Сравнение методов нахождения оптимального портфеля с учетом теории перспектив

Размещено на http://www.allbest.ru/

Саратовский государственный университет

Сравнение методов нахождения оптимального портфеля с учетом теории перспектив

Хомченко А. А., Гришина Н. П., Сидоров С. П.

Саратов, Россия

Введение

Теория оптимального портфельного инвестирования предполагает, что функция полезности инвестора является вогнутой, а доходности активов имеют нормальное распределение. С другой стороны, характеристики распределений доходностей активов, а так же предпочтения лиц, принимающих решения, не удовлетворяют этим предположениям. В связи с этим возникают различные подходы к определению оптимального портфеля. Один из таких подходов, использующий более реалистичную модель предпочтения и выбора, основан на теории поведенческих финансов.

Канеман и Тверски обнаружили [1], что при принятии инвестиционных решений инвесторы асимметрично относятся к потерям и выигрышам, а именно переоценивают либо вероятность, либо величину потерь. Это приводит к добавлению новых ограничений в классическую модель, а сама оптимизационная задача становится невыпуклой.

Учет поведенческих аспектов отношения инвестора к потерям приводит рассмотрению задачи (1-3), где

,(1)

(2)

(3)

, есть заданный уровень доходности, r(x) есть доходность портфеля x; б, есть положительные константы, характеризующие отношение инвестора к потерям.

Отметим, что задача (1-3) не является выпуклой, а функция (2) не является дифференцируемой. Для решения задачи (1) - (3) мы используем два подхода. Первый основан на применении методов эвристического поиска, а второй - на сглаживании функции (2) с помощью сплайн интерполяции.

1. Алгоритм дифференциальной эволюции

Недавнее дополнение к классу эволюционных эвристик является метод дифференциальной эволюции, предложенный Р. Сторном и К. Прайсом [2,3]. В нашей работе для решения задачи (1) - (3) мы используем алгоритм дифференциальной эволюции. Дифференциальная эволюция (ДЭ) основана на эволюционном принципе.

По историческим данным торгов вы-числяются наибольшее и наименьшее возможные значения ожидаемой до-ходности портфеля. Полученный отрезок мы разбиваем на S (S = 30) равных промежут-ков , k = 1..S, на каждом из которых ведется поиск оптимального портфеля.

Изначально генерируется некоторое множество векторов, называемых популяцией. Начальная популяция P из векторов ,, где - количество особей в исходной популяции, выбирается случайным образом, должны быть равномерно распределены в пространстве поиска.

На каждой итерации алгоритм генерирует новую популяцию векторов случайным образом, комбинируя векторы из предыдущего поколения. Для каждого вектора выбираются три различных произвольных вектора ,,, не совпадающих с , и генерируется вектор следующим образом:

где F - положительная действительная константа из интервала [0, 2], управляющая усилением влияния разности на результирующий вектор; и или равны нулю с малыми вероятностями (например, 0,0001 и 0,0002 соответственно), или являются нормально распределенными случайными величинами с математическим ожиданием, равным нулю, и малым стандартным отклонением (например, 0,02). Параметры и есть необязательные параметры алгоритма дифференциальной эволюции, они необходимы для внесения «шума» в вычисление результирующего вектора, что помогает избегать попадание в локальные экстремумы.

Для выполнения операции селекции производим преобразование и в и соответственно. Для этого все компоненты исходных векторов, имеющих отрицательные значения, заменяем на ноль, а каждый положительный компонент делим на сумму всех компонентов вектора, таким образом, сумма компонент результирующих векторов равна 1.

Вектор заменяет и переходит в новое поколение, если выполняются условия:

1.

2. (4)

Описанные выше стадии метода дифференциальной эволюции повторяются по достижению заданного числа итераций. Получившаяся в результате популяция содержит векторы, из которых необходимо выбрать «лучший», то есть с наибольшим значением целевой функции, в нем и будет достигаться оптимум целевой функции.

