Optimisasi Portofolio Multi-Horizon

Optimisasi portofolio multi-horizon adalah ekstensi dinamis dari seleksi portofolio mean-variance yang menentukan secara bersamaan rangkaian bobot portofolio dan aksi perdagangan selama beberapa periode waktu di masa depan. Alih-alih mengoptimalkan trade-off satu periode antara imbal hasil yang diharapkan dan varians, pendekatan ini meminimalkan tujuan kumulatif—biasanya berupa jumlah berbobot dari utilitas atau penalti risiko spesifik periode—dengan memperhatikan kendala anggaran dinamis, biaya transaksi, dan informasi yang berkembang. Kerangka kerja ini secara eksplisit memodelkan bagaimana preferensi investor, ekspektasi pasar, dan kendala berubah seiring waktu, memungkinkan konstruksi portofolio yang optimal tidak hanya pada awalnya tetapi juga pada proses re-optimisasi berurutan.

Pendekatan ini menggeneralisasi optimisasi Markowitz statis dan mengatasi keterbatasan utamanya dalam konteks realistis: ia memperhitungkan ketergantungan jalur (misalnya, dampak perdagangan hari ini terhadap kumpulan peluang besok), memungkinkan aversi risiko atau aversi kerugian yang berubah seiring waktu, serta mendukung penyertaan biaya transaksi dan rebalancing. Model multi-horizon sangat berharga bagi investor institusional—seperti dana kekayaan negara, program pensiun, dan dana abadi—yang mengelola aset selama horizon panjang multi-tahun dan harus mengoordinasikan kebutuhan likuiditas menengah dengan tujuan pertumbuhan jangka panjang.

Optimisasi multi-horizon dibangun atas tiga komponen yang saling terkait: variabel keadaan, variabel keputusan, dan fungsi tujuan. Variabel keadaan menangkap set informasi yang tersedia pada setiap periode (misalnya, kepemilikan portofolio saat ini, harga pasar, indikator makroekonomi, dan preferensi investor). Variabel keputusan mencakup vektor bobot portofolio atau posisi aset yang akan dipegang pada setiap periode, dan secara opsional ukuran perdagangan yang dilakukan antar periode. Fungsi tujuan mengagregasi utilitas atau penalti spesifik periode selama horizon perencanaan, sering kali dinyatakan sebagai jumlah harapan utilitas periode dikurangi istilah penalti risiko yang diskalakan oleh parameter aversi risiko yang konsisten waktu.

Formulasi umum menggunakan struktur utilitas rekursif di mana fungsi nilai pada waktu t memenuhi:

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

di mana S_t adalah keadaan pada waktu t, a_t adalah aksi (perdagangan atau pilihan portofolio), U adalah utilitas satu periode, dan β ∈ (0,1] adalah faktor diskonto. Dengan utilitas kuadratik dan imbal hasil Gaussian, hal ini menyederhanakan menjadi masalah optimisasi konveks pada urutan bobot portofolio, dengan matriks kovarians imbal hasil multi-periode masuk ke dalam istilah risiko.

Beberapa varian optimisasi multi-horizon digunakan dalam praktik, dibedakan berdasarkan cara mereka memodelkan preferensi, kendala, dan dinamika imbal hasil:

• Time-additive mean-variance: Menggunakan jumlah tujuan mean-variance periode dengan koefisien aversi risiko konstan. Sederhana untuk diimplementasikan namun umumnya tidak konsisten waktu kecuali aversi risiko nol.
• Mean-variance konsisten waktu: Menyesuaikan tujuan untuk menegakkan konsistensi antar periode, seringkali dengan mendefinisikan ulang istilah risiko untuk memasukkan varians kondisional dari fungsi nilai masa depan. Hal ini menghasilkan masalah kontrol linear-kuadratik.
• Kerangka kerja aversi kerugian: Menggabungkan preferensi yang bergantung pada referensi (mis., teori prospek) di mana kerugian relatif terhadap patokan atau kekayaan awal memicu disutilitas marginal yang lebih tinggi. Hal ini sangat relevan bagi dana kekayaan negara dan kewajiban pensiun.
• Optimisasi multi-tahap yang robust: Menggunakan pohon skenario atau himpunan ambiguitas untuk melindungi terhadap ketidakpastian model dalam perkiraan pengembalian, mengurangi sensitivitas terhadap kesalahan estimasi pada lingkungan berdimensi tinggi.

Investor institusional menggunakan optimisasi multi-horizon untuk mengoordinasikan alokasi aset strategis dengan penyeimbangan taktis dan investasi berbasis kewajiban. Misalnya, dana pensiun dapat mendefinisikan tiga horizon: jangka pendek (1-2 tahun) untuk pencocokan arus kas dan likuiditas, jangka menengah (3-5 tahun) untuk budgeting risiko dan penyesuaian faktor, serta jangka panjang (10+ tahun) untuk pertumbuhan dan perlindungan inflasi. Optimiser secara bersama memilih perdagangan lintas periode untuk meminimalkan jumlah berbobot dari tracking error, turnover, dan shortfall risk, dengan batasan rasio pendanaan serta limit regulatori.

Implementasi biasanya mengikuti skema rolling-horizon atau receding-horizon: pada setiap tanggal penyeimbangan, rencana multi-periode penuh diselesaikan kembali menggunakan perkiraan dan data pasar yang diperbarui, dan hanya aksi periode pertama yang dijalankan. Hal ini menjaga kelayakan dan adaptabilitas sekaligus mempertahankan manfaat perencanaan ke depan. Metode numerik seperti pemrograman dinamis, pemrograman stokastik, atau aproksimasi konveks (mis., relaksasi SDP) digunakan tergantung pada ukuran dan struktur masalah.

Pertimbangkan suatu setting dua periode dengan dua aset (saham dan obligasi), kekayaan awal W₀, serta rata‑rata pengembalian yang diketahui μ₁, μ₂ dan kovarians Σ antar periode. Biaya transaksi bersifat proporsional: κ·|Δw| per unit perubahan bobot. Investor memaksimalkan:

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

Bobot optimal periode pertama w₀* menyelesaikan program kuadratik yang menyeimbangkan pengembalian langsung, risiko, dan biaya komitmen pada perdagangan masa depan. Jika optimiser memperkirakan saham akan menjadi lebih menarik pada periode 2, ia dapat menerima underweight awal yang moderat—menyadari biaya penyeimbangan akan terkompensasi oleh pengembalian yang diharapkan lebih tinggi—sedangkan optimiser satu periode akan bereaksi berlebihan hanya pada sinyal periode‑1.

Optimisasi multi-horizon memperkenalkan beberapa risiko praktis:

• Amplifikasi kesalahan perkiraan: Mengestimasi distribusi pengembalian multi‑periode memerlukan asumsi tentang korelasi serial dan dinamika volatilitas; kesalahan kecil terakumulasi sepanjang horizon, menghasilkan kebijakan yang suboptimal atau tidak stabil.
• Beban komputasi: Menyelesaikan program multi‑tahap berskala besar memakan biaya tinggi; pohon skenario dengan banyak cabang menjadi tidak dapat diatasi setelah beberapa periode.
• Risiko model: Formulasi konsisten waktu sering bergantung pada utilitas kuadratik atau pengembalian Gaussian, yang dapat menggambarkan perilaku ekor dan skewness secara tidak akurat.
• Overfitting pada kovarians historis: Estimasi kovarians berdimensi tinggi berisik, terutama ketika horizon melampaui ukuran sampel efektif data historis.

Untuk mengurangi hal ini, praktisi menggabungkan optimisasi multi-horizon dengan regularisasi (mis., shrinkage, model faktor), generasi skenario yang robust, dan stress testing terhadap jalur pengembalian alternatif.

• Mengabaikan biaya transaksi dalam perencanaan dinamis: Menganggap optimisasi multi-horizon sebagai rangkaian masalah statis menghasilkan turnover berlebih dan penurunan kinerja.
• Menggunakan aversi risiko yang tidak konsisten antar periode: Menerapkan koefisien aversi risiko konstan dalam tujuan mean‑variance yang bersifat aditif waktu menghasilkan strategi yang nantinya ingin ditinggalkan investor—mengurangi kredibilitas rencana.
• Mengabaikan kendala likuiditas: Mengasumsikan seluruh perdagangan dapat dipasarkan pada harga perkiraan dapat menghasilkan jadwal penyeimbangan yang tidak layak, terutama untuk aset illiquid.
• Menyelaraskan horizon dengan hak keputusan yang tidak tepat: Seorang manajer dana mungkin mengoptimalkan pada horizon 10 tahun sementara dievaluasi secara kuartalan, menciptakan insentif yang tidak selaras dan penyimpangan rencana yang sering.

Praktik terbaik adalah mengkalibrasi panjang horizon dan aversi risiko sesuai siklus keputusan nyata investor serta memvalidasi output optimiser terhadap benchmark sederhana (mis., buy‑and‑hold, equal‑weight) dalam skenario out‑of‑sample.