💰 quantitative finance

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

本文针对不调仓情况下的指数跟踪问题提出了一种新型鲁棒混合整数线性规划模型，并辅以一种结合了遗传算法与局部搜索能力的混合启发式算法，旨在高效解决这一 NP 难问题，并在样本内和样本外数据上均表现出优于商业求解器的性能。

原作者： Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

发布于 2026-07-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图构建一个庞大且混乱的管弦乐团的微缩版本。你的目标是仅挑选出极少数的乐器（比如从数百种中选出10种），让它们共同演奏时，听起来完全像是一场完整的交响乐。在金融领域，这被称为指数追踪（Index Tracking）。由于购买市场中的每一只股票既昂贵又繁琐，基金经理们希望挑选出一个小型的“追踪组合”来完美地模拟市场的表现。

长期以来，管理人员试图通过观察股票在过去如何相互关联来做到这一点，就像是在检查小提琴和中提琴是否总是演奏相同的音符。但本文的作者 Danial Ramezani 及其团队认为，这种方法有点像仅仅通过观察昨天的云朵来预测明天的天气。这太不稳定了。他们认为，依赖简单的历史相关性是充满噪声的，并且在市场情绪变化时往往会失效。

全新的“稳健型”配方
该团队提出了一种新的数学配方（模型），它是“稳健的（robust）”。你可以把它想象成建造一艘不仅能在平静水面上漂浮，而且旨在抵御最猛烈风暴的船。该模型不再只是猜测哪些股票能匹配市场，而是会追问：“如果这些股票之间的关系出了问题怎么办？如果它们表现得最糟糕时怎么办？”通过对最坏情况进行规划，该模型挑选出的资产组合即使在局面变得混乱时也能保持稳定。

他们还在数学中引入了一个特殊的“安全缓冲”。想象一下，你正在为一次旅行打包行李，但你不确定会下雨还是晴天。普通的打包者可能只会凭直觉猜测。而这个新模型则同时为雨天和晴天做好了准备，确保无论发生什么情况，你都有所需之物。这种方法使得投资组合可以在很长一段时间内追踪市场，而无需频繁调整（调仓），从而节省了交易费用。

超级搜索团队 (GALB)
这里有一个棘手的部分：从数百种中找出完美的10种乐器是一个极其复杂的谜题，甚至连世界上最快的超级计算机（被称为“精确求解器”，如 CPLEX）也会陷入困境或需要耗费极长时间才能解决。这个问题是“NP-hard”的，这是一种高级说法，意指它是一个充满了太多死胡同的迷宫。

为了解决这个问题，作者创建了一个新的搜索团队，名为 GALB。你可以把 GALB 看作是一个混合型侦探。

遗传算法 (GA)： 这部分就像是一群向四面八方奔跑的探险家，尝试各种不同的股票组合。它擅长快速找到新的、有趣的路径。
局部分支 (Local Branching)： 这是“放大镜”专家。当探险家们发现一个有前景的位置时，这位专家会停下来，非常仔细地观察紧邻的区域，看看是否可以通过微调方案来使其趋于完美。

通过将“广度搜索”的探险家与“精细检查”的专家相结合，GALB 比缓慢的暴力计算法能更快地找到高质量的解。

数据说明了什么
团队使用来自道琼斯 (Dow Jones)、恒生 (Hang Seng)、德国 DAX (DAX)、富时 100 (FTSE 100)、标普 100 (S&P 100) 和日经 225 (Nikkei 225) 等著名市场的历史数据，对他们的新模型和 GALB 搜索团队进行了测试。

速度： 在这些测试中，CPLEX 计算机在处理某些市场时需要长达 1,800 秒（30 分钟）来尝试解决问题，并且有时会在没找到最佳答案的情况下放弃。相比之下，GALB 团队在较小的市场中仅用 120 秒，在较大的市场中仅用 300 秒 就找到了优秀的解。
准确性： 由 GALB 创建的投资组合不仅能快速找到答案，而且找到了更好的答案。当团队观察这些组合在未来（即“样本外”数据）的表现时，新模型的误差始终较低。例如，在道琼斯测试中，新模型的追踪误差（MAD）为 0.00402，而旧的 Model 3 为 0.00458。
稳定性： 他们构建的投资组合仅由 10 种资产组成（相对于数百种可选资产而言数量极少）。尽管规模如此之小，它们仍能在长时间内追踪大规模市场，而无需频繁重新调整。

