💰 quantitative finance

A novel robust mixed integer linear programming model for index tracking problem under no rebalancing: heuristic optimization approach

Dit artikel stelt een nieuw robuust mixed integer linear programming-model voor voor het index tracking-probleem onder geen herbalancering, vergezeld van een hybride heuristisch algoritme dat genetische en lokale zoekcapaciteiten combineert om het NP-harde probleem efficiënt op te lossen en commerciële solvers te overtreffen op zowel in-sample als out-of-sample data.

Oorspronkelijke auteurs: Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

Gepubliceerd 2026-07-13

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

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 een miniatuurversie probeert te bouwen van een enorme, chaotische orkest. Je doel is om slechts een paar instrumenten te kiezen (missen misschien 10 uit honderden) die, wanneer ze samen worden gespeeld, exact klinken als het volledige symfonieorkest. In de financiële wereld wordt dit Index Tracking genoemd. In plaats van elke individuele aandeel in een markt te kopen (wat duur en rommelig is), willen fondsbeheerders een kleine "tracking portfolio" kiezen die de prestaties van de markt perfect nabootst.

Lange tijd probeerden beheerders dit te doen door te kijken naar hoe vergelijkbaar aandelen in het verleden met elkaar waren, alsof ze controleerden of een viool en een cello altijd dezelfde noten speelden. Maar de auteurs van dit artikel, Danial Ramezani en zijn team, zeggen dat die aanpak een beetje is als het proberen te voorspellen van het weer van morgen door alleen naar de wolken van gisteren te kijken. Het is te wankel. Ze stellen dat het vertrouwen op eenvoudige historische correlaties ruisachtig is en vaak faalt wanneer de stemming van de markt verandert.

Het Nieuwe "Robuuste" Recept
Het team stelde een nieuw wiskundig recept (een model) voor dat "robuust" is. Denk hierbij aan het bouwen van een boot die niet alleen drijft in kalm water, maar is ontworpen om de ergste storm te overleven. In plaats van alleen te raden welke aandelen bij de markt zullen passen, vraagt hun model: "Wat als de relatie tussen deze aandelen fout gaat? Wat als ze zich op hun slechtst gedragen?" Door te plannen voor het slechtste scenario, kiest het model een groep activa die stabiel blijft, zelfs wanneer de zaken chaotisch worden.

Ze introduceerden ook een speciale "veiligheidsbuffer" in hun wiskunde. Stel je voor dat je een koffer inpakt voor een reis waarbij je niet zeker weet of het gaat regenen of schijnen. Een normale inpakker zou gewoon een gok wagen. Dit nieuwe model pakt voor zowel de regen als de zon, om er zeker van te zijn dat je hebt wat je nodig hebt, ongeacht wat er gebeurt. Deze aanpak stelt de portfolio in staat om de markt gedurende een lange periode te volgen zonder dat er constante aanpassingen (rebalancing) nodig zijn, wat geld bespaart op transactiekosten.

Het Super-Zoekteam (GALB)
Hier komt het lastige deel bij: het vinden van de perfecte 10 instrumenten uit honderden is een puzzel die zo groot is dat zelfs de snelste supercomputers ter wereld (genaamd "exact solvers" zoals CPLEX) vast kunnen lopen of er eeuwen over kunnen doen om het op te lossen. Het probleem is "NP-hard", wat een chique manier is om te zeggen dat het een doolhof is met te veel doodlopende wegen.

Om dit op te lossen, creëerden de auteurs een nieuw zoekteam genaamd GALB. Je kunt GALB zien als een hybride detective.

Het Genetisch Algoritme (GA): Dit deel is als een zwerm ontdekkingsreizigers die in alle richtingen rennen en verschillende combinaties van aandelen proberen. Het is erg goed in het snel vinden van nieuwe, interessante paden.
Local Branching: Dit is de "inzoomen"-expert. Wanneer de ontdekkingsreizigers een veelbelovende plek vinden, stopt deze expert en kijkt heel nauwkeurig naar de directe omgeving om te zien of ze de oplossing net even een klein beetje kunnen aanpassen om deze perfect te maken.

