DOI: https://doi.org/10.3934/jimo.2026101
تاريخ النشر: 2026-01-01
المؤلف: Katsuhiro Tanaka وآخرون
الموضوع الرئيسي: المخاطر وتحسين المحفظة الاستثمارية
نظرة عامة
تبحث الدراسة في صياغة محفظة التنبؤ القصوى المقيدة بالعدد (MPP) التي تتضمن مصطلح تنظيم ℓ₂ للتخفيف من الإفراط في التكيف، خاصة عند التعامل مع مجموعات كبيرة من الأصول والعوامل المرشحة. تُظهر الدراسة أن هذه الصياغة تؤدي إلى مشكلة تحسين معقدة تتميز بمتغيرات ثنائية وقيود غير محدبة. من خلال استخدام إعادة صياغة ثنائية المستوى، يدمج المؤلفون هذه المشكلة في إطار خوارزمية قطع الطائرة (CPA)، مما يسمح باشتقاق صياغة محدبة مكافئة تحافظ على ضمانات إنهاء نهائي وε-مثالية. بالإضافة إلى ذلك، تم تطوير تعبير فرعي مخصص لتسهيل بناء الطائرات القاطعة الصالحة، مما يعزز إمكانية حل العملية.
تكشف التجارب العددية أن النهج المقترح، خاصة عند دمجه مع الخطية العادية، يحسب بفعالية حلول عالية الجودة للحالات واسعة النطاق حيث تكون الطرق الدقيقة التقليدية غير عملية. تشير النتائج إلى أن تنظيم ℓ₂ المعتدل يعزز التنبؤ خارج العينة، بينما يؤدي التنظيم المفرط إلى تقليل القدرات التنبؤية لـ MPP. تؤكد الدراسة على أهمية تحقيق التوازن بين التنبؤ والاستقرار والجدوى العملية من خلال التطبيق المشترك لتنظيم ℓ₂ وقيود العدد. تشمل اتجاهات البحث المستقبلية اختيار المعلمات الفائقة التكيف واستكشاف دور تنظيم ℓ₂ من منظور متعدد الأهداف، مما قد يساهم في تحسين عمليات اختيار المحفظة.
مقدمة
تناقش مقدمة هذه الورقة البحثية إطار عمل محفظة التنبؤ القصوى (MPP)، الذي يهدف إلى تعزيز التنبؤ بالعائد من خلال تعظيم معامل التحديد من نماذج الانحدار القائمة على العوامل. على عكس تقييمات المحافظ التقليدية التي تركز فقط على لحظات توزيع العائد، تتضمن MPP مقياسًا لتنبؤ العائد في دالة الهدف الخاصة بها. هذا الإطار فعال بشكل خاص في ظل ظروف توزيعات العائد غير المتماثلة، حيث تشير الدراسات التجريبية إلى أن تحسين التنبؤ بالعائد يرتبط بأداء أفضل للمحفظة. ومع ذلك، يمكن أن يؤدي اعتماد MPP على مجموعات كبيرة من الأصول والعوامل إلى الإفراط في التكيف، مما يؤدي إلى أوزان محفظة مركزة قد لا تؤدي بشكل جيد خارج العينة.
لمعالجة هذه التحديات، يقترح المؤلفون توسيع صياغة MPP من خلال دمج مصطلح تنظيم ℓ₂ وقيود العدد. يهدف تنظيم ℓ₂ إلى استقرار الأداء خارج العينة من خلال تعديل تخصيصات الوزن المتطرفة، بينما تحد قيود العدد من عدد الأصول في المحفظة. يسعى هذا النهج المزدوج إلى تحقيق توازن بين التنويع والندرة، على الرغم من أنه يقدم مشكلة تحسين معقدة تتميز بقيود غير محدبة ومتغيرات ثنائية. يستخدم المؤلفون خوارزمية قطع الطائرة (CPA) للتنقل عبر هذه التعقيدات، مما يضمن ε-مثالية في الحلول. بالإضافة إلى ذلك، يستخدمون خوارزمية الخطية العادية (NL) لتعزيز الكفاءة الحسابية، خاصة لمشاكل MPP واسعة النطاق. تختتم الدراسة بأن تنظيم ℓ₂ المعتدل يحسن التنبؤ خارج العينة وأداء الاستثمار، بينما قد يؤدي التنظيم المفرط إلى تقليل المزايا التنبؤية لـ MPP.
الطرق
في هذا القسم، يقدم المؤلفون مقارنة مجمعة لأربعة طرق—CPA+، TS، CPA، وNC—باستخدام حالة صغيرة الحجم تتميز بالمعلمات (N، K، S) = (25، 3، 3). تشير النتائج، الملخصة في الجدول 3، إلى أن CPA+ تحقق قيمًا موضوعية قابلة للمقارنة مع تلك التي تنتجها الطرق الدقيقة CPA وNC، بينما تتفوق باستمرار على الطريقة الاستدلالية TS. من الجدير بالذكر أن CPA+ لا تقدم فقط حلولًا عالية الجودة ولكنها تفعل ذلك في أوقات حسابية أقصر بكثير مقارنة بالطرق الدقيقة.
