PortfolioCVaR

Создает объект PortfolioCVaR для условной подверженной риску значения оптимизации портфеля и анализа

Описание

Используйте PortfolioCVaR, чтобы создать объект PortfolioCVaR для условной подверженной риску значения оптимизации портфеля.

Основной рабочий процесс для оптимизации портфеля CVaR должен создать экземпляр объекта PortfolioCVaR, который полностью задает задачу оптимизации портфеля и работать с объектом PortfolioCVaR с помощью поддерживаемых функций, чтобы получить и анализировать эффективные портфели. Для получения дополнительной информации на этом рабочем процессе, смотрите Рабочий процесс Объекта PortfolioCVaR.

Можно использовать объект PortfolioCVaR несколькими способами. Чтобы настроить задачу оптимизации портфеля в объекте PortfolioCVaR, самый простой синтаксис:

p = PortfolioCVaR;
Этот синтаксис создает объект PortfolioCVaR, p, такой, что все свойства объектов пусты.

Объект PortfolioCVaR также принимает наборы аргументов пары "имя-значение" для свойств и их значений. Функция PortfolioCVaR принимает входные параметры для свойств с общим синтаксисом:

	p = PortfolioCVaR('property1',value1,'property2',value2, ... );

Если объект PortfolioCVaR уже существует, синтаксис разрешает первое (и только первый аргумент) объекта PortfolioCVaR быть существующим объектом с последующими аргументами пары "имя-значение" для свойств, которые будут добавлены или изменены. Например, учитывая существующий объект PortfolioCVaR в p, общий синтаксис:

p = PortfolioCVaR(p,'property1',value1,'property2',value2, ... );

Имена входного параметра не являются чувствительными к регистру, но должны быть полностью заданы. Кроме того, несколько свойств могут быть заданы с альтернативными именами аргумента (см. Ярлыки для Имен свойства). Объект PortfolioCVaR пытается обнаружить проблемные размерности от входных параметров и, когда-то установить, последующие входные параметры могут подвергнуться различным скалярным или матричным операциям расширения, которые упрощают полный процесс, чтобы сформулировать проблему. Кроме того, объект PortfolioCVaR является объектом значения так, чтобы, учитывая портфель p следующий код создал два объекта, p и q, которые отличны:

q = PortfolioCVaR(p, ...)

После создания объекта PortfolioCVaR можно использовать связанные объектные функции, чтобы установить ограничения портфеля, анализировать границу эффективности и подтвердить модель портфеля.

Для более подробной информации на теоретической основе для условной подверженной риску значения оптимизации портфеля см. Теорию Оптимизации Портфеля.

Создание

Синтаксис

p = PortfolioCVaR
p = PortfolioCVaR(Name,Value)
p = PortfolioCVaR(p,Name,Value)

Описание

пример

p = PortfolioCVaR создает пустой объект PortfolioCVaR для условной подверженной риску значения оптимизации портфеля и анализа. Можно затем добавить, что элементы к объекту PortfolioCVaR с помощью поддерживаемого "добавляют" и "устанавливают" функции. Для получения дополнительной информации смотрите Создание Объекта PortfolioCVaR.

пример

p = PortfolioCVaR(Name,Value) создает объект PortfolioCVaR (p) и устанавливает Свойства с помощью пар "имя-значение". Например, p = PortfolioCVaR('AssetList',Assets(1:12)). Можно задать несколько пар "имя-значение".

пример

p = PortfolioCVaR(p,Name,Value) создает объект PortfolioCVaR (p) с помощью ранее созданного объекта PortfolioCVaR p и устанавливает Свойства с помощью пар "имя-значение". Можно задать несколько пар "имя-значение".

Входные параметры

развернуть все

Ранее созданный объект PortfolioCVaR, заданное использование PortfolioCVaR.

Свойства

развернуть все

Подготовка объекта

Имена или символы активов во вселенной, заданной как массив ячеек из символьных векторов или массив строк.

Типы данных: cell | string

Начальный портфель, заданный как вектор.

Типы данных: double

Имя, например, объекта Portfolio, заданного как вектор символов или строка.

