Friday, July 01, 2022 8:52 PM

Abstrak. Makalah ini mengembangkan model optimasi portofolio waktu berkelanjutan di mana
pengembalian rata-rata sekuritas individu atau kategori aset secara eksplisit dipengaruhi oleh
faktor-faktor ekonomi yang mendasarinya seperti hasil dividen, pengembalian ekuitas
perusahaan, suku bunga, dan tingkat pengangguran. Secara khusus, faktor-faktornya adalah
proses Gaussian, dan koefisien drift untuk sekuritas adalah fungsi affine dari faktor-faktor ini.
Kami menggunakan metode teori kontrol sensitif risiko, sehingga menggunakan tujuan
cakrawala tak terbatas yang alami dan menampilkan tingkat pertumbuhan jangka panjang yang
diharapkan, varians asimptotik, dan parameter penghindaran risiko tunggal. Bahkan dengan
kendala pada strategi perdagangan yang dapat diterima, ditunjukkan bahwa strategi perdagangan
yang optimal memiliki karakterisasi sederhana dalam hal level faktor. Untuk level faktor
tertentu, posisi perdagangan yang optimal dapat diperoleh sebagai solusi dari program kuadrat.
Nilai objektif optimal, sebagai fungsi dari parameter penghindaran risiko, ditunjukkan sebagai
solusi dari persamaan diferensial parsial. Contoh alokasi aset sederhana, yang menampilkan suku
bunga tipe Vasicek yang mempengaruhi indeks saham dan juga berfungsi sebagai peluang
investasi kedua, memberikan beberapa wawasan tambahan tentang kriteria sensitif risiko dalam
konteks manajemen aset dinamis.

Kata-kata kunci. Kontrol stokastik yang sensitif terhadap risiko, Pemilihan portofolio yang
optimal, Pasar incom- plete, Penyimpangan besar.

1. Pendahuluan

Dimulai dengan pekerjaan mendasar oleh Merton [23], sejumlah model kontrol stokastik yang sangat
canggih telah diusulkan untuk membuat keputusan investasi yang optimal. Pendekatan tipikal
mengambil model proses difusi sekuritas dan mencari strategi perdagangan yang memaksimalkan
utilitas konsumsi dan / atau kekayaan terminal yang diharapkan di atas cakrawala perencanaan yang
terbatas. Strategi optimal diperoleh dengan menyelesaikan persamaan pemrograman dinamis, yang
merupakan PDE yang harus diselesaikan secara numerik kecuali untuk beberapa kasus sederhana.

Kesulitan komputasi yang terkait dengan PDE telah dielakkan beberapa- apa dengan mengambil
pendekatan yang lebih modern (lihat [16], [26], dan [27]) menggunakan teori convex opti- mization dan
ukuran probabilitas netral risiko. Idenya adalah untuk menguraikan masalah portofolio menjadi dua
bagian: pertama masalah optimasi untuk variabel acak yang mewakili kekayaan terminal optimal (atau
analog konsumsi optimalnya) diselesaikan, dan kemudian masalah representasi martingale untuk
strategi perdagangan yang optimal diselesaikan. Hasil eksplisit dapat diperoleh untuk langkah pertama
dalam berbagai keadaan, asalkan modelnya lengkap, yang berarti, secara kasar, bahwa jumlah gerakan
Brownian yang mendasarinya sama dengan jumlah sekuritas (lihat [13]). Namun, langkah kedua tetap
sulit dalam banyak kasus. Selain itu, seringkali lebih realistis untuk mempertimbangkan model yang tidak
lengkap, tetapi di sini hasilnya sangat terbatas (lihat [16] untuk hasil terbaru).

Jadi sementara manajemen portofolio tampak seperti aplikasi alami dari teori kontrol stokastik, faktanya
adalah bahwa teknologi ini jarang digunakan dalam praktik. Meskipun ada beberapa kemungkinan
alasan untuk kurangnya penggunaan ini, dua penjelasan utama tampaknya adalah traksi komputasi dan
kesulitan statistik yang terkait dengan estimasi parameter model. Tujuan dari makalah ini adalah untuk
memperkenalkan pendekatan kontrol stokastik baru yang dimaksudkan untuk mengatasi kedua masalah
ini dan dengan demikian mengurangi kesenjangan antara teori dan praktik. Pendekatan ini dibedakan
oleh dua fitur utama: faktor ekonomi yang mendasarinya seperti rasio akuntansi, hasil dividen, dan
langkah-langkah ekonomi makro secara eksplisit dimasukkan dalam model, dan cakrawala tak terbatas,

New Section 5 Page 1

langkah-langkah ekonomi makro secara eksplisit dimasukkan dalam model, dan cakrawala tak terbatas,
kriteria sensitif risiko digunakan untuk tujuan investor.

