część 2
Transkrypt
część 2
Marcin Studniarski Wyk÷ ady z analizy portfelowej, cze¾ść II (semestr letni 2011/12) 1 Pojecie ¾ krótkiej sprzedaz·y Przyk÷ ad 1. Inwestor I przewiduje, z·e cena akcji spó÷ ki A – obecnie 100$ za sztuke¾ – pod koniec roku spadnie do poziomu 95$ (wartość oczekiwana). Ponadto I spodziewa sie¾ wtedy wyp÷ aty dywidendy w wysokości 3$ za jedna¾ akcje. ¾ Zatem zakup przez I jednej akcji spó÷ ki A pociagnie ¾ za soba¾ nastepuj ¾ ace ¾ przep÷ ywy gotówki: Czas: Zakup akcji: Dywidenda: Sprzedaz· akcji: Suma przep÷ ywów: obecnie 100 100 koniec roku +3 +95 +98 W tej sytuacji inwestor I nie zechce trzymać akcji spó÷ ki A w swoim portfelu. Co wiecej, ¾ najchetniej ¾ posiada÷ by on ujemna¾ liczbe¾ takich akcji. Jak moz·e tego dokonać? Przypuśćmy, z·e inny inwestor J równiez· posiada akcje spó÷ ki A, ale nie chce ich sprzedawać. Inwestor I moz·e poz·yczyć akcje¾ A od J , zapewniajac ¾ mu jednocześnie, z·e nie straci on z·adnych korzyści wynikajacych ¾ z posiadania akcji. I sprzedaje teraz akcje¾ A i otrzymuje 100$, z których 3$ przekazuje J na zrekompensowanie niezrealizowanej wyp÷ aty dywidendy. Ani I ani J nie posiadaja¾ teraz akcji A – faktyczna¾ dywidende¾ otrzymuje jej aktualny w÷ aściciel. Pod koniec roku I kupuje akcje¾ A za 95$ i zwraca pierwotnemu w÷ aścicielowi J . Przep÷ ywy gotówki dla I wygladaj ¾ a¾ teraz tak: Czas: Sprzedaz· akcji: Dywidenda: Zakup akcji: Suma przep÷ ywów: obecnie +100 +100 koniec roku 3 95 98 2 Ekstrema warunkowe – regu÷ a mnoz·ników Lagrange’a Niech G bedzie ¾ podzbiorem otwartym przestrzeni Rn i niech 1 k n. Niech f : G ! R i ' : G ! Rk bed ¾ a¾ danymi funkcjami. Określamy zbiór S := fx 2 G : '(x) = 0g: Zak÷ adamy, z·e S 6= ;. (1) Mówimy, z·e funkcja f ma w punkcie x 2 S lokalne minimum [maksimum] warunkowe (na zbiorze S ), jez·eli istnieje takie otoczenie U punktu x (U G), z·e f (x) f (x) [ f (x) f (x) ] dla kaz·dego x 2 S \ U . Mówimy, z·e funkcja f ma w punkcie x 2 S ścis÷ e lokalne minimum [maksimum] warunkowe (na zbiorze S ), jez·eli istnieje takie otoczenie U punktu x (U G), z·e f (x) < f (x) [ f (x) > f (x) ] dla kaz·dego x 2 S \ U nfxg. Twierdzenie 1. Za÷ ó· zmy, · ze w pewnym otoczeniu U punktu x 2 S funkcje f i ' maja¾ciag÷ ¾ e pierwsze pochodne czastkowe ¾ oraz rf (x) 6= 0 i Rank '0(x) = k. (a) (warunki konieczne) Je· zeli f ma w punkcie x lokalne ekstremum warunkowe, to istnieja¾ liczby rzeczywiste 1; :::; k takie, · ze funkcja Lagrange’a L : U Rk ! R okre´slona wzorem L(x; ) := f (x) + k X i ' i ( x) (2) i=1 spe÷ nia warunek @L (x; ) = 0, j = 1; :::; n. @xj (3) (b) (warunki dostateczne) Niech x 2 S bedzie ¾ punktem spe÷ niajacym ¾ warunki konieczne (3). Za÷ ó· zmy dodatkowo, · ze f i ' maja¾ ciag÷ ¾ e drugie pochodne czastkowe. ¾ Je· zeli hr2L(x; )hT n X @ 2L hi hj = (x; ) > 0 @x @x i j i;j=1 (4) dla ka· zdego wektora h = (h1; :::; hn) ró· znego od zera i spe÷ niajacego ¾ warunek hr'i(x); hi = n X @'i j=1 @xj (x)hj = 0, i = 1; :::; k; (5) to f ma w punkcie x ´scis÷ e lokalne minimum warunkowe. Je· zeli hr2L(x; )hT < 0 (6) dla ka· zdego wektora h ró· znego od zera i spe÷ niajacego ¾ warunek (5), to f ma w punkcie x ´scis÷ e lokalne maksimum warunkowe. Je· zeli hr2L(x; )hT przyjmuje zarówno warto´sci dodatnie jak i ujemne dla h spe÷ niajacych ¾ (5), to f nie ma lokalnego ekstremum warunkowego w punkcie x. Uwaga. Ze wzoru (2) wynika, z·e dla dowolnego i 2 f1; :::; kg pochodna @L (x; ) nie zalezy od wektora czastkowa ¾ i jest równa 'i(x). Stad ¾ i z (1) · @ i otrzymujemy ( ) @L S := x 2 G : (x) = 0, i = 1; :::; k : @ i (7) 3 Wyznaczanie portfela minimalnego ryzyka przy dopuszczalnej krótkiej sprzedaz·y 3.1 Przypadek zadanej oczekiwanej stopy zysku Niech u = (u1; :::; um) bedzie ¾ wektorem, którego wspó÷ rzednymi ¾ sa¾ udzia÷ y akcji 1; :::; m w portfelu. Poniewaz· dopuszczamy moz·liwość krótkiej sprzedaz·y, udzia÷ y te nie musza¾ być nieujemne. Zatem u nalez·y do zbioru Pm := 8 < u = (u1; :::; um) 2 Rm : : m X j=1 9 = uj = 1 : ; (8) Niech 0 bedzie ¾ zadana¾ oczekiwana¾ stopa¾ zysku portfela u. Rozwaz·amy nastepu¾ jace ¾ zadanie optymalizacji: 8 > R(u) = uCuT ! min; < Var Pm i=1 ui = 1; > P : m u i=1 i i = 0 ; (9) gdzie C jest macierza¾ kowariancji wektora stóp zysku akcji 1; :::; m, a = ( 1; :::; m) – wektorem oczekiwanych stóp zysku tych akcji. Celem zadania (9) jest znalezienie portfela minimalnego ryzyka dla oczekiwanej stopy zysku 0. Do rozwiazania ¾ zadania (9) zastosujemy metode¾ mnoz·ników Lagrange’a. Najpierw tworzymy funkcje¾ Lagrange’a: L(u; ) = m X i;j=1 0 cij uiuj + 1 @ m X i=1 ui 1 0 1A + 2 @ m X i=1 ui i 0 1 A; (10) a nastepnie ¾ róz·niczkujemy ja¾ kolejno wzgledem ¾ zmiennych u1; :::; um, korzystajac ¾ z symetrii macierzy C : 8 > > < @L (u; @u1 ) = 2(c11u1 + ::: + c1mum) + 1 + 2 1; ... > > : @L (u; ) = 2(c u + ::: + c mmum) + 1 + 2 m: m1 1 @um (11) Teraz róz·niczkujemy L wzgledem ¾ 1 i 2: m X @L ui 1 ; (u; ) = @ 1 i=1 m X @L (u; ) = ui i 0: @ 2 i=1 (12) (13) Tak obliczone pochodne przyrównujemy do zera, uzyskujac ¾ w ten sposób uk÷ ad równań 8 T T T = 0; > < 2Cu + 11k + 2 T = 1; 1 u k > : uT = 0 ; (14) który w postaci macierzowo-blokowej moz·na zapisać jako 2 6 4 2C 1k 1Tk 0 0 T 32 76 0 54 0 uT 3 2 3 0k 7 6 7 = 1 5 4 5; 1 2 0 (15) gdzie 1k = (1; :::; 1) 2 Rk oraz 0k = (0; :::; 0) 2 Rk . Uwzgledniaj ¾ ac ¾ wzór (128), cz. I, moz·na uk÷ ad (15) zapisać nastepuj ¾ aco: ¾ 2 2 21 1 2 12 2 1 2 12 6 2 6 2 2 2 6 . . .. .. 6 6 6 2 6 1 m 1m 2 2 m 2m 6 4 1 1 1 2 2 1 m 1m 2 2 m 2m ... ... 2 2m 1 m 1 1 ... 1 0 0 32 3 2 3 u1 0 76 7 6 7 7 6 7 6 7 u 0 2 76 2 7 6 ... 7 6 ... 7 6 ... 7 7 76 7=6 7 76 u 7 6 0 7: 6 m 7 6 7 m 7 76 7 6 7 0 54 1 5 4 1 5 0 2 0 1 (16) Oznaczajac ¾ przez A macierz kwadratowa¾ wystepuj ¾ ac ¾ a¾ w (16), a przez z i b odpowiednie wektory kolumnowe, zapisujemy (16) w postaci Az = b: (17) Moz·na wykazać, z·e jez·eli macierz kowariancji C jest nieosobliwa, to takz·e macierz A jest nieosobliwa. Wtedy rozwiazanie ¾ uk÷ adu (17) jest dane wzorem z = A 1b: (18) 3.2 Przypadek dowolnej oczekiwanej stopy zysku Teraz poszukujemy portfela minimalnego ryzyka przy wszystkich moz·liwych oczekiwanych stopach zysku. Wówczas zamiast zadania optymalizacji (9) mamy jego uproszczona¾ wersje¾ ( Var R(u) = uCuT ! min; Pm i=1 ui = 1; (19) w której nie wystepuje ¾ ograniczenie na oczekiwana¾ stope¾ zysku portfela. W tym przypadku mamy tylko jeden mnoz·nik Lagrange’a 1 zwiazany ¾ z jednym ograniczeniem typu równości. Postepuj ¾ ac ¾ analogicznie jak w poprzednim przypadku, dochodzimy do nastepuj ¾ acego ¾ uk÷ adu równań, bed ¾ acego ¾ uproszczona¾ wersja¾ (16): 2 2 21 1 2 12 6 6 2 6 6 6 6 4 2 1 2 1 2 12 2 22 ... ... m 1m 2 2 m 2m 1 1 2 1 m 1m 2 2 m 2m ... ... 