Large-Scale Portfolio Optimization Problem Under Cardinality Constraint With Enhanced Multi-Objective Evolutionary Algorithms

Stel je voor dat je een schatzoeker bent die de ultieme rugzak wil bouwen voor een lange reis. Je wilt twee dingen: de meest waardevolle gouden munten (hoog rendement) en de lichtste, veiligste lading (laag risico). Maar er is een addertje onder het gras. Je rugzak heeft een strikte regel: je mag slechts een specifiek aantal verschillende items dragen, zeg tussen de 3 en 10, ongeacht hoeveel schatten er verspreid over de kaart liggen. Dit is het "Cardinality-Constrained Portfolio Optimization"-probleem.

Decennialang hebben beleggers geprobeerd dit op te lossen met "exacte" wiskundige methoden, zoals proberen elk individueel zandkorreltje op een strand te tellen om de perfecte handvol te vinden. Het artikel legt uit dat deze aanpak lijkt op proberen te drinken uit een brandslang; het is te traag en loopt vast wanneer het aantal activa (de korrels zand) enorm groot wordt. Sterker nog, de auteurs merken op dat het toevoegen van deze realistische regels het probleem verandert in een nachtmerrie voor computers, bekend als "NP-hard", waarbij traditionele wiskundige hulpmiddelen simpelweg opgeven of er eeuwig over doen.

Het Grote Idee: Een Nieuw Ontwerp voor de Rugzak
In plaats van elk korreltje zand te willen tellen, hebben de auteurs een nieuw soort rugzak en een nieuw pakket aan regels voor het inpakken gebouwd. Ze hebben een populair hulpmiddel genaamd NSGA-II (denk aan een slimme, evoluerende robot die verschillende rugzakcombinaties probeert) genomen en dat een flinke upgrade gegeven.

Zo werkt hun nieuwe systeem, gebruikmakend van hun eigen analogieën en mechanica:

1. De "Vaste Grootte" Rugzak (Nieuwe Codering)
Oude methoden probeerden een lijst van alle mogelijke schatten te dragen en simpelweg aan te geven welke je meeneemt. Als je 225 schatten had, was je lijst altijd 225 items lang, zelfs als je er slechts 10 droeg. Dit zorgde ervoor dat de robot tijd verspilde aan het controleren van lege plekken.
De auteurs hebben de rugzak zelf veranderd. Nu heeft de rugzak precies Kmax vakken (het maximale aantal items dat je mag dragen). Als je tot 5 items mag dragen, heeft je rugzak precies 5 vakken.

• De Truc: Als je dezelfde schat in twee verschillende vakken stopt, telt dit als één item, maar het gewicht (geld) wordt wel opgeteld. Dit maakt het voor de robot veel gemakkelijker om te zien of hij de regels overtreedt. Als de rugzak minder dan Kmin unieke items bevat (bijvoorbeeld slechts 2 unieke items terwijl je er minstens 3 nodig hebt), weet de robot dat hij een nieuwe schat moet inruilen.

2. De "Twee-Fasen" Jacht (Voortplantingsstrategieën)
De robot gokt niet zoma van een afstandje. Hij jaagt in twee duidelijke fasen, als een detective die een zaak oplost:

• Fase 1 (Het Brede Net): De start. In het begin is de robot wild. Hij gebruikt een "Knee-based" strategie om de beste combinaties van schatten te vinden. Hij zoekt naar de "knie" van de curve—het ideale punt waar je de meeste goud krijgt voor het minste extra gewicht. Hij laat oplossingen die dicht bij dit ideale punt liggen met elkaar "paren" om snel de juiste mix van activa te vinden.
• Fase 2 (De Verfijning): De afwerking. Zodra hij een goede lijst met schatten heeft, stopt hij met het zoeken naar nieuwe schatten en begint hij de hoeveelheid van elke schat aan te passen. Hij gebruikt een "Similarity-based" strategie, waarbij hij rugzakken paren die al dezelfde schatten hebben maar verschillende gewichten, om de exacte balans fijn af te stemmen.

3. Het "Explorer" Hulpmiddel
Somsjes repareert de robot een kapotte rugzak (een rugzak met te weinig of te veel items) door simpelweg een willekeurig item te vervangen. Maar de auteurs realiseerden zich dat dit onhandig is. Ze hebben een nieuw hulpmiddel uitgevonden genaamd de "Explorer".
Stel je voor dat je een rugzak hebt die een item mist. In plaats van gewoon de eerste steen te pakken die je ziet, kijkt de Explorer naar verschillende manieren om die leegte te vullen. Hij probeert vijf verschillende "heuristische" methoden (zoals het geld gelijkmatig verdelen, of meer geld geven aan de veiligste items) om te zien welke de rugzak beter maakt. Vervolgens kiest hij de beste versie en loopt hij zelfs een stukje het "onbekende" gebied in, tussen de oude en de nieuwe rugzak, om te zien of hij daar iets nog beters kan vinden. Dit zorgt ervoor dat de reparatie niet slechts "oké" is, maar daadwerkelijk een verbetering.

