summarypapermulti-period-optimizationADMMblock-coordinate-descentQPturnovertransition-managementtrading-trajectorycarbon

Lezmi, Roncalli & Xu (2022) — 多期组合优化

Edmond Lezmi · Thierry Roncalli · Jiali Xu（Amundi Quantitative Research）· 2022 年 3 月 · 62 页

本次归档: raw/papers/202203-multi-period-portfolio-optimization/ (paper.pdf 1.45 MB + extracted.md)

一句话核心

多期组合优化是均值-方差优化的自然推广：目标函数跨期不可加（交易成本、价格冲击、随时间收紧的约束把相邻期的权重绑在一起），求解要处理这种耦合。论文把问题写成可分离的静态部分 + 耦合部分 f(x)=g(x)+h(x)，据此导出三个数值算法（ADMM 交替方向乘子法、块坐标下降 BCD、增广二次规划 a-QP），并在四个问题上演示：transition management（过渡期调仓）、总变差正则化组合（再平衡路径平滑）、交易轨迹建模（考虑流动性冲击的最优执行路径）、以及组合脱碳/对齐（碳约束随时间收紧）。最后一个应用给出最具实务冲击的数字：多期解与单期解之间的 active share 可超过 25%，若叠加上升的碳排放趋势可达 40%。

问题与关键结构

h 期、n 个资产的一般形式：

\min_{x}\, U(x_{t+1},\dots,x_{t+h}) \quad \text{s.t.}\; x \in \Omega 论文的关键分解是假定效用函数跨期可分： U(x)=\sum_{s=t+1}^{t+h}\big[g_s(x_s)+h_s(x_{s-1},x_s)\big]

g_s(x_s) 是静态部分（只依赖当期组合），h_s(x_{s-1},x_s) 是耦合部分（依赖相邻两期）。约束集同样拆成 \Omega=\Omega^{(g)}\cap\Omega^{(h)}：\Omega^{(g)}=\bigcap_s\Omega_s 是逐期约束，\Omega^{(h)} 是跨期耦合约束（换手上限、单调调仓等）。

求解目标不是整条路径，而是当期最优：x^\star_{t+1}=\arg\min_x\{f(x)\}（Remark 1）——因为到 t+2 时信息集会更新，那时求出的路径已无意义。论文指出这相当于两个问题的叠加：一个是传统单期静态优化，另一个是动态反馈问题——已知 t+2 的最优解会通过耦合项反过来改变 t+1 的解。

目标函数的三种写法（Remark 2，都可写成 QP）：

目标 g_s(x_s) 形式 Q_s / R_s
均值-方差 \tfrac12 x_s^\top\Sigma_s x_s-\gamma x_s^\top\mu_s Q_s=\Sigma_s，R_s=\gamma\mu_s
跟踪误差最小化 \tfrac12 x_s^\top\Sigma_s(x_s-b_s) Q_s=\Sigma_s，R_s=\Sigma_s b_s
带基准的组合优化 二者混合 Q_s=\Sigma_s b_s+\gamma\mu_s

惩罚函数：ridge（\tfrac12\lambda_s\|x_s-x_{s-1}\|^2）、lasso（\lambda_s\|x_s-x_{s-1}\|_1，等价于换手惩罚）、二次交易成本（Gârleanu-Pedersen 2013 的 Kyle 矩阵 \Lambda_s，ridge 是其 \Lambda_s=\lambda_s I_n 的特例）、对数障碍、熵。

关键发现

三个数值算法

算法 思路 每次迭代解的子问题 收敛性
ADMM 引入辅助变量 y 把耦合项隔离，x-步解静态部分、y-步解近端算子 x-步：h 个维度 n 的 QP；y-步：n 个维度 3h 的 QP 不保证；高精要求下慢，低精度下快，适合大规模
BCD（块坐标下降） 把每个 x_s 当作一个坐标块，逐块固定其余块求最优 h 个维度 n 的 QP 理论上收敛（Tseng 2001; Xu-Yin 2013）；但 lasso 情形下不保证
a-QP（增广二次规划） 用增广变量把 lasso 换成线性约束，整体变成一个 QP 1 个维度 3nh 的 QP 直接解，一次到位