Praktisi biasanya menggunakan faktor ekonomi untuk memperkirakan pengembalian sekuritas, jadi
dalam makalah ini kami secara eksplisit memodelkan faktor-faktor tersebut serta ketergantungan harga
sekuritas pada faktor-faktor tersebut. Meskipun pendekatan kami tidak menghindari kesulitan statistik
untuk membuat perkiraan yang baik, pendekatan ini menjelaskan masalah ini dengan lebih baik, karena
variabel yang digunakan untuk memperkirakan pengembalian sekarang berada dalam model. Baik
bagian estimasi dan optimasi dari proses manajemen portofolio dapat dianalisis secara terintegrasi.

Kriteria pengoptimalan cakrawala yang terbatas sering kali mengarah pada strategi optimal yang
bergantung pada waktu, dalam hal ini kesulitan komputasi mungkin besar. Alternatifnya, yaitu, adopsi
tujuan optimasi cakrawala yang tak terbatas, menawarkan kemungkinan kebijakan stasioner menjadi
optimal dan dengan demikian mengalami kesulitan komputasi yang tidak terlalu parah. Selain itu, tujuan
cakrawala yang tak terbatas seringkali sangat tepat untuk masalah investasi praktis seperti masalah
pengelolaan reksa dana. Namun, pilihan kriteria cakrawala tak terbatas cukup terbatas. Tentang satu-
satunya kriteria yang telah dipelajari dalam konteks manajemen portofolio adalah memaksimalkan
pertumbuhan jangka panjang portofolio tingkat (yaitu, kriteria Kelly, terkait dengan utilitas log yang
diharapkan). Kriteria ini tidak cukup konservatif bagi sebagian besar investor, dan investor sangat
bervariasi dalam hal sikap mereka tentang risiko. Sementara itu, dua kriteria cakrawala tak terbatas
klasik dalam literatur teori kontrol, yaitu, biaya/hadiah rata-rata dan biaya/hadiah diskon, kurang cocok
untuk aplikasi manajemen portofolio.

Namun, pertimbangkan kriterianya (di sini V (t) adalah nilai portofolio time-t)

di mana θ > −2,θ 6= 0. Mengganti R(t) = ln V (t) memungkinkan seseorang untuk membuat koneksi
dengan literatur yang baru-baru ini dikembangkan tentang kontrol optimal yang sensitif terhadap risiko
(misalnya, lihat [28]), di mana R(t) memainkan peran sebagai hadiah kumulatif. Ini berarti bahwa jika
kita mengadopsi, seperti yang akan kita lakukan, tujuan memaksimalkan Jθ , maka banyak teknik yang
baru-baru ini dikembangkan untuk pengendalian sensitif risiko dapat berpotensi diterapkan pada
masalah manajemen portofolio kita.
Selain itu, seperti yang dipahami dengan baik dalam literatur kontrol sensitif risiko, ekspansi seri Taylor
tentang θ = 0 menghasilkan

Oleh karena itu Jθ dapat diartikan sebagai tingkat pertumbuhan jangka panjang yang diharapkan
dikurangi jangka waktu penalti, dengan kesalahan yang sebanding dengan θ 2. Selain itu, istilah penalti
sebanding dengan varians asimptotik, kuantitas yang dipelajari dalam [19] dalam kasus model gerak
Brownian geometris konvensional multivariat dari sekuritas. Istilah penalti juga sebanding dengan θ ,
jadi θ harus ditafsirkan sebagai parameter sensitivitas risiko atau parameter penghindaran risiko. Kasus
khusus θ = 0 disebut sebagai kasus risk-null; ini adalah kriteria Kelly klasik, yaitu,

Perhatikan bahwa Jθ memiliki bentuk fungsional tipe penyimpangan besar untuk modal proses V (t).
Akibatnya, memaksimalkan Jθ untuk θ > 0 melindungi investor yang tertarik dalam memaksimalkan
tingkat pertumbuhan modal yang diharapkan terhadap penyimpangan besar dari benar-benar
menyadari tingkat dari harapan. Beberapa wawasan tentang kriteria sensitif risiko kami dapat diperoleh
dengan mempertimbangkan kasus di mana proses V (t) adalah gerakan Brownian geometris sederhana
dengan parameter

New Section 5 Page 2

dengan parameter
μ dan σ. Perhitungan sederhana memberi

, sehingga perkiraan disebutkan di atas, dalam hal ini, tepat.