2 2m 1 1 1 1 ... 1 0 32 3 2 u 0 76 1 7 6 7 6 u2 7 6 0 76 . 7 6 7 6 .. 7 = 6 ... 7 76 6 76 u 7 6 0 54 m 5 4 1 1 3 7 7 7 7 : (20) 7 7 5 Uwagi dotyczace ¾ rozwiazania ¾ tego uk÷ adu sa¾ takie same jak poprzednio. 4 Portfele zawierajace ¾ papier wartościowy pozbawiony ryzyka 4.1 Rozszerzenie modelu podstawowego Markowitza Rozwaz·amy sytuacje, ¾ gdy w portfelu papierów wartościowych oprócz akcji ponumerowanych od 1 do m znajduje sie¾ dodatkowy papier wartościowy pozbawiony ryzyka (np. obligacja skarbowa o sta÷ ym oprocentowaniu lub bon skarbowy), oznaczony numerem 0. Tworzymy nowy zbiór portfeli papierów wartościowych ^ m+1 := P 8 < u ^ = (u0; u1; :::; um) 2 Rm+1 : ui : 0; i = 0; 1; :::; m; m X 9 = uj = 1 ; j=0 (21) ; na którym określone jest rozszerzenie odwzorowania Markowitza nastepuj ¾ aco: ¾ ^ m+1: ^ (^ M u) := ( (^ u); ER(^ u)), u ^2P (22) Dla m akcji mamy wektor = ( 1; :::; m) oczekiwanych stóp zysku, gdzie i := E (Ri) (i = 1; :::; m), natomiast przez 0 oznaczamy ustalona¾ (niezalez·na¾ od sytuacji losowej) stope¾ zysku papieru pozbawionego ryzyka. Oczywiście sensowne jest rozwaz·anie sytuacji, gdy 0 > 0. Macierz kowariancji stóp zysku dla nowego modelu ma postać 2 6 ^=6 C 6 4 0 0 0 c11 ... ... 0 cm1 0 c1m ... ... cmm 3 7 7 7: 5 (23) ^ dla modelu Markowitza rozszerzonego Stwierdzenie 1. Zbiór mo· zliwo´sci M o papier warto´sciowy pozbawiony ryzyka ma posta´c ^ m+1 = ^ =M ^ P M [ (24) [(0; 0); (x; y )]; (x;y)2M zliwo´sci dla modelu podstawowego Markowitza, zagdzie M jest zbiorem mo· wierajacego ¾ akcje od 1 do m. ^ m+1, u Dowód. „ ”: Niech u ^ = (u0; u1; :::; um) 2 P ^ 6= (1; 0; :::; 0). Pm Oznaczmy u := (u1; :::; um), C := [cij ]m , := i=1 ui, wówczas i;j=1 u0 = 1 , 2 (0; 1]. Uwzgledniaj ¾ ac ¾ (23) oraz fakt, z·e u= 2 Pm, moz·emy wyrazić ryzyko rozszerzonego portfela u ^ za pomoca¾ ryzyka portfela akcji u: (^ u) = q ^u u ^C ^T = p uCuT = s u C u T = u : (25) Obliczmy teraz oczekiwana¾ stope¾ zysku portfela u ^: ER(^ u) = m X ui i = (1 ) 0+ i=0 m X ui i = (1 i=1 ) 0 + ER u : (26) Ze wzorów (25) i (26) otrzymujemy ^ (^ M u) = ( (^ u); ER(^ u)) = (1 = (1 )(0; 0) + u )(0; 0) + M : u ; ER u (27) ^ (^ Zatem punkt M u) lez·y na odcinku ((0; 0); M (u= )], gdzie M (u= ) 2 ^ (^ M, a wiec ¾ M u) nalez·y do prawej strony (24). Pozostaje jeszcze zauwaz·yć, ^ m+1, z÷ z·e obraz portfela (1; 0; :::; 0) 2 P oz·onego tylko z papieru o zerowym ryzyku, takz·e nalez·y do prawej strony (24), poniewaz· ^ ((1; 0; :::; 0)) = (0; 0): M (28) „ ”: Kaz·dy punkt zbioru po prawej stronie (24) jest postaci (1 )(0; 0) + M (w) (29) dla pewnych 2 [0; 1], w 2 Pm. Jeśli > 0, to przyjmujac ¾ u := w, otrzymujemy postać z końca wzoru (27). Przechodzac ¾ przez wszystkie równości pierwszej cześci ¾ dowodu w odwrotnej kolejności, wnioskujemy, z·e punkt (29) ^ m+1. Jeśli = 0, to punkt (29) jest ^ (^ jest równy M u) dla pewnego u ^ 2 P postaci (28). 4.2 Wykorzystanie portfela rynkowego Obecnie przedstawimy prostszy od poprzedniego model portfela zawierajacego ¾ akcje oraz papier wartościowy pozbawiony ryzyka. Rozwaz·amy portfel dwusk÷ adnikowy, w którym pierwszy sk÷ adnik stanowia¾ papiery wartościowe o zerowym ryzyku (zak÷ adamy, z·e maja¾ one te¾ sama¾ sta÷ a¾ stope¾ zysku, zwana¾ stopa¾ zysku wolna¾ od ryzyka), a drugi sk÷ adnik to portfel efektywny zawierajacy ¾ akcje. Wprowadzamy oznaczenia: ERe – oczekiwana stopa zysku portfela efektywnego, Rf – stopa zysku wolna od ryzyka (poprzednio oznaczana 0), e – ryzyko portfela efektywnego, wf – udzia÷papierów wolnych od ryzyka w portfelu dwusk÷ adnikowym (wf 2 [0; 1]). Wówczas 1 wf jest udzia÷ em portfela efektywnego akcji w portfelu dwusk÷ adnikowym. Rozwaz·any portfel dwusk÷ adnikowy moz·na utoz·samiać z wektorem udzia÷ ów w = (wf ; 1 wf ). Jego oczekiwana stopa zysku dana jest wzorem ER(w) = wf Rf + (1 wf )ERe: (30) Ze wzorów (128) i (129), cz. I, wynika, z·e ryzyko portfela u wynosi (w) = (1 wf ) e : (31) Poszukiwanie optymalnych portfeli dwusk÷ adnikowych wyz·ej opisanego typu sprowadza sie¾ do poszukiwania takiej pó÷ prostej wychodzacej ¾ z punktu (0; Rf ) i przecinajacej ¾ granice¾ efektywna¾ F zbioru moz·liwości M, która posiada najwiek¾ szy wspó÷ czynnik katowy. ¾ Najlepsza¾ pó÷ prosta¾ jest zatem styczna do zbioru F – ma ona z tym zbiorem jeden punkt wspólny, odpowiadajacy ¾ tzw. portfelowi rynkowemu (market portfolio), który oznaczamy uM . Optymalne portfele zawierajace ¾ akcje i papiery wolne od ryzyka lez·a¾ na odcinku [(0; Rf ); M (uM )], który jest cześci ¾ a¾ prostej o równaniu y= Rf ERM M x + Rf ; (32) gdzie M (uM ) = ( M ; ERM ) (pierwsza wspó÷ rzedna ¾ jest ryzykiem, a druga oczekiwana¾ stopa¾ zysku portfela rynkowego). Prosta (32) nazywa sie¾ linia¾ rynku kapita÷ owego (CML – capital market line). 5 Formy kwadratowe i ich określoność Funkcje¾ F : Rn ! R określona¾ wzorem F (x) := n X n X aij xixj ; (33) i=1 j=1 gdzie aij 2 R, aij = aji oraz x = (x1; :::; xn), nazywamy forma¾ kwadratowa¾ na Rn. Forme¾ kwadratowa¾ (33) moz·na tez· zapisać w postaci F (x) = xAxT ; (34) gdzie A = [aij ]n i;j=1 . Macierz A nazywamy macierza¾ formy kwadratowej. Kaz·da symetryczna macierz kwadratowa jest macierza¾ pewnej formy kwadratowej. Forme¾ kwadratowa¾ F nazywamy (macierz A nazywamy) (a) dodatnio [ujemnie] określona, ¾ jez·eli F (x) > 0 [ F (x) < 0 ] dla kaz·dego x 2 Rnnf0g, (b) dodatnio [ujemnie] pó÷ określona¾lub nieujemnie [niedodatnio] określona, ¾ jez·eli F (x) 0 [ F (x) 0 ] dla kaz·dego x 2 Rn, (c) nieokreślona, ¾ jez·eli istnieja¾ takie x1, x2 2 Rn, z·e F (x1) > 0 i F (x2) < 0. Oznaczmy przez Mi; i = 1; :::; n nastepuj ¾ ace ¾ wyznaczniki: M1 := ja11j ; M2 := a11 a12 ; a21 a22 :::; Mn = jAnj : (35) Wyznaczniki (35) nazywamy (wiodacymi) ¾ minorami g÷ ównymi macierzy A. Nastepuj ¾ ace ¾ twierdzenie jest przydatne do sprawdzania warunków dostatecznych minimum lub maksimum lokalnego funkcji wielu zmiennych. Twierdzenie 2 (Sylwestera). (a) Jez·eli M k > 0; k = 1; :::; n; (36) to forma F jest dodatnio określona. (b) Jez·eli ( 1)k Mk > 0; to forma F jest ujemnie określona. k = 1; :::; n; (37) (c) Jez·eli Mk 0; k = 1; :::; n 1; Mn = 0 ; (38) to forma F jest dodatnio pó÷ określona. (d) Jez·eli ( 1)k Mk 0; k = 1; :::; n 1; Mn = 0 ; (39) to forma F jest ujemnie pó÷ określona. (e) Jez·eli nie jest spe÷ niony z·aden z warunków (36)–(39), to forma F jest nieokreślona. 