A Quadratic Resource-Allocation Reduction for Portfolio Selection in the ε-Contaminated Binomial Model

Beleggers hebben altijd te maken gehad met een fundamentele spanning: het verlangen om rijkdom te laten groeien tegenover de angst dat de toekomst er niet uit zal zien als het verleden. In de wereld van de financiën wordt deze onzekerheid vaak gemodelleerd door zich een markt voor te stellen die zich grotendeels zoals verwacht gedraagt, maar af en toe op onvoorspelbare manieren afwijkt. Dit is het domein van de portefeuilleselectie, waarbij het doel is om te beslissen hoe men geld verdeelt over verschillende activa. Wanneer de toekomst onzeker is, plant een prudent belegger niet alleen voor de meest waarschijnlijke uitkomst; zij planten voor het slechtst mogelijke scenario dat nog steeds binnen een redelijke reeks mogelijkheden zou kunnen vallen. Deze aanpak, bekend als robuuste optimalisatie, stelt een moeilijke vraag: als de markt zich tegen ons keert op de meest schadelijke manier die door onze gegevens wordt toegestaan, hoe hadden we dan moeten beleggen om te overleven?

Decennialang was het oplossen van dit probleem in een meerstaps marktmodel een computationele nachtmerrie. Het aantal mogelijke paden die de markt zou kunnen volgen, groeit explosief met elke voorbijgaande dag, waardoor het bijna onmogelijk is om de beste strategie te berekenen voor meer dan de kortste tijdshorizonten. Onderzoekers worstelden met het vinden van een manier om deze complexiteit te vereenvoudigen zonder de essentiële bescherming tegen onzekerheid te verliezen. Een nieuwe studie door Federica Ricca en Andrea Scozzari biedt een heldere en efficiënte oplossing voor dit specifieke probleem. Zij hebben een methode ontwikkeld die een verward, hoogwaardig gokspel transformeert in een eenvoudige sorteertaak, waardoor beleggers de optimale strategie kunnen vinden voor lange tijdshorizonten die voorheen buiten bereik lagen.

De onderzoekers concentreerden zich op een specifiek wiskundig model van de markt genaand de binomiale model, dat zich voorstelt dat de prijs van een aandeel bij elke stap omhoog of omlaag beweegt. Ze voegden een laag van "contaminatie" toe aan dit model, wat de gedachte vertegenwoordigt dat hoewel we een beste inschatting hebben van hoe de markt zich gedraagt, er een kleine kans is dat de realiteit iets anders is. Het doel was om de beste manier te vinden om geld te alloceren over alle mogelijke toekomstige uitkomsten om tevredenheid te maximaliseren, zelfs als de markt zich op de slechtste manier gedraagt die binnen die kleine kans op fouten is toegestaan. In eerdere werken vereiste het oplossen hiervan het controleren van een astronomisch groot aantal verschillende combinaties van uitkomsten. Voor een tijdshorizon van slechts een paar honderd stappen werd het aantal mogelijkheden zo groot dat zelfs krachtige computers de berekening niet binnen een redelijke tijd konden voltooien. De oude methode was als het proberen te vinden van één specifiek zandkorreltje op een strand door elk korreltje één voor één op te pakken en te onderzoeken.

Ricca en Scozzari realiseerden zich dat het probleem niet opgelost hoefde te worden door elke mogelijkheid te controleren. In plaats daarvan ontdekten zij dat het slechtste scenario geïdentificeerd kon worden via een veel eenvoudiger proces. Ze toonden aan dat de sleutel tot de oplossing ligt in het vinden van een specieveke set gewichten, of kansen, die de meest schadelijke marktbeweging vertegenwoordigen. Het vinden van deze gewichten bleek een klassiek probleem van middelenallocatie te zijn, vergelijkbaar met het vullen van een container met items van verschillende waarden om de totale waarde te maximaliseren zonder een gewichtslimiet te overschrijden. In hun geval was de "container" de verzameling van alle mogelijke marktdeviaties, en de "items" waren de kansen toegewezen aan verschillende toekomstige toestanden.