Tulisan ini bukanlah yang pertama menerapkan kriteria optimalitas yang peka terhadap risiko pada
suatu masalah keuangan. Lefebvre dan Montulet [22] menggunakan pendekatan kalkulus variasi untuk
mempelajari campuran optimal perusahaan antara aset cair dan nonliquid. Fleming [9] menggunakan
metode sensitif terhadap risiko untuk mendapatkan hasil tanpa gejala untuk dua jenis masalah
manajemen portofolio.
Singkatnya, dalam makalah ini kami mengembangkan model pengoptimalan portofolio di mana
sekuritas secara eksplisit bergantung pada faktor ekonomi yang mendasarinya dan di mana tujuannya
adalah untuk memaksimalkan kriteria sensitif risiko Jθ yang diperkenalkan di atas. Formulasi yang tepat
dari model kami serta hasil utama semuanya ditemukan di Bagian 2. Berbagai hasil pendahuluan dan
tambahan terletak di Bagian 3, sedangkan Bagian 4 memiliki argumen utama dan bukti dari hasil utama
kami.

Bagian 2–4 semuanya untuk kasus di mana parameter penghindaran risiko θ > 0. Kasus risk-null θ = 0
adalah subjek dari Bagian 5. Namun, harus ditunjukkan di sini, bahwa ketika model kami tidak memiliki
faktor dan θ = 0, model tersebut runtuh menjadi model yang dipelajari dengan baik dan lengkap, tetapi
ketika faktor-faktor disertakan, model kami tidak lengkap dan hasil maksimalisasi tingkat pertumbuhan
yang kami harapkan adalah hal baru. Memang, sebagian besar hasil dalam makalah ini, baik ketika θ = 0
dan θ > 0, merupakan kontribusi yang signifikan terhadap teori ekonomi keuangan dari model pasar
keamanan yang tidak lengkap.
Bagian 6 dikhususkan untuk memberikan beberapa wawasan tambahan dan menarik tentang sifat
optimalitas sensitif terhadap risiko dalam konteks manajemen aset dinamis. Di Bagian 7 kami
memberikan beberapa pemikiran tentang penelitian kami di masa depan. Makalah ini diakhiri dengan
Lampiran di mana kita membuktikan Lemmas 5.1 dan 5.2.

2. Perumusan Masalah dan Hasil Utama

Kami mempertimbangkan pasar yang terdiri dari m ≥ 2 sekuritas dan n ≥ 1 faktor. Himpunan secu- rities
dapat mencakup saham, obligasi, uang tunai, dan sekuritas derivatif, seperti dalam [7], misalnya.
Serangkaian faktor dapat mencakup hasil dividen, rasio harga-pendapatan, suku bunga jangka pendek,
tingkat inflasi, dll., Seperti dalam [25], misalnya.
Biarkan (Ä, {Ft },F, P) menjadi ruang probabilitas yang mendasarinya. Menunjukkan oleh Si (t) harga
keamanan i th dan oleh Xj (t) tingkat faktor j th pada waktu t, kami mempertimbangkan model pasar
berikut untuk dinamika harga dan faktor keamanan:

di mana W(t) adalah proses gerak Brownian standar bernilai Rm+n dengan komponen Wk(t), X(t) adalah
proses faktor nilai Rn dengan komponen Xj (t), param pasar- eters a, A, 6 := [σij ], b, B, 3 := [λij ] adalah
matriks dengan dimensi yang sesuai, dan (a + Ax)i menunjukkan komponen i th dari vektor a + Ax. Sudah
diketahui bahwa ada solusi unik dan kuat untuk (2.1), (2.2), dan bahwa proses Si (t) positif dengan
probabilitas 1 (lihat, misalnya, Bab 5 dari [18]).
Biarkan Gt := σ((S(s), X(s)), 0 ≤ s ≤ t), di mana S(t) = (S1(t), S2(t),..., Sm(t)) adalah proses harga sekuritas.
Biarkan h(t) menunjukkan proses atau strategi investasi bernilai Rn yang komponennya hi (t), i = 1,
2,...,m.