على النقيض من ذلك، تفشل طريقة CPA في الانتهاء ضمن الحد الزمني المحدد، وعلى الرغم من أن NC تنتهي، إلا أنها تتطلب وقت حساب أطول. تسلط هذه الملاحظات الضوء على التطبيق العملي المحدود لـ CPA وNC، حتى بالنسبة لأحجام المشكلات الصغيرة. في النهاية، تظهر CPA+ كأكثر الطرق فعالية، حيث تقدم توازنًا مثاليًا بين جودة الحل وكفاءة الحساب. بالإضافة إلى ذلك، يوفر الملحق D القيم الموضوعية المثلى لجميع الحالات السبع لكل معلمة γ تم الحصول عليها من NC.
النتائج
في هذا القسم، تُعرض نتائج التحليل المقارن لأربعة طرق حسابية، مع التركيز على أدائها الاستثماري عبر قيم مختلفة من المعلمة $\gamma$. تشير النتائج إلى أن كل طريقة تظهر خصائص أداء مميزة، تتأثر بالقيمة المحددة لـ $\gamma$ المستخدمة.
يكشف التحليل أن بعض الطرق الحسابية تتفوق على الأخرى في ظل ظروف معينة، مما يشير إلى أن اختيار الطريقة وضبط $\gamma$ أمران حاسمان لتحسين نتائج الاستثمار. يتم تقديم مقاييس أداء مفصلة وأهمية إحصائية للنتائج، مما يبرز الآثار المترتبة على الممارسين في اختيار استراتيجيات حسابية مناسبة لاتخاذ قرارات الاستثمار.
المناقشة
في هذا القسم، يقوم المؤلفون بصياغة ومناقشة مشكلة تحسين المحفظة متعددة العوامل (MPP)، والتي تتضمن اختيار محفظة من الأسهم بناءً على عوائدها المتوقعة والمخاطر المرتبطة بها. يتم نمذجة المشكلة باستخدام إطار عمل الانحدار متعدد العوامل، حيث يتم التعبير عن عائد كل أصل كدالة لمجموعة من العوامل، والهدف هو تقليل مخاطر المحفظة مع تحقيق عائد مستهدف. يقدم المؤلفون مصفوفة التباين-التغاير للعوائد والبقايا، مما يؤدي إلى تعريف مجموعة استثمار قابلة للتطبيق تتضمن قيودًا على العوائد المتوقعة والأوزان.
يعيد المؤلفون صياغة مشكلة MPP كبرنامج تربيعي مقيد غير محدب (QCQP) ويقدمون مصطلح تنظيم ℓ² لتعزيز التنويع بين أوزان الأصول. يساعد هذا التنظيم في تجنب المحافظ المركزة من خلال تشجيع تخصيص أكثر توازنًا للاستثمارات. يناقش القسم أيضًا آثار إضافة قيد العدد، الذي يحد من عدد الأصول في المحفظة، مما يؤثر على التوازن بين التركيز والتنويع. يبرز المؤلفون أن قيد العدد وتنظيم ℓ² يلعبان أدوارًا تكاملية في بناء المحفظة، مما يؤثر على الندرة وتوزيع الوزن للأصول المختارة.
أخيرًا، يقترح المؤلفون إطار عمل تحسين ثنائي المستوى لحل مشكلة MPP، مع دمج خوارزمية قطع الطائرة (CPA) للحساب الفعال. يحددون هيكل الخوارزمية، الذي يقوم بتحسين المناطق القابلة للتطبيق بشكل تكراري بناءً على الصياغات الثنائية للمشكلة ذات المستوى الأدنى، بهدف تحقيق حل ε-مثالي. كما يتم مناقشة دمج خوارزمية استدلالية للحساب السريع على المستوى الأدنى، مع التأكيد على التوازن بين كفاءة الحساب ودقة الحل.
DOI: https://doi.org/10.3934/jimo.2026101
Publication Date: 2026-01-01
Author(s): Katsuhiro Tanaka et al.
Primary Topic: Risk and Portfolio Optimization
Overview
The research investigates a cardinality-constrained maximal predictability portfolio (MPP) formulation that incorporates an ℓ₂ regularization term to mitigate overfitting, particularly when dealing with extensive sets of candidate assets and factors. The study demonstrates that this formulation leads to a complex optimization problem characterized by binary variables and nonconvex constraints. By employing a bilevel reformulation, the authors integrate this problem into the cutting-plane algorithm (CPA) framework, allowing for the derivation of an equivalent convex formulation that maintains finite termination and ε-optimality guarantees. Additionally, a tailored subgradient expression is developed to facilitate the construction of valid cutting planes, enhancing the tractability of the solution process.
