💰 quantitative finance

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

Este artigo propõe algoritmos evolutivos multiobjetivo aprimorados, apresentando novas representações de soluções, operadores e mecanismos de reparo para resolver eficientemente problemas de otimização de portfólio de larga escala sob restrições de cardinalidade, demonstrando convergência mais rápida e desempenho superior em comparação com métodos tradicionais à medida que a complexidade do mercado aumenta.

Autores originais: Danial Ramezani, Mostafa Abouei Ardakan

Publicado 2026-07-13

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Danial Ramezani, Mostafa Abouei Ardakan

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um caçador de tesouros tentando construir a mochila definitiva para uma longa jornada. Você quer duas coisas: as moedas de ouro mais valiosas (alto retorno) e uma carga o mais leve e segura possível (baixo risco). Mas há um porém: sua mochila tem uma regra estrita. Você só pode carregar um número específico de itens diferentes, digamos entre 3 e 10, não importa quantos tesouros estejam espalhados pelo mapa. Este é o problema da "Otimização de Portfólio com Restrição de Cardinalidade".

Por décadas, investidores tentaram resolver isso usando métodos matemáticos "exatos", como tentar contar cada grão de areia em uma praia para encontrar um punhado perfeito. O artigo explica que essa abordagem é como tentar beber de uma mangueira de incêndio; é lenta demais e fica travada quando o número de ativos (os grões de areia) se torna enorme. De fato, os autores observam que adicionar essas regras do mundo real transforma o problema em um pesadelo para os computadores, conhecido como "NP-difícil", onde as ferramentas matemáticas tradicionais simplesmente desistem ou levam tempo demais.

A Grande Ideia: Um Novo Design de Mochila
Em vez de tentar contar cada grão, os autores construíram um novo tipo de mochila e um novo conjunto de regras para empacotá-la. Eles pegaram uma ferramenta popular chamada NSGA-II (pense nela como um robô inteligente e evolutivo que tenta diferentes combinações de mochilas) e deram a ela um grande upgrade.

Aqui está como o novo sistema deles funciona, usando suas próprias analogias e mecânicas:

1. A Mochila de "Tamanho Fixo" (Nova Codificação)
Os métodos antigos tentavam carregar uma lista de todos os tesouros possíveis e apenas marcavam quais levar. Se você tivesse 225 tesouros, sua lista sempre teria 225 itens, mesmo que você carregasse apenas 10. Isso fazia o robô perder tempo verificando espaços vazios.
Os autores mudaram a própria mochila. Agora, a mochila tem exatamente Kmax espaços (o número máximo de itens que você pode carregar). Se você puder carregar até 5 itens, sua mochila terá exatamente 5 espaços.

O Truque: Se você colocar o mesmo tesouro em dois espaços, ele conta como um item, mas o peso (dinheiro) se soma. Isso torna muito mais fácil para o robô perceber se ele está quebrando as regras. Se a mochila tiver menos que Kmin itens únicos (por exemplo, apenas 2 itens únicos quando você precisa de pelo menos 3), o robô sabe que precisa trocar por um novo tesouro.

2. A Caçada de "Duas Fases" (Estratégias de Acasalamento)
O robô não apenas adivinha aleatoriamente. Ele caça em duas fases distintas, como um detetive resolvendo um caso:

Fase 1 (A Rede Larga): No início, o robô é selvagem. Ele usa uma estratégia baseada em "Knee" (joelho) para encontrar as melhores combinações de tesouros. Ele procura pelo "joelho" da curva — o ponto ideal onde você obtém o máximo de ouro com o mínimo de peso extra. Ele acasala soluções que estão próximas desse ponto ideal para encontrar a mistura certa de ativos rapidamente.
Fase 2 (O Ajuste Fino): Uma vez que possui uma boa lista de tesouros, ele para de procurar por novos e começa a ajustar a quantidade de cada tesouro. Ele usa uma estratégia baseada em "Similaridade", acasalando mochilas que já possuem os mesmos tesouros, mas pesos diferentes, para ajustar o equilíbrio exato.

