После получения эффективных портфелей или оценок для ожидаемых портфельных рисков и возвращается, используйте свои результаты настроить отрасли, чтобы переместиться к эффективному портфелю. Для получения информации о рабочем процессе при использовании объектов PortfolioCVaR смотрите Рабочий процесс Объекта PortfolioCVaR.
Предположим, что вы настраиваете задачу оптимизации портфеля и полученные портфели на границе эффективности. Используйте объект dataset от Statistics and Machine Learning Toolbox™, чтобы сформировать промокательную бумагу, которая перечисляет ваши портфели с именами для каждого актива. Например, предположите, что вы хотите получить пять портфелей вдоль границы эффективности. Можно настроить промокательную бумагу с весами, умноженными на 100, чтобы просмотреть выделения для каждого портфеля:
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 ]; pwgt0 = [ 0.3; 0.3; 0.2; 0.1 ]; p = PortfolioCVaR; p = setAssetList(p, 'Bonds','Large-Cap Equities','Small-Cap Equities','Emerging Equities'); p = setInitPort(p, pwgt0); p = simulateNormalScenariosByMoments(p, m, C, 20000); p = setDefaultConstraints(p); p = setProbabilityLevel(p, 0.9); pwgt = estimateFrontier(p, 5); pnames = cell(1,5); for i = 1:5 pnames{i} = sprintf('Port%d',i); end Blotter = dataset([{100*pwgt},pnames],'obsnames',p.AssetList); display(Blotter);
Blotter =
Port1 Port2 Port3 Port4 Port5
Bonds 78.84 43.688 8.3448 0 1.2501e-12
Large-Cap Equities 9.3338 29.131 48.467 23.602 9.4219e-13
Small-Cap Equities 4.8843 8.1284 12.419 16.357 8.281e-14
Emerging Equities 6.9419 19.053 30.769 60.041 100Ваши результаты могут отличаться от этого результата из-за симуляции сценариев.
Этот результат показывает, что вы вложили бы капитал, в основном, в связи в minimum-risk/minimum-return конце границы эффективности (Port1), и что вы вложите капитал полностью в появляющуюся акцию в maximum-risk/maximum-return конце границы эффективности (Port5). Можно также выбрать конкретный эффективный портфель, например, предположить, что вы хотите портфель с 15%-м риском, и вы добавляете веса покупки и продажи выходные параметры, полученные из функций “estimateFrontier”, чтобы настроить торговую промокательную бумагу:
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 ]; pwgt0 = [ 0.3; 0.3; 0.2; 0.1 ]; p = PortfolioCVaR; p = setAssetList(p, 'Bonds','Large-Cap Equities','Small-Cap Equities','Emerging Equities'); p = setInitPort(p, pwgt0); p = simulateNormalScenariosByMoments(p, m, C, 20000); p = setDefaultConstraints(p); p = setProbabilityLevel(p, 0.9); [pwgt, pbuy, psell] = estimateFrontierByRisk(p, 0.15); Blotter = dataset([{100*[pwgt0, pwgt, pbuy, psell]}, ... {'Initial','Weight', 'Purchases','Sales'}],'obsnames',p.AssetList); display(Blotter);
Blotter =
Initial Weight Purchases Sales
Bonds 30 15.036 0 14.964
Large-Cap Equities 30 45.357 15.357 0
Small-Cap Equities 20 12.102 0 7.8982
Emerging Equities 10 27.505 17.505 0dataset получить доли и доли, которые будут проданы. PortfolioCVaR | checkFeasibility | estimateScenarioMoments