他们强调这“不是”什么
作者谨慎地指出，他们的方法不是什么。他们明确反对那种认为可以仅凭过去股票的相关性来预测未来的观点。他们证明了那些忽略“最坏情况”的模型（如旧有的 Model 1）往往在测试中表现良好，但在现实世界条件变化时会失败。他们还指出，虽然他们的启发式算法（GALB）非常出色，但它是一种近似值；它能比精确求解器更快地找到“相等甚至更优”的解，但它并不保证能为宇宙中每一个可能的场景提供数学上的完美证明，尽管它在所测试的问题规模上确实收敛到了最优解。

总结
通过这些模拟和测试，作者表明，他们这种全新的“稳健型”模型配合 GALB 搜索团队，是构建一个能够模仿庞大市场的小型、低成本投资组合的强大方式。它似乎比旧方法能更好地应对股市的混乱，既保持了较低的追踪误差，又将昂贵的调仓需求降至最低。虽然论文展示了这些结果在多个全球主要指数中均成立，但作者将其呈现为一种经过严谨测试的强有力方法，而非解决所有金融奥秘的“万能灵药”。

技术摘要：一种针对无需调仓场景的新型鲁棒混合整数线性规划指数跟踪模型

问题定义
本文研究了**指数跟踪（Index Tracking, IT）**问题，这是被动基金管理中的核心挑战，其目标是利用资产子集来复制特定市场基准的表现。作者指出了现有数学模型存在的关键局限性：

对相关性的敏感性： 传统的模型通常依赖于历史资产相关性，而这些相关性具有噪声大、在不同市场机制下不稳定以及容易对样本内数据过拟合的特点，从而导致样本外表现不佳。
调仓成本： 许多策略需要频繁调仓以维持跟踪精度，从而产生显著的交易成本和流动性风险。
计算复杂度： 由于指数跟踪问题具有组合性质（选择资产子集并确定权重），它是一个 NP-hard 问题，导致使用精确求解器在合理的时间范围内难以针对大规模数据集求解最优解。

本研究的具体目标是开发一种能够应对参数不确定性（特别是相关性偏差）、能够在无需调仓的情况下实现长期指数跟踪，并且能够通过新型启发式算法高效求解的鲁棒模型。

方法论

1. 数学建模（模型 4）
作者提出了一种新型混合整数线性规划（MILP）模型，将两个截然不同的目标整合到一个单一的鲁棒模型中：

通过相关性不确定性实现的鲁棒性： 借鉴 Bertsimas 和 Sim (2003) 的鲁棒优化方法，该模型纳入了资产相关性的“最坏情况”场景。它最小化相关性的下行偏差（ $\Gamma$ 系数取其最差值），以确保即使在相关性发生不利变化时，投资组合仍能保持有效。
跟踪误差最小化： 模型同时最小化投资组合收益与基准指数收益之间的平均绝对偏差（MAD）。
约束条件： 该模型包含了标准的现实世界约束，如基数限制（限制资产数量 $K$ ）、买入阈值（最小和最大权重）以及禁止卖空。
目标函数： 目标函数（公式 19）结合了跟踪误差项和鲁棒相关性项，并通过系数 $\xi$ 和 $\psi$ 进行缩放，使数值在 0 到 1 之间归一化。