6 Metoda najmniejszych kwadratów Przypuśćmy, z·e interesuje nas zalez·ność miedzy ¾ pewnymi obserwowanymi wielkościami x i y . Za÷ óz·my, z·e dysponujemy danymi statystycznymi w postaci zbioru punktów na p÷ aszczyźnie ( xi ; y i ) ; i = 1; :::; n; (40) które wskazuja, ¾ z·e zalez·ność te¾ moz·na w przybliz·eniu opisać funkcja¾ liniowa¾ y = ax + b: (41) Zadanie polega na znalezieniu takich parametrów a i b prostej (41), aby ta prosta by÷ a jak najlepiej dopasowana do wyników obserwacji (40). Jako kryterium dopasowania przyjmujemy sume¾ kwadratów odchyleń punktów (xi; yi) od prostej, mierzonych w kierunku równoleg÷ ym do osi pionowej. Zatem poszukujemy takich liczb a i b, dla których suma S (a; b) := n X (yi axi b)2 (42) i=1 jest najmniejsza. Zak÷ adamy, z·e n > 1 i co najmniej dwie wartości xi sa¾ róz·ne. W dalszym ciagu ¾ sume¾ (43) Pn P b edziemy ¾ oznaczać krótko przez . i=1 W celu wyznaczenia minimum funkcji S rozwia¾z·emy uk÷ ad równań X @S (a; b) = 2 (yi @a X @S (a; b) = 2 (yi @b axi b)( xi) = 0; (44) axi b)( 1) = 0; (45) który jest równowaz·ny uk÷ adowi a X Wprowadźmy oznaczenia x2i + b X a xi X xi = + bn = X X xi y i ; (46) yi : (47) 1X 1X x := xi; y := yi : n n Dzielac ¾ równanie (47) przez n, otrzymujemy ax + b = y , skad ¾ b=y Stad ¾ i z (46) a czyli X a x2i X + (y xi ( xi a x) X x) = xi = X X xi ( y i (48) a x. xi y i ; y ): (49) Zauwaz·my, z·e X ( xi x) 2 = = = X X X ( xi x)(xi xi ( xi xi ( xi x) = X x) x x) nx2 X xi ( xi xi + nx2 + nx2 = Podobnie dowodzimy, z·e X ( xi x)(yi y) = X xi ( y i x) X xi ( xi X x( xi x) x) : (50) y ): (51) Z równości (49)–(51) otrzymujemy wzory na parametry szukanej prostej: a= P ( xi x)(yi y ) ; P 2 ( xi x) przy czym z za÷ oz·enia (43) wynika, z·e P ( xi b=y ax; x)2 6= 0. (52) Dla wykazania, z·e punkt o wspó÷ rzednych ¾ (52) jest na pewno punktem minimum funkcji S , sprawdzimy jeszcze warunki dostateczne. Obliczmy drugie pochodne czastkowe ¾ S: X @ 2S @ 2S 2 (a; b) = 2 xi ; (a; b) = 2n; @a2 @b2 X @ 2S @ 2S (a; b) = (a; b) = 2 xi : @a@b @b@a Zatem macierz Hessego funkcji S w dowolnym ustalonym punkcie (a; b) jest postaci r2S (a; b) = " # P 2 P 2 xi 2 xi P : 2 xi 2n (53) Z Twierdzenia 1(b) (dla przypadku zadania minimalizacji bez ograniczeń) wynika, z·e S osiaga ¾ minimum lokalne w punkcie krytycznym (a; b) (tj. spe÷ niajacym ¾ warunki konieczne (44)–(45)), jez·eli forma kwadratowa h 7! hr2S (a; b)hT jest dodatnio określona, gdzie h = (h1; h2) (lub, co jest równowaz·ne, macierz (53) jest dodatnio określona). Aby to wykazać, w nierówności Schwarza hx; yi2 < hx; xi hy; yi ; dla x; y 2 Rn; x 6= y; 2 R; podstawmy y = (1; :::; 1) 2 Rn. Otrzymujemy X xi 2 <n X x2i ; co oznacza, z·e wyznacznik macierzy (53) jest dodatni. To wraz z nierównościa¾ P 2 2 xi > 0 daje dodatnia¾ określoność tej macierzy. Poniewaz· istnieje tylko jeden punkt krytyczny, wiec ¾ minimum jest globalne. 7 Model jednowskaźnikowy Sharpe’a Jest to model upraszczajacy ¾ klasyczna¾ teorie¾ portfela. Opiera sie¾ na za÷ oz·eniu, z·e kszta÷ towanie sie¾ stóp zysku akcji jest zdeterminowane dzia÷ aniem czynnika odzwierciedlajacego ¾ zmiany na rynku kapita÷ owym. Z obserwacji wynika, z·e na wielu rynkach kapita÷ owych stopy zysku wiekszości ¾ akcji sa¾ zwiazane ¾ ze stopa¾ zwrotu indeksu rynku (lub gie÷ dy). Indeks ten spe÷ nia m.in. nastepuj ¾ ace ¾ funkcje: 1) w sposób syntetyczny informuje o sytuacji na rynku, 2) jest instrumentem pierwotnym dla instrumentów pochodnych (opcji, kontraktów futures i forward), 3) stanowi punkt odniesienia przy ocenie efektywności inwestowania, 4) moz·e być traktowany jako substytut portfela rynkowego. Zalez·ność stopy zysku pojedynczej akcji A od stopy zysku indeksu rynku dana jest równaniem regresji RA = A + ARM + eA; (54) gdzie: RA – stopa zysku akcji A, RM – stopa zysku indeksu rynku, A; A – wspó÷ czynnik alfa i wspó÷ czynnik beta akcji A, eA – sk÷ adnik losowy równania (zwiazany ¾ z akcja¾ A). Zak÷ ada sie, ¾ z·e eA jest zmienna¾ losowa¾ o wartości oczekiwanej 0. W praktyce do prognozowania stopy zysku akcji A uz·ywa sie¾ modelu przybliz·onego, w którym pomija sie¾ sk÷ adnik losowy: RA = A + A RM : (55) Jest to równanie prostej, która¾ nazywa sie¾ linia¾ charakterystyczna¾ akcji (lub ogólniej – papieru wartościowego). Wspó÷ czynnik beta akcji wskazuje, w jakim stopniu stopa zysku akcji reaguje na zmiany stopy zysku indeksu rynku. W szczególności: 0 < A < 1 oznacza, z·e stopa zysku akcji A w ma÷ ym stopniu reaguje na zmiany zachodzace ¾ na rynku; taka akcja nazywana jest akcja¾ defensywna; ¾ 1 oznacza, z·e stopa zysku akcji A w duz·ym stopniu reaguje na zmiany zachodzace ¾ na rynku; taka akcja nazywana jest akcja¾ agresywna; ¾ A > = 1 oznacza, z·e stopa zysku akcji A zmienia sie¾ w takim samym stopniu jak stopa zysku rynku; A A < 0 oznacza, z·e stopa zysku akcji A reaguje na zmiany odwrotnie niz· rynek. Przypuśćmy, z·e chcemy oszacować linie¾ charakterystyczna¾ akcji na podstawie danych z przesz÷ ości. Za÷ óz·my, z·e dysponujemy danymi z n okresów. Oznaczmy: RA;i – stopa zysku akcji A w i-tym okresie, RM;i – stopa zysku indeksu rynku w i-tym okresie, RA –średnia arytmetyczna stóp zysku akcji A, RM –średnia arytmetyczna stóp zysku indeksu rynku. ¾ faktycznie osiagni ¾ et ¾ a¾ stopa¾ zysku akcji A w i-tym Wówczas róz·nica miedzy okresie a stopa¾ zysku wynikajac ¾ a¾ z równania (55) bedzie ¾ wynosi÷ a i := eA;i = RA;i A (56) ARM;i; gdzie eA;i oznacza wartość sk÷ adnika losowego wystepuj ¾ ac ¾ a¾ w i-tym okresie. Liczba i reprezentuje b÷ ad ¾ wynikajacy ¾ z zastosowania modelu jednowskaźnikowego do przewidzenia stopy zysku akcji A w i-tym okresie. Sensowny jest taki edy ¾ i (i = 1; :::; n) sa¾ moz·liwie wybór wspó÷ czynników A i A, przy którym b÷ najmniejsze (co do wartości bezwzglednej). ¾ Aby to uzyskać, wybieramy takie wartości A i A, dla których osiagni ¾ ete ¾ jest minimum funkcji n X i=1 2 i = n X i=1 RA;i A ARM;i 2 : (57) Jest to szczególny przypadek zadania minimalizacji funkcji (42) (metoda najmniejszych kwadratów). Stosujac ¾ wzory (52) dla xi = RM;i, yi = RA;i, otrzymujemy Pn RM )(RA;i RA) i=1 (RM;i ; Pn A= 2 ( R R ) M i=1 M;i A = RA A RM : (58) Powróćmy teraz do modelu (54). Z równania tego wynika nastepuj ¾ aca ¾ zalez·ność pomiedzy ¾ oczekiwanymi stopami zysku indeksu rynku oraz akcji A: (59) ERA = A + AERM (w dowodzie wykorzystujemy za÷ oz·enie, z·e EeA = 0). Za÷ óz·my teraz dodatkowo, z·e zmienne losowe eA i RM sa¾ nieskorelowane, to znaczy Cov(eA; RM ) = E [(eA 0) (RM ERM )] = 0: (60) Brak korelacji pomiedzy ¾ eA i RM oznacza, z·e dok÷ adność, z jaka¾ równanie (54) opisuje stope¾ zysku dowolnej akcji A, jest niezalez·na od zmian stopy zysku indeksu rynku. Przy tym za÷ oz·eniu z (54) wynika nastepuj ¾ acy ¾ wzór na wariancje¾ stopy zysku akcji A: Var RA = 2A Var RM + Var eA (61) (w dowodzie wykorzystujemy (60) oraz Twierdzenie 4 o wariancji sumy zmiennych losowych z cz. I wyk÷ adu). Zalez·ność (61) pokazuje, z·e ryzyko akcji A (mierzone za pomoca¾ wariancji), tzw. ryzyko ca÷ kowite, jest suma¾ nastepuj ¾ a¾ cych dwóch sk÷ adników: 2 Var R M A – ryzyko systematyczne (lub rynkowe) – zalez·y od ryzyka indeksu rynku oraz od wspó÷ czynnika beta, określajacego, ¾ w jakim stopniu stopa zysku akcji A reaguje na zmiany stopy zysku indeksu rynku; Var eA – ryzyko specy…czne (lub niesystematyczne) – jest to cześć ¾ ryzyka zwiazana ¾ tylko z dana¾ akcja¾ i nie zalez·aca ¾ od rynku. 8 Zadanie optymalizacji wielokryterialnej Niech S bedzie ¾ niepustym podzbiorem Rn i niech f : S ! Rp bedzie ¾ dana¾ funkcja¾ wektorowa. ¾ Zak÷ adamy, z·e przestrzeń Rp jest cześciowo ¾ uporzad¾ kowana w naturalny sposób, tzn. określona jest relacja (dla w; v 2 Rp) (w v ) , (w i vi; i = 1; :::; p) ; (62) która jest zwrotna, antysymetryczna i przechodnia. Rozwaz·amy zadanie optymalizacji wielokryterialnej w ogólnej postaci: ( f (x) ! min; x 2 S: (63) W praktyce zbiór S jest zwykle zde…niowany za pomoca¾ pewnego uk÷ adu równań i/lub nierówności. Mówimy, z·e punkt x 2 S jest punktem optymalnym w sensie Pareto (lub punktem efektywnym, lub punktem niezdominowanym) dla zadania (63), jez·eli nie istnieje x 2 S taki, z·e f i ( x) fi(x); i = 1; :::; p (64) oraz (65) f (x) 6= f (x): Uwaga. Jez·eli spe÷ nione sa¾ nierówności (64), to warunek (65) oznacza, z·e przynajmniej jedna z tych nierówności jest ostra. Sformu÷ ujemy teraz warunek równowaz·ny optymalności w sensie Pareto. Niech T Rp bedzie ¾ dowolnym niepustym zbiorem. Punkt y 2 T nazywamy punktem minimalnym zbioru T , jez·eli 8y 2 T : y y)y y: (66) Stwierdzenie 2. Punkt x 2 S jest optymalny w sensie Pareto dla zadania (63) wtedy i tylko wtedy, gdy f (x) jest punktem minimalnym zbioru f (S ). Omówimy teraz wybrane metody numeryczne rozwiazywania ¾ zadania (63), z uwzglednieniem ¾ ich moz·liwych zastosowań w analizie portfelowej. 9 Metoda Polaka dla zadania dwukryterialnego Celem tej metody jest skonstruowanie dyskretnej aproksymacji zbioru punktów optymalnych w sensie Pareto dla zadania (63) w przypadku, gdy p = 2. Zak÷ adamy, z·e zbiór S jest zwarty, a funkcja f jest ciag÷ ¾ a. Krok 1. Wyznaczyć liczby a := minff1(x) : x 2 Sg; b := f1(x); (67) gdzie x jest punktem w S spe÷ niajacym ¾ warunek f2(x) = minff2(x) : x 2 Sg (68) (jeśli takich punktów jest wiecej ¾ niz· jeden, to jako x przyjmujemy dowolny z nich). Krok 2. Dla dowolnie wybranego r 2 N wyznaczyć punkty dyskretyzacji (k) y1 := a + k b a r ; k = 0; 1; :::; r: (69) (k) Krok 3. Dla kaz·dego punktu dyskretyzacji y1 (k = 0; 1; :::; r) obliczyć rozwiazanie ¾ x(k) zadania optymalizacji z ograniczeniami 8 > > < f2(x) ! min; x 2 S; (70) > > : f (x) = y (k); 1 1 po czym przyjać ¾ (k) y2 := f2(x(k)); (0) (1) (71) k = 0; 1; :::; r: (r) (j) Krok 4. Z ciagu ¾ liczb y2 ; y2 ; :::; y2 usunać ¾ te liczby y2 (j = 1; :::; r), dla (j) (j 1) których y2 y2 . Wówczas pozosta÷ e liczby utworza¾ ciag ¾ ściśle malejacy ¾ (k0 ) y2 (k1 ) > y2 (k2 ) > y2 > ::: (72) Krok 5. Utworzyć zbiór skończony n x(k0); x(k1); x(k2); ::: o (73) z÷ oz·ony z punktów x(k) zwiazanych ¾ wzorem (71) z wybranymi liczbami (72). Zbiór ten jest szukana¾ aproksymacja¾ zbioru punktów optymalnych w sensie Pareto dla zadania (63). Natomiast zbiór punktów na p÷ aszczyźnie (k0 ) y1 (k0 ) ; y2 (k1 ) ; y1 (k1 ) ; y2 (k2 ) ; y1 (k2 ) ; y2 ::: jest aproksymacja¾ zbioru wszystkich punktów minimalnych obrazu f (S ). (74) Uwagi. (a) Im wieksza ¾ jest liczba r wybrana w kroku 2, tzn. im wiecej ¾ jest punktów dyskretyzacji, tym dok÷ adniejsza jest aproksymacja uzyskana w kroku 5. W przypadku, gdy rozwiazania ¾ zadań (70) nie sa¾ jednoznaczne, zbiór (73) moz·e nie pokrywać (z dok÷ adnościa¾ odpowiednia¾ do dyskretyzacji) ca÷ ego zbioru punktów optymalnych w sensie Pareto, ale mimo to zbiór (74) pokrywa z ta¾ dok÷ adnościa¾ zbiór punktów minimalnych f (S ). Tak wiec, ¾ chociaz· pewne punkty optymalne w sensie Pareto moga¾ zostać pominiete, ¾ to jednak zbiór (73) pozwala na dokonanie wyboru spośród wszystkich interesujacych ¾ dla uz·ytkownika kombinacji wartości obu kryteriów optymalności. (b) W krokach 1 i 3 nalez·y rozwiazać ¾ pewne zadania optymalizacji globalnej z pojedynczymi (skalarnymi) kryteriami optymalności. Istnienie rozwiazań ¾ tych zadań wynika z przyjetych ¾ za÷ oz·eń zwartości S i ciag÷ ¾ ości f . Pewna¾ przeszkoda¾ moz·e być fakt, z·e powszechnie stosowane metody optymalizacji wykorzystujace ¾ pochodne sa¾ zbiez·ne do punktów krytycznych, które niekoniecznie sa¾ rozwiaza¾ niami globalnymi (moga¾ być lub nawet nie być rozwiazaniami ¾ lokalnymi). W÷ aściwym sposobem postepowania ¾ w tej sytuacji jest albo stosowanie specjalnych metod optymalizacji globalnej (metody takie istnieja, ¾ ale sa¾ na ogó÷mniej znane), albo wykorzystanie szczególnych w÷ asności zbioru S i funkcji f w konkretnym zadaniu, co wyjaśnimy za chwile¾ na przyk÷ adzie modelu Markowitza. 