Exponenta Banner

Постобработка результатов настроить ходкие портфели

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.

Подготовка ходких портфелей

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
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 = 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
Если у вас есть цены на каждый актив (в этом примере, они могут быть ETFs), добавьте их в свою промокательную бумагу и затем используйте инструменты dataset объект получить доли и доли, которые будут проданы. Для примера смотрите Тематическое исследование Распределения активов.

Смотрите также

| |

Связанные примеры

Больше о

Внешние веб-сайты

Документация Financial Toolbox

Поддержка