全部版块 我的主页
论坛 经济学人 二区 外文文献专区
676 9
2022-05-18
英文标题:
《Accelerated Portfolio Optimization with Conditional Value-at-Risk
  Constraints using a Cutting-Plane Method》
---
作者:
Georg Hofmann
---
最新提交年份:
2014
---
英文摘要:
  Financial portfolios are often optimized for maximum profit while subject to a constraint formulated in terms of the Conditional Value-at-Risk (CVaR). This amounts to solving a linear problem. However, in its original formulation this linear problem has a very large number of linear constraints, too many to be enforced in practice. In the literature this is addressed by a reformulation of the problem using so-called dummy variables. This reduces the large number of constraints in the original linear problem at the cost of increasing the number of variables. In the context of reinsurance portfolio optimization we observe that the increase in variable count can lead to situations where solving the reformulated problem takes a long time. Therefore we suggest a different approach. We solve the original linear problem with cutting-plane method: The proposed algorithm starts with the solution of a relaxed problem and then iteratively adds cuts until the solution is approximated within a preset threshold. This is a new approach. For a reinsurance case study we show that a significant reduction of necessary computer resources can be achieved.
---
中文摘要:
金融投资组合通常为实现最大利润而优化,同时受到条件风险价值(CVaR)的约束。这相当于解决一个线性问题。然而,在其原始公式中,该线性问题有大量的线性约束,太多而无法在实践中实施。在文献中,使用虚拟变量的问题被称为重新表述。这以增加变量数量为代价,减少了原始线性问题中的大量约束。在再保险投资组合优化的背景下,我们观察到,可变计数的增加可能会导致解决重新制定的问题需要很长时间的情况。因此,我们建议采用不同的方法。我们用割平面法求解原始线性问题:该算法从松弛问题的解开始,然后迭代添加割,直到解在预设阈值内近似。这是一种新方法。对于再保险案例研究,我们表明可以显著减少必要的计算机资源。
---
分类信息:

一级分类:Mathematics        数学
二级分类:Optimization and Control        优化与控制
分类描述:Operations research, linear programming, control theory, systems theory, optimal control, game theory
运筹学,线性规划,控制论,系统论,最优控制,博弈论
--
一级分类:Quantitative Finance        数量金融学
二级分类:Portfolio Management        项目组合管理
分类描述:Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--
一级分类:Statistics        统计学
二级分类:Applications        应用程序
分类描述:Biology, Education, Epidemiology, Engineering, Environmental Sciences, Medical, Physical Sciences, Quality Control, Social Sciences
生物学,教育学,流行病学,工程学,环境科学,医学,物理科学,质量控制,社会科学
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-5-18 17:51:02
基于割平面法的带条件风险价值约束的加速投资组合优化*乔治·霍夫曼+摘要。金融投资组合通常针对最大收益进行优化,同时受制于根据条件风险价值(CVaR)制定的约束。这相当于解决一个线性问题。然而,在其最初的表述中,这个线性问题有大量的线性约束,太多了,在实践中无法实施。在文献中,这是通过使用所谓的虚拟变量来解决问题的。这以增加变量数量为代价,减少了原始线性问题中的大量约束。在再保险投资组合优化的背景下,我们观察到可变计数的增加可能会导致解决重新制定的问题需要很长时间的情况。因此,我们建议采取不同的方法。我们用割平面法求解原始线性问题:所提出的算法从松弛问题的解开始,然后迭代添加割,直到解在预设阈值内近似。这是一种新方法。对于再保险案例研究,我们表明可以显著减少必要的计算机资源。关键词。优化、金融投资组合、线性规划、条件风险价值约束、切割计划主题分类。52A40不等式和极值问题90C05线性规划90C90数学规划的应用90B50管理决策,包括多目标1。介绍在行业中,金融投资组合的风险管理通常采用蒙特卡罗模拟。该模型通常由J×n矩阵Y组成。其J行代表情景,即被认为具有同等可能性的模拟结果。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-18 17:51:05
其n列代表构成投资组合的不同工具。Y的条目表示特定结果的工具值。所以Y列的平均值就是仪器的期望值。Y的行和产生每个场景的投资组合值。我们称之为结果向量。在再保险投资组合的情况下,由于情景中模拟的灾难性损失,工具的价值可能会变为负值。然而,由于收取溢价,预期工具价值通常为正值。我们将矩阵Y称为情景矩阵。在本文中,我们用条件风险价值(CVaR)表示投资组合的风险,也称为尾部风险价值(TVaR)。在上述模型中,如果场景数是重现期ρ的倍数,则CVaR ata重现期ρ可以如下计算:假设y是y的行和。让Yb以一种成分增加的方式对y进行排序。通过设置Rj确定矢量Rb=(-ρji=1,2,Jρ0表示i=Jρ+1,Jρ+2,J*美国专利[1]使用本文中的方法。+本文的研究由加拿大安大略滑铁卢Validus Research Inc.支持。有关这种情况下常用的风险度量的有价值的讨论,请参见[2]的介绍。特别令人感兴趣的是与最常见的风险度量的比较,即风险价值(VaR),它只是损失分布的一个百分点。对于每j=1,2,J.然后通过矩阵乘积给出所需的CVaR。定义y的CVaR的等效方法如下:ur(y)=maxπ∈SJrTPπy,(1.1),其中sj是集合{1,2,…,J}上所有置换的集合,Pπ是与置换π相关的置换矩阵。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-18 17:51:11
(见[2],导言,第2页。)然而,随着场景J数量的增加,由于对计算机资源的需求过高,这些算法可能仍需要很长时间才能完成或失败。在再保险行业,100万场景的模拟也不例外,1万种工具的使用也不例外。我们提出了一种不同的方法来解决手头的线性问题。我们使用切割计划方法解决原始问题。迭代算法仅从执行的位置约束开始。然后,一步一步地实施相关的限制,即所谓的削减。一旦约束集足够大,算法就会终止,以强制观察到的风险R*为了充分接近R,更精确地说,可以指定风险误差容限δ。终止条件由以下公式给出:R*- RR≤ δ在一个案例研究中,我们模拟了不同规模的典型再保险组合情景。我们提供了应用我们的算法时的迭代次数,并对[3]提出的算法和我们的算法应用时的运行时间进行了比较。我们能够在100万个场景和1万台仪器上运行我们的算法,而这个数据大小并没有形成上限。虽然本案例研究的动机来自再保险行业的实践,但我们提出的算法并不局限于该行业。它适用于任何金融投资组合的优化。在第6节中,我们列出了一些有趣的线性约束,这些约束是所提出算法的扩展可以处理的。金融投资组合之外的应用可以在风险管理的其他领域找到。2.线性问题。在本文的其余部分中,假设给出了仪器的数量n和场景的数量J。设x为受位置约束tx约束的位置向量≤ 十、≤ x、 (2.1)修复场景矩阵Y。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-18 17:51:14
设r是具有非正分量的J维向量。导言中的TVaR风险向量示例具有指导意义。但也有其他选择,尤其是不同TVaR风险向量的加权组合是可以接受的。除了约束(2.1),我们还强制执行rpπyx≤ 每个置换π的R∈ SJ。(2.2)设p为n维向量。认为p有Y的向量列和是有帮助的。这样,pTx表示预期的变更投资组合价值。但p的其他选择也是可能的。目前的线性问题是根据约束条件(2.1)和(2.2)最大化pTx。(2.3)在本文的其余部分中,我们将此称为原始线性问题。如果至少有一个向量x满足问题的约束条件,那么问题就有一个解,因为x被约束到一个紧域。通常,一的n维向量位于约束范围内,因为它表示未改变的投资组合,通常满足风险约束。3、算法。在实践中,(2.2)中的约束数量太多,无法全部实施。我们提出以下算法,只添加与解决方案相关的约束。此方法类似于切割平面方法。需要以下输入。我们使用前面章节的术语和符号。以下是输入参数:Y场景矩阵xp Pro fit vectorx高位约束vectorx低位约束vector目标风险δ风险误差容限以下步骤描述了算法。1.制定放松问题:启动约束集C,作为(2.1)中定义的约束。2。解决当前问题:根据C中的约束最大化pTx。用x表示解决方案*.3.
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-18 17:51:16
如果实现的风险为R*已足够接近目标风险R,请转至步骤6:SetR*= ur(Y x*).如果| R*- R|≤ δR然后跳到步骤6.4。给这个问题增加一个约束:让π是一个置换,使得Pπyx*isin递增顺序。加上trpπY x≤ Rto设置为C.5。返回步骤2.6。放松问题解决方案的可选验证:通过将双重问题解决为第2步中制定的问题,可以验证是否获得了非最佳解决方案。7.算法输出:算法的输出为解x*, 成功的风险*获得的利润s=pTx*.这是一个迭代算法,其输出是理论解的数值近似值。在下一节中,我们将描述这种近似的性质,以及如何量化其误差。在接下来的一节中,我们将提供一个案例研究,其中包括实际数据的迭代次数。实际上,近似误差与任何数值解的典型舍入误差相当。4.趋同。在这一节中,我们给出了一个精确的描述,说明了迭代算法是如何逼近原始线性问题(2.3)的解的。设D是所有数字Rf的集合,其中以下集合不为空:{x∈ [x,x]:ur(Y x)≤ R} 请注意,目标风险R应在此集合中,否则无法满足每个R的约束条件(2.1)和(2.2)∈ D setf(R)=maxx≤ 十、≤ xur(Y x)≤ RpTx。(4.1)这是很明确的,因为我们在紧集上取连续函数的最大值。因此,这个赋值定义了一个从D到R的函数。函数f被称为有效边界。请注意,f(R)正是原始问题(2.3)中要确定的最大值。R R*SProfitriskeefficient FrontierFig。1.从(R,s)到(R)的线段*, s) 横穿高效边界。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群