【AP】CVaR robust Mean-CVaR portfolio optimization(3)
Navigator
Pre Link
CVaR robust Mean-CVaR portfolio optimization(2)
Numerical Results
本節主要在實際資料1中對比模型CVaR robust mean-CVaR
和mean-CVaR
,設定不確定集合為interval
ellipsoidal
. 同時對比了原始模型和數值近似模型的時間成本原始模型 ( 22 ) (22) (22)
數值近似模型 ( 26 ) (26) (26)
對 μ \mu μ的計算,使用了10000次蒙特卡洛模擬取樣(RS),模擬了96次 y − s c e n a r i o s y-scenarios y−scenarios,問題使用CVX和Matlab優化工具箱求解.
Sensitivity to Initial Data
為了測試CVaR robust模型對初始資料的敏感性,本文重複了100次RS取樣,設定不同的置信水平得到的有效前沿如下:
β
=
99
%
\beta=99\%
β
=
90
%
\beta=90\%
β=90%
β
=
75
%
\beta=75\%
β=75%
可以發現有效前沿曲線隨著 β \beta β值的變化而發生變化,可以將 β \beta β作為風險迴避引數,對於高風險迴避者,傾向於選擇較大的 β \beta β,而對風險容忍程度較大的投資者則傾向於選擇較小的 β \beta β.
Portfolio diversification
本節主要說明在資產分散程度方面,CVaR robust mean-CVaR
模型具有更好的資產分散效能,並且當置信度
β
\beta
β下降的時候,CVaR robust mean-CVaR
組合的分散性也在下降.
在interval
不確定集合下得到的robust mean-CVaR組合權重如圖所示
在ellipsodial
不確定集合下得到robust mean-CVaR
模型權重分佈
當
β
=
99
%
\beta=99\%
β=99%時,CVaR robust mean-CVaR
模型的權重分佈情況,從最右端數值可以發現,CVaR robust mean-CVaR
模型比robust mean-CVaR
模型的權重更加分散.
對比有效前沿,由於robust mean-CVaR
組合分散性弱於robust CVaR mean CVaR
模型,所以在給定期望回報水平的條件下會接受更多的風險,所以在有效前沿上表現出曲線出現在右下方
可以知道期望風險和收益會隨著置信水平
β
\beta
β的下降而升高,但是在這種情況下最大期望組合得到的方差就會比較大,精確解不是每次都能得到,但是當
β
=
99
%
\beta=99\%
β=99%時最大期望收益會變得很低,同樣方差也會變低,並且由於較大的
μ
\mu
μ估計風險帶來的誤差導致組合表現不佳的風險也會降低,但是這樣會導致組合表現偏保守(more conservative
).
Consequently, an investor who is more risk averse to estimation risk selects a larger β \beta β and obtains a more diversified portfolio. This justifies that it is reasonable to regard β \beta β as a estimation risk aversion parameter.
Comparison of the Efficiency of Two approaches for computing CVaR robust portfolios
本節主要說明使用平滑方法(smoothing approach
)計算模型更有效率