9.1 Zastosowanie w analizie portfelowej Obecnie pokaz·emy, jak moz·na zastosować metode¾ Polaka do aproksymacji zbioru portfeli efektywnych w modelu podstawowym Markowitza (bez krótkiej sprzedaz·y). Poniewaz· w modelu tym minimalizujemy jedno kryterium (ryzyko) i maksymalizujemy drugie (oczekiwana¾ stope¾ zysku), wiec ¾ algorytm Polaka trzeba dostosować do tej sytuacji. Z drugiej strony, przyjete ¾ za÷ oz·enia dotyczace ¾ modelu pozwalaja¾ na uproszczenie algorytmu. Bedziemy ¾ pos÷ ugiwać sie¾ oznaczeniami wprowadzonymi w cz. I wyk÷ adu (§§ 29, 31, 38 i 39). W szczególności, odwzorowanie Markowitza określone wzorem M (u) := ( (u); ER(u)) przekszta÷ ca zbiór Pm Rm w przestrzeń R2, której elementy bedziemy ¾ oznaczać (x; y ). W tym przypadku zamiast relacji (62) rozwaz·amy w R2 relacje¾ [(x; y ) (^ x; y^)] , [(x x ^ ) ^ (y y^)]; (75) bed ¾ ac ¾ a¾ odpowiednikiem relacji Markowitza w zbiorze Pm. Jednak w odróz·nieniu od relacji Markowitza, relacja (75) jest antysymetryczna, a wiec ¾ wprowadza w R2 cześciowy ¾ porzadek. ¾ Zatem zbiór M 1(F ) portfeli efektywnych jest równy zbiorowi punktów optymalnych w sensie Pareto dla zadania dwukryterialnego postaci (63), gdzie S = Pm, a funkcja f : S ! R2 jest określona wzorem f (u) := ( (u); ER(u)). Przedstawimy teraz mody…kacje¾ algorytmu Polaka, która konstruuje dyskretna¾ aproksymacje¾ zbioru F . Krok 1. Wyznaczyć liczby a := ER(u); b := maxfER(u) : u 2 Pmg; (76) gdzie u jest portfelem minimalnego ryzyka, tj. spe÷ nia warunek (u) = minf (u) : u 2 Pmg: (77) (jeśli takich portfeli jest wiecej ¾ niz· jeden, to jako u przyjmujemy ten, dla którego liczba a jest najwieksza). ¾ Krok 2. Dla dowolnie wybranego r 2 N wyznaczyć punkty dyskretyzacji y (k) := a + k b a r ; k = 0; 1; :::; r: (78) Krok 3. Dla kaz·dego punktu dyskretyzacji y (k) (k = 0; 1; :::; r) obliczyć rozwiazanie ¾ u(k) zadania optymalizacji z ograniczeniami 8 > < (u) ! min; u 2 Pm ; > : ER(u) = y (k); (79) czyli znaleźć portfel minimalnego ryzyka dla oczekiwanej stopy zysku y (k), po czym przyjać ¾ x(k) := (u(k)); k = 0; 1; :::; r: (80) Zbiór skończony n u(0); u(1); :::; u(r) o jest aproksymacja¾ zbioru portfeli efektywnych M 1(F ) czony n (x(0); y (0)); (x(1); y (1)); :::; (x(r); y (r)) jest aproksymacja¾ jego obrazu F R2 . (81) Rm, a zbiór skońo (82) Uwagi. (a) Ze Stwierdzenia 14, cz. I, wynika, z·e przy za÷ oz·eniu dodatniej określoności macierzy kowariancji wektora stóp zysku, zadania optymalizacyjne (77) i (79) maja¾ jednoznaczne rozwiazania, ¾ a zatem do ich pe÷ nego rozwiazania ¾ wystarczy wyznaczenie minimów lokalnych. Podobnie, jeśli spe÷ nione jest za÷ oz·enie Stwierdzenia 16(c), cz. I (istnieje dok÷ adnie jedno i 2 f1; :::; mg takie, z·e i = yu), to zadanie maksymalizacji wystepuj ¾ ace ¾ w (76) ma jednoznaczne rozwiazanie. ¾ (b) Ze Stwierdzenia 18(b), cz. I, oraz z zawartej w jego dowodzie uwagi, z·e fmin jest ściśle rosnaca ¾ na [y 0; yu], wynika, z·e x(0) < x(1) < ::: < x(r); a zatem moz·na pominać ¾ krok 4 ogólnej wersji algorytmu. (83) 10 Zastosowanie algorytmów ewolucyjnych w analizie portfelowej 10.1 Relacje cześciowo ¾ porzadkuj ¾ ace ¾ Niech F bedzie ¾ dowolnym zbiorem. Relacje¾ określona¾ dla par elementów zbioru F nazywamy relacja¾ cześciowo ¾ porzadkuj ¾ ac ¾ a¾ (zbiór F ), jeśli jest ona (a) zwrotna: 8x 2 F : x x, (b) antysymetryczna: 8x; y 2 F : (x y^y x) ) (x = y ), (c) przechodnia: 8x; y; z 2 F : (x Wówczas pare¾ (F; y^y z ) ) (x z ). ) nazywamy zbiorem cześciowo ¾ uporzadkowanym. ¾ Relacje¾ określona¾ dla par elementów zbioru F nazywamy relacja¾ ściśle cześciowo ¾ porzadkuj ¾ ac ¾ a¾ (zbiór F ), jeśli jest ona (a) przeciwzwrotna: 8x 2 F : x x, (b) przeciwsymetryczna: 8x; y 2 F : (x (c) przechodnia: 8x; y; z 2 F : (x y ) ) (y y^y Uwaga. ×atwo sprawdzić, z·e jeśli relacja to jest przeciwsymetryczna. z ) ) (x x), z ). jest przeciwzwrotna i przechodnia, Stwierdzenie 3. Je· zeli okre´slona wzorem (x jest relacja¾ cze¾´sciowo porzadkuj ¾ ac ¾ a,¾ to relacja y ) : , (x y ^ x 6= y ) (84) jest relacja¾´sci´sle cze¾´sciowo porzadkuj ¾ ac ¾ a.¾ Jez·eli x; y 2 F i x y , to mówimy, z·e x dominuje nad y . Dwa róz·ne punkty x; y 2 F nazywamy porównywalnymi, jez·eli x y albo y x. W przeciwnym przypadku punkty te nazywamy nieporównywalnymi, co oznaczamy x k y. Jez·eli kaz·da para róz·nych punktów zbioru cześciowo ¾ uporzadkowanego ¾ (F; ) jest porównywalna, to (F; ) nazywamy zbiorem liniowo uporzadkowanym ¾ lub ÷ ańcuchem. Jez·eli kaz·da para róz·nych punktów zbioru cześciowo ¾ uporzad¾ kowanego (F; ) jest nieporównywalna, to (F; ) nazywamy anty÷ ańcuchem. Element x 2 F nazywamy elementem minimalnym zbioru cześciowo ¾ uporzad¾ kowanego (F; ), jez·eli nie istnieje takie x 2 F , z·e x x . Zbiór wszystkich elementów minimalnych oznaczamy Min(F; ). Zbiór Min(F; ) nazywamy zupe÷ nym, jez·eli dla kaz·dego x 2 F istnieje takie x 2 Min(F; ), z·e x x. Stwierdzenie 4. (a) Min(F; ) jest anty÷ a´ncuchem. (b) Je· zeli F jest sko´nczony, to Min(F; ) jest zupe÷ ny. Dowód. (a) Niech x; y 2 Min(F; ), x 6= y . Przypuśćmy, z·e x i y sa¾ porównywalne, np. x y . Jest to sprzeczne z za÷ oz·eniem, z·e y jest elementem minimalnym zbioru cześciowo ¾ uporzadkowanego ¾ (F; ). Zatem x k y , co dowodzi, z·e Min(F; ) jest anty÷ ańcuchem. Niech (F; ) bedzie ¾ zbiorem cześciowo ¾ uporzadkowanym, ¾ G dowolnym zbiorem i niech f : G ! F . Dla kaz·dego zbioru A G zbiór Minf (A; ) := fa 2 A : f (a) 2 Min(f (A); )g (85) zawiera te elementy ze zbioru A, których obrazy sa¾ elementami minimalnymi w przestrzeni obrazów f (A) = ff (a) : a 2 Ag. 10.2 Skończone ÷ ańcuchy Markowa Ciag ¾ zmiennych losowych fXtgt2N0 (gdzie N0 := N [ f0g) określonych na tej samej przestrzeni probabilistycznej ( ; F ; P ), o wartościach w skończonym zbiorze S (przestrzeni stanów) nazywamy (skończonym) ÷ ańcuchem Markowa, jez·eli dla kaz·dego t 2 N i kaz·dego ciagu ¾ s0; s1; :::; st 2 S spe÷ niony jest warunek P (Xt = stj Xt 1 = st 1; :::; X1 = s1; X0 = s0) = P (Xt = stj Xt 1 = st 1) ; o ile P (Xt 1 = st 1; :::; X1 = s1; X0 = s0) > 0. (86) Macierz P = [pij ]i;j2S nazywamy macierza¾ (wierszowo) stochastyczna, ¾ jez·eli wszystkie jej wyrazy sa¾ nieujemne oraz suma kaz·dego wiersza wynosi 1: pij 0 (8i; j 2 S ), X j2S pij = 1 (8i 2 S ): (87) Macierz stochastyczna¾ (t) = [ ij (t)]i;j2S nazywamy