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 Portfolio
объекты, смотрите Рабочий процесс Объекта Портфеля.
Предположим, что вы настраиваете задачу оптимизации портфеля и полученные портфели на границе эффективности. Используйте dataset
объект 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 вложили бы 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 0
dataset
объект получить доли и доли, которые будут проданы. Для примера смотрите Тематическое исследование Распределения активов.checkFeasibility
| estimateAssetMoments
| Portfolio