本文属于类型a，以下是对该研究的学术报告。
研究作者及发表信息
本研究由来自意大利布雷西亚大学（University of Brescia）经济与管理系的学者C. Filippi、G. Guastaroba和M.G. Speranza共同完成。该成果于2016年1月21日在线发表于管理科学与运筹学领域的知名期刊《Omega》上，并收录于该期刊2016年第65卷中。
学术背景与研究动机
在现代金融市场中，基于指数的投资策略管理资产规模日益庞大，传统的策略主要分为被动管理（Passive Management）和主动管理（Active Management）。被动管理旨在完全复制某一市场基准指数（Benchmark）的表现，即指数追踪（Index Tracking），以最小化追踪误差（Tracking Error）为目标。主动管理则以超越基准指数收益为目标，但通常伴随着更高的交易成本与风险。然而，长期来看，多数主动管理型基金的表现并不理想。
为了结合两者的优势，增强型指数追踪（Enhanced Index Tracking，简称EIT）作为一种新型策略应运而生。该策略的核心目标是在承担最少额外风险的前提下，使投资组合的表现略微优于基准指数。尽管EIT问题在本质上是一个双目标（Bi-objective）优化问题，即同时追求最大化超出基准的超额收益（Excess Return）与最小化追踪误差，但在已有的学术文献中，该问题常被简化为单目标问题进行求解，较少有研究从真正的多目标角度出发。
此外，多目标混合整数线性规划（Multi-Objective Mixed Integer Linear Programming，简称MOMILP）问题的求解，尤其是获取其帕累托最优解集（Pareto Optimal Solutions），在计算上极具挑战性。针对这一背景，本研究旨在为包含真实市场约束（如交易费用、基数约束、持仓上下限等）的EIT问题，建立一个双目标混合整数线性规划（Bi-objective Mixed Integer Linear Programming，简称BOMILP）模型，并首次设计一个高效的启发式算法框架，用以在合理时间内精确逼近帕累托前沿，为基金经理提供科学的决策支持。
研究流程与核心方法
研究团队的工作流程主要包括以下三个步骤：模型构建与优化、启发式算法设计，以及计算实验与验证。
第一部分：双目标增强型指数追踪（BOEIT）模型的构建
研究首先构建了一个考虑诸多现实因素的BOMILP模型，即BOEIT模型。该模型设定在一个包含n只股票和T个时间周期（通常被视作情景）的市场中。模型的核心包含两个相互竞争的目标函数： 1. 最大化平均超额收益（Maximize z1）：该目标计算投资组合的加权平均收益率与将等额资本直接投资于基准指数所获收益率的差值。 2. 最小化追踪误差（Minimize z2）：该目标采用绝对偏差（Absolute Deviation）来衡量投资组合价值与按比例缩放后的基准指数价值之间的偏差。通过引入非负偏差变量dt和ut，该非线性目标被巧妙地转化为线性形式，从而保证了模型的线性特征，便于后续求解。
除了目标函数外，模型还设定了多项贴近现实的约束条件，包括： * 基数约束（Cardinality Constraint）：限制投资组合中可持有的股票总数不超过K只，以控制管理复杂性。 * 投资比例约束：设定每只被选中股票的投资金额占总投资资本的比例下限λj和上限νj，以避免极端持仓。 * 交易成本约束：全面考虑了固定交易成本（fj）和比例交易成本（cbj和csj），并限定总交易成本不超过总投资资本的一定比例ρ。 * 再平衡机制：允许投资者从一个现有投资组合（Current Portfolio）出发，通过买卖决策进行再平衡（Rebalancing）。
为了强化数学模型的求解效率，研究团队还引入了变量削减过程，即对于原先持仓为零的股票，其交易指示变量与持仓选择变量可合并，从而减少了二元变量的数量。更重要的是，研究提出了两组有效性更强的约束不等式。其中，不等式（14）限制了每只股票的买入金额不得超过其预设投资上限减去其在当前投资组合中的价值；而不等式（15）则确保股票的卖出金额不超过其当前持仓价值。后续计算实验证实，相较于原始约束，这两组约束在求解大规模问题时显著改善了线性规划松弛解的质量，为精确求解效率的提高奠定了基础。
第二部分：双目标核搜索（Bi-Objective Kernel Search）算法设计
这是本研究最核心的方法论贡献。研究团队扩展了先前用于单目标问题的核搜索（Kernel Search）启发式框架，将其与经典的ε约束法（ε-Constraint Method）相结合，创造性地提出了双目标核搜索算法，用以近似生成帕累托有效解集。
