Pag-optimize ng Portfolio na Multi-Horizon

Ang multi-horizon portfolio optimization ay isang dynamic na pagpapalawak ng mean-variance portfolio selection na sabay-sabay na tinutukoy ang sunod-sunod na mga bigat ng portfolio at mga aksyon sa kalakalan sa maraming hinaharap na panahon. Sa halip na i-optimize ang isang single-period na trade-off sa pagitan ng inaasahang kita at variance, ito ay nagbabawas ng isang pinagsamang layunin—karaniwang isang weighted sum ng period-specific utility o risk penalties—na nasasailalim sa mga dynamic na budget constraint, gastos sa transaksyon, at nagbabagong impormasyon. Ang balangkas ay hayagang nagmomodelo kung paano nagbabago ang mga kagustuhan ng mamumuhunan, mga inaasahan sa merkado, at mga limitasyon sa paglipas ng panahon, na nagbibigay-daan sa pagbuo ng mga portfolio na optimal hindi lamang sa simula kundi pati na rin sa sunod-sunod na re-optimizations.

Ang pamamaraang ito ay nagge-generalize ng static na Markowitz optimization at tinutugunan ang mga pangunahing limitasyon nito sa realistic na mga setting: isinasaalang-alang nito ang path dependence (hal., ang epekto ng mga kalakalan ngayon sa opportunity set bukas), pinapayagan ang time-varying risk aversion o loss aversion, at sumusuporta sa pagsasama ng mga gastos sa transaksyon at rebalancing. Ang mga multi-horizon na modelo ay lalong mahalaga para sa mga institusyunal na mamumuhunan—tulad ng sovereign wealth funds, pension plans, at endowments—na namamahala ng mga asset sa mahabang, multi-taong horizon at kailangang i-coordinate ang intermediate liquidity needs sa long-term growth objectives.

Ang multi-horizon optimization ay binubuo ng tatlong magkakaugnay na bahagi: mga state variable, decision variable, at ang objective function. Ang mga state variable ay sumasaklaw sa hanay ng impormasyon na magagamit sa bawat panahon (hal., kasalukuyang hawak na portfolio, presyo sa merkado, macroeconomic indicators, at mga kagustuhan ng mamumuhunan). Ang mga decision variable ay kinabibilangan ng vector ng mga bigat ng portfolio o posisyon ng asset na ihahawak sa bawat panahon, at opsyonal, ang laki ng kalakalan na isasagawa sa pagitan ng mga panahon. Ang objective function ay nag-aagregat ng mga period-specific na utility o penalty sa kabuuan ng planning horizon, kadalasang ipinapahayag bilang inaasahang kabuuan ng mga utility ng bawat panahon minus isang risk penalty term na sinukat ng time-consistent risk aversion parameter.

Isang karaniwang pormulasyon ang gumagamit ng recursive utility structure kung saan ang value function sa oras t ay nasusunod:

V_t(S_t) = max_{a_t} { U(S_t, a_t) + β · E[V_{t+1}(S_{t+1}) | S_t, a_t] }

sabihin na ang S_t ay ang estado sa oras t, ang a_t ay ang aksyon (kalakalan o pagpili ng portfolio), ang U ay ang one-period utility, at ang β ∈ (0,1] ay ang discount factor. Sa ilalim ng quadratic utility at Gaussian returns, ito ay nagiging isang convex optimization problem sa sunod-sunod na mga bigat ng portfolio, kung saan ang covariance matrix ng multi-period returns ay pumapasok sa risk term.

Ilang variant ng multi-horizon optimization ang ginagamit sa praktika, na naiiba batay sa kung paano nila imodelo ang mga kagustuhan, mga limitasyon, at dynamics ng return:

• Time-additive mean-variance: Gumagamit ng kabuuan ng mga period mean-variance na layunin na may constant na coefficient ng risk aversion. Madaling ipatupad ngunit karaniwang hindi time-consistent maliban kung ang risk aversion ay zero.
• Time-consistent mean-variance: Inaayos ang layunin upang ipatupad ang pagkakaugnay-ugnay sa pagitan ng mga panahon, kadalasan sa pamamagitan ng muling pagdeklara ng term na panganib upang isama ang conditional variance ng mga hinaharap na value function. Nagbubunga ito ng linear‑quadratic control problem.
• Loss-aversion frameworks: Isinasama ang mga preference na nakadepende sa sanggunian (hal., prospect theory) kung saan ang mga pagkalugi kumpara sa benchmark o paunang kayamanan ay nagdudulot ng mas mataas na marginal disutility. Ito ay lalong mahalaga para sa sovereign wealth funds at mga obligasyon sa pensyon.
• Robust multi-stage optimization: Gumagamit ng mga scenario tree o ambiguity set upang mag‑hedge laban sa hindi tiyak na modelo sa mga forecast ng return, na nagbabawas ng sensitivity sa estimation error sa mga high‑dimensional na setting.

Gumagamit ang mga institutional investor ng multi‑horizon optimization upang i‑coordinate ang strategic asset allocation sa tactical rebalancing at liability‑driven investing. Halimbawa, maaaring magtakda ang isang pension fund ng tatlong horizon: short‑term (1‑2 taon) para sa cash‑flow matching at liquidity, medium‑term (3‑5 taon) para sa risk budgeting at factor tilts, at long‑term (10+ taon) para sa paglago at proteksyon laban sa implasyon. Ang optimizer ay sabay‑sabay na pumipili ng mga kalakalan sa iba’t ibang panahon upang mabawasan ang weighted sum ng tracking error, turnover, at shortfall risk, alinsunod sa mga funding‑ratio constraint at regulatory limit.

Kadalasang sinusunod ang isang rolling‑horizon o receding‑horizon scheme sa implementasyon: sa bawat petsa ng rebalancing, muling nilulutas ang buong multi‑period plan gamit ang na‑update na mga forecast at market data, at tanging ang aksyon sa unang panahon lamang ang isinasagawa. Pinapanatili nito ang feasibility at adaptability habang pinapanatili ang mga benepisyo ng forward‑looking planning. Ang mga numerical method tulad ng dynamic programming, stochastic programming, o convex approximation (hal., SDP relaxations) ay ginagamit depende sa laki at estruktura ng problema.

Isaalang‑alang ang isang two‑period setting na may dalawang asset (stocks at bonds), paunang kayamanan na W₀, at kilalang mga return mean na μ₁, μ₂ at covariance na Σ sa pagitan ng mga panahon. Ang mga transaction cost ay proporsyonal: κ·|Δw| kada unit ng pagbabago sa timbang. Ang mamumuhunan ay nagma‑maximize ng:

E[U₁] + β·E[U₂], kung saan Uₜ = wₜ′μₜ − (γ/2)·wₜ′Σₜwₜ − κ·|wₜ − wₜ₋₁|

Ang optimal na timbang sa unang panahon na w₀* ay naglutas ng isang quadratic program na nagbabalanse ng agarang return, panganib, at ang gastos ng pagkomit sa mga hinaharap na kalakalan. Kung inaasahan ng optimizer na magiging mas kaakit‑akit ang stocks sa ikalawang panahon, maaari itong magtiis ng bahagyang underweight sa simula—dahil alam na ang gastos sa rebalancing ay mababalanse ng mas mataas na inaasahang return—samantalang ang isang single‑period optimizer ay mag‑overreact lamang sa mga signal ng period‑1.

Ang multi‑horizon optimization ay nagdadala ng ilang praktikal na panganib:

• Forecast error amplification: Ang pagtatantiya ng multi‑period return distributions ay nangangailangan ng mga palagay tungkol sa serial correlation at volatility dynamics; ang maliliit na error ay nag‑iipon sa paglipas ng mga horizon, na nagreresulta sa suboptimal o hindi matatag na mga polisiya.
• Computational burden: Ang paglutas ng large‑scale multi‑stage programs ay magastos; ang mga scenario tree na may maraming sangay ay nagiging hindi kayang i‑solve lampas sa ilang panahon.
• Model risk: Ang mga time‑consistent formulation ay kadalasang umaasa sa quadratic utility o Gaussian returns, na maaaring magmali sa representasyon ng tail behavior at skewness.
• Overfitting to historical covariances: Ang pagtatantiya ng high‑dimensional covariance ay maingay, lalo na kapag ang mga horizon ay lumalagpas sa epektibong sample size ng historical data.

Upang mapagaan ang mga ito, pinagsasama ng mga practitioner ang multi‑horizon optimization sa regularization (hal., shrinkage, factor models), robust scenario generation, at stress testing laban sa mga alternatibong landas ng return.

• Ignoring transaction costs in dynamic planning: Ang pagtrato sa multi‑horizon optimization bilang sunud‑sunod na static na problema ay nagdudulot ng labis na turnover at nabawasang performance.
• Using inconsistent risk aversion across periods: Ang paggamit ng constant risk aversion coefficient sa time‑additive mean‑variance objective ay lumilikha ng mga estratehiya na nais iwanan ng mamumuhunan kalaunan—na nagpapahina sa kredibilidad ng plano.
• Overlooking liquidity constraints: Ang pag‑aakalang ganap na marketable ang mga kalakalan sa forecasted na presyo ay maaaring magdulot ng hindi magagawang rebalancing schedule, lalo na para sa illiquid assets.
• Misaligning horizons with decision rights: Maaaring mag‑optimize ang isang fund manager sa 10‑taong horizon habang sinusuri siya kada quarter, na nagdudulot ng hindi pagkakatugma ng insentibo at madalas na paglihis sa plano.

Ang best practice ay i‑calibrate ang haba ng horizon at risk aversion sa aktwal na decision cycle ng mamumuhunan at i‑validate ang output ng optimizer laban sa mga simpleng benchmark (hal., buy‑and‑hold, equal‑weight) sa ilalim ng out‑of‑sample na mga senaryo.