Multi-objective Portfolio Optimization Via Gradient Descent

想象一下，你是一位巨轮的船长，但你航行的不是水域，而是一片由金钱构成的海洋。你的目标是在尽可能多地获取宝藏的同时，从 A 点到达 B 点。但有一个限制：这片海洋充满了风暴（风险），而且有一张严格的地图（监管规定）告诉你，不能在一个箱子里装太多黄金，并且你必须紧跟一座特定的灯塔（基准指数）。这就是投资组合优化的世界。几十年来，驾驶这艘船的标准方式是使用一种僵化的数学指南针，叫做“现代投资组合理论”。在风平浪静的水域，它表现良好；但当海洋变得波涛汹涌，充满复杂的规则或冲突的目标时——比如既想要最大化的宝藏，又想要最小化的风险，还要遵守严格的安全限制——旧的指南针往往会卡住甚至损坏。

现在，出现了一种新型的导航工具：梯度下降法（Gradient Descent）。请不要把它看作是一张僵化的地图，而要把它想象成一名在浓雾笼罩的山中摸索前行的徒步旅行者。徒步者（计算机）迈出小步，不断检测哪边的坡度最陡（向着更低风险或更高利润的方向），并不断调整路径。通常，这种“徒步”方法被用于教计算机如何识别照片中的猫或驾驶汽车。但如果我们教计算机在金融大山中徒步呢？这正是这篇论文所探讨的内容。研究人员构建了一个全新的框架，利用这种由现代人工智能工具驱动的“徒步”技术，来解决传统方法难以应对的复杂、多目标的投资问题。他们想看看，这种灵活的、循序渐进的方法，是否能比传统的、僵化的计算器构建出一个更好、更安全且更守规矩的宝藏箱。

论文之旅：在金融大山中徒步

作者们来自马德里自治大学和 March Asset Management，他们着手测试这种“徒步”方法（梯度下降法）是否能够处理**多目标投资组合优化（MPO）**这一复杂任务。在现实世界中，投资者不仅仅想要“高回报”。他们想要在保持低风险的同时获得高回报，同时遵守严格的法律（如欧洲 UCITS 规则），同时确保不会把所有的鸡蛋放在一个篮子里，并且同时紧密追踪特定的市场指数。传统的工具在要求它们同时处理所有这些环节时往往会显得力不从心，尤其是当规则很复杂或数据量巨大时。

研究人员利用 S&P 500（约 500 家美国大型公司的列表）2020 年的数据构建了一个数字游乐场。他们不仅建立了一个测试，而是构建了六种不同的场景，从简单的“寻找最佳路径”任务到极其复杂的“在躲避岩石、遵守速度限制并携带特定重量的同时寻找最佳路径”的挑战。

简单测试：走直线
首先，他们测试了基础功能。在一个场景中，他们要求计算机简单地找到风险与回报之间最佳平衡的路径（最大化“夏普比率”）。他们将这种新的“徒步”方法与一个著名的、僵化的数学求解器 CVXPY 进行了对比。结果如何？徒步者和僵化的计算器几乎到达了完全相同的位置。资产权重（即多少钱投入每只股票）几乎一致，差异仅在小数点后第六位。这证明了对于简单的任务，这种新方法与旧的、受信任的工具一样准确。

在第二个测试中，他们要求计算机最小化“极端损失”（一个被称为 CVaR 的概念）。他们将其与另一个名为 SKFOLIO 的工具进行了对比。在这里，“徒步者”采取了与僵化计算器略微不同的路径，选择了不同的股票并分配了略有不同的权重。然而，当他们检查最终结果——即实际避免的极端损失量时——两种方法几乎是孪生兄弟。其差异如此之小（在小数点后第五位），以至于在实际应用中，徒步者找到了相同的目的地，只是通过感知地面而非遵循预先绘制的地图来完成。这意义重大，因为“极端损失”问题在数学上非常杂乱，很难被僵硬的工具完美解决；而“徒步者”却轻松应对。

复杂测试：杂耍与障碍赛
接着，情况变得更加刺激了。研究人员增加了复杂性，就像电子游戏中增加新关卡一样。

• 规则遵循者： 他们要求计算机在遵守 UCITS 法规 的同时最小化极端损失。这些是欧洲的严格规则，例如规定“单只股票不能占据投资组合的 10% 以上”，以及“大额投注（超过 5%）的总和不能超过 40%”。传统工具在面对这些规则时经常会陷入困境，因为这些规则使数学变得“非凸”（这是一个高级说法，意指地图上有坑洼和悬崖，会破坏僵化的计算器）。但徒步者呢？它只是继续行走，不断调整步伐，直到找到一条留在界限内的路径。结果是一个完美遵守规则且同时保持低风险的投资组合。

• 走钢丝的人： 在另一个测试中，他们增加了**跟踪误差（Tracking Error）**约束。这意味着投资组合的表现必须与 S&P 500 指数保持高度一致（就像走钢丝的人紧贴钢丝）。徒步者成功实现了在最小化极端损失的同时，依然紧紧跟随指数，证明了它可以在冲突的目标之间取得平衡而不坠落。

• 终极挑战： 最后一个最复杂的测试要求计算机同时完成所有任务：最大化回报、最小化极端损失、遵守 UCITS 规则、保持最小股票数量、确保没有过小的股票权重，并紧跟指数。计算机成功地在这场混乱的障碍赛中完成了导航。它选择了 23 只股票，确保每只股票的权重都在 1% 以上，确保“大额投注”保持在 40% 的限制之下，并交付了一个在风险调整后收益方面超越标准指数的投资组合。

“掩码”之谜
在最后一个极具创意的测试中，研究人员创建了“掩码（Masks）”——即必须保持在一定总权重以下的股票组（例如规定“科技组的资金占比不能超过 27%”）。徒步者成功地分配了资金，使得没有任何一个组违反其限制，同时仍实现了投资组合整体风险的最小化。这表明该方法可以处理那些对旧软件来说是噩梦般的自定义、任意规则。

这对未来意味着什么

这篇论文并不声称发现了一个保证让你发财的“万能灵药”。相反，它提出了更具实践意义的观点：灵活性。作者展示了使用带有自动微分（一种让计算机能瞬间计算斜率的工具）的梯度下降法，是一种强大且可扩展的方式，可以解决那些过于复杂而无法用传统数学处理的投资问题。

核心发现是，这种方法在处理简单任务时与现有的最佳工具旗鼓相当，但在处理复杂的、多规则场景时则更胜一筹。它不仅能找到一个答案，还能找到一个尊重所有现实世界复杂约束的好答案。研究人员强调，“徒步者”需要一位向导（用户）来设定正确的“权重”（即在风险与回报之间如何取舍），但一旦选定了这些设置，计算机就可以处理同时平衡数十个冲突目标的繁重工作。

最后，这篇论文为一种新型金融工具开启了大门——这种工具像人类徒步者一样具有适应性，能够在现代投资那充满迷雾、岩石的地形中穿行，而僵化的地图在此处早已失效。它表明，通过借鉴人工智能领域的技巧，我们可以构建出不仅在数学上严谨，而且在现实世界中同样稳健且极具生命力的投资组合。