New Section 5 Page 3

2,...,m.
Definisi 2.1. Proses investasi h(t) dapat diterima jika kondisi berikut terpenuhi:

(i) h(t) mengambil nilai dalam subset terukur yang diberikan χ dari Rm , dan Pm
=

hai (t) = 1,
(ii) h(t) dapat diukur, Gt -diadaptasi,
(iii) P[R t h0(s)h(s) ds < ∞] = 1, untuk semua t terbatas ≥ 0.

Kelas strategi investasi yang dapat diterima akan dilambangkan dengan H.

Biarkan sekarang h(t) menjadi proses investasi yang dapat diterima. Kemudian ada solusi unik, kuat, dan
hampir pasti positif V (t) untuk persamaan berikut:

di mana μi (x) adalah koordinat ke-i dari vektor a + Ax untuk x ∈ Rn . Proses V (t) mewakili modal
investor pada waktu t, dan hi (t) mewakili proporsi modal yang diinvestasikan dalam sekuritas i,
sehingga hi (t)V (t)/Si (t) mewakili jumlah saham yang diinvestasikan dalam sekuritas i, seperti dalam,
misalnya, Bagian 3 dari [17].
Dalam makalah ini kami menyelidiki keluarga berikut dari masalah investasi optimal yang peka terhadap
risiko, diberi label sebagai (Pθ ):

untuk θ ∈ (0, ∞), maksimalkan tingkat pertumbuhan yang diharapkan peka terhadap risiko
µ−2¶
Jθ (v, x; h(·)) := lim inf
→∞
t−1 ln Eh(·) [e−(θ/2) ln V (t)| V (0) = v, X(0) = x] (2,4)

atas kelas semua proses investasi yang dapat diterima h(·), tunduk pada (2.2)
dan (2.3),

di mana E adalah harapan sehubungan dengan P. Notasi Eh(·) menekankan bahwa harapan dievaluasi
untuk proses V (t) yang dihasilkan oleh (2.3) di bawah strategi investasi h(t).

Keterangan 2.1. Seperti disebutkan dalam Pendahuluan, nilai positif dari parameter sensitivitas risiko θ
sesuai dengan investor yang menghindari risiko. Teknik yang digunakan dalam makalah ini juga dapat
digunakan untuk mempelajari masalah (Pθ ) untuk nilai negatif θ , sesuai dengan investor yang mencari
risiko. Kasus risk-null, untuk θ = 0, dipelajari di Bagian 5 sebagai batas situasi menghindari risiko ketika
parameter sensitivitas risiko θ menjadi nol.

New Section 5 Page 4

Sebelum kita dapat menyajikan hasil utama yang disumbangkan oleh makalah ini, kita perlu
memperkenalkan notasi berikut, untuk θ ≥ 0 dan x ∈ Rn :

Kita juga perlu memperkenalkan asumsi-asumsi berikut:

Asumsi (A1). Kendala investasi yang ditetapkan χ memenuhi salah satu dari dua kondisi berikut:

New Section 5 Page 5

Poin kunci dari kesetaraan pertama dalam (a) adalah, tentu saja, bahwa nilai objektif optimal diberikan
oleh lim biasa daripada lim inf seperti pada (2.4). Poin kunci dari kesetaraan kedua dalam (a) adalah
bahwa nilai objektif yang optimal tidak tergantung pada jumlah awal modal investor (v) atau pada nilai
awal dari faktor ekonomi yang mendasarinya (x), meskipun itu tergantung, tentu saja, pada sikap
investor terhadap risiko (dikodekan dalam nilai θ ). Poin kunci dari (b) adalah bahwa nilai objektif
optimal dicirikan dalam hal (2, 8). Penting untuk mengamati bahwa untuk masalah yang dipelajari dalam
makalah ini bagian v(x; θ) dari solusi untuk (2.8) adalah solusi klasik dan halus dari PDE. Ini terutama
karena istilah difusi dalam persamaan faktor (2.2) tidak berubah. Untuk formulasi yang lebih umum,
solusi viskositas mungkin harus dipertimbangkan.
3. Hasil Tambahan

Pada bagian ini kami merumuskan beberapa hasil teknis yang akan dibutuhkan nantinya. Biarkan K(x)
menjadi fungsi bernilai nyata pada Rn . Sepanjang bagian ini diasumsikan bahwa K(x) memiliki properti
berikut:

New Section 5 Page 6

di mana Br = {x ∈ Rn : kxk < r }, dan r > 0 adalah sewenang-wenang. Selain itu, kita juga memiliki (lihat
pembahasan di Bagian IV.14 dari [21]) bahwa g adalah solusi untuk masalah Cauchy (3.1). Akhirnya,
dengan menggunakan rumus Feynmann-Kac (lihat, misalnya, [18]) kita memperoleh representasi
stokastik berikut untuk

di mana X(t) adalah proses faktor kami. Karena setiap solusi halus untuk masalah Cauchy (3.1) memiliki
representasi di atas, maka g adalah solusi unik untuk masalah tersebut (3.1). Mengingat kondisi (B1)
(a),(c), representasi (3.5) menyiratkan perkiraan berikut untuk g:

New Section 5 Page 7

Lemma berikut merangkum sifat-sifat uθ,T yang kita butuhkan.

New Section 5 Page 8

Kita melihat sekarang bahwa Teorema 3.4 dari [24] berlaku dalam konteks kita. Kami menyatakan versi
teorema ini, sesuai untuk situasi yang dipertimbangkan di sini, sebagai

Lemma 3.3. Asumsikan (A2) dan (B1). Kemudian:

(a) Seperti yang → ∞ maka fungsi uθ (t, x) − uθ (t, 0) menyatu ke fungsi νθ (x) di
W1n
2,loc seragam pada setiap subset kompak R, dan fungsinya ∂uθ (t, x)/∂t
menyatu dengan konstanta ρθ .
(b) Pasangan (νθ , ρθ ) adalah solusi unik untuk persamaan (νθ unik hingga aditif
konstan)

New Section 5 Page 9

New Section 5 Page 10
Proposisi 4.1. Konstanta Kθ terbatas, dan fungsi K ̄ θ (x) memenuhi Assump- tion (B1).

Bukti. Dengan meminta hasil dari Bagian 5.5 dari [1] kami menyimpulkan bahwa Kθ (x) memenuhi
kondisi (c) dan (d) Asumsi (B1). Mengingat hal ini dan Asumsi (A2), kita melihat bahwa konstanta Kθ
terbatas, dan bahwa K ̄ θ (x) memenuhi kondisi (a)–(d) dari Assump- tion (B1). Kondisi (e) terpenuhi
mengingat masalah (11)(a) dalam [10].

Dari proposisi di atas dan dari Lemma 3.2 dapat disimpulkan bahwa ada solusi klasik nonnegatif U ̄ (t, x;
θ) hingga (4.4). Sekarang, dengan membiarkan

kita melihat bahwa U(t, x; θ) adalah solusi klasik untuk (4.3). Dengan demikian kami memiliki yang
berikut:

New Section 5 Page 11

Ini mengikuti dari (4.1) bahwa ekspresi di sisi kanan (4.8) adalah nonnegatif. Jadi, membiarkan ε menjadi
nol, kita memperoleh (4,6).
Ini mengikuti dari hasil Bagian 5.5 di [1] bahwa Hθ (x) (didefinisikan dalam Teorema 2.1) adalah fungsi
affine sepotong-sepotong pada Rn . Dengan demikian hθ (·) adalah strategi yang dapat diterima, dan
kesimpulannya (4,7) mengikuti karena sisi kanan (4,8) sama dengan nol untuk h(·) ≡ hθ (·).

Kami siap sekarang untuk membuktikan Teorema 2.1.

5. Masalah Risk-Null (θ = 0)

Di bagian ini kita mempelajari batas ketika θ ↓ 0 masalah (Pθ ). Hal ini mengarah pada pertimbangan
masalah klasik untuk memaksimalkan tingkat pertumbuhan portofolio yang diharapkan, yaitu tingkat

New Section 5 Page 12

masalah klasik untuk memaksimalkan tingkat pertumbuhan portofolio yang diharapkan, yaitu tingkat
pertumbuhan di bawah fungsi log-utility (lihat, misalnya, [15] dan [16]). Kami melabeli masalah ini
sebagai (P0) dan merumuskannya sebagai berikut:

Keterangan 5.1. (a) Asumsi (C1) akan dilonggarkan dalam makalah mendatang. Kami membahas secara
singkat di akhir bagian ini bagaimana hasil kami dapat digeneralisasi untuk kasus fungsi umum Kθ (x),
sebagaimana didefinisikan dalam (2.5).
(b) Asumsi (C1) terpenuhi jika, misalnya, matriks 660 tidak tunggal dan jika
χ = Rn . Seperti yang akan terlihat di Bagian 6, nonsingularitas 660 bukanlah kondisi yang diperlukan
untuk (C1) untuk bertahan.

(c) Berikut dari Bagian 5.5 dalam [1] bahwa limθ ↓0 Ki (θ) = Ki (0) untuk i = 1, 2, 3.
(d) Perhatikan bahwa kami tidak mengasumsikan stabilitas B untuk membuktikan Corollary 2.1 dan
Teorema 2.2. Ini karena kepositifan parameter sensitivitas risiko θ (yang diasumsikan di sana) sudah
cukup untuk menegakkan perilaku "baik" dari fungsi objektif kami untuk t besar.
(e) Perhatikan bahwa Asumsi (A2) terpenuhi. Asumsi (A1) tidak lagi diperlukan.

Kami bermaksud untuk membangun hubungan antara masalah risk-null (P0) dan masalah sensitif risiko
(Pθ ), θ > 0. Menuju tujuan ini kami mempertimbangkan persamaan berikut:

New Section 5 Page 13

New Section 5 Page 14
Lemma 5.2. Konstanta ρ(θ), θ > 0, dalam larutan ke (2,8) bertemu dengan konstanta ρ(0) dalam larutan
ke (5,2) ketika θ menyatu menjadi nol.

Bukti. Lihat Lampiran.

Kita sekarang memiliki proposisi berikut, yang mengatakan bahwa nilai objektif optimal untuk masalah
(Pθ ) menyatu dengan nilai objektif optimal untuk masalah risk-null (P0) ketika parameter risk-aversion
meluruh menjadi nol:

Bukti. Ini mengikuti dari Corollary 2.1 dan Teorema 2.1 bahwa sisi kiri (5.9) sama dengan limθ ↓0 ρ(θ).
Proposisi 5.1 menyiratkan bahwa sisi kanan (5,9) sama dengan ρ(0). Ini membuktikan hasil dalam
pandangan Lemma 5.2.

Hasil berikut mencirikan tingkat pertumbuhan portofolio yang diharapkan sesuai dengan strategi
investasi optimal untuk tingkat penghindaran risiko θ > 0.

New Section 5 Page 15

Keterangan 5.3. Hasil Bensoussan dan Frehse [2] dapat digunakan untuk membuktikan bahwa (5.2)
mengakui solusi untuk K0(x umum), sebagaimana didefinisikan dalam (2.5), jika seseorang
melonggarkan persyaratan kelancaran untuk v0(x) (misalnya, v0(x) hanya diasumsikan milik kelas
Sobolev yang sesuai). Kemudian lemma Ito umum [20] dapat digunakan untuk mendapatkan hasil yang
dianalogikan dengan Proposisi 5.1. Dalam makalah di masa depan kita akan berusaha untuk memperluas
Lemma 5.1 dan hasil lain dari bagian ini ke kasus di mana Kθ (x) belum tentu merupakan fungsi kuadrat.

6. Peluang Sisi Atas dan Risiko Sisi Bawah

Pada bagian ini kami menyajikan contoh sederhana yang memberikan pembenaran lain tentang
keunggulan kriteria sensitif risiko atas kriteria log-utility (klasik). Secara khusus, untuk contoh yang
dipertimbangkan di sini kami menunjukkan bahwa rasio asimptotik "peluang sisi atas" terhadap "risiko
sisi bawah" adalah maksimal untuk beberapa θ positif.
Kami mempertimbangkan model ekonomi di mana pengembalian rata-rata pasar saham dipengaruhi
oleh tingkat suku bunga. Pertimbangkan satu aset berisiko, katakanlah indeks saham, yang diatur oleh
SDE

New Section 5 Page 16

Investor dapat mengambil posisi long atau short dalam indeks saham serta meminjam atau
meminjamkan uang, dengan peracikan terus menerus, pada tingkat bunga yang berlaku. Oleh karena itu
lebih mudah untuk mengikuti pendekatan umum dan memperkenalkan proses "rekening bank" S2, di
mana

Dengan hanya dua aset, akan lebih mudah untuk menggambarkan strategi perdagangan investor dalam
hal fungsi bernilai skalar H ̃θ (r), yang ditafsirkan sebagai proporsi modal yang diinvestasikan
dalam indeks saham, meninggalkan proporsi 1 - H ̃θ (r) yang diinvestasikan di rekening bank. Jadi di sini
kita memiliki Hθ (r) = [H ̃θ (r), 1 − H ̃θ (r)]. Kami mengandaikan untuk kesederhanaan bahwa tidak ada
batasan khusus (misalnya, kendala penjualan pendek, pembatasan pinjaman, dll.) pada strategi
perdagangan investor, sehingga batasan investasi yang ditetapkan χ dianggap sebagai keseluruhan garis
nyata.
Untuk menyederhanakan perhitungan yang mengikutinya, kami mengurangi model Vasicek kami ke
kasus yang sesuai dengan model Merton klasik [23] tahun 1971 dengan mengasumsikan bahwa

Perhatikan bahwa kita telah mengasumsikan kurs spot konstan (yaitu, r(t) = r untuk semua t) dan tingkat
pengembalian konstan (μ1) pada indeks saham. Dengan demikian kami memiliki model dua aset yang
sangat konvensional. Asumsi kami dipaksakan untuk menyederhanakan pengembangan interpretasi
baru berikut dari kriteria optimalitas sensitif risiko. Secara khusus, kami menganalisis ketergantungan
pada θ ≥ 0 dari jumlah berikut:

New Section 5 Page 17

7. Penelitian Masa Depan

Penting untuk mempelajari masalah investasi yang sensitif terhadap risiko dengan informasi parsial. Typ-

New Section 5 Page 18

Penting untuk mempelajari masalah investasi yang sensitif terhadap risiko dengan informasi parsial. Typ-
ically, nilai-nilai parameter pasar a, A, 6, b, B, dan 3 tidak diketahui oleh investor. Jadi bagaimana
seharusnya model kita diimplementasikan? Salah satu kemungkinannya adalah bahwa investor
memperoleh perkiraan awal parameter pasar berdasarkan deret waktu historis, dan kemudian
mempertahankan perkiraan ini di seluruh cakrawala investasi masa depan. Pendekatan yang lebih baik
bagi investor adalah memilih keputusan investasinya secara adaptif berdasarkan informasi pasar yang
tersedia saat ini dan strategi keputusan yang optimal (mungkin yang dikembangkan dalam makalah ini).
Ini berarti bahwa perkiraan parameter pasar diperbarui seiring berjalannya waktu dan informasi pasar
baru diperoleh, dan kemudian perkiraan yang diperbarui digunakan alih-alih nilai "benar" dari
parameter pasar tersebut dalam formula untuk aturan investasi sensitif risiko yang optimal.
Aturan investasi yang adaptif dan sensitif terhadap risiko harus diselidiki di masa depan, berdasarkan
hasil yang disajikan dalam makalah ini serta beberapa ide yang dikembangkan dalam [3], [5], dan [31].
Aturan panduan harus mengembangkan skema estimasi sederhana untuk parameter model yang, ketika
dikombinasikan dengan (2,5), harus mengarah pada pengembangan algoritma praktis dan layak untuk
manajemen aset dinamis waktu nyata. Penggabungan pengamatan negara parsial (pengukuran harga
sekuritas yang tidak tepat dan / atau tingkat faktor) adalah tujuan penelitian lain yang diinginkan.
Lebih lanjut, penting untuk mempelajari prob- lem pemilihan portofolio optimal yang sensitif terhadap
risiko untuk generalisasi model pasar dasar yang kami perkenalkan di Bagian 2. Secara khusus, seseorang
harus melonggarkan asumsi linearitas pada koefisien drift dan juga memungkinkan ketergantungan pada
faktor-faktor koefisien difusi di SDEs pasar. Dengan demikian persamaan ini akan mengambil bentuk
berikut:

di mana, seperti sebelumnya, W(t) adalah proses gerak Brownian standar bernilai Rm+n dengan com-
ponents Wk(t), dan fungsi pasar μ(x) := [μi (x)]1×m , 6(x) := [σik(x)]m×(m+n), B(x), dan 3(x) sedemikian
rupa sehingga ada solusi kuat yang unik untuk persamaan di atas. Fi- nally, akan diinginkan untuk
melonggarkan asumsi tentang kurangnya korelasi antara residual dalam harga sekuritas dan persamaan
faktor, yaitu, untuk menjatuhkan persyaratan bahwa
6(x)30(x) adalah matriks nol.

New Section 5 Page 19

New Section 5 Page 20
New Section 5 Page 21
New Section 5 Page 22
New Section 5 Page 23