Door de "brede zoektocht" van de ontdekkingsreizigers te combineren met de "nauwkeurige inspectie" van de expert, vindt GALB kwalitatief hoogwaardige oplossingen veel sneller dan de trage, brute-force computers.

Wat de Cijfers Zeggen
Het team heeft hun nieuwe model en hun GALB-zoekteam getest tegenover de oude methoden en de super-snelle CPLEX-computer met gegevens uit beroemde markten zoals de Dow Jones, Hang Seng, DAX, FTWE 100, S&P 100 en Nikkei 225.

Snelheid: In deze tests deed de CPLEX-computer er tot wel 1.800 seconden (30 minuten) over om het probleem voor sommige markten te proberen op te lossen, en soms gaf hij zelfs op zonder het beste antwoord te vinden. In contrast hiermee vond het GALB-team uitstekende oplossingen in slechts 120 seconden voor kleinere markten en 300 seconden voor grotere markten.
Nauwkeurigheid: De door GALB gecreëerde portfolio's vonden niet alleen snel antwoorden; ze vonden ook betere antwoorden. Wanneer het team keek naar hoe goed de portfolio's in de toekomst presteerden (de zogenaamde "out-of-sample" data), vertoonde het nieuwe model consequent lagere fouten. Bijvoorbeeld, in de Dow Jones-test had het nieuwe model een tracking error (MAD) van 0,00402 vergeleken met 0,00458 voor het oudere Model 3.
Stabiliteit: De portfolio's die zij bouwden, bestonden uit slechts 10 activa (een zeer klein aantal vergeleken met de honderden die beschikbaar zijn). Ondanks deze kleine omvang volgden ze de enorme markten gedurende lange perioden zonder dat ze constant opnieuw gerangschikt hoefden te worden.

Wat Ze Zeggen Dat Het NIET Is
De auteurs zijn voorzichtig in het benoemen van wat hun methode niet is. Ze argumenteren expliciet tegen het idee dat je simpelweg naar de historische correlaties van aandelen kunt kijken om de toekomst te voorspellen. Ze laten zien dat modellen die het "worst-case scenario" negeren (zoals het oudere Model 1), vaak portfolio's produceren die er goed uitzien tijdens de test, maar falen wanneer de werkelijke omstandigheden veranderen. Ze merken ook op dat hoewel hun heuristiek (GALB) geweldig is, het een benadering is; het vindt oplossingen die "gelijkwaardig of zelfs superieur" zijn aan exacte solvers in een kortere tijd, maar het biedt geen wiskundig bewijs van perfectie voor elk mogelijk scenario in het universum, hoewel het wel convergeerde naar optimale oplossingen voor de geteste omvang van de problemen.

De Kern van het Verhaal
In deze simulaties en tests suggereren de auteurs dat hun nieuwe "robuuste" model, gecombineerd met het GALB-zoekteam, een krachtige manier is om een kleine, goedkope portfolio op te bouwen die een enorme markt nabootst. Het lijkt de chaos van de aandelenmarkt beter aan te kunnen dan oudere methoden, waarbij de tracking error laag blijft en de noodzaak voor dure herbelegingen tot een minimum wordt beperkt. Hoewel het artikel laat zien dat deze resultaten standhouden in verschillende grote wereldwijde indices, presenteren de auteurs dit als een sterke, geteste aanpak in plaats van een magische oplossing die elk financieel mysterie in het bestaan oplost.