4. De "Reparatieploeg" (Omgaan met Beperkingen)
Wanneer de robot per ongeluk de regels overtreedt (zoals te veel items kiezen of te veel geld in één item stoppen), gooit hij de rugzak niet zomaar weg. Hij heeft een gespecialiseerde reparatieploeg:

• De Associatieploeg: Kijkt naar wat andere succesvolle rugzakken in de huidige groep vasthouden en kopieert die patronen.
• De Scoreploeg: Groepeert schatten op basis van hoe goed ze samen presteren en kiest de beste groep.
• De Drempelploeg: Richt zich specifiek op schatten die niet synchroon bewegen met de rest (lage correlatie) om diversiteit toe te voegen.

Wat Ze Hebben Gevonden (De Resultaten)
De auteurs hebben hun nieuwe systeem getest tegen de standaard robot op vier echte markten: de DAX 100 (Duitsland), S&P 100 (VS), Nikkei 225 (Japan) en de Tehran Stock Exchange (TSE).

• De Omvang van de Test: Ze gebruikten datasets met respectievelijk 85, 98, 225 en 418 activa.
• De Regels: Ze stelden de rugzak in om tussen Kmin en Kmax items te bevatten (bijv. tussen de 2 en 10, of precies 10).
• De Uitkomst: In simulaties die 100 iteraties draalden met een populatie van 100 oplossingen, vond hun geüpgradede robot consequent betere rugzakken.
  • Het vond oplossingen die dichter bij de "perfecte" theoretische limiet lagen (gemeten met een metriek genaamd IGD).
  • Het dekte een breder bereik aan goede opties (gemeten via Hypervolume).
  • Het deed dit sneller en betrouwbaarder, vooral wanneer het aantal activa groot werd.

Wat Ze Expliciet Uitsluiten
Het artikel is heel duidelijk over wat niet goed werkt voor dit specifieel probleem:

• Exacte Methoden: Ze stellen dat traditionele, exacte wiskundige methoden inefficiënt zijn voor dit probleem omdat het NP-hard is. Ze suggereren dat deze methoden te traag zijn voor grote markten.
• Penalty Functions (Straffuncties): Hoewel sommige onderzoekers "penalty functions" gebruiken (het geven van een slechte score aan kapotte rugzakken), stelt dit artikel expliciet dat de overgrote meerderheid van de succesvolle studies gebruik maakt van repair mechanisms (het repareren van de rugzak). Ze kozen ervoor om de oplossingen te repareren in plaats van ze alleen maar te straffen.
• Willekeurig Gokken: Ze laten zien dat het simpelweg paren van willekeurige oplossingen in een vroeg stadium tijd verspilt. Hun "Knee-based" selectie is noodzakelijk om de zoektocht te sturen.

Hoe Zeker Zijn Ze?
De auteurs zijn vertrouwd met hun resultaten, maar zijn ook voorzichtig in hun bewoordingen. Ze stellen dat hun aanpak de superioriteit "wijst aan" en "demonstreert" op basis van 100 runs van de simulatie. Ze gebruikten statistische toetsen (de Sign Test en de Wilcoxon Signed-Rank Test) om te bewijzen dat hun resultaten niet louter op geluk berustten.

• Zo won hun methode op de TSE-markt in 10 van de 10 gevallen tegen de standaardmethode voor de Hypervolume-metriek.
• Ze merken echter op dat voor de DAX 100-markt de verbetering in één specifieke metriek (MGD) niet statistisch significant was op het strengste niveau, hoewel het gemiddeld genomen nog steeds beter was.

De Kern van het Verhaal
Het paper suggereert dat door de manier waarop we het probleem representeren (de vaste grootte van de rugzak), hoe we naar oplossingen zoeken (de twee-fasen jacht), en hoe we fouten herstellen (het Explorer-hulpmiddel), we betere beleggingsportefeuilles kunnen vinden, en dat zelfs veel sneller. Dit geldt met name wanneer de markt vol staat met honderden activa. De auteurs concluderen dat hoewel hun methode een sterke verbetering is, het geen toverstaf is; het moet nog steeds worden aangepast als beleggers later nog complexere regels willen toevoegen, zoals transactiekosten. Maar voor nu is het een veel slimmere manier om de rugzak te pakken.