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 Портфеля смотрите Рабочий процесс Объекта Портфеля.
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 = Portfolio('InitPort', pwgt0);
p = setAssetList(p, 'Bonds','Large-Cap Equities','Small-Cap Equities','Emerging Equities');
p = setAssetMoments(p, m, C);
p = setDefaultConstraints(p);
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 88.906 51.216 13.525 0 0
Large-Cap Equities 3.6875 24.387 45.086 27.479 0
Small-Cap Equities 4.0425 7.7088 11.375 13.759 0
Emerging Equities 3.364 16.689 30.014 58.762 100 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 = Portfolio('InitPort', pwgt0);
p = setAssetList(p, 'Bonds','Large-Cap Equities','Small-Cap Equities','Emerging Equities');
p = setAssetMoments(p, m, C);
p = setDefaultConstraints(p);
[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 20.299 0 9.7007
Large-Cap Equities 30 41.366 11.366 0
Small-Cap Equities 20 10.716 0 9.2838
Emerging Equities 10 27.619 17.619 0dataset получить доли и доли, которые будут проданы. Для примера смотрите Тематическое исследование Распределения активов.Portfolio | checkFeasibility | estimateAssetMoments