Technische Samenvatting: Een Nieuw Robuust Mixed Integer Linear Programming Model voor Index Tracking Zonder Herbalanceren

Probleemdefinitie
Het artikel behandelt het Index Tracking (IT) probleem, een kernuitdaging in passief fondsbeheer waarbij het doel is om een portfolio te construeren met een subset van activa die de prestaties van een specifieke marktbenchmark evenaren. De auteurs identificeren kritieke beperkingen in bestaande wiskundige formuleringen:

Gevoeligheid voor Correlatie: Traditionele modellen vertrouwen vaak op historische activacorrelaties, die ruisgevoelig, instabiel over verschillende marktregimes en gevoelig voor overfitting van in-sample data kunnen zijn, wat leidt tot slechte out-of-sample prestaties.
Herbalanceringskosten: Veel strategieën vereisen frequente herbalancering om de tracking-accuratesse te behouden, wat aanzienlijke transactiekosten en liquiditeitsrisico's met zich meebrengt.
Computationele Complexiteit: Het IT-probleem is NP-hard vanwege zijn combinatorische aard (het selecteren van een subset van activa en het bepalen van de gewichten), waardoor het moeilijk is om optimaal op te lossen voor grote datasets binnen redelijke tijdframes met exacte solvers.

Het specifieke doel van dit onderzoek is om een model te ontwikkelen dat robuust is tegen parameteronzekerheid (specifiek correlatieafwijkingen), in staat is om indices over lange perioden te volgen zonder de noodzaak tot herbalancering, en efficiënt oplosbaar is via een nieuwe heuristiek.

Methodologie

1. Wiskundige Formulering (Model 4)
De auteurs stellen een nieuw Mixed-Integer Linear Programming (MILP) formulering voor die twee onderscheidende doelstellingen integreert in één enkel robuust model:

Robuustheid via Correlatieonzekerheid: Gebruikmakend van de robuuste optimalisatiebenadering van Bertsimas en Sim (2003), incorporeert het model een "worst-case" scenario voor activacorrelaties. Het minimaliseert de neerwaartse afwijking van correlaties ( $\Gamma$ coëfficiënten die hun slechtste waarden aannemen) om te garanderen dat het portfolio effectief blijft, zelfs als correlaties ongunstig verschuiven.
Minimalisatie van de Tracking Error: Het model minimaliseert tegelijkertijd de Mean Absolute Deviation (MAD) tussen het portfolio-rendement en het rendement van de benchmarkindex.
Constraints: De formulering bevat standaard real-world constraints zoals cardinaliteit (het beperken van het aantal activa, $K$ ), buy-in drempels (minimale en maximale gewichten) en geen short-selling.
Doelfunctie: De doelfunctie (Eq. 19) combineert de tracking error term en de robuuste correlatieterm, geschaald door coëfficiënten $\xi$ en $\psi$ om waarden te normaliseren tussen 0 en 1.

2. Oplossingsbenadering: GALB Heuristiek
In het besef dat exacte solvers moeite hebben met grotere probleemomvang, hebben de auteurs GALB (Genetic Algorithm with Local Branching) ontwikkeld, een hybride metaheuristiek:

Genetic Algorithm (GA): Dient als de globale zoekmachine, waarbij crossover- en mutatie-operators worden gebruikt om een populatie van kandidaat-oplossingen (portfolios) te evolueren.
Local Branching: Geïntegreerd als een lokale zoekmechanisme. Wanneer aan specifieke voorwaarden wordt voldaan (bijv. een vastgesteld aantal GA-iteraties zonder verbetering), past het algoritme local branching toe op de beste gevonden oplossing. Dit houdt in dat er een Hamming-afstand buurt rond de huidige beste oplossing wordt gedefend en een beperkt MILP sub-probleem wordt opgelost om nabijgelegen oplossingen dieper te verkennen.
Fitness Functie: Een gespecialiseerde fitness functie (Algoritme 2) is ontworpen om oplossingen te evalueren zonder de computationele overhead van het draaien van een exacte solver bij elke stap. Het decodeert activagewichten en berekent de robuuste doelwaarde direct, waarbij de worst-case correlatiescenario's efficiënt worden afgehandeld.

