

Als het aandeel niet-positieve betas ( $F(0)$ ) klein is, maar niet nul, bewijzen de auteurs dat het asymptotische aandeel actieve activa $F(\beta^*)$ ook klein is.

Ze leiden een kwantitatieve bovengrens af: $F(\beta^*) = O(F(0)^{1/3})$ .
Dit betekent dat het aandeel actieve activa afneemt met de derdemachtswortel van het aandeel negatieve betas.
Dit resulteert in een zeer "spaarzame" portefeuille: zelfs bij een klein percentage negatieve betas, zal het LOMV-portfolio slechts een fractie van de beschikbare activa selecteren.

4. Significatie en Implicaties

Oplossing van een Open Vraag: Het artikel biedt de eerste rigoureuze, gesloten vorm oplossing voor het LOMV-probleem onder een één-factor model met gemengde tekens voor betas. Eerdere werken waren beperkt tot positieve betas of gebruikten semi-expliciete methoden die niet volledig wiskundig onderbouwd waren voor het gemengde geval.
Verklaring van "Sparsiteit": De theorie verklaart empirische observaties dat long-only minimum variance portefeuilles vaak zeer "spaarzaam" zijn (d.w.z. slechts een klein aantal activa bevatten). Zelfs als de markt een breed scala aan activa biedt, selecteert het optimale model alleen de activa met de laagste systematische risico's (betas).
Robuustheid en Stabiliteit: De analyse toont aan dat de samenstelling van het portfolio gevoelig kan zijn voor de verdeling van de betas, vooral wanneer er atomen (discrete massa's) zijn in de verdeling. In specifieke gevallen (Case 1 in Stelling 2) kan de actieve ratio niet convergeren, maar oscilleren, wat wijst op een instabiliteit in de rand van de actieve set.
Praktische Toepasbaarheid: De methode om de actieve set te vinden is computatie-efficiënt en vereist geen zware numerieke optimalisatie. Dit maakt het toepasbaar voor zeer grote portefeuilles (high-dimensional finance).
Visuele Validatie: De auteurs onderbouwen hun theorie met simulaties die aantonen dat de gesimuleerde actieve ratio's convergeren naar de theoretische limieten, en dat er een "upward bias" (opwaartse bias) optreedt bij eindige steekproefgroottes $p$ , die afneemt naarmate $p$ groter wordt.

Conclusie:
Dit artikel levert een fundamentele bijdrage aan de kwantitatieve financiën door een volledige wiskundige karakterisering te geven van het long-only minimum variance portfolio in een één-factor omgeving. Het bewijst dat de structuur van de oplossing wordt gedicteerd door een drempel op de betas en dat in grote markten met voornamelijk positieve betas, het optimale portfolio extreem geconcentreerd is op een klein aantal activa met de laagste betas.