2. 求解方法：GALB 启发式算法
意识到精确求解器在处理较大规模问题时面临困难，作者开发了 GALB（结合局部分支的遗传算法），这是一种混合元启发式算法：

遗传算法 (GA)： 作为全局搜索引擎，利用交叉和变异算子来演化候选解（投资组合）种群。
局部分支 (Local Branching)： 作为局部搜索机制集成其中。当满足特定条件（例如，在没有改进的情况下进行了设定次数的 GA 迭代）时，算法会对当前找到的最佳解应用局部分支。这涉及在当前最佳解周围定义一个汉明距离邻域，并求解一个受限的 MILP 子问题，以更深入地探索附近的解。
适应度函数： 设计了一个专门的适应度函数（算法 2），用于在不运行精确求解器的情况下评估解，从而避免高昂的计算开销。该函数对资产权重进行解码并直接计算鲁棒目标值，能够高效处理最坏情况下的相关性场景。

实验设置
研究采用了来自八个主要市场的统计数据：道琼斯、恒生指数、CAC 40、EURO STOXX 50、DAX、富时 100、S&P 100 和日经 225。数据来源包括 OR-library 和 Yahoo Finance（2018 年 7 月至 2024 年 1 月）。

对比对象： 将提出的模型 4 和 GALB 与以下模型进行对比：
- 现有公式（基于相关性最大化的模型 1 和基于 MAD 最小化的模型 3）。
- 商业精确求解器 CPLEX。
指标： 使用相关系数 ( $\rho$ )、平均绝对偏差 (MAD)、均方根误差 (RMSE)、跟踪误差标准差 (STD) 和 Beta 系数来评估性能。对样本内和样本外结果均进行了分析。
参数： 实验测试了不同的不确定性水平 ( $\Gamma = 0, 50\%, 75\%, 90\%$ )，并将投资组合规模固定为 10 支资产 ( $K=10$ )。

关键结果

鲁棒模型的优越性：
- 当由 CPLEX 求解时，提出的模型 4 在所有测试的市场（道琼斯、CAC 40、EURO STOXX 50）中，其样本外指标均一致优于模型 1 和模型 3。
- 具体而言，模型 4 在样本外时期实现了更高的指数相关性和更低的跟踪误差（MAD、RMSE、STD），证明了其针对市场机制变化的鲁棒性。
- 在计算效率方面，对于多个市场（例如，道琼斯为 72 秒 vs 118 秒），CPLEX 求解提出的模型比模型 3 更快。
GALB 启发式算法的性能：
- 效率： GALB 找到的解质量等于或优于 CPLEX，但耗时显著减少（例如，道琼斯为 120 秒 vs 1800 秒；其他市场为 300 秒 vs 1800 秒）。
- 最优性： 对于较小的规模，GALB 在多次运行中都能收敛至全局最优解（与 CPLEX 结果一致），特别是在 $\Gamma=0$ 时。
- 样本外主导地位： 在大多数市场（恒生、DAX、日经 225、S&P 100）中，GALB 生成的投资组合（尤其是 $\Gamma=75\%$ 或 $90\%$ 时）产生的样本外跟踪性能优于 CPLEX，即使 CPLEX 拥有更多的搜索时间。
- 无需调仓： 生成的仅包含 10 支资产的投资组合在长期内能够以极小的偏差跟踪指数，验证了“无需调仓”的说法。

意义与主张
本文声称其贡献体现在两个方面：

一种鲁棒的公式： 它引入了一种比传统 IT 模型更具鲁棒性的 MILP 模型，能够处理相关性不确定性，并在无需频繁调仓的情况下提供卓越的样本外表现。
一种强大的启发式算法： 它提出了 GALB，这是一种有效地平衡了全局探索（GA）和局部开发（局部分支）的混合算法。作者断言，GALB 不仅比商业求解器更快地解决 NP-hard 的 IT 问题，而且生成的投资组合在现实世界的跟踪精度方面优于精确求解器的解。

研究结论认为，所提出的方法可以构建精简的投资组合（仅需 10 支资产），能够在较长时期内与大型且波动的指数（如日经 225）保持高度相关，从而有效地降低了与换手率和调仓相关的管理成本。

技术摘要：一种针对无需调仓场景的新型鲁棒混合整数线性规划指数跟踪模型

类似论文