×

具有尾部风险测度的单周期投资组合选择问题的情景生成:处理高维和整数变量。 (英语) Zbl 07277776

摘要:在本文中,我们提出了一个问题驱动的场景生成方法来解决单周期投资组合选择问题,该方法使用了诸如条件风险价值这样的尾部风险度量。尾部风险度量对于量化最坏情况下的潜在损失非常有用。然而,对于基于情景的问题,这些都是有问题的:因为尾部风险度量的值仅取决于支持资产收益分布的一小部分,传统的基于情景的方法将情景平均分布在分布的整个支持上,除非我们使用大量的场景,否则会产生非常不稳定的解决方案。该方法的工作原理是在与可行投资组合的尾部损失相对应的概率分布区域中优先构建情景。该方法适用于高维、资产收益率非椭圆分布、存在整数变量的投资组合选择问题。我们还观察到,当可行的投资组合集受到更多约束时,该方法的效果会更好。在此基础上,提出了一种基于样本平均逼近的启发式算法。该算法通过在问题中添加人工约束来起作用,这些约束条件逐渐收紧,从而使人们能够获得高质量的解决方案。
在线补充可在https://doi.org/10.1287/ijoc.2017.0790.

理学硕士:

91Gxx公司 精算学与数理金融
PDF格式 BibTeX公司 XML 引用

参考文献:

[1] Acerbi C,Tasche D(2002),关于预期短缺的一致性。J、 银行金融26(7):1487-1503。谷歌学者Crossref
[2] Artzner P,Delbaen F,Eber J,Heath D(1999年)《一致性风险度量》。数学。财务9(3):203-228。谷歌学者Crossref·Zbl 0980.91042
[3] Azzalini A,Capitanio A(2003)对称摄动生成的分布,重点是多元斜t分布。J、 罗伊。统计学家。Soc。爵士。B65(2):367-389。谷歌学者Crossref·Zbl 1065.62094
[4] Bayraksan G,Morton DP(2006)评估随机程序中的解决方案质量。数学。编程108(2-3):495-514。谷歌学者Crossref·Zbl 1130.90372
[5] Bertsimas D,Thiele A(2006)《稳健和数据驱动优化:不确定性下的现代决策》。约翰逊议员,诺曼B,塞科曼迪N,编辑。创新决策的模型、方法和应用. 《运筹学教程》95-122。链接,谷歌学者
[6] Boyd S,Vandenberghe L(2004年)凸优化(剑桥大学出版社,剑桥,英国)。谷歌学者Crossref
[7] Chernikova NK(1965)线性不等式组非负解的一般公式的算法。U、 S.S.R.计算机。数学。数学。物理。5(2):228-233。谷歌学者Crossref·Zbl 0171.35701
[8] Cottle RW,Pang JS,Stone RE(1992年)线性互补问题应用数学经典,第60卷(暹罗,费城)。谷歌学者
[9] Dembo R,Rosen D(1999)投资组合复制的实践。正问题和反问题的实用概述。安。操作。物件。85:267-284。谷歌学者Crossref·Zbl 0920.90006
[10] Fairbrother J(2016)问题驱动情景生成。博士论文,兰开斯特大学,兰开夏,英国。谷歌学者
[11] Fairbrother J(2017a)分布模型FTSE100股票收益。访问日期:2018年2月15日,https://dx.doi.org/10.17635/lancaster/researchdata/158.Google学者
[12] Fairbrother J(2017b)TailRiskScenGen。jl:Julia包在随机规划中的应用。访问日期:2018年2月15日,https://github.com/STOR-i/TailRiskScenGen.jl.Google学者
[13] Fairbrother J,Turner A,Wallace SW(2017),《问题驱动情景生成:带尾部风险度量的随机程序分析方法》。访问日期:2018年2月15日,http://arxiv.org/abs/1511.03074.Google学者
[14] Fang KT,Kotz S,Ng KW(1989年)对称多元分布及其相关分布(查普曼和霍尔/CRC统计和应用概率专著)(查普曼和霍尔/CRC,博卡拉顿,佛罗里达州)。谷歌学者
[15] Høyland K,Kaut M,Wallace SW(2003)《矩匹配场景生成的启发式算法》。计算机。擎天柱。申请。24(2-3):169-185。谷歌学者Crossref·Zbl 1094.90579
[16] 黄德,朱S,法博齐FJ,福岛M(2010)分布不确定性下的投资组合选择:一种相对稳健的{CVaR}方法。欧元。J、 操作。物件。203(1):185-194。谷歌学者Crossref·Zbl 1176.91145
[17] Jorion P(1996年)风险价值:控制市场风险的新基准(Irwin Professional,伊利诺伊州伯尔里奇)。谷歌学者
[18] Kaut M,Wallace SW(2007)《随机规划情景生成方法的评估》。太平洋J.擎天柱。3(2):257-271。谷歌学者·Zbl 1171.90490
[19] Kaut M,Wallace SW,Vladimirou H,Zenios S(2007),条件风险价值投资组合管理的稳定性分析。数量。财务7(4):397-409。谷歌学者Crossref·Zbl 1190.91137
[20] Kleywegt AJ,Shapiro A,Homem de Mello T(2001)随机离散优化的样本平均逼近方法。暹罗·J·擎天柱。12(2):479-502。谷歌学者Crossref·Zbl 0991.90090
[21] Le Verge H(1992)关于Chernikova算法的注记。技术报告635,伊里萨,雷恩,法国。谷歌学者
[22] Lobo MS,Fazel M,Boyd S(2007),具有线性和固定交易成本的投资组合优化。安。操作。物件。152(1):341-365。谷歌学者Crossref·Zbl 1132.91474号
[23] Markowitz H(1952)投资组合选择。J、 财务7(1):77-91。谷歌学者
[24] 马科维茨H(1959)投资组合选择:投资的有效多元化(耶鲁大学出版社,纽黑文,康涅狄格州)。谷歌学者
[25] Rockafellar RT,Uryasev S(2000)条件风险价值优化。J、 风险2(3):21-41。谷歌学者Crossref
[26] Royset JO,Szechtman R(2013)《样本平均近似下的最优预算分配》。操作。物件。61(3):762-776。链接,谷歌学者·Zbl 1297.90103
[27] Stockbridge R,Bayraksan G(2013)两阶段随机线性规划中减少最优间隙估计偏差的概率度量方法。数学。编程142(1-2):107-131。谷歌学者Crossref·Zbl 1282.90114
[28] Tasche D(2002年)预期短缺及更多。J、 银行金融26(7):1519-1533。谷歌学者Crossref·Zbl 1119.62106
[29] Young MR(1998)线性规划解的极小极大投资组合选择规则。管理科学。44(5):673-683。链接,谷歌学者·Zbl 0999.91043
[30] Ziegler GM(2008年)多面体讲座. 数学研究生课程,
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。