Experimentele Opzet
De studie maakte gebruik van data van acht belangrijke markten: Dow Jones, Hang Seng, CAC 40, EURO STOXX 50, DAX, FTSE 100, S&P 100 en Nikkei 225. Databronnen waren de OR-library en Yahoo Finance (juli 2018 – januari 2024).

Vergelijkingen: Het voorgestelde Model 4 en GALB werden vergeleken met:
- Bestaande formuleringen (Model 1 gebaseerd op correlatiemaximalisatie, Model 3 gebaseerd op MAD-minimalisatie).
- De commerciële exacte solver CPLEX.
Metrics: Prestaties werden geëvalueerd met behulp van Correlatie ( $\rho$ ), Mean Absolute Deviation (MAD), Root Mean Squared Error (RMSE), Standaarddeviatie van de tracking error (STD) en Beta. Zowel in-sample als out-of-sample resultaten werden geanalyseerd.
Parameters: Experimenten testten verschillende onzekerheidsniveaus ( $\Gamma = 0, 50\%, 75\%, 90\%$ ) en stelden de portfolio grootte vast op 10 activa ( $K=10$ ).

Belangrijkste Resultaten

1. Superioriteit van de Robuuste Formulering:

Wanneer opgelost door CPLEX, presteerde het voorgestelde Model 4 consistent beter dan Model 1 en Model 3 in out-of-sample metrieken over alle geteste markten (Dow Jones, CAC 40, EURO STOXX 50).
Specifiek behaalde Model 4 een hogere correlatie met de index en lagere tracking errors (MAD, RMSE, STD) in out-of-sample perioden, wat de robuustheid tegen marktregimeveranderingen aantoont.
Wat betreft computationele efficiëntie loste CPLEX het voorgestelde model sneller op dan Model 3 voor verschillende markten (bijv. 72s vs. 118s voor Dow Jones).

2. Prestaties van de GALB Heuristiek:

Efficiëntie: GALB vond oplossingen van gelijke of superieure kwaliteit aan CPLEX in aanzienlijk minder tijd (bijv. 120s vs. 1800s voor Dow Jones; 300s vs. 1800s voor anderen).
Optimaliteit: Voor kleinere probleemomvang convergeerde GALB in veel gevallen naar het globale optimum (identieke resultaten aan CPLEX), met name wanneer $\Gamma=0$ .
Out-of-Sample Dominantie: In de meeste markten (Hang Seng, DAX, Nikkei 225, S&P 100) leverden de door GALB gegenereerde portfolios (vooral met $\Gamma=75\%$ of $90\%$ ) betere out-of-sample tracking prestaties dan die van CPLEX, zelfs toen CPLEX meer tijd had om te zoeken.
Geen Herbalancering: De resulterende portfolios, bestaande uit slechts 10 activa, volgden de indices over lange perioden met minimale afwijking, wat de "geen herbalancering" claim valideert.

Betekenis en Claims
Het artikel claimt een tweeledige bijdrage:

Een Robuuste Formulering: Het introduceert een MILP-model dat robuuster is dan traditionele IT-modellen, in staat om correlatieonzekerheid aan te pakken en superieure out-of-sample prestaties te leveren zonder de noodzaak van frequente herbalancering.
Een Krachtige Heuristiek: Het presenteert GALB, een hybride algoritme dat effectief een balans vindt tussen globale exploratie (GA) en lokale exploitatie (Local Branching). De auteurs stellen dat GALB niet alleen NP-harde IT-problemen sneller oplost dan commerciële solvers, maar ook portfolios genereert die de oplossingen van exacte solvers overtreffen in termen van real-world tracking accuratesse.

De studie concludeert dat de voorgestelde aanpak de constructie van lean portfolios (slechts 10 activa) mogelijk maakt die een hoge correlatie behouden met grote, volatiele indices (zoals de Nikkei 225) over langere perioden, wat de beheerkosten gerelateerd aan omloop en herbalancering effectief vermindert.

Meer zoals dit