Типы данных: char | string

Количество активов во вселенной, заданной как целочисленный скаляр.

Типы данных: double

Ограничения объекта портфеля

Линейная матрица ограничений равенства, заданная как матрица.

Типы данных: double

Линейная матрица ограничения неравенства, заданная как матрица.

Типы данных: double

Линейный ограничительный вектор равенства, заданный как вектор.

Типы данных: double

Линейный вектор ограничения неравенства, заданный как вектор.

Типы данных: double

Сгруппируйте веса, которые будут ограничены весами в группе B, заданной как матрица.

Типы данных: double

Веса группы B, заданные как матрица.

Типы данных: double

Матрица состава группы, заданная как матрица.

Типы данных: double

Ограничение нижней границы, заданное как вектор.

Типы данных: double

Ограничение бюджета нижней границы, заданное как скаляр.

Типы данных: double

Ограничение группы нижней границы, заданное как вектор.

Типы данных: double

Минимальное отношение выделений между GroupA и GroupB, заданным как вектор.

Типы данных: double

Ограничение верхней границы, заданное как вектор.

Типы данных: double

Ограничение бюджета верхней границы, заданное как скаляр.

Типы данных: double

Ограничение группы верхней границы, заданное как вектор.

Типы данных: double

Максимальное отношение выделений между GroupA и GroupB, заданным как вектор.

Типы данных: double

Тип границ для каждого веса актива, заданного как скалярный вектор символов или строка, или массив ячеек из символьных векторов или массив строк. Для получения дополнительной информации смотрите setBounds.

Типы данных: char | cell | string

Минимальное количество активов выделяется в портфеле, заданном как скалярное числовое значение. Для получения дополнительной информации смотрите setMinMaxNumAssets.

Типы данных: double

Максимальное количество активов выделяется в портфеле, заданном как скалярное числовое значение. Для получения дополнительной информации смотрите setMinMaxNumAssets.

Типы данных: double

Ограничение оборота, заданное как скаляр.

Типы данных: double

Ограничение оборота на продажи, заданные как скаляр.

Типы данных: double

Ограничение оборота на покупки, заданные как скаляр.

Типы данных: double

Объектное моделирование портфеля

Пропорциональные затраты на покупку, заданные как вектор.

Типы данных: double

Безрисковый уровень, заданный как скаляр.

Типы данных: double

Подверженный риску значения уровень вероятности, который является 1 − (вероятность потери), заданная как скаляр.

Типы данных: double

Количество сценариев, заданных как целочисленный скаляр.

Типы данных: double

Пропорциональные затраты на продажи, заданные как вектор.