算法的具体流程如下： 1. 初始化阶段：首先，求解两个边界问题以确定目标空间中的理想点（Ideal Point）和天底点（Nadir Point）的近似值。这四个极值点（分别对应最小追踪误差、最大超额收益，以及极端情况下的组合）通过单目标核搜索方法求解，为后续搜索界定了一个矩形范围。建立近似帕累托解集AF，并先将两个近似边角点加入其中。 2. 迭代求解阶段：算法将超额收益选为主要目标，而将追踪误差作为ε约束。它将第1步中确定的天底点和理想点对应的追踪误差值之差划分为等间距的δ步长。通过从较小的追踪误差值开始，逐步增大ε值，生成一系列共εcp个ε约束问题。每一个ε约束问题都是一个单目标的EIT模型实例。 3. 核搜索求解每个ε约束问题： * 排序与核初始化：在求解第一个ε约束问题时，所有股票根据其在线性规划松驰解（LP Relaxation）中的表现进行排序。在求解后续问题时，排序策略被优化：保留前一个问题的核（Kernel，即高质量解中频繁出现的股票集合），并利用之前的信息生成新的排序列表R’，核心股票被置于列表最前端。 * 分桶与迭代：将不包含在核中的剩余股票划分成若干等长的桶（Buckets）。算法迭代求解一系列受限制的MILP子问题，每次将一个桶的股票强制加入核中进行求解。通过不断将桶中表现优异的股票纳入核，并淘汰连续P次迭代中未被选入解的核内股票，实现搜索空间的动态聚焦。 * 优势传递：该算法的一个独特设计在于求解方向的调整。不同于标准的ε约束法从大到小收紧约束，本算法从小到大地放宽追踪误差约束。这使得前一个ε约束问题的最优解，对于后续约束更宽松的问题而言始终是可行的。因此，该解可直接作为下一个问题的热启动（Warm Start）初始解，显著提升了求解速度和效率。
第三部分：计算实验与验证
研究设计了三套实验来全方位验证模型与算法的有效性。 1. 模型强化验证：实验表明，在大规模再平衡实例中，使用新提出的约束（14）和（15）比原有约束在LP松驰解上平均改进了1.29%至1.92%，且几乎在所有测试场景下都未出现劣化。 2. 样本外（Out-of-Sample）表现验证：研究追踪了模型所选最优投资组合在样本外52周的表现。结果显示，最小追踪误差的投资组合始终能紧密追随基准指数；而追求收益的组合则成功实现了对基准的大幅超越，例如在indtrack6实例中，中位数投资组合在52周后实现了高达1.6389的超额收益。同时，实验也生动地揭示了市场趋势的影响：当样本内市场处于上涨趋势时，最小误差组合表现更稳健；而样本内市场处于下跌趋势时，追求超额收益的组合样本外表现更佳。 3. 算法性能与质量评估：研究者将双目标核搜索算法得到的结果与商业求解器CPLEX精确求解的参考前沿进行了对比。在小规模实例上，核搜索算法准确找到了所有帕累托有效点，而计算时间比CPLEX缩短了56%。在CPLEX无法在一个小时内找到可行解的大规模实例上，核搜索算法不仅成功解出了全部近似前沿，且质量极高：在得到的657个点中，98%的点在两个目标上的相对误差均小于1%，超过95%的点误差甚至小于0.1%，平均计算时间亦减少了44%。
研究结论与价值
本研究得出结论：双目标核搜索算法为解决计算复杂度极高的多目标混合整数规划问题提供了一种强有力且高效的启发式框架。特别是其通过逆转标准ε约束法的求解方向，巧妙地实现了历史最优解的热启动，显著提升了计算效率。
从学术价值上看，本研究首次将核搜索框架成功扩展至双目标优化领域，为求解其他类似的多目标组合优化问题开辟了新的思路，其算法设计思想具有普遍借鉴意义。从应用价值看，所提出BOEIT模型精确刻画了增强型指数追踪策略的收益-风险权衡本质，能够为基金经理提供清晰、多样化的帕累托最优投资方案。此外，详尽的样本外分析为实际投资决策提供了宝贵的实证依据，有助于投资者更好地理解在不同市场条件下模型的表现与策略选择。
研究亮点与创新性
本研究的主要亮点与创新性体现在以下几个方面：首先，它首次为增强型指数追踪问题构建了接近真实交易环境的双目标混合整数线性规划模型，并将基准从单项收益测度真正转变为了对超额收益与追踪风险的双重权衡。其次，算法创新意义突出，提出的双目标核搜索方法不仅是对现有方法的成功扩展，其特有的逆向ε约束法实施策略和基于信息的变量排序与核动态更新机制，为大规划问题的近似求解提供了全新范式。最后，实证研究的严谨性值得称道，通过多类型、不同规模实例的严格测试，以及对样本外行为的深入剖释，充分论证了模型与算法的实用性、稳健性和高效性。