Multi-objective Portfolio Optimization Via Gradient Descent

Stel je voor dat je de kapitein bent van een enorm schip, maar in plaats van op water te varen, navigeer je op een zee die volledig uit geld bestaat. Je doel is om van punt A naar punt B te komen met zoveel mogelijk schat. Maar er is een addertje onder het gras: de oceaan zit vol stormen (risico) en je hebt een strikte kaart (regelgeving) die zegt dat je niet te veel goud in één kist mag dragen, en dat je dicht bij een specifieke vuurtoren (een benchmark-index) moet blijven. Dit is de wereld van portfolio-optimalisatie. Decennialang was de standaard manier om dit schip te besturen het gebruik van een rigide, wiskundige kompas genaamd "Modern Portfolio Theory". Het werkte goed in kalme wateren, maar wanneer de zee onstuimig werd met complexe regels of tegenstrijdige doelen — zoals het willen van maximale schat én minimaal risico én strikte veiligheidslimieten — liep de oude kompas vaak vast of ging hij kapot.

Maak kennis met een nieuw soort navigatie-instrument: Gradient Descent (gradiëntafdaling). Zie dit niet als een rigide kaart, maar als een wandelaar die zich een weg voelt door een mistige berg. De wandelaar (de computer) zet kleine stapjes, controleert voortdurend welke kant het steilst naar beneden gaat (naar minder risico of meer winst) en past zijn pad aan. Meestal wordt deze "wandelmethode" gebruikt om computers te leren hoe ze katten in foto's herkennen of auto's kunnen besturen. Maar wat als we de computer zouden leren om door de financiële bergen te wandelen? Dat is precies wat dit paper onderzoekt. De onderzoekers hebben een nieuw framework gebouwd dat deze "wandeltechniek" gebruikt, aangedreven door moderne AI-tools, om de rommelige, meerdoelige problemen van beleggen op te lossen waar oude methoden moeite mee hebben. Ze wilden zien of deze flexibele, stapsgewijze aanpak een betere, veiligere en meer regel-nalevende schatkist kon bouwen dan de traditionele, rigide rekenmachines.

De Reis van het Paper: Wandelen door de Financiële Bergen

De auteurs, een team van de Autonome Universiteit van Madrid en March Asset Management, zetten zich af met de vraag of deze "wandelmethode" (Gradient Descent) de complexe taak van Multi-Objective Portfolio Optimization (MPO) aan kan. In de echte wereld willen beleggers niet alleen "hoge rendementen". Ze willen hoge rendementen terwijl ze het risico laag houden, terwijl ze strikte wetten naleven (zoals de Europese UCITS-regels), terwijl ze ervoor zorgen dat ze niet al hun eieren in één mandje leggen, en terwijl ze een specifieke marktindex nauwgezet volgen. Traditionele tools worstelen vaak wanneer je ze vraagt om al deze ballen tegelijkertijd in de lucht te houden, vooral als de regels ingewikkeld zijn of de data enorm groot is.

De onderzoekers bouwden een digitale speeltuin met gegevens van de S&P 500 (een lijst van ongeveer 500 van de grootste Amerikaanse bedrijven) uit het jaar 2020. Ze bouwden niet zomaar één test; ze bouwden zes verschillende scenario's, variërend van eenvoudige "vind het beste pad"-taken tot ongelooflijk complexe "vind het beste pad terwijl je rotsen ontwijkt, binnen de snelheidslimieten blijft en een specifiek gewicht draagt"-uitdagingen.

De Eenvoudige Tests: Een Rechte Lijn Lopen
Eerst testten ze de basis. In één scenario vroegen ze de computer simpelweg om het pad te vinden met de beste balans tussen risico en beloning (het maximaliseren van de "Sharpe ratio"). Ze vergeleken hun nieuwe "wandelmethode" met een beroemde, rigide wiskundige solver genaamd CVXPY. Het resultaat? De wandelaar en de rigide rekenmachine kwamen bijna op exact dezelfde plek aan. De gewichten van de activa (hoeveel geld er in elk aandeel ging) waren bijna identiek, met een verschil van slechts in het zesde decimaal. Dit bewees dat de nieuwe methode net zo accuraat was als de oude, vertrouwde tools voor eenvoudige taken.

In een tweede test vroegen ze de computer om "extreme verliezen" te minimaliseren (een concept genaamd CVaR). Ze vergeleken dit met een andere tool genaamd SKFOLIO. Hier nam de "wandelaar" een iets ander pad dan de rigide calculator, waarbij hij andere aandelen koos en ze iets andere gewichten toekende. Echter, toen ze het eindresultaat controleerden — het werkelijke bedrag aan vermeden extreme verliezen — waren de twee methoden praktisch tweelingen. Het verschil was zo klein (in het vijfde decimaal) dat de wandelaar, voor alle praktische doeleinden, dezelfde bestemming vond door de grond te voelen in plaats van een vooraf getekende kaart te volgen. Dit was een grote zaak, omdat het probleem van "extreme verliezen" wiskundig rommelig en moeilijk perfect op te lossen is voor rigide tools; de wandelaar hanteerde het met gemak.