De doorbraak was het besef dat deze moeilijke zoektocht gereduceerd kon worden tot een eenvoudige sorteeroefening. Door de markttoestanden in een specifieke volgorde te rangschikken op basis van hun waarschijnlijkheid en risico, konden de onderzoekers bepalen op welk exact punt het slechtste scenario verschuift. Dit proces, dat zij een drempelconstructie (threshold construction) noemen, stelt hen in staat om de noodzaak om elke combinatie te controleren te omzeilen. In plaats van miljarden paden te onderzoeken, vereist de nieuwe methode slechts één enkele passage door de gesorteerde lijst. Dit vermindert de computationele inspanning van iets dat exponentieel groeit en snel onmogelijk wordt, naar iets dat lineair groeit en beheersbaar blijft, zelfs voor zeer lange tijdshorizonten.

Zodra dit slechtste scenario is geïdentificeerd, valt de rest van de oplossing op zijn plek. De onderzoekers toonden aan dat de optimale beleggingsstrategie gereconstrueerd kan worden met een eenvoudige formule die afhangt van dit geïdentificeerde scenario. Cruciaal is dat het deel van de berekening dat het slechtste scenario vindt, niet afhankelijk is van de specifieke voorkeuren van de belegger of de hoeveelheid geld waarmee zij beginnen. Dit betekent dat het zware werk van het vinden van het slechtste markts scenario slechts één keer gedaan hoeft te worden. Als een belegger van mening verandert over hoeveel risico zij bereid zijn te nemen, of als zij met een ander bedrag aan kapitaal beginnen, hoeven zij de gehele berekening niet opnieuw te starten. Zij kunnen simpelweg hetzelfde slechtste scenario hergebruiken en een snelle aanpassing toepassen om de nieuwe optimale strategie te vinden.

De auteurs testten hun methode tegen de oudere, meer uitputtende aanpak met behulp van gesimuleerde marktgegevens. Ze vergeleken de tijd die een computer nodig had om het probleem op te lossen met de nieuwe sorteermethode versus de oude methode van het controleren van combinaties. Voor kortere perioden werkten beide methoden, maar de nieuwe methode was al sneller. Naarmate de tijdshorizon toenam, werd het verschil dramatisch. Voor een tijdshorizon van vijfhonderd stappen loste de nieuwe methode het probleem op in een fractie van een seconde, terwijl de oude methode meer dan een minuut in beslag nam. Wanneer de horizon werd uitgebreid naar duizend stappen, slaagde de oude methode er niet in om binnen de tijdslimiet een oplossing te vinden, terwijl de nieuwe methode nog steeds bijna onmiddellijk een antwoord produceerde.

De studie bekeek ook de nauwkeurigheid van de resultaten. Hoewel de nieuwe methode aanzienlijk sneller is, merkten de onderzoekers op dat voor zeer lange tijdshorizonten het vermogen van de computer om extreem kleine getallen te verwerken, kleine fouten kan introduceren. Specifiek bij een horizon van 500 stappen was de nieuwe methode sneller, maar voldeed zij niet aan het strikte criterium voor objectieve nauwkeurigheid, terwijl de oudere methode dat wel deed. Bij 1.000 stappen leverde de nieuwe methode haalbare oplossingen op die nog steeds niet aan het nauwkeurigheidscriterium voldeden, terwijl de oudere methode de tijdlimiet overschreed zonder een oplossing terug te geven. Bovendien voldeed bij deze extreme horizon geen van beide methoden aan het voorgeschreven criterium voor component-gewijze nauwkeurigheid. Het artikel concludeert dat deze aanpak een praktische en efficiënte manier biedt om portefeuilleselectie onder onzekerheid aan te pakken, door een probleem dat ooit computationeel onhandelbaar was, te transformeren naar een probleem dat met standaard, snelle algoritmen kan worden opgelost. Door de kwestie van financiële onzekerheid te verbinden aan een goed begrepen wiskundig instrument voor middelenallocatie, hebben de onderzoekers een duidelijk pad gebaard voor beleggers die voor de lange termijn moeten plannen in een onzekere wereld, hoewel numerieke precisie een uitdaging blijft bij de zeer lange horizonten.