算法选择的经验规则（论文 §2.4 与 Table 8，取 h=5）：

  • n\le 100（小池）：a-QP 即可
  • 100\le n\le 200（中池）：BCD
  • n\ge 200（大池，如 MSCI World 的 1,500+ 只）：ADMM（QD 维度太大，Q 矩阵在 n=1500,h=5 时超过 7,500×7,500，多数 QP 求解器只在 2,000 维以内有效）

论文特别提醒：ADMM 与 BCD 的收敛都不保证，必须用多个初值、多算法交叉验证，并测试问题规模微扰时解的稳定性。

应用一：Transition management（过渡期调仓）

7 类资产（3 固收 + 3 股票 + 1 商品），当前组合 \mathbf{x}_t=(20\%,10\%,15\%,20\%,10\%,15\%,10\%)，长-only 均值-方差（\gamma=1\%）的最优解是 (46.21\%,38.21\%,0\%,4.09\%,4.09\%,7.11\%,0.30\%)，换手 108.82%——无法直接执行。

做法：分 h=5 期调仓、每期换手上限 \tau_s=25\%。迭代解、a-QP 解、BCD 解的终点完全相同（都等于均值-方差组合），但路径不同，总换手分别是 116.83% / 114.02% / 116.52%——都大于 108.82%，因为可以在某期超买、下一期再卖。

加二次交易成本有失效风险：\Lambda_s 太小则惩罚不起作用（回到上述解），太大则解"黏住"当前组合 x^\star_{t+1}=\dots=x^\star_{t+h}=x_t。论文还加了单调调仓约束（不能把某资产调低后再调回、或反之），三种方法此时给出相近结果。

应用二：总变差正则化组合（再平衡路径平滑）

7 只股票，单因子协方差（\Sigma=\beta\beta^\top\sigma_m^2+\mathrm{diag}(\tilde\sigma_i^2)），当前组合是全局最小方差组合 (54.15\%,19.50\%,2.30\%,2.14\%,5.78\%,9.74\%,6.39\%)，市场波动 \sigma_m=20\%。目标是 \ell_1 正则化并约束组合 beta 不低于阈值 \beta_s^-。

核心结论：\lambda_0=0（无惩罚）时，最优的 x^\star_{t+1} 不依赖时间视界 h——因为问题退化成 h 个独立问题。\lambda_0>0 时，x^\star_{t+1} 开始依赖 h：第 7 只股票的权重随 h 先升后降，第 6 只先不变后上升，第 1 只先降后触底。这正是多期相对单期的本质差别——即使当期解也因为未来约束而不同。

应用三：交易轨迹建模（考虑流动性冲击的最优执行路径）

4 个资产，预期收益 5%/6%/7%/8%，波动率 15%/20%/25%/30%。均值-方差最优组合 (20.39\%,23.11\%,24.74\%,31.76\%)。采用 Gârleanu-Pedersen (2013) 的 Kyle 矩阵模型：\Lambda_s 是临时冲击的 Kyle 矩阵、\Gamma_s 是永久冲击的 Kyle 矩阵、\phi 是价格失真的均值回复参数。

  • \varrho_\Lambda=\varrho_\Gamma=0：x^\star_{t+1}=\dots=x^\star_{t+h}=x_{\text{mvo}}（直接到位）
  • \varrho_\Lambda=\infty：x^\star_{t+1}=\dots=x^\star_{t+h}=x_t（完全不动）
  • 中间情形：存在一条最优轨迹

关键机制：换手是均值回复参数 \phi 的递减函数、永久冲击参数 \varrho_\Gamma 的递增函数。\phi=0 时均值回复效应消失，交易者可以做"动量点火 (momentum ignition)"——第 3、第 4 只资产的权重在 t+1 到 t+5 之间单调上升。

Remark 5 的边界条件警告：动量点火在最后一期构成套利机会，因为多期优化没有考虑 t+h 之后的盈亏。修正是加边界条件 x_{t+h}=x_{t+h+1}（t+h 后停止交易）并把 t+h+1 期纳入优化。在 \varrho_\Gamma=10\%、\phi=0 的例子里，无边界条件时 x^\star_{t+5}=(0\%,0\%,52.13\%,47.87\%)，加上边界条件后变成 (12.82\%,16.81\%,32.08\%,38.29\%)——差别巨大。