2. Сглаживание функции полезности с помощью сплайна

Заметим, что функция (2) не является дифференцируемой в точке . Альтернативный подход к вычислению эффективного портфеля согласно теории перспектив, основанный на сглаживании целевой функции, предложен в работе [4]. Идея состоит в использовании кубического сплайна в - окрестности точки .

Пусть и пусть . Коэффициенты кубического полинома находим из системы уравнений:

Обеспечивая тем самым равенство на концах отрезка значений функций и и их производных, рассмотрим задачу:

(5)

(6)

Функция является гладкой и дифференцируемой в точке . Для решения задачи (1),(2), (5), (6) с гладкой функцией полезности мы использовали решатель Minos 5.5, разработанный для решения гладких нелинейных оптимизационных задач.

3. Вычислительный эксперимент

В вычислительном эксперименте использовались реальные данные об акциях 93 компаний за 522 промежуток времени. Для нахождения оптимальных портфелей и построения эффективной границы с использованием метода дифференциальной эволюции применялся пакет прикладных программ Matlab, решалась задача (1) - (3). Численность популяции устанавливается равной N = 80, число итераций алгоритма K = 1500, коэффициент неприятия потерь л =2.25, а ожидаемый уровень доходности инвестора = 1.004. Спустя K итераций векторы из популяции сравниваются между собой с помощью условий (4), результатом финальной оценки является вектор и соответствующий ему искомый вектор долей . Для улучшения производительности алгоритма, если на некотором отрезке за 750 итераций не происходит изменения поколения, то итерации прекращаются, и происходит финальная оценка.

Для решения задачи (1), (2), (5), (6) применялся пакет Ampl (решатель Minos 5.5) с параметрами: окрестность =0.00001, коэффициент неприятия потерь л =2.25, а ожидаемый уровень доходности инвестора = 1.004.

Для того чтобы сравнить результаты, полученные на основе этих двух методов, мы произвольным образом выбрали 3 портфеля, найденных с помощью методов дифференциальной эволюции, и подсчитали для них значения ожидаемой доходности. Для трех заданных значений ожидаемой доходности мы решили нелинейную оптимизационную задачу с помощью алгоритма, написанного на Ampl с применением решателя Minos. Приведем результаты сравнения: инвестирование сплайн полином финансовый

Отметим что во всех трех случаях значение математического ожидания функции полезности выше для портфелей, найденных с помощью алгоритма дифференциальной эволюции, также эти портфели менее рискованные. Полученный результат можно объяснить наличием некоторого числа локальных экстремумов у функций и , и в случае поиска оптимума с помощью Minos были найдены именно они. Наличие недетерминированных элементов в дифференциальной эволюции дает возможность избегать попадание в локальные экстремумы.

Заключение

Эвристические финансовые методы становятся все более популярными по сравнению с альтернативными традиционными методами оптимизации. Эвристические методы легче преодолевают локальные экстремумы. Кроме того, перезапуск алгоритма не обязательно приводит к одному и тому же результату, если поиск сходится к локальному оптимуму в первый раз, то при другом запуске может определиться другой оптимум - в идеале глобальный. Все эти качества дают возможность использовать эвристические методы для широкого класса задач.

Список литературы

1. Kahneman D., Tversky A. Prospect theory: An analysis of decision under risk// Econometrica. 1979. V. 47. P. 263-291.

2. Storn R., Price K. Di?erential Evolution - A simple and e?cient adaptive scheme or global optimization over continuous spaces// Journal of Global Optimization. 1997, V. 11. P. 341-359.

3. Price K., Storn R.M., Lampinen J.A. Di?erential Evolution: A Practical Approach to Global Optimization. Berlin: Springer, 2005.

4. Enrico De Giorgi, Thorsten Hens, Janos Mayer. Computational Aspects of Prospect Theory with Asset Pricing Applications. In press.

Размещено на Allbest.ru