De Complexe Tests: Jongleren en Hindernisbanen
Toen werd het spannend. De onderzoekers voegden lagen van complexiteit toe, zoals een videogame die nieuwe levels toevoegt.

• De Regelvolger: Ze vroegen de computer om extreme verliezen te minimaliseren terwijl de UCITS-regelgeving werd nageleefd. Dit zijn strikte Europese regels die bijvoorbeeld zeggen: "Geen enkel aandeel mag meer dan 10% van je portfolio beslaan," en "Het totaal van je grote weddenschappen (boven de 5%) mag niet meer dan 40% bedragen." Traditionele tools raken vaak in de knoop met deze regels omdat ze de wiskunde "niet-convex" maken (een chique manier om te zeggen dat de kaart gaten en kliffen heeft die de rigide rekenmachines breken). Maar de wandelaar? Die bleef gewoon lopen en paste zijn stappen aan totdat hij een pad vond dat binnen de lijnen bleef. Het resultaat was een portfolio die de regels perfect volgde en tegelijkertijd het risico laag hield.
• De Koorddanser: In een andere test voegden ze een Tracking Error-beperking toe. Dit betekent dat de prestaties van het portfolio zeer dicht bij de S&P 500-index moeten blijven (als een koorddanser die op de draad blijft). De wandelaar slaagde erin om extreme verliezen te minimaliseren én tegelijkertijd aan de index vastgeplakt te blijven, wat bewees dat hij tegenstrijdige doelen kon balanceren zonder eraf te vallen.
• De Ultieme Uitdaging: De laatste, meest complexe test vroeg de computer om alles tegelijk te doen: rendementen maximaliseren, extreme verliezen minimaliseren, de UCITS-regels volgen, een minimaal aantal aandelen aanhouden, ervoor zorgen dat geen enkel aandeel te klein was, en dicht bij de index te blijven. De computer navigeerde succesvol door deze chaotische hindernisbaan. Hij selecteerde 23 aandelen, hield elk aandeel boven een gewicht van 1%, zorgde ervoor dat de "grote weddenschappen" onder de limiet van 40% bleven, en leverde een portfolio dat de standaardindex overtrof in risico-gecorrigeerde rendementen.

Het "Masker"-Mysterie
In een laatste, creatieve test creëerden de onderzoekers "maskers" — groepen aandelen die onder een bepaald totaal gewicht moesten blijven (zoals zeggen: "de tech-groep mag niet meer dan 27% van je geld bevatten"). De wandelaar verdeelde het geld succesvol zodat geen enkele groep de limiet overschreed, terwijl hij tegelijkertijd het algemene risico van het portfolio minimaliseerde. Het toonde aan dat de methode aangepaste, willekeurige regels kon afhandelen die een nachtmerrie zouden zijn voor oudere software.

Wat dit betekent voor de toekomst

Het paper beweert geen "magische kogel" te hebben ontdekt die garandeert dat je rijk wordt. In plaats daarvan suggereert het iets praktischer: flexibiliteit. De auteurs laten zien dat het gebruik van Gradient Descent met automatische differentiatie (een tool waarmee computers hellingen direct kunnen berekenen) een krachtige, schaalbare manier is om investeringsproblemen op te lossen die te rommelig zijn voor traditionele wiskunde.

De belangrijkste bevinding is dat deze methode competitief is met de beste bestaande tools voor eenvoudige taken, maar superieur voor complexe scenario's met veel regels. Het vindt niet alleen een antwoord; het vindt een goed antwoord dat rekening houdt met alle rommelige, real-world beperkingen waar beleggers daadwerkelijk mee te maken krijgen. De onderzoekers benadrukken dat de "wandelaar" een gids (de gebruiker) nodig heeft om de juiste "gewichten" in te stellen (hoeveel men geeft om risico versus rendement), maar zodra deze instellingen zijn gekozen, kan de computer het zware werk doen om tientallen tegenstrijdige doelen tegelijkertijd te balanceren.

Uiteindelijk opent dit paper de deur naar een nieuw soort financieel instrument — een instrument dat even aanpasbaar is als een menselijke wandelaar, in staat om door het mistige, rotsachtige terrein van het moderne beleggen te navigeren waar rigide kaarten falen. Het suggereert dat we, door technieken uit de wereld van kunstmatige intelligentie te lenen, portfolio's kunnen boueren die niet alleen wiskundig solide zijn, maar ook praktisch robuust en klaar voor de echte wereld.