应用四：组合脱碳与对齐（时间变约束）

跟踪基准 + 碳强度路径约束 \mathrm{CI}(x_s)\le (1-R(t,s))\mathrm{CI}(b_t) + 高气候影响行业 (CIS) 最低配置约束。10 只股票的玩具例子里，当前组合碳强度 362.4 tCO_2e/$mn、CIS 高影响行业占 46.34%，脱碳路径为每年减 15%。

  • 单期解（h=1、\lambda_s=0）：跟踪误差波动 1.59% / 3.18% / 4.81%，换手 1.81% / 3.47% / 5.01%
  • 加 \ell_1 惩罚（\lambda_s=0.5\%）：跟踪误差平均上升 23bp，换手在 [t+1,t+3] 区间下降 403bp
  • 多期解（h=3、\lambda_s=0.5\%）：跟踪误差 1.68% / 3.28% / 4.93%——介于"单期无惩罚"与"单期有惩罚"之间，因为多期解提前预见了未来各期的碳强度下降，更好地权衡了跟踪误差与换手

Eurostoxx 50 指数（2019 年底、基准年 2020-01-01、年化脱碳 7%）上，逐年与按季两种调仓频率下，多期解提高跟踪风险但降低换手；多期解与单期解之间的 active share 不随 h 单调——例如 h=2 年、\lambda=1\% 时 active share 反而最大。叠加碳排放趋势后：整体碳强度下降时（Eurostoxx 50 用 2013–2020 趋势）跟踪误差下降、active share 变小；上升时（S&P 500 的情形）跟踪误差上升、active share 可达 40%。

重要 caveat

  • 多期优化在实务中很少被使用。论文引用 Kolm 等 (2014) 给出三条原因：多期收益/风险极难准确估计（单期尚且如此）、计算量大、多期模型往往不处理现实约束。论文的回应是算力进步，但并未声称多期已可落地。
  • 多期解 ≠ 单期解的重复滚动。Merton (1969, 1971) 在特定效用与价格趋势假设下证明两者等价，但该假设不总是成立——论文明确指出净零对齐、含碳路径的脱碳这类问题不是平稳的，解依赖有限视界 h。
  • 数值解需要警惕。ADMM 与 BCD 在 lasso 情形下都不保证收敛；论文明确要求多初值、多算法交叉验证，并检查退化的简化情形。
  • 交易轨迹模型假设 Kyle 型线性冲击。\phi 在实务中是随机的、且依赖交易规模，论文自己建议对多个 \phi 情景分别求解。
  • 交易成本的参数标定问题被回避：\Lambda_s 太小无效、太大"黏住"，论文没有给标定准则。
  • 玩具例子的规模很小（7 类资产、7 只股票、4 个资产、10 只股票），Eurostoxx 50 的实证只给图不给表。

对 quant wiki 的意义

  1. 这是库里 MVO with Transaction Cost 那页的多期版本：那页的二次交易成本项 \tfrac{\eta}{2}(w-w_t)^\top\Lambda(w-w_t) 是单期的；本文把它放进 h_s(x_{s-1},x_s) 的耦合位置，并说明它如何与"交易成本惩罚 / 换手约束 / 流动性约束"三种建模方式互相转化。
  2. ADMM 那页讲的是通用算法框架；本文给出它在组合优化中"因可分离性而把 nh 维问题拆成 h 个 n 维 QP"的具体用法，是那页的一个落地实例。
  3. 与 决策聚焦稀疏切点组合 形成互补：那边处理基数约束下的稀疏组合（单期），本文处理跨期路径约束下的调仓（多期）。多期 + 基数约束 + 可微化是一个尚未有人做的组合。
  4. 与 concepts/risk-portfolio/Mean-Variance Optimization with Transaction Cost 里那条"TC 项是必要非充分"的结论一致：本文的多期解同样说明，光加惩罚项不解决问题，提前看见未来的约束路径才带来实质改进。

相关概念