3. A Ferramenta "Exploradora"
Às vezes, o robô conserta uma mochila quebrada (uma que tem itens de menos ou de mais) apenas trocando um item aleatório. Mas os autores perceberam que isso é desajeitado. Eles inventaram uma nova ferramenta chamada "Explorer" (Explorador).
Imagine que você tem uma mochila que está faltando um item. Em vez de apenas pegar a primeira pedra que vê, o Explorador olha para várias maneiras diferentes de preencher essa lacuna. Ele tenta cinco métodos "heurísticos" diferentes (como distribuir o dinheiro igualmente ou dar mais dinheiro aos itens mais seguros) para ver qual deles torna a mochila melhor. Ele então escolra a melhor versão e até caminha um pouco para o espaço "desconhecido" entre a mochila antiga e a nova para ver se consegue encontrar algo ainda melhor. Isso garante que o conserto não seja apenas "ok", mas sim uma melhoria.

4. A "Equipe de Reparo" (Lidando com Restrições)
Quando o robô acidentalmente quebra as regras (como escolher itens demais ou colocar dinheiro demais em um item), ele não joga a mochila fora. Ele tem uma equipe de reparo especializada:

A Equipe de Associação: Observa o que outras mochilas bem-sucedidas no grupo atual estão carregando e copia esses padrões.
A Equipe de Pontuação: Agrupa os tesouros de acordo com o quão bem eles performam juntos e escolhe o melhor grupo.
A Equipe de Limiar (Threshold): Foca especificamente em tesouros que não se movem em sincronia com os outros (baixa correlação) para adicionar diversidade.

O Que Eles Descobriram (Os Resultados)
Os autores testaram este novo sistema contra o robô padrão antigo em quatro mercados reais: o DAX 100 (Alemanha), S&P 100 (EUA), Nikkei 225 (Japão) e a Bolsa de Valores de Teerã (TSE).

O Tamanho do Teste: Eles usaram conjuntos de dados com 85, 98, 225 e 418 ativos, respectivamente.
As Regras: Eles definiram a mochila para conter entre Kmin e Kmax itens (por exemplo, entre 2 e 10, ou exatamente 10).
O Resultado: Em simulações rodando por 100 iterações com uma população de 100 soluções, o robô atualizado deles consistentemente encontrou mochilas melhores.
- Ele encontrou soluções que estavam mais próximas do limite teórico "perfeito" (medido por uma métrica chamada IGD).
- Ele cobriu uma gama mais ampla de boas opções (medida pelo Hypervolume).
- Ele fez isso de forma mais rápida e confiável, especialmente quando o número de ativos crescia.

O Que Eles Explicitamente Descartam
O artigo é muito claro sobre o que não funciona bem para este problema específico:

Métodos Exatos: Eles argumentam que os métodos matemáticos exatos tradicionais são ineficientes para este problema porque ele é NP-difícil. Eles sugerem que esses métodos são lentos demais para mercados grandes.
Funções de Penalidade: Embora alguns pesquisadores usem "funções de penalidade" (dando uma pontuação ruim para mochilas quebradas), este artigo afirma explicitamente que a vasta maioria dos estudos bem-sucedidos usa mecanismos de reparo (consertar a mochila) em vez disso. Eles escolheram reparar as soluções em vez de apenas penalizá-las.
Adivinhação Aleatória: Eles mostram que simplesmente acasalar soluções aleatórias no início desperdiça tempo. Sua seleção baseada em "Knee" é necessária para guiar a busca.

Qual o Grau de Certeza Deles?
Os autores estão confiantes em seus resultados, mas são cuidadosos com sua linguagem. Eles afirmam que sua abordagem "indica" e "demonstra" superioridade com base em 100 execuções da simulação. Eles usaram testes estatísticos (o Teste de Sinal e o Teste de Postos Sinalizados de Wilcoxon) para provar que seus resultados não foram apenas sorte.

Por exemplo, no mercado TSE, o método deles venceu 10 de 10 vezes contra o método padrão para a métrica Hypervolume.
No entanto, eles observam que, para o mercado DAX 100, a melhoria em uma métrica específica (MGD) não foi estatisticamente significativa no nível mais rigoroso, embora tenha sido melhor na média.