macierza¾ przejścia ÷ ańcucha Markowa fXtgt2N0 w t-tym kroku, t 1, jez·eli ij (t) (88) = P (Xt = jj Xt 1 = i) dla wszystkich j takich, z·e P (Xt 1 = j ) > 0. ańcuchem Markowa, to rozk÷ ad zmiennej losowej X0 Jez·eli fXtgt2N0 jest ÷ nazywamy rozk÷ adem poczatkowym. ¾ ×ańcuch Markowa nazywamy jednorodnym (w czasie), gdy istnieje macierz = [ ij ]i;j2S bed ¾ aca ¾ dla kaz·dego t jego macierza¾ przejścia w t-tym kroku. Wektor wierszowy w(t) = (wj (t))j2S ; gdzie wj (t) := P (Xt = j ); określa rozk÷ ad prawdopodobieństwa ÷ ańcucha Markowa w kroku t (89) 0. Stwierdzenie 5. Dla jednorodnego ÷ a´ncucha Markowa, przy t równo´sci w(t) = w(t 1) = w(0) t: Dowód. Oznaczajac ¾ j -ta¾ wspó÷ rzedn ¾ a¾ wektora w(t oraz uwzgledniaj ¾ ac ¾ (88) i (89), otrzymujemy (w (t 1) )j = = = X i2S X i2S X i2S w i (t 1 zachodza¾ 1) (90) przez (w(t 1) )j 1) ij P (Xt 1 = i)P (Xt = jj Xt 1 = i) P (Xt = j ^ Xt 1 = i) = P (Xt = j ) = wj (t); co dowodzi pierwszej równości w (90). Druga¾ równość otrzymujemy z pierwszej przez indukcje. ¾ Z (90) wynika, z·e jednorodny ÷ ańcuch Markowa jest ca÷ kowicie wyznaczony przez swój rozk÷ ad poczatkowy ¾ i macierz przejścia. Macierz stochastyczna¾ nazywamy nieredukowalna, ¾ jez·eli (t) 8i; j 2 S; 9t 2 N : ij > 0; gdzie t (t) = [ ij ]i;j2S : (91) Twierdzenie 3. Jednorodny sko´nczony ÷ a´ncuch Markowa z nieredukowalna¾ macierza¾przej´scia odwiedza ka· zdy stan niesko´nczenie wiele razy z prawdopodobie´nstwem 1, niezale· znie od rozk÷ adu poczatkowego. ¾ 10.3 Odleg÷ ość miedzy ¾ podzbiorami zbioru skończonego Stwierdzenie 6. Je· zeli G jest zbiorem sko´nczonym, to funkcja d(A; B ) := jA [ Bj jA \ Bj dla A; B G; (92) gdzie j j oznacza liczbe¾ elementów zbioru, jest metryka¾ w 2G. Dowód. Niech G = fg1; g2; :::; gN g i niech a = (a1; a2; :::; aN ) bedzie ¾ wektorem wskaźnikowym zbioru A, tzn. ai := ( 1; jez·eli gi 2 A; 0; jez·eli gi 2 =A (podobnie dla zbioru B ). Poniewaz· jA \ Bj = N X i=1 aibi oraz jA [ Bj = N X i=1 (ai + bi aibi); wiec ¾ d(A; B ) = = = N X i=1 N X i=1 N X i=1 (a i 2aibi + bi) [(1 bi)ai + (1 jai bij = ka ai)bi] bk1 : Wykazaliśmy w ten sposób, z·e d(A; B ) jest równe tzw. odleg÷ ości Hamminga pomiedzy ¾ wektorami a i b, która, co ÷ atwo sprawdzić, jest metryka. ¾ 10.4 Wprowadzenie do algorytmów genetycznych Algorytmy genetyczne naśladuja¾ procesy ewolucyjne obserwowane w przyrodzie. Konstrukcja tych algorytmów opiera sie¾ na sa¾ dwóch za÷ oz·eniach przyjetych ¾ w teorii ewolucji: 1. W procesie rozmnaz·ania sie¾ z·ywych organizmów nastepuje ¾ wymiana informacji genetycznych. 2. Od czasu do czasu, w wyniku zachodzacych ¾ mutacji, pojawiaja¾ sie¾ w przyrodzie z·ywe organizmy o cechach genetycznych istotnie róz·nych od cech pozosta÷ ych (z·yjacych ¾ wcześniej) organizmów. W klasycznym algorytmie genetycznym (zwanym takz·e prostym algorytmem genetycznym) osobniki (chromosomy) zakodowane sa¾ w postaci ÷ ańcuchów binarnych (tj. skończonych ciagów ¾ o ustalonej d÷ ugości z÷ oz·onych z zer i jedynek). Wiadomo, z·e w komputerze moz·na reprezentować tylko skończony podzbiór zbioru liczb rzeczywistych. Zatem algorytm genetyczny zawsze dzia÷ a na pewnym skończonym zbiorze osobników, zwanym przestrzenia¾ poszukiwa´n, który oznaczamy symbolem . Zak÷ adamy, z·e na jest określona funkcja przystosowania f : ! R spe÷ niajaca ¾ warunek f (x) > 0 dla kaz·dego x 2 : (93) Jeśli warunek (93) nie jest spe÷ niony, a funkcja f jest ograniczona z do÷ u, to spe÷ nienie tego za÷ oz·enia moz·na osiagn ¾ ać ¾ dodajac ¾ do f pewna¾ sta÷ a. ¾ W przypadku zadania minimalizacji moz·na jako funkcje¾ przystosowania wziać ¾ f (z dodana¾ ewentualnie pewna¾ sta÷ a). ¾ Parametrami algorytmu sa¾ prawdopodobieństwo krzyz·owania pc oraz prawdopodobieństwo mutacji pm, bed ¾ ace ¾ liczbami z przedzia÷ u [0; 1]. Poczatkow ¾ a¾ populacje¾ r osobników tworzymy w sposób losowy, tzn. losujemy kolejne bity kolejnych osobników. Osobniki (chromosomy) znajdujace ¾ sie¾ w aktualnej populacji oznaczamy v1; v2; :::; vr . Kolejne kroki klasycznego algorytmu genetycznego przedstawiaja¾ sie¾ nastepu¾ jaco ¾ (por. Z. Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs, Springer-Verlag, Berlin, 1992, str. 32–33). 1. (ocena populacji) Wyznaczyć wartości funkcji przystosowania dla wszystkich chromosomów: eval(vj ) := f (vj ); j = 1; :::; r: (94) 2. Obliczyć ca÷ kowite przystosowanie populacji, wyraz·ajace ¾ sie¾ wzorem: F := r X eval(vj ): (95) j=1 3. Obliczyć prawdopodobieństwo wyboru pj dla kaz·dego chromosomu vj (j = 1; :::; r) ze wzoru: pj := eval(vj ) : F (96) 4. Obliczyć prawdopodobieństwo skumulowane qj dla kaz·dego chromosomu vj (j = 1; :::; r) ze wzoru: qj := j X l=1 pl : (97) 5. (proces selekcji polegajacy ¾ na r-krotnym uruchomieniu „ko÷ a ruletki”) Wykonać r razy nastepuj ¾ ace ¾ czynności: (a) Wygenerować losowa¾ liczbe¾ zmiennopozycyjna¾ z 2 [0; 1]. (b). Jeśli z q1, to wybrać pierwszy chromosom v1. W przeciwnym razie, jeśli qj 1 < z qj , przy czym 2 j r, to wybrać chromosom vj . [Uwaga. Prawdopodobieństwo wyboru osobnika jest proporcjonalne do jego przystosowania. Te same osobniki moga¾ być wybierane wielokrotnie. Otrzymana¾ w ten sposób populacje¾ nazywamy populacja¾ po´srednia.] ¾ 6. (wybór chromosomów do krzyz·owania) Dla kaz·dego chromosomu z populacji pośredniej wykonać nastepuj ¾ ace ¾ czynności: (a) Wygenerować losowa¾ liczbe¾ zmiennopozycyjna¾ z 2 [0; 1]. (b) Jeśli z pc, to wybrać dany chromosom do krzyz·owania. [Uwaga. Oczekiwana ilość chromosomów wybranych w ten sposób wynosi rpc.] 7. Jeśli ilość chromosomów wybranych w kroku 6 jest parzysta, to po÷ aczyć ¾ je losowo w pary. W przeciwnym razie do÷ aczyć ¾ losowo jeden chromosom do grupy wybranych lub usunać ¾ losowo jeden chromosom. 8. (krzyz·owanie) Dla kaz·dej pary chromosomów otrzymanej w kroku 7 wygenerować losowa¾ liczbe¾ ca÷ kowita¾ s 2 f1; ::m 1g. Liczba ta wskazuje pozycje¾ punktu krzyz·owania. Nastepnie ¾ wykonać krzyz·owanie zgodnie z regu÷ a: ¾ (a1:::asas+1:::am) (a1:::asbs+1:::bm) ! (b1:::bsbs+1:::bm) (b1:::bsas+1:::am) (98) 9. (mutacja) Dla kaz·dego chromosomu w aktualnej populacji po krzyz·owaniu i dla kaz·dego bitu w chromosomie wykonać nastepuj ¾ ace ¾ czynności: (a) Wygenerować losowa¾ liczbe¾ zmiennopozycyjna¾ z 2 [0; 1]. (b) jeśli z pm, to zmutować dany bit (tzn. zmienić 0 na 1 lub odwrotnie). [Uwaga. Oczekiwana ilość zmutowanych bitów w pojedynczym chromosomie wynosi rmpm.] 10. Jeśli nie jest spe÷ nione kryterium zatrzymania, to przejść do kroku 1. [Uwaga. Kryterium zatrzymania moz·e mieć róz·ne formy, np. moz·e być to ustalona z góry ilość iteracji albo pewne kryterium probabilistyczne.] 10.5 Algorytm van Veldhuizena Niech G bedzie ¾ skończona¾ przestrzenia¾ poszukiwań i niech f : G ! F bedzie ¾ minimalizowana¾ funkcja, ¾ przy czym F = ff (x) : x 2 Gg oraz (F; ) jest zbiorem cześciowo ¾ uporzadkowanym. ¾ Celem poszukiwania ewolucyjnego jest wykrycie moz·liwie najwiekszej ¾ ilości elementów zbioru Min(F; ). Zak÷ ada sie, ¾ z·e przedstawiony poniz·ej algorytm zawiera procedure¾ o nazwie nowa_populacja, która przekszta÷ ca skończony podzbiór zbioru G w inny jego skończony podzbiór. Procedura ta moz·e być niedeterministyczna i moz·e wykorzystywać operatory genetyczne (jak krzyz·owanie i mutacja), a takz·e selekcje¾ pewnych elementów na podstawie wartości funkcji f osiaganych ¾ na tych elementach. Algorytm VV Wybrać losowo populacje¾ poczatkow ¾ a¾ B0 2 Gn A0 := Minf (B0; ) t := 0 repeat Bt+1 := nowa_populacja (Bt) At+1 := Minf (At [ Bt+1; t t+1 until (warunek zatrzymania) ) Niech Z; Z0; Z1; ::: bed ¾ a¾ zmiennymi losowymi o wartościach rzeczywistych określonymi na tej samej przestrzeni probabilistycznej ( ; F ; P ). Mówimy, z·e ciag ¾ fZtgt2N0 jest zbiez·ny z prawdopodobieństwem 1 do zmiennej losowej Z , jez·eli P lim jZt t!1 Zj = 0 = 1: (99) Sformu÷ ujemy teraz twierdzenie o zbiez·ności algorytmu VV. Twierdzenie 4. Niech F := Min(F; ). Je· zeli ciag ¾ fBtgt2N0 jest jednorodnym sko´nczonym ÷ a´ncuchem Markowa z nieredukowalna¾ macierza¾ przej´scia, to d(f (At); F ) ! 0 z prawdopodobie´nstwem jeden przy t ! 1. 10.6 Algorytm Agapie i Rudolpha Algorytm VV ma te¾ wade, ¾ z·e rozmiar zbiorów At rośnie wraz z t az· do osiagni ¾ ecia ¾ rozmiaru zbioru wszystkich elementów minimalnych. Jeśli ten ostatni rozmiar jest bardzo duz·y, to algorytmu VV nie daje sie¾ stosować w praktyce. Poniz·ej przedstawimy mody…kacje¾ algorytmu VV pozbawiona¾ tej wady. Tutaj r = jBtj jest sta÷ ym rozmiarem populacji, a m oznacza maksymalny rozmiar zbiorów At, przy czym m r. Funkcja draw(k; C ) zwraca zbiór co najwyz·ej k róz·nych elementów zbioru C , wylosowanych dowolna¾ metoda. ¾ Algorytm AR. Wybrać losowo populacje¾ poczatkow ¾ a¾ B0 2 Gr A0 := Minf (B0; ) t := 0 repeat Bt+1 := nowa_populacja (Bt) Bt+1 := Minf (Bt+1; Ct := ; ) for_each b 2 Bt+1 do Db := fa 2 At : f (b) if Db 6= ; then At f (a )g (AtnDb) [ fbg if 8a 2 At : f (a) k f (b) then Ct end_for k := minfm jAtj ; jCtjg At+1 := At [ draw(k; Ct) t t+1 until (warunek zatrzymania) Ct [ fbg Dla dowolnych zbiorów skończonych A; B B (A) := jAj F de…niujemy funkcje¾ jA \ Bj : Funkcja ta podaje ilość tych elementów zbioru A, które nie nalez·a¾ do B . Podane poniz·ej twierdzenie o zbiez·ności algorytmu AR wykorzystuje te¾ funkcje. ¾ Twierdzenie 5. Niech F := Min(F; ). Je· zeli ciag ¾ fBtgt2N0 jest jednorodnym sko´nczonym ÷ a´ncuchem Markowa z nieredukowalna¾ macierza¾ przej´scia, to F (f (At)) ! 0 oraz jAtj ! min fm; jF jg z prawdopodobie´nstwem jeden przy t ! 1. 10.7 Wartość zagroz·ona Wartość zagroz·ona jest jedna¾ z miar ryzyka portfela inwestycyjnego. Dla zmiennej losowej X : ! R na przestrzeni probabilistycznej ( ; F ; P ) de…niujemy wartość zagroz·ona¾ (value at risk) na poziomie 2 (0; 1) nastepuj ¾ aco: ¾ VaR (X ) := inf fm 2 R : P (X + m < 0) g: (100) Interpretacja tego wzoru jest nastepuj ¾ aca: ¾ jez·eli X jest wartościa¾ zysku z portfela inwestycyjnego (nie stopa¾ zysku, ale wartościa¾ bezwzgledn ¾ a¾ zysku, tj. róz·nica¾ Kk Kp miedzy ¾ kapita÷ em końcowym a poczatkowym), ¾ a ma÷ a¾ liczba, ¾ to VaR (X ) jest najmniejsza¾ wielkościa¾ dodatkowego kapita÷ u, jaki musimy przyjać ¾ jako zabezpieczenie tego portfela, aby mieć zagwarantowane z prawdopodobieństwem 1 , z·e zabezpieczenie pokryje nam strate¾ (tzn. strata z portfela, równa X , nie przekroczy m). Liczbe¾ nazywamy poziomem tolerancji, a liczbe¾ 1 poziomem ufności. Inaczej mówiac, ¾ VaR jest to najmniejsza strata wartości taka, z·e prawdopodobieństwo jej przekroczenia w danym okresie jest nie wieksze ¾ niz· zadany poziom tolerancji . Przyk÷ ad 2. (przybliz·one wyznaczanie VaR na podstawie danych historycznych). Za÷ óz·my, z·e inwestor posiada 20 000 $ zainwestowane w fundusz indeksu S&P 500, zatem jego zyski bed ¾ a¾ zyskami tego funduszu. Potrzebne jest oszacowanie VaR dla okresu 24 godzin i poziomu ufności 95% (tzn. dla = 0; 05). Do oszacowania VaR uz·yto 1000 codziennych notowań stopy zysku indeksu S&P 500 dla okresu kończacego ¾ sie¾ 4.03.2003 r. Poniewaz· 5% z liczby 1000 wynosi 50, wiec ¾ do przybliz·enia liczby VaR0;05 moz·e pos÷ uz·yć 50-ta od do÷ u dzienna stopa zysku, która wynosi 0; 0227. Inaczej mówiac, ¾ dzienna stopa zysku 0; 0227 lub mniejsza wystapi÷ ¾ a w 5% przypadków w danych historycznych, zatem moz·emy oszacować, z·e jest szansa 5% na zysk tej wielkości lub mniejszy w ciagu ¾ nastepnej ¾ doby. Zysk o stopie 0; 0227 z kapita÷ u 20 000 $ daje ujemny dochód 454 $, zatem oszacowana wartość zagroz·ona wynosi VaR0;05 = 454 $. Ogólnie, VaR przybliz·a sie¾ poprzez dolny -kwantyl z próby danych historycznych. Za÷ óz·my, z·e próba ta sk÷ ada sie¾ z n notowań stóp zysku R1; :::; Rn. Niech k bedzie ¾ liczba¾ n zaokraglon ¾ a¾ do najbliz·szej liczby naturalnej. Uporzad¾ kujmy liczby R1; :::; Rn w kolejności rosnacej: ¾ R1:n R2:n ::: Rn:n: (101) Wówczas dolnym -kwantylem z próby (R1; :::; Rn) nazywamy k-ty najmniejszy zysk, czyli Rk:n. Liczbe¾ te¾ nazywamy takz·e statystyka¾ porzadkow ¾ a¾ k-tego rzedu ¾ z próby (R1; :::; Rn) i oznaczamy R(k). Wówczas, jeśli S jest zainwestowanym kapita÷ em poczatkowym, ¾ to VaR = S R(k): (102) Przyk÷ ad 3. Dwie korporacje C1 i C2 sprzedaja¾ obligacje. Dla kaz·dej z tych korporacji prawdopodobieństwo jej bankructwa w rozpatrywanym okresie wynosi 0; 04. Bankructwo jednej korporacji jest niezalez·ne od bankructwa drugiej. Stopa zysku z inwestycji w obligacje korporacji Ci wynosi Ri = ( 0; gdy Ci nie zbankrutuje, 1; gdy Ci zbankrutuje. W drugim przypadku tracimy ca÷ a¾ zainwestowana¾ kwote¾ (jest to model uproszczony, nie uwzgledniaj ¾ acy ¾ dochodu z odsetek z obligacji). Niech Y bedzie ¾ zmienna¾ losowa, ¾ której wartościa¾ jest ilość korporacji, które zbankrutowa÷ yw rozwaz·anym okresie. Dla wyznaczenia rozk÷ adu tej zmiennej pos÷ uz·ymy sie¾ schematem Bernoulliego przy n = 2 (liczba prób) z prawdopodobieństwami „sukcesu” (bankructwo) p = 0; 04 i „poraz·ki” (brak bankructwa) q = 0; 96: 2 (0; 04)0(0; 96)2 = 0; 9216; 0 2 P (Y = 1) = (0; 04)1(0; 96)1 = 0; 0768; 1 2 P (Y = 2) = (0; 04)2(0; 96)0 = 0; 0016: 2 Niech Pi bedzie ¾ portfelem obligacji korporacji Ci o wartości poczatkowej ¾ 1000 $ (i = 1; 2). Za÷ óz·my, z·e wymagany poziom tolerancji wynosi = 0; 05. Wykaz·emy, z·e P (Y = 0) = VaR (P1 + P2) = 1000: (103) Istotnie, niech X bedzie ¾ zyskiem z portfela P1 + P2. Dla m = 1000, mamy P (X + 1000 < 0) = P (X < 1000) = P (Y = 2) = 0; 0016 < : Natomiast dla dowolnej wartości m < 1000 mamy P (X + m < 0) = P (X < m) = P (Y = 1) + P (Y = 2) = 0; 0768 + 0; 0016 = 0; 0784 > : Stad ¾ na podstawie (100) otrzymujemy (103). Tymczasem VaR (Pi) = 0, i = 1; 2; (104) poniewaz· prawdopodobieństwo bankructwa pojedynczej korporacji jest mniejsze od . Z równości (103) i (104) otrzymujemy VaR (P1 + P2) > VaR (P1) + VaR (P2); (105) co dowodzi, ze funkcja VaR nie jest subaddytywna. Subaddytywność mia÷ aby miejsce, gdyby w warunku (105) zachodzi÷ a nierówność “ ”. Subaddytywność jest w÷ asnościa, ¾ która umoz·liwia decentralizacje¾ zarzadzania ¾ ryzykiem: np. jeśli poszczególne sk÷ adniki portfela inwestycyjnego sa¾ zarzadzane ¾ przez róz·ne oddzia÷ y tego samego banku, to mamy gwarancje, ¾ z·e ryzyko ca÷ ego portfela nie przekroczy sumy ryzyk poszczególnych sk÷ adników. 10.8 Problem wielokryterialny zwiazany ¾ z ryzykiem banku Informacje zawarte w tym podrozdziale pochodza¾ z pracy: F. Schlottmann, A. Mitschele, D. Seese, A multi-objective approach to integrated risk management, EMO 2005, LNCS 3410 (2005), 692–706. Rodzaje ryzyka, z którym ma do czynienia bank: 1. Ryzyko rynkowe, wynikajace ¾ z ruchu cen instrumentów …nansowych, np. zmian stopy procentowej, cen akcji lub kursów walut. Charakteryzuje sie¾ krótkim horyzontem czasowym (np. 1 dzień). 2. Ryzyko kredytowe –ryzyko utraty dochodów przez bank z powodu niewyp÷ acalności d÷ uz·ników (…rm lub osób prywatnych zaciagaj ¾ acych ¾ kredyty). Charakteryzuje sie¾ d÷ ugim horyzontem czasowym (np. 1 rok). 3. Ryzyko operacyjne – ryzyko strat wywo÷ anych niew÷ aściwymi procedurami stosowanymi przez bank, b÷ edami ¾ ludzi i systemów informatycznych oraz zewnetrznymi ¾ przypadkami losowymi. Sformu÷ owanie problemu. Rozwaz·amy przestrzeń poszukiwań (tzw. uniwersum) z÷ oz·ona¾ z n 2 N moz·liwości inwestowania (sa¾ to instrumenty …nansowe lub ich klasy). Kaz·dy portfel sk÷ adajacy ¾ sie¾ z podzbioru tych moz·liwości jest reprezentowany przez wektor n-wymiarowy (106) x = (x1; x2; :::; xn) spe÷ niajacy ¾ warunki xi 2 [0; 1] (8i 2 f1; :::; ng); n X xi = 1 : (107) i=1 Kaz·da zmienna decyzyjna xi reprezentuje udzia÷procentowy aktualnego kapita÷ u banku, który jest inwestowany w instrument …nansowy i. W rozwaz·anym problemie wielokryterialnym wystepuj ¾ a¾ 4 kryteria optymalności (funkcje celu): 1. Oczekiwana stopa zysku portfela, dana wzorem ret(x) := n X xi r i ; (108) i=1 gdzie ri jest oczekiwana¾ stopa¾ zysku z inwestycji w instrument i. 2. Ryzyko rynkowe portfela (Market Value at Risk): mr(x) := MVaR(x): (109) 3. Ryzyko kredytowe portfela (Credit Value at Risk): cr(x) := CVaR(x): (110) 4. Ryzyko operacyjne or(x) := n X xi i ; (111) i=1 gdzie i jest wartościa¾ specy…czna¾ dla danego rodzaju inwestycji. Kryterium 1 jest maksymalizowane, podczas gdy kryteria 2–4 sa¾ minimalizowane. Do rozwiazania ¾ tego problemu zastosowano algorytm opisany w nastepnym ¾ podrozdziale. 10.9 Algorytm genetyczny NSGA-II Pe÷ na nazwa tego algorytmu to Nondominated Sorting Genetic Algorithm II. Autorami sa¾ K. Deb, A. Pratap, S. Agarwal i T. Meyarivan (2000 r.) Celem algorytmu jest rozwiazanie ¾ zadania optymalizacji wielokryterialnej (63). Algorytm moz·na podzielić na kilka procedur, które opiszemy oddzielnie. Procedura szybkiego niezdominowanego sortowania populacji Procedura FNDS(P ) (skrót pochodzi od Fast NonDominated Sorting) sortuje skończony (cześciowo ¾ uporzadkowany ¾ przez relacje¾ ) zbiór elementów, przydzielajac ¾ elementy do kolejnych niezdominowanych frontów Fi, i = 1; 2; ::: Do pierwszego frontu F1 zalicza sie¾ niezdominowane elementy zbioru P –otrzymuja¾ one range¾ (ang. rank) równa¾ 1. Do drugiego frontu F2 zalicza sie¾ niezdominowane elementy zbioru P nF1 – otrzymuja¾ one range¾ 2, itd. Dla kaz·dego elementu p 2 P procedura oblicza: 1) licznik niezdominowania np – ilość elementów zbioru P , które dominuja¾ nad p; 2) zbiór Sp z÷ oz·ony z elementów zbioru P zdominowanych przez p. Opis procedury FNDS(P ): F1 := ; dla kaz·dego p 2 P Sp := ;, np := 0 dla kaz·dego q 2 P jez·eli p q to Sp := Sp [ fqg w przeciwnym przypadku jez·eli q p to np := np + 1 jez·eli np = 0 to prank := 1, F1 := F1 [ fpg i := 1 jez·eli Fi 6= ; to Q := ; dla kaz·dego p 2 Fi dla kaz·dego q 2 Sp nq := nq 1 jez·eli nq = 0 to qrank := i + 1, Q := Q [ fqg i := i + 1, Fi := Q Procedura przypisywania odleg÷ ości st÷ oczenia Aby otrzymać oszacowanie gestości ¾ rozwiazań ¾ nalez·acych ¾ do danego niezdominowanego frontu (w pobliz·u ustalonego rozwiazania), ¾ oblicza sie¾ tzw. odleg÷ ość st÷ oczenia (crowding distance) dla danego rozwiazania. ¾ Jest to odleg÷ ość punktów sasiednich, ¾ po÷ oz·onych najbliz·ej danego rozwiazania. ¾ Odleg÷ ość ta jest wyraz·ona jako suma odleg÷ ości liczonych wzd÷ uz· poszczególnych osi wspó÷ rzed¾ nych w przestrzeni obrazów. Odleg÷ ość wzd÷ uz· m-tej osi jest proporcjonalna do róz·nicy wartości m-tego kryterium optymalności. Procedura CDA(F ) (Crowding Distance Assignment) oblicza wspomniane odleg÷ ości dla wszystkich elementów danego frontu F . Celem jest eliminacja niektórych rozwiazań ¾ nalez·a¾ cych do F , po÷ oz·onych tam, gdzie sa¾ one bardziej zageszczone. ¾ W zwiazku ¾ z tym rozwiazania ¾ o wyz·szej wartości odleg÷ ości st÷ oczenia maja¾ wieksze ¾ prawdopodobieństwo przejścia do nastepnej ¾ populacji. Rozwiazania ¾ krańