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 PortfolioMAD объекты, смотрите Рабочий процесс Объекта PortfolioMAD.
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 = PortfolioMAD; 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); 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 88.154 50.867 13.611 0 1.0609e-12
Large-Cap Equities 4.0454 22.571 41.276 23.38 7.9362e-13
Small-Cap Equities 4.2804 9.3108 14.028 17.878 6.4823e-14
Emerging Equities 3.5202 17.252 31.084 58.743 100Примечание
Ваши 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 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 = PortfolioMAD; p = setAssetList(p, 'Bonds','Large-Cap Equities','Small-Cap Equities','Emerging Equities'); p = setInitPort(p, pwgt0); p = simulateNormalScenariosByMoments(p, m, C, 20000); p = p.setDefaultConstraints; [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 6.0364e-18 0 30
Large-Cap Equities 30 50.179 20.179 0
Small-Cap Equities 20 13.43 0 6.5696
Emerging Equities 10 36.391 26.391 0dataset объект получить доли и доли, которые будут проданы. PortfolioMAD | estimateScenarioMoments | checkFeasibility