Numerical experiments reveal that the proposed approach, particularly when combined with normalized linearization, effectively computes high-quality solutions for large-scale instances where traditional exact methods are impractical. The findings indicate that moderate ℓ₂ regularization enhances out-of-sample predictability, while excessive regularization detracts from the predictive capabilities of the MPP. The study emphasizes the importance of balancing predictability, stability, and practical feasibility through the joint application of ℓ₂ regularization and cardinality constraints. Future research directions include the adaptive selection of hyperparameters and exploring the role of ℓ₂ regularization from a multi-objective perspective, which could further refine portfolio selection processes.
Introduction
The introduction of this research paper discusses the maximal predictability portfolio (MPP) framework, which aims to enhance return predictability by maximizing the coefficient of determination from factor-based regression models. Unlike traditional portfolio evaluations that focus solely on return distribution moments, MPP incorporates a measure of return predictability into its objective function. This framework is particularly effective under conditions of asymmetric return distributions, as empirical studies indicate that improved return predictability correlates with better portfolio performance. However, MPP’s reliance on extensive asset and factor sets can lead to overfitting, resulting in concentrated portfolio weights that may not perform well out-of-sample.
To address these challenges, the authors propose extending the MPP formulation by integrating an ℓ₂ regularization term and a cardinality constraint. The ℓ₂ regularization aims to stabilize out-of-sample performance by moderating extreme weight allocations, while the cardinality constraint limits the number of assets in the portfolio. This dual approach seeks to balance diversification and sparsity, although it introduces a complex optimization problem characterized by nonconvex constraints and binary variables. The authors employ a cutting-plane algorithm (CPA) to navigate this complexity, ensuring ε-optimality in solutions. Additionally, they utilize the normalized linearization (NL) algorithm to enhance computational efficiency, particularly for large-scale MPP problems. The study concludes that moderate ℓ₂ regularization improves out-of-sample predictability and investment performance, while excessive regularization may diminish the predictive advantages of MPP.
Methods
In this section, the authors present an aggregated comparison of four methods—CPA+, TS, CPA, and NC—using a small-scale instance characterized by parameters (N, K, S) = (25, 3, 3). The findings, summarized in Table 3, indicate that CPA+ achieves objective values that are comparable to those produced by the exact methods CPA and NC, while consistently outperforming the heuristic method TS. Notably, CPA+ not only delivers high-quality solutions but does so in significantly shorter computation times compared to the exact methods.
Conversely, the CPA method fails to complete within the designated time limit, and while NC does terminate, it requires a longer computation time. These observations highlight the limited practical applicability of CPA and NC, even for small problem sizes. Ultimately, CPA+ emerges as the most effective method, offering an optimal balance between solution quality and computational efficiency. Additionally, Appendix D provides the optimal objective values for all seven instances for each parameter γ obtained from NC.
Results
In this section, the results of the comparative analysis of four computational methods are presented, focusing on their investment performance across varying values of the parameter $\gamma$. The findings indicate that each method exhibits distinct performance characteristics, influenced by the specific value of $\gamma$ employed.
The analysis reveals that certain computational methods outperform others under specific conditions, suggesting that the choice of method and the tuning of $\gamma$ are critical for optimizing investment outcomes. Detailed performance metrics and statistical significance of the results are provided, highlighting the implications for practitioners in selecting appropriate computational strategies for investment decision-making.
Discussion
In this section, the authors formulate and discuss the multifactor portfolio optimization (MPP) problem, which involves selecting a portfolio of stocks based on their expected returns and associated risks. The problem is modeled using a multifactor regression framework, where the return of each asset is expressed as a function of various factors, and the goal is to minimize the portfolio’s risk while achieving a target return. The authors introduce a variance-covariance matrix for the returns and residuals, leading to the definition of a feasible investment set that incorporates constraints on expected returns and weights.
The authors reformulate the MPP problem as a nonconvex quadratic constrained quadratic program (QCQP) and introduce an ℓ² regularization term to promote diversification among asset weights. This regularization helps avoid concentrated portfolios by encouraging a more balanced allocation of investments. The section also discusses the implications of adding a cardinality constraint, which limits the number of assets in the portfolio, thereby affecting the trade-off between concentration and diversification. The authors highlight that the cardinality constraint and the ℓ² regularization serve complementary roles in portfolio construction, influencing the sparsity and weight distribution of the selected assets.
Finally, the authors propose a bilevel optimization framework to solve the MPP problem, incorporating a cutting-plane algorithm (CPA) for efficient computation. They outline the algorithm’s structure, which iteratively refines feasible regions based on dual formulations of the lower-level problem, ultimately aiming to achieve an ε-optimal solution. The integration of a heuristic algorithm for rapid lower-level computation is also discussed, emphasizing the trade-offs between computational efficiency and solution accuracy.