@_map_universe_分散重視と数理最適化を組み合わせると資産配分は安定するか
An Optimization–Diversification Approach to Portfolio Selection
Francesco Cesarone、Andrea Scozzari、Fabio Tardella（2020）『Journal of Global Optimization』
ひとことで言うと
組合せ配分は純粋な最適化より標本内でわずかに劣る一方、標本外では分散だけ、最適化だけの配分を概して上回りましたを明らかにした研究です。
図で読む：この研究は何を比べたか
集中した配分と、分散制約を加えた配分を比べる
通常の最適化
少数銘柄へ集中しやすい
分散制約の有無
分散制約あり
保有先を広げる
集中リスクと期待成績の交換条件
利益への距離
- 観測された差
-
一部のみ
特定データで配分法を比較。
- 取引費用
-
未確認
売買費用後は未確認。
- 再現性
-
未確認
独立再現は未評価。
- 日本市場
-
未確認
日本市場は未検証。
研究で観測された差は、そのまま得られる利益ではありません。4つの関門はそれぞれ独立に読んでください。
この研究を読み解く
何を知りたかったのか
期待収益や共分散の推定誤差に弱い最適化と、情報をあまり使わない分散重視の配分を組み合わせ、標本内の効率を大きく失わず標本外を改善できるかを問います。二つを単独で使う場合が比較対象です。
どうやって調べたのか
一般的なリスク尺度でリスクパリティの性質を整理し、分散制約と最適化を同時に満たす非線形混合整数・疑似ブール問題を定式化します。Multi-Greedy近似法で解き、実データの標本内外で単独手法と比較します。
何が分かったのか
組合せ配分は純粋な最適化より標本内でわずかに劣る一方、標本外では分散だけ、最適化だけの配分を概して上回りました。推定誤差への耐性と目的関数の効率を両立する方向を実データ比較で示します。
この結果をどう読めばよいか
良好な標本外結果は、使った資産、推定窓、リスク尺度、近似アルゴリズムの条件付きです。複雑な最適化が将来リターンを予言するわけではなく、計算可能性と売買費用を含む実装可能性も別問題です。
- 対象市場
- その他
- 標本期間
- 2010
〜2019 - 対象銘柄群
- 最適化モデルと数値例。期間は概略
- 観測頻度
- 論文ごとの分析頻度（書誌・抄録では詳細未確認）
- 再現性
- 未評価独立した追試研究との対応は未評価。
- 日本市場での有効性
- 未評価日本市場への適用可能性は本レコードでは評価していない。
観測結果
主要な観測結果
リスク分散と最適化を組み合わせ、混合整数または疑似ブール表現によるポートフォリオ選択を提示する。。
効果量未掲載（not_reported）
効果量は一次資料の表・定義まで検収していないため未収録。
効果量は原典の掲載値です。当サイトが再計算したものではなく、将来のリターンを示すものでもありません。
限界
原典の設計上、この結果をそのまま一般化できない条件です。
原典と利用条件
- 出版社ページ（DOI）https://doi.org/10.1007/s10898-019-00809-7