Çok Dönemli Portföy Optimizasyonu

Çok dönemli portföy optimizasyonu, ortalama‑varyans portföy seçiminin dinamik bir uzantısıdır ve birden fazla gelecek zaman diliminde portföy ağırlıkları ve işlem eylemlerinin bir dizisini birlikte belirler. Tek bir dönemde beklenen getiri ile varyans arasındaki dengeyi optimize etmek yerine, dinamik bütçe kısıtlamaları, işlem maliyetleri ve değişen bilgiye tabi olarak, genellikle dönem‑özelliği fayda veya risk cezalarının ağırlıklı toplamı şeklinde bir kümülatif hedefi minimize eder. Çerçeve, yatırımcı tercihleri, piyasa beklentileri ve kısıtlamaların zaman içinde nasıl evrildiğini açıkça modelleyerek, yalnızca başlangıçta değil, ardışık yeniden optimizasyonlar altında da optimal olan portföylerin oluşturulmasını sağlar.

Bu yaklaşım, statik Markowitz optimizasyonunu genelleyerek gerçekçi ortamlardaki temel sınırlamalarını giderir: yol bağımlılığını (örneğin, bugünkü işlemlerin yarının fırsat seti üzerindeki etkisini) dikkate alır, zaman içinde değişen risk ya da kayıp kaygısını mümkün kılar ve işlem ve yeniden dengeleme maliyetlerinin dahil edilmesini destekler. Çok dönemli modeller, uzun ve çok yıllık ufuklarda varlık yöneten ve ara likidite ihtiyaçlarını uzun vadeli büyüme hedefleriyle koordine etmesi gereken devlet varlık fonları, emeklilik planları ve bağışlar gibi kurumsal yatırımcılar için özellikle değerlidir.

Çok dönemli optimizasyon, üç birbirine bağlı bileşen üzerine inşa edilir: durum değişkenleri, karar değişkenleri ve hedef fonksiyon. Durum değişkenleri, her dönemde mevcut olan bilgi setini (örneğin, mevcut portföy tutuşları, piyasa fiyatları, makroekonomik göstergeler ve yatırımcı tercihleri) yakalar. Karar değişkenleri, her dönemde tutulacak portföy ağırlıkları veya varlık pozisyonları vektörünü ve isteğe bağlı olarak dönemler arasındaki işlem büyüklüğünü içerir. Hedef fonksiyon, planlama ufku boyunca dönem‑özelliği faydaları veya cezaları toplar; genellikle dönem faydalarının beklenen toplamı eksi, zaman tutarlı bir risk kaygısı parametresiyle ölçeklenen bir risk cezası terimi şeklinde ifade edilir.

Yaygın bir formülasyon, t zamanındaki değer fonksiyonunun şu şekilde bir özyinelemeli fayda yapısı kullandığını varsayar:

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

burada S_t, t zamanındaki durumu, a_t ise eylemi (işlem ya da portföy seçimi) temsil eder, U tek dönemlik faydayı, β ∈ (0,1] ise iskonto faktörünü gösterir. Karesel fayda ve Gaussian getiriler altında, bu, portföy ağırlıkları dizisi için bir konveks optimizasyon problemine indirgenir; çok dönemli getirilerin kovaryans matrisi risk terimine dahil edilir.

Pratikte kullanılan çok dönemli optimizasyonun çeşitli varyantları, tercihleri, kısıtlamaları ve getiri dinamiklerini modelleme biçimlerine göre ayrılır:

• Zaman‑toplamlı ortalama‑varyans: Sabit bir risk kaygısı katsayısı ile dönem ortalama‑varyans hedeflerinin toplamını kullanır. Uygulaması basittir ancak risk kaygısı sıfır olmadıkça genellikle zaman tutarlı değildir.
• Zaman uyumlu ortalama‑varyans: Amaç fonksiyonunu dönemler arasında tutarlılık sağlamak üzere ayarlar, genellikle risk terimini gelecek değer fonksiyonlarının koşullu varyansını içerecek şekilde yeniden tanımlayarak. Bu, lineer‑kuadratik bir kontrol problemi ortaya çıkarır.
• Kayıp‑aversiyon çerçeveleri: Referans bağımlı tercihleri (ör. beklenti teorisi) içerir; bir kıyaslama ya da başlangıç servetine göre kayıplar marjinal fayda kaybını artırır. Bu, özellikle devlet varlık fonları ve emeklilik yükümlülükleri için önemlidir.
• Sağlam çok aşamalı optimizasyon: Getiri tahminlerindeki model belirsizliğine karşı korunmak için senaryo ağaçları veya belirsizlik kümeleri kullanır, yüksek boyutlu ortamlarda tahmin hatasına duyarlılığı azaltır.

Kurumsal yatırımcılar, stratejik varlık dağılımını taktik yeniden dengeleme ve yükümlülük odaklı yatırım ile koordine etmek için çok dönemli optimizasyon kullanır. Örneğin, bir emeklilik fonu üç zaman dilimi tanımlayabilir: kısa vadeli (1‑2 yıl) nakit akışı eşleştirme ve likidite için, orta vadeli (3‑5 yıl) risk bütçelemesi ve faktör eğilimleri için, ve uzun vadeli (10+ yıl) büyüme ve enflasyon koruması için. Optimizasyon, fonlama oranı kısıtlamaları ve düzenleyici limitler çerçevesinde, izleme hatası, devir ve eksik kalma riskinin ağırlıklı toplamını minimize edecek şekilde dönemler arası işlemleri ortak olarak seçer.

Uygulama genellikle yuvarlanan zaman dilimi ya da gerileyen zaman dilimi yaklaşımı izler: her yeniden dengeleme tarihinde, güncellenmiş tahminler ve piyasa verileri kullanılarak çok dönemli plan yeniden çözülür ve yalnızca birinci dönem eylemi uygulanır. Bu, uygulanabilirliği ve uyarlanabilirliği korurken ileriye dönük planlamanın faydalarını sürdürür. Problem büyüklüğü ve yapısına bağlı olarak dinamik programlama, stokastik programlama veya konveks yaklaşımlar (ör. SDP gevşetmeleri) gibi sayısal yöntemler kullanılır.

İki dönemlik bir ortamı iki varlık (hisse senetleri ve tahviller) ile, başlangıç serveti W₀ ve dönemler arasındaki bilinen getiri ortalamaları μ₁, μ₂ ile kovaryans Σ ile düşünün. İşlem maliyetleri orantılıdır: birim ağırlık değişimi başına κ·|Δw|. Yatırımcı şu ifadeyi maksimize eder:

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

Optimal birinci dönem ağırlığı w₀*; anlık getiri, risk ve gelecekteki işlemlere bağlanma maliyetini dengeleyen bir kuadratik programı çözer. Optimizasyon, hisse senetlerinin ikinci dönemde daha çekici olacağını öngörürse, yeniden dengeleme maliyetinin daha yüksek beklenen getirilerle telafi edileceğini bilerek, mütevazı bir başlangıç düşük ağırlığını tolere edebilir; tek dönemlik bir optimizasyon ise yalnızca birinci dönem sinyallerine aşırı tepki verir.

Çok dönemli optimizasyon çeşitli pratik riskler ortaya çıkarır:

• Tahmin hatası büyütme: Çok dönemli getiri dağılımlarını tahmin etmek, seri korelasyon ve volatilite dinamikleri hakkında varsayımlar gerektirir; küçük hatalar zaman dilimleri boyunca birikerek, alt‑optimal ya da istikrarsız politikalar ortaya çıkarır.
• Hesaplama yükü: Büyük ölçekli çok aşamalı programların çözülmesi maliyetlidir; çok sayıda dalı olan senaryo ağaçları birkaç dönemi aşınca çözülemez hâle gelir.
• Model riski: Zaman uyumlu formülasyonlar genellikle kuadratik fayda fonksiyonu veya Gaussian getiriler üzerine dayanır; bu da kuyruk davranışı ve çarpıklığı yanlış temsil edebilir.
• Tarihsel kovaryanslara aşırı uyum: Yüksek boyutlu kovaryans tahmini gürültülüdür, özellikle zaman dilimleri tarihsel verilerin etkili örneklem büyüklüğünü aştığında.

Bunları hafifletmek için uygulayıcılar, çok dönemli optimizasyonu düzenleme (ör. küçültme, faktör modelleri), sağlam senaryo üretimi ve alternatif getiri yollarına karşı stres testleri ile birleştirir.

• Dinamik planlamada işlem maliyetlerini göz ardı etmek: Çok dönemli optimizasyonu statik problemler dizisi olarak ele almak, aşırı devir ve performans kaybına yol açar.
• Dönemler arasında tutarsız risk toleransı kullanmak: Zaman eklemeli ortalama‑varyans hedefinde sabit bir risk toleransı katsayısı uygulamak, yatırımcının daha sonra terk etmek isteyeceği stratejiler üretir; bu da planın güvenilirliğini zedeler.
• Likidite kısıtlamalarını gözden kaçırmak: İşlemlerin tahmini fiyatlarla tamamen likit olduğunu varsaymak, özellikle likit olmayan varlıklar için uygulanamaz yeniden dengeleme takvimlerine yol açabilir.
• Zaman dilimlerini karar haklarıyla uyumsuzlaştırmak: Bir fon yöneticisi 10 yıllık bir horizon üzerinde optimizasyon yaparken, çeyrek dönemlerde değerlendiriliyorsa, uyumsuz teşvikler ve sık plan sapmaları ortaya çıkar.

En iyi uygulama, zaman dilimi uzunluğunu ve risk toleransını yatırımcının gerçek karar döngüsüne göre kalibre etmek ve optimizasyon çıktısını, örnek dışı senaryolarda basit kıyaslamalar (ör. al‑ve‑tut, eşit ağırlık) ile doğrulamaktır.