Типы данных: double

Функции объекта

setAssetListНастройте список идентификаторов для активов
setInitPortНастройте начальный или текущий портфель
setDefaultConstraintsНастройте ограничения портфеля с неотрицательными весами та сумма к 1
estimateAssetMomentsОценочное среднее значение и ковариация актива возвращаются из данных
setCostsНастройте пропорциональные операционные издержки
addEqualityДобавьте линейные ограничения равенства для весов портфеля к существующим ограничениям
addGroupRatioДобавьте ограничения отношения группы для весов портфеля к существующим ограничениям отношения группы
addGroupsДобавьте ограничения группы для весов портфеля к существующим ограничениям группы
addInequalityДобавьте линейные ограничения неравенства для весов портфеля к существующим ограничениям
getBoundsПолучите границы для весов портфеля от объекта портфеля
getBudgetПолучите границы ограничения бюджета из объекта портфеля
getCostsПолучите покупают и продают операционные издержки от объекта портфеля
getEqualityПолучите ограничительные массивы равенства из объекта портфеля
getGroupRatioПолучите ограничительные массивы отношения группы из объекта портфеля
getGroupsПолучите ограничительные массивы группы из объекта портфеля
getInequalityПолучите массивы ограничения неравенства из объекта портфеля
getOneWayTurnoverПолучите односторонние ограничения оборота из объекта портфеля
setGroupsНастройте ограничения группы для весов портфеля
setInequalityНастройте линейные ограничения неравенства для весов портфеля
setBoundsНастройте границы для весов портфеля для объекта портфеля
setMinMaxNumAssetsУстановите ограничения кардинальности на количество активов, которые инвестируют в объект портфеля
setBudgetНастройте ограничения бюджета
setCostsНастройте пропорциональные операционные издержки
setDefaultConstraintsНастройте ограничения портфеля с неотрицательными весами та сумма к 1
setEqualityНастройте линейные ограничения равенства для весов портфеля
setGroupRatioНастройте ограничения отношения группы для весов портфеля
setInitPortНастройте начальный или текущий портфель
setOneWayTurnoverНастройте односторонние ограничения оборота портфеля
setTurnoverНастройте максимальное ограничение оборота портфеля
checkFeasibilityПроверяйте выполнимость входных портфелей против объекта портфеля
estimateBoundsОцените глобальные нижние и верхние границы для набора портфелей
estimateFrontierОцените конкретное количество оптимальных портфелей на границе эффективности
estimateFrontierByReturnОцените, что оптимальные портфели с целенаправленным портфелем возвращаются
estimateFrontierByRiskОцените оптимальные портфели с целенаправленными портфельными рисками
estimateFrontierLimitsОцените оптимальные портфели в конечных точках границы эффективности
plotFrontierПостройте границу эффективности
estimatePortReturnОцените, что среднее значение портфеля возвращается
estimatePortRiskОцените портфельный риск согласно прокси риска, сопоставленному с соответствующим объектом
setSolverВыберите основной решатель и задайте сопоставленные опции решателя для оптимизации портфеля
setProbabilityLevelУстановите уровень вероятности для вычислений VaR и CVaR
setScenariosАктив набора возвращает сценарии прямой матрицей
getScenariosПолучите сценарии из объекта портфеля
simulateNormalScenariosByDataМоделируйте многомерный нормальный актив, возвращают сценарии в данные
simulateNormalScenariosByMomentsМоделируйте многомерный нормальный актив, возвращают сценарии в среднее значение, и ковариация актива возвращается
estimateScenarioMomentsОценочное среднее значение и ковариация актива возвращают сценарии
estimatePortVaRОценка, подверженная риску значения объекта PortfolioCVaR

estimatePortStd

Примеры

свернуть все

Можно создать объект PortfolioCVaR, p, без входных параметров и отобразить его с помощью disp.

p = PortfolioCVaR;
disp(p);
  PortfolioCVaR with properties:

             BuyCost: []
            SellCost: []
        RiskFreeRate: []
    ProbabilityLevel: []
            Turnover: []
         BuyTurnover: []
        SellTurnover: []
        NumScenarios: []
                Name: []
           NumAssets: []
           AssetList: []
            InitPort: []
         AInequality: []
         bInequality: []
           AEquality: []
           bEquality: []
          LowerBound: []
          UpperBound: []
         LowerBudget: []
         UpperBudget: []
         GroupMatrix: []
          LowerGroup: []
          UpperGroup: []
              GroupA: []
              GroupB: []
          LowerRatio: []
          UpperRatio: []
        MinNumAssets: []
        MaxNumAssets: []
           BoundType: []

Этот подход обеспечивает способ настроить задачу оптимизации портфеля с функцией PortfolioCVaR. Можно затем использовать связанные функции множества, чтобы установить и изменить наборы свойств в объекте PortfolioCVaR.

Можно использовать объект PortfolioCVaR непосредственно, чтобы настроить “стандартную” задачу оптимизации портфеля. Учитывая сценарии актива возвращается в переменной AssetScenarios, эта проблема полностью задана можно следующим образом:

m = [ 0.05; 0.1; 0.12; 0.18 ];
C = [ 0.0064 0.00408 0.00192 0; 
    0.00408 0.0289 0.0204 0.0119;
    0.00192 0.0204 0.0576 0.0336;
    0 0.0119 0.0336 0.1225 ];
m = m/12;
C = C/12;

AssetScenarios = mvnrnd(m, C, 20000);

p = PortfolioCVaR('Scenarios', AssetScenarios, ...
'LowerBound', 0, 'LowerBudget', 1, 'UpperBudget', 1, ...
'ProbabilityLevel', 0.95)
p = 
  PortfolioCVaR with properties:

             BuyCost: []
            SellCost: []
        RiskFreeRate: []
    ProbabilityLevel: 0.9500
            Turnover: []
         BuyTurnover: []
        SellTurnover: []
        NumScenarios: 20000
                Name: []
           NumAssets: 4
           AssetList: []
            InitPort: []
         AInequality: []
         bInequality: []
           AEquality: []
           bEquality: []
          LowerBound: [4x1 double]
          UpperBound: []
         LowerBudget: 1
         UpperBudget: 1
         GroupMatrix: []
          LowerGroup: []
          UpperGroup: []
              GroupA: []
              GroupB: []
          LowerRatio: []
          UpperRatio: []
        MinNumAssets: []
        MaxNumAssets: []
           BoundType: []

Обратите внимание на то, что значение свойства LowerBound подвергается скалярному расширению, поскольку AssetScenarios обеспечивает размерности проблемы.

Используя последовательность шагов альтернативный способ выполнить ту же задачу подготовки “стандартной” задачи оптимизации портфеля CVaR, учитывая AssetScenarios, который переменная:

m = [ 0.05; 0.1; 0.12; 0.18 ];
C = [ 0.0064 0.00408 0.00192 0;
0.00408 0.0289 0.0204 0.0119;
0.00192 0.0204 0.0576 0.0336;
0 0.0119 0.0336 0.1225 ];

m = m/12;
C = C/12;

AssetScenarios = mvnrnd(m, C, 20000);

p = PortfolioCVaR;
p = setScenarios(p, AssetScenarios);
p = PortfolioCVaR(p, 'LowerBound', 0);
p = PortfolioCVaR(p, 'LowerBudget', 1, 'UpperBudget', 1);
p = setProbabilityLevel(p, 0.95);

plotFrontier(p);

Этот путь работает, потому что вызовы PortfolioCVaR находятся в этом конкретном порядке. В этом случае вызов, чтобы инициализировать AssetScenarios обеспечивает размерности для проблемы. Если бы необходимо было выполнить этот шаг в последний раз, необходимо было бы явным образом определить размеры свойства LowerBound можно следующим образом:

m = [ 0.05; 0.1; 0.12; 0.18 ];
C = [ 0.0064 0.00408 0.00192 0;
0.00408 0.0289 0.0204 0.0119;
0.00192 0.0204 0.0576 0.0336;
0 0.0119 0.0336 0.1225 ];

m = m/12;
C = C/12;

AssetScenarios = mvnrnd(m, C, 20000);

p = PortfolioCVaR;
p = PortfolioCVaR(p, 'LowerBound', zeros(size(m)));
p = PortfolioCVaR(p, 'LowerBudget', 1, 'UpperBudget', 1);
p = setProbabilityLevel(p, 0.95);
p = setScenarios(p, AssetScenarios); 

plotFrontier(p);

Если вы не задавали размер LowerBound, но, вместо этого, вводили скалярный аргумент, объект PortfolioCVaR принимает, что вы задаете проблему одно актива, и производит ошибку в вызове, чтобы установить сценарии актива с четырьмя активами.

Можно создать объект PortfolioCVaR, p с объектом PortfolioCVaR с помощью ярлыков для имен свойства.

m = [ 0.05; 0.1; 0.12; 0.18 ];
C = [ 0.0064 0.00408 0.00192 0;
0.00408 0.0289 0.0204 0.0119;
0.00192 0.0204 0.0576 0.0336;
0 0.0119 0.0336 0.1225 ];

m = m/12;
C = C/12;

AssetScenarios = mvnrnd(m, C, 20000);

p = PortfolioCVaR('scenario', AssetScenarios, 'lb', 0, 'budget', 1, 'plevel', 0.95)
p = 
  PortfolioCVaR with properties:

             BuyCost: []
            SellCost: []
        RiskFreeRate: []
    ProbabilityLevel: 0.9500
            Turnover: []
         BuyTurnover: []
        SellTurnover: []
        NumScenarios: 20000
                Name: []
           NumAssets: 4
           AssetList: []
            InitPort: []
         AInequality: []
         bInequality: []
           AEquality: []
           bEquality: []
          LowerBound: [4x1 double]
          UpperBound: []
         LowerBudget: 1
         UpperBudget: 1
         GroupMatrix: []
          LowerGroup: []
          UpperGroup: []
              GroupA: []
              GroupB: []
          LowerRatio: []
          UpperRatio: []
        MinNumAssets: []
        MaxNumAssets: []
           BoundType: []

Несмотря на то, что не рекомендуемый, можно установить свойства непосредственно, однако никакая проверка ошибок не сделана на входных параметрах.

m = [ 0.05; 0.1; 0.12; 0.18 ];
C = [ 0.0064 0.00408 0.00192 0; 
    0.00408 0.0289 0.0204 0.0119;
    0.00192 0.0204 0.0576 0.0336;
    0 0.0119 0.0336 0.1225 ];
m = m/12;
C = C/12;

AssetScenarios = mvnrnd(m, C, 20000);

p = PortfolioCVaR;

p = setScenarios(p, AssetScenarios);
p.ProbabilityLevel = 0.95;

p.LowerBudget = 1;
p.UpperBudget = 1;
p.LowerBound = zeros(size(m));
disp(p)
  PortfolioCVaR with properties:

             BuyCost: []
            SellCost: []
        RiskFreeRate: []
    ProbabilityLevel: 0.9500
            Turnover: []
         BuyTurnover: []
        SellTurnover: []
        NumScenarios: 20000
                Name: []
           NumAssets: 4
           AssetList: []
            InitPort: []
         AInequality: []
         bInequality: []
           AEquality: []
           bEquality: []
          LowerBound: [4x1 double]
          UpperBound: []
         LowerBudget: 1
         UpperBudget: 1
         GroupMatrix: []
          LowerGroup: []
          UpperGroup: []
              GroupA: []
              GroupB: []
          LowerRatio: []
          UpperRatio: []
        MinNumAssets: []
        MaxNumAssets: []
           BoundType: []

Сценарии не могут быть присвоены непосредственно объекту PortfolioCVaR. Сценарии должны всегда устанавливаться или через функцию PortfolioCVaR, функцию setScenarios или через любую из функций симуляции сценария.

Создайте эффективные портфели:

load CAPMuniverse

p = PortfolioCVaR('AssetList',Assets(1:12));
p = simulateNormalScenariosByData(p, Data(:,1:12), 20000 ,'missingdata',true);
p = setDefaultConstraints(p);
p = setProbabilityLevel(p, 0.95);

plotFrontier(p);

pwgt = estimateFrontier(p, 5);

pnames = cell(1,5);
for i = 1:5
	pnames{i} = sprintf('Port%d',i);
end

Blotter = dataset([{pwgt},pnames],'obsnames',p.AssetList);

disp(Blotter);
            Port1         Port2         Port3          Port4         Port5
    AAPL      0.010984      0.073247        0.11937       0.13068    0    
    AMZN    1.7632e-38             0              0    4.4451e-23    0    
    CSCO             0             0    -1.7632e-38    2.2226e-23    0    
    DELL      0.022454             0              0    8.8625e-22    0    
    EBAY             0             0              0    2.6671e-22    0    
    GOOG       0.20335       0.38055        0.56241       0.75932    1    
    HPQ       0.041725     0.0099217              0    5.0008e-23    0    
    IBM        0.44482       0.36453         0.2628          0.11    0    
    INTC    7.3468e-40     2.351e-38              0    1.7781e-22    0    
    MSFT       0.27667       0.17175       0.055424    4.4451e-23    0    
    ORCL             0    1.4106e-37              0    1.1113e-23    0    
    YHOO             0             0              0    4.8691e-22    0    

Больше о

развернуть все

Ссылки

[1] Для полного списка ссылок для объекта PortfolioCVaR смотрите Оптимизацию Портфеля.

Смотрите также

| | | |

Представленный в R2012b

Для просмотра документации необходимо авторизоваться на сайте