A Conclusão Final
O artigo sugere que, ao mudar a forma como representamos o problema (a mochila de tamanho fixo), como buscamos soluções (a caçada de duas fases) e como corrigimos erros (a ferramenta Explorador), podemos encontrar melhores portfólios de investimento muito mais rápido. Isso é especialmente verdadeiro quando o mercado fica lotado com centenas de ativos. Os autores concluem que, embora seu método seja uma melhoria sólida, não é uma varinha mágica; ele ainda precisa ser adaptado se os investidores quiserem adicionar regras ainda mais complexas, como custos de transação, futuramente. Mas, por enquanto, é uma maneira muito mais inteligente de montar a mochila.

Resumo Técnico: Otimização de Portfólio em Larga Escala sob Restrição de Cardinalidade com Algoritmos Evolutivos Multiobjetivo Aperfeiçoados

Definição do Problema
O artigo aborda o Problema de Otimização de Portfólio com Restrição de Cardinalidade (CCPOP), uma variante do clássico modelo de Média-Variância (MV) introduzido por Markowitz. Embora o modelo MV busque maximizar o retorno e minimizar o risco, ele frequentemente falha ao não considerar restrições do mundo real, tornando o problema NP-difícil. Especificamente, este estudo foca na Restrição de Cardinalidade (CC), que limita o número de ativos ( $K$ ) em um portfólio a um intervalo $[K_{min}, K_{max}]$ , e na Restrição de Fronteira (BC), que restringe o peso de ativos individuais a $[\epsilon_i, \delta_i]$ . A inclusão dessas restrições, juntamente com os objetivos conflitantes de risco e retorno, torna os métodos exatos ineficientes para mercados de larga escala, necessitando do uso de algoritmos de aproximação.

Metodologia
Os autores propõem uma versão customizada do Algoritmo Genético de Ordenação Não Dominada II (NSGA-II) projetada para lidar com as complexidades específicas do CCPOP. A metodologia introduz quatro inovações primárias:

Codificação de Solução Inovadora:
Em vez do padrão vetor de valores reais de tamanho $N$ (total de ativos), os autores propõem um cromossomo de tamanho fixo $K_{max}$ consistindo em duas linhas:
- Linha 1: Identificadores de ativos selecionados para o portfólio.
- Linha 2: Pesos correspondentes.
  Esta representação limita inerentemente o número de ativos em $K_{max}$ , eliminando a necessidade de mecanismos de reparo para remover ativos excedentes quando o limite superior é violado. Ativos duplicados na primeira linha são permitidos; seus pesos na segunda linha são somados para determinar a alocação total para aquele ativo.
Estratégias de Acasalamento Dinâmicas:
O processo de seleção é dividido em duas fases para equilibrar exploração e explotação:
- Iterações Iniciais (Exploração): Um Seleção de Torneio Baseada em Joelho (Knee-based) é utilizado. Ele seleciona indivíduos com base na distância euclidiana até o "Ponto de Utopia" (retorno máximo/risco mínimo ideal), priorizando soluções próximas ao joelho da Frente de Pareto (PF) para encontrar combinações de ativos de alta qualidade rapidamente.
- Iterações Tardias (Explotação): Uma Seleção de Torneio de Matriz Baseada em Similaridade é ativada. Ela identifica portfólios com combinações de ativos idênticas ou similares e os acasala para refinar as alocações de capital (pesos) em vez de buscar novas misturas de ativos.
Mutação Especializada e o Operador "Explorer":
- Mutações: Três tipos de mutações são combinados dinamicamente. As iterações iniciais utilizam mutações que trocam ativos (busca global), enquanto as iterações tardias focam no ajuste de pesos (busca local).
- Operador Explorer: Um novo operador de reparo e otimização projetado para indivíduos que violam restrições. Ele gera soluções candidatas usando cinco métodos heurísticos de distribuição de capital (ex: distribuição igual, baseada em volatilidade, razão retorno-risco). Em seguida, explora o espaço entre a solução alvo e o melhor candidato usando uma fórmula de interpolação específica (Equação 10) para encontrar alocações de peso superiores sem alterar o conjunto de ativos.
Mecanismos de Tratamento de Restrições:
- Reparo de Cardinalidade: Três técnicas são propostas para adicionar ativos a portfólios que violam a restrição $K_{min}$ $K_{min}$ :
  - Baseado em Associação: Utiliza o agrupamento (clustering) da atual Frente de Pareto para identificar ativos que frequentemente coocorrem com os ativos do portfólio violado.
  - Baseado em Pontuação: Agrupa todo o universo de ativos e seleciona ativos dos clusters de maior pontuação baseando-se em métricas de correlação e desempenho.
  - Baseado em Limiar: Seleciona ativos com baixa correlação aos ativos existentes no portfólio, controlado por um coeficiente de rigor.
- Reparo de Fronteira: Uma versão modificada de Chang et al. (2000) é usada para ajustar os pesos para satisfazer $[\epsilon_i, \delta_i]$ , lidando especificamente com casos onde ativos duplicados causam violações de peso total.

Principais Contribuições

Eficiência de Codificação: A representação de cromossomo de tamanho fixo simplifica o tratamento do limite superior de cardinalidade e reduz o overhead computacional dos mecanismos de reparo.
Busca Adaptativa: A estratégia de acasalamento em duas fases (baseada em Joelho vs. baseada em Similaridade) equilibra efetivamente a descoberta de diversas combinações de ativos com a otimização da alocação de capital.
Reparo Aperfeiçoado: O operador "Explorer" fornece uma maneira estruturada de reotimizar pesos para soluções reparadas, garantindo que a viabilidade não venha à custa do desempenho.
Escalabilidade: A abordagem é especificamente projetada para manter o desempenho conforme o número de ativos disponíveis ( $N$ ) aumenta, abordando uma fraqueza conhecida de algoritmos evolutivos padrão para problemas de larga escala.

Resultados Experimentais
O algoritmo proposto foi testado contra o NSGA-II padrão e uma versão utilizando a nova codificação, mas com estratégias de acasalamento padrão. Os experimentos foram conduzidos em quatro conjuntos de dados: DAX 100, S&P 100, Nikkei 225 e a Bolsa de Valores de Teerã (TSE) (418 ativos).

Métricas de Desempenho: O estudo utilizou Hipervolume (HV), Distância Generacional (GD), Distância Generacional Invertida (IGD) e Métrica de Diversidade ( $\Delta$ ). Uma "Distância Generacional Modificada" (MGD) também foi introduzida para normalizar as comparações.
Descobertas:
- A abordagem proposta superou consistentemente o NSGA-II padrão em todas as métricas e mercados.
- A lacuna de desempenho aumentou conforme o número de ativos cresceu, demonstrando superioridade de escalabilidade.
- O algoritmo alcançou taxas de convergência mais rápidas, particularmente evidente nos gráficos de IGD ao longo das gerações.
- A validação estatística via Testes de Sinais e Testes de Postos Sinalizados de Wilcoxon confirmou a significância das melhorias (p < 0,05) na maioria das métricas, com exceção do MGD no mercado DAX 100.
- A análise de tempo computacional indicou que, embora o Python seja mais lento que o C++, a codificação e a lógica propostas resultaram em tempos de execução comparáveis ou até melhores que as abordagens padrão, mesmo para o conjunto de dados maior da TSE.

Significância e Alegações
O artigo afirma que a estratégia proposta oferece uma solução robusta para a otimização de portfólio de larga escala sob restrições de cardinalidade. Os autores asseguram que sua abordagem:

Proporciona uma convergência mais rápida e uma capacidade de busca extensiva em comparação com métodos tradicionais.
Mantém a estabilidade de desempenho conforme o tamanho do mercado (número de ativos) cresce, enquanto algoritmos padrão tendem a degradar.
Lida efetivamente com o compromisso entre encontrar o conjunto ideal de ativos e a alocação ideal de pesos através de seu acasalamento em fases e do operador "Explorer".

O estudo conclui que, embora a formulação atual aborde CC e BC, trabalhos futuros poderiam incorporar outras restrições do mundo real, como custos de transação e liquidez, o que exigiria modificações adicionais nos mecanismos de reparo propostos.

Mais como este