Seleksi Portofolio bawah Model Ketidakpastian:

Sebuah Momen Penalized - Pendekatan berbasis Optimasi Jonathan Y. Li., Roy H. Kwon Abstrak Kami menyajikan sebuah pendekatan baru yang memungkinkan investor untuk mencari kebijakan yang cukup kuat untuk seleksi portofolio jarang terjadi tapi realisasi berdampak tinggi dari momen ketidakpastian. Dalam prakteknya, manajer portofolio menghadapi kesulitan dalam mencari keseimbangan antara mengandalkan pengetahuan mereka tentang model keuangan acuan dan mempertimbangkan kemungkinan kerancuan model. Berdasarkan konsep Distributionally Robust Optimasi (DRO), kami memperkenalkan suatu kerangka hukuman baru yang menyediakan investor fleksibilitas untuk menentukan model acuan sebelum menggunakan momen informasi dan akun untuk model ambiguitas dalam hal momen ketidakpastian "ekstrim". Kami menunjukkan bahwa dalam pendekatan portofolio global-optimal secara umum dapat diperoleh secara komputasi mudah dikelola. Kami juga menunjukkan bahwa untuk berbagai spesifikasi model yang diusulkan kami dapat menampilkannya kembali sebagai program semidefinite. Eksperimen komputasi menunjukkan bahwa pendekatan berbasis waktu performanya melebihi pendekatan DRO klasik dari segi rata-rata dan sisi negatif-risiko kinerja menggunakan data historis.

Kata kunci:

seleksi portofolio, model ketidakpastian, Optimasi Robust secara Distribusi, metode penalti

1 Pendahuluan Teori portofolio modern menyoroti hubungan antara risiko dan return (pengembalian) atas aset yang tersedia, membimbing investor untuk mengevaluasi dan mencapai alokasi aset yang lebih efisien. Teori ini membutuhkan spesifikasi model, misalnya distribusi pengembalian atau momen dari suatu distribusi. Untuk menghindari ambiguitas, dari sini "model" mengacu pada ukuran probabilitas atau momen yang mencirikan sifat stokastik dari pasar keuangan. Dalam prakteknya, para praktisi tidak dapat memastikan pilihan yang tepat model karena sifat kompleks penentuan Model dan validasi. Dengan demikian, muncul kebutuhan untuk memperhitungkan tingkat tambahan rekening ketidakpastian: ketidakpastian Model, juga dikenal sebagai model "ambiguitas". Ellsberg [14] juga menemukan bahwa pengambil keputusan dalam kenyataannya memiliki sikap keengganan terhadap ambiguitas model. Sebagai contoh klasik, bahkan dengan pengembalian yang diharapkan yang lebih rendah, investor memiliki preferensi yang lebih tinggi untuk investasi yang secara geografis lebih dekat karena pemahaman mereka lebih baik dari distribusi kembali. Temuan ini menunjukkan bahwa investor cenderung untuk membayar premi tambahan ambiguitas, jika mungkin, dalam berinvestasi. Oleh karena itu, model seleksi portofolio yang tidak memperhitungkan ambiguitas-keengganan sikap mungkin tidak dapat diterima bagi investor tersebut.

Referensi 1. Anderson, E. W., Hansen L. P., Sargent T. J.: Robustness, detection and the price of risk.(2000). 2. Ben-Tal, A., Bertsimas D., Brown D. B.: A soft robust model for optimization under ambiguity. Oper. Res. 58(4), 12201234 (2010) 3. Ben-Tal, A., Nemirovski A.: Lectures on Modern Convex Optimization: Analysis, Algorithms, and Engineering Applications, MPS/SIAM Series on Optimization. SIAM, Philadelphia, PA. (2001) 4. Ben-Tal, A., Nemirovski A.: Robust optimization - methodology and applications. Math. Program., Ser. B 92(3), 453480 (2002). 5. 5. Ben-Tal, A., Boyd S., Nemirovski A.: Extending scope of robust optimization: comprehensive robust counterparts of uncertain problems. Math. Program., Ser. B 107(1), 6389 (2006).

6. 7. 8. 9.

Bertsekas, D.: Nonlinear Programming, 2nd ed. Athena Scientific, Belmont, MA. (1999). Bertsimas, D., Sim M.: The price of robustness. Oper. Res. 52(1), 3553 (2004). Black, F., Litterman R.: Global portfolio optimization. Finan. Anal. J., 2843 (1992). Calafiore G.: Ambiguous risk measures and optimal robust portfolios. SIAM J. Optim. 18(3), 853877 (2007). 10. Chen, W., Sim M.: Goal-driven optimization. Oper. Res. 57(2), 342357 (2009). 11. Cont R.: Model uncertainty and its impact on the pricing of derivative instruments. Math. Finan. 16, 519547 (2006). 12. Delage, E., Ye Y.: Distributionally robust optimization under moment uncertainty with application to data-driven problems. Oper. Res. 58(3), 595612 (2010). 13. l Ghaoui, L., Oks M., Oustry. F.: Worst-case value-at-risk and robust portfolio optimization: a conic programming approach. Oper. Res. 51(3), 543556 (2003). 14. Ellsberg, D.: Risk, ambiguity, and the savage axioms. Quart. J. Econ. 75(4), 643669 (1961). 15. Gilboa, I., Schmeidler D.: Maxmin expected utility with a non-unique prior. J. Math. Econ. 18(2), 141153 (1989). 16. Goldfarb, D., Iyengar G.: Robust portfolio selection problems. Math. Oper. Res. 28(1), 138 (2003). 17. Goldfarb, D., Scheinberg, K.: On parametric semidefinite programming. Appl. Numer. Math. 29(3), 361377 (1999). 18. Grotschel, M., Lovasz L., Schrijver A.: The ellipsoid method and its consequences in combinatorial optimization. Combinatorica 1(2), 169197 (1981). 19. Hansen, L., Sargent T.: Robust control and model uncertainty. Amer. Econ. Rev. 91(2), 6066 (2001). 20. Kolda, T. G., Lewis R. M., Torczon V.: Optimization by direct search: new perspectives on some classical and modern methods. SIAM Rev. 45(3), 385482 (2003). 21. Kullback, S.: Information Theory and Statistics. John Wiley and Sons, New York (1959). 22. Kullback, S., Leibler R. A.: On information and sufficiency. Ann. Math. Statist. 22(1), 7986 (1951). 23. Luenberger D. G.: Investment Science. Oxford University Press, Oxford, U.K. (1999). 24. Maenhout P. J.: Robust portfolio rules and asset pricing. Rev. Finan. Stud. 17(4), 951 983 (2004). 25. Natarajan, K., Pachamanova D., Sim M.: Incorporating asymmetric distributional information in robust value-at-risk optimization. Manage. Sci. 54(3), 573585 (2008). 26. Natarajan, K., Sim M., Uichanco J.: Tractable robust expected utility and risk models for porfolio optimization. Math. Finan. 20(4), 695-731. 27. Nesterov, Y., Nemirovski A.: Interior Point Polynomial Methods in Convex Programming: Theory and Applications. SIAM, Philadelphia, PA. (1994). 28. Popescu, I.: Robust mean-covariance solutions for stochastic optimization. Oper. Res. 55(1), 98112 (2007). 29. Shapiro, A.: On duality theory of conic linear problems. In: Goberna, M. A., Lopez M. A. (eds.) Semi-Infinite Programming: Recent Advances, pp. 135165. Kluwer Academic Publishers (2001). 30. Tutuncu R. H., Koenig M.: Robust asset allocation. Ann. Oper. Res. 132, 157187 (2004).

31. Uppal, R., Wang T.: Model misspecification and under-diversification. J. Finan. 58(6), 24652486 (2003). 32. Vandenberghe, L., Boyd. S.: Semidefinite programming. SIAM Rev. 38(1), 4995 (1996). 33. Wolkowicz, H., Saigal R., Vandenberghe L., eds: Handbook of Semidefinite Programming and Applications. Kluwer Academic Publishers (2000). 34. Zhu, S. S., Fukushima M.: Worst-case conditional value-at-risk with application to robust portfolio management. Oper. Res. 57(5), 11551168 (2009).

Gambar. 3 kekayaan kumulatif untuk periode waktu: 1997/01-2003/12.

Gambar. 4 kekayaan kumulatif untuk periode waktu: 2004/01-2010/12.

Gambar. 5 kekayaan kumulatif untuk periode waktu: 2004/01-2007/06.

Gambar. 6 kekayaan kumulatif untuk periode waktu: 2007/06-2010/12.

Gambar. 7 Histogram kekayaan terminal untuk semua pendekatan pada periode 1997/01-2003/12.

Gambar. 8 Histogram kekayaan terminal untuk semua pendekatan dalam 2004/01-2010/12 periode.

Gambar. 9 Histogram kekayaan terminal untuk semua pendekatan pada periode 2004/01-2007/06.

Gambar. 10 Histogram kekayaan terminal untuk semua pendekatan pada periode 2007/06-2010/12