Квадратичное программирование: портфельная теория Марковица и оптимизация рисков

Математическая модель квадратичного программирования записывается в матричном виде: необходимо минимизировать функцию (1/2 * X^T * Q * X + C^T * X) при условии A * X <= B. Ключевым элементом здесь является матрица Q (матрица квадратичной формы). Поведение алгоритмов решения всецело зависит от свойств этой матрицы. Если матрица Q является положительно определенной (все ее собственные значения строго больше нуля), то целевая функция геометрически представляет собой идеальную многомерную чашу (строго выпуклую функцию). Выпуклость гарантирует, что любой локальный минимум, найденный градиентным спуском или методом внутренней точки, является абсолютным глобальным оптимумом. Если же матрица индефинитна, задача превращается в лабиринт локальных экстремумов и становится NP-трудной.

Величайшим практическим применением квадратичного программирования стала Современная портфельная теория (Modern Portfolio Theory, MPT), за которую Гарри Марковиц получил Нобелевскую премию по экономике. До Марковица инвесторы пытались просто выбирать акции с максимальной ожидаемой доходностью. Марковиц первым математически доказал, что риск портфеля — это не просто сумма рисков отдельных акций. Риск портфеля зависит от ковариации (взаимной корреляции) между активами. Если акции двигаются в противофазе (когда одна падает, другая растет), их объединение в портфель может радикально снизить общий риск без потери доходности (эффект диверсификации).

В модели Марковица переменные X — это доли капитала, вложенные в каждую акцию. Целевая функция заключается в строгой минимизации дисперсии (риска) всего портфеля, которая алгебраически выражается именно как квадратичная форма X^T * Q * X, где Q — ковариационная матрица исторических доходностей активов. Линейные ограничения задают требование: ожидаемая доходность портфеля должна быть не ниже заданного инвестором целевого уровня, а сумма всех долей капитала должна равняться 100 процентам. Решая эту задачу квадратичного программирования для разных уровней желаемой доходности, компьютер формирует в пространстве Риск-Доходность кривую, называемую Границей эффективности (Efficient Frontier). Инвестор больше не гадает; он просто выбирает точку на этой математически идеальной кривой, соответствующую его аппетиту к риску.

Помимо финансов, квадратичное программирование является двигателем искусственного интеллекта. Знаменитый алгоритм машинного обучения Метод опорных векторов (Support Vector Machine, SVM) формулируется именно как задача квадратичного программирования. Цель SVM — найти гиперплоскость, которая разделяет два класса данных с максимально возможным зазором (маржей). Расчет этого зазора требует минимизации квадратичной нормы вектора весов при линейных ограничениях правильной классификации данных. Оптимизированные алгоритмы последовательной минимальной оптимизации (SMO) способны решать гигантские задачи QP для миллионов переменных, доказывая, что квадратичная математика является ключом к извлечению надежных закономерностей из океана зашумленных данных.