Optimisasyon ng Post-Modern Portfolio Theory (PMPT)

Ang optimisasyon ng Post-Modern Portfolio Theory (PMPT) ay isang balangkas para sa pagbuo ng mga investment portfolio sa pamamagitan ng pag‑minimize ng downside risk—na tinukoy bilang mga kita na mas mababa sa isang tinukoy na target o minimum na katanggap‑tanggap na kita—sa halip na kabuuang variance. Pinalalawak nito ang Modern Portfolio Theory (MPT) sa pagkilala na karaniwang tinitingnan ng mga mamumuhunan ang pagkalugi at kita nang hindi pantay: mas sensitibo sila sa kakulangan kaysa sa pagtaas ng bolatilidad. Dahil dito, pinapalitan ng optimisasyon ng PMPT ang mean‑variance optimization (MVO) ng downside‑risk optimization (DRO), gamit ang mga sukatan tulad ng semi‑variance, semi‑deviation, o ratio ng Sortino upang gabayan ang mga desisyon sa paglalaan ng asset.

Hindi tulad ng MPT, na ipinapalagay na ang mga mamumuhunan ay nagmamalasakit sa pagkalat ng mga kita sa paligid ng mean kahit anong direksyon, tahasang inilalarawan ng PMPT ang panganib bilang kabiguan na maabot ang isang layunin, tulad ng iskedyul ng obligasyon, benchmark, o personal na floor ng kita. Dahil dito, ang PMPT ay partikular na angkop para sa mga aplikasyon sa pagpaplano ng pagreretiro, pamamahala ng endowment, at iba pang konteksto kung saan ang underperformance ay may tiyak na kahihinatnan.

Hinahanap ng optimisasyon ng PMPT ang mga bigat ng portfolio na nagmamaksimisa ng inaasahang kita na may kasamang limitasyon sa downside risk, o sa katumbas, miniminimize ang downside risk na may target na kita. Karaniwang binubuo ang problema ng optimisasyon gamit ang lower partial moments (LPM), kung saan ang function na layunin ay nagsasama lamang ng mga parisukat na paglihis sa ibaba ng target na kita \(T\):

kung saan ang \(r\) ay ang random na kita at ang \(f(r)\) ay ang probability density nito. Sa praktika, ito ay tinatantya gamit ang mga historikal o simulated na distribusyon ng kita:

Pinapalitan ng layuning ito ang variance term \(\sigma^2 = \frac{1}{N} \sum (r_t - \bar{r})^2\) na ginagamit sa MVO. Ang nagresultang efficient frontier ay concave sa eroplano ng return-downside-risk at madalas nagbubunga ng mga portfolio na may mas mababang posibilidad ng underperformance kumpara sa target.

• Target Return (T): Isang paunang tinukoy na benchmark—tulad ng implasyon plus 3%, isang cash flow ng obligasyon, o risk‑free rate—na nagtatakda ng threshold para sa mga ‘hindi kanais‑nais’ na kita.
• Semi-Variance / Semi-Deviation: Ang variance o standard deviation ng mga kita na mas mababa sa target, na nagsisilbing sukatan ng panganib.
• Sortino Ratio: Ang labis na kita laban sa target na hinati sa semi‑deviation, na ginagamit bilang sukatan ng pagganap sa optimization o pagraranggo.
• Downside Risk Optimization (DRO): Ang computational method para lutasin ang PMPT objective, kadalasang ipinatutupad gamit ang quadratic programming kapag ang mga kita ay tinatayang discrete.

• Convergence Behavior: Ipinapakita ng mga empirical na pag-aaral na ang mga unconstrained semi‑variance optimizer ay hindi palaging nagko‑converge sa mga ekstremong ‘corner solution’ gaya ng inaasahan ng teorya; sa halip, madalas silang lumikha ng diversified allocations, lalo na kapag ang mga distribution ng kita ay hindi Gaussian o may fat tails.
• Data Sensitivity: Ang PMPT optimization ay mas sensitibo sa pagpili ng target return at mga assumption sa distribution ng kita kumpara sa MPT. Ang maliliit na pagbabago sa target o error sa estima ng downside moments ay maaaring makaapekto nang malaki sa optimal na bigat.
• Computational Complexity: Bagaman kayang hawakan para sa katamtamang bilang ng asset, nagiging mas mabigat ang computational load ng DRO kumpara sa MVO para sa malakihang problema dahil sa non‑symmetric risk weighting at non‑convexities sa higher‑order LPM formulations.
• Goal Alignment: Namumukod‑tangi ang PMPT kapag malinaw ang mga layunin ng mamumuhunan (hal., pagpopondo sa kilalang liability stream), ngunit humihina ang kalamangan nito laban sa MPT kapag ang mga target ay arbitraryo o kapag ang mga distribution ng kita ay symmetric at thin‑tailed.

Ipalagay na ang isang mamumuhunan ay nagtatakda ng 5% na taunang kita at sinusuri ang dalawang klase ng asset gamit ang historikal na taunang kita:

• Asset A: mga kita na [2%, 6%, 8%, 4%]
• Asset B: mga kita na [3%, 3%, 7%, 7%]

Para sa Asset A, ang mga deviation na mas mababa sa 5% ay [−3%, 0%, 0%, −1%] → squared negatives: [9, 0, 0, 1] → semi‑variance = 2.5. Para sa Asset B, ang mga deviation na mas mababa sa 5% ay [−2%, −2%, 2%, 2%] → squared negatives: [4, 4, 0, 0] → semi‑variance = 2.0.

Pareho ang mean ng dalawang asset (5%), ngunit ang Asset A ay may mas mataas na downside risk (semi‑variance 2.5 kumpara sa 2.0) dahil mas malaki ang mga kakulangan nito sa ilalim ng 5% target, kaya ang isang loss‑averse na mamumuhunan na nag‑optimize sa ilalim ng PMPT ay pipiliin ang Asset B. Ang dalawang balangkas ay nagkakaiba nang malaki kapag ang mga asset ay may parehong kabuuang variance ngunit magkaiba sa hugis ng kanilang return distribution: dahil ang kabuuang variance ay pantay na binibigyan ng bigat ang upside at downside deviation, maaaring magkaiba nang malaki ang semi‑variance ng dalawang asset na may magkaparehong variance kapag ang kanilang mga kita ay skewed — at ito mismo ang asymmetry na dinisenyo ng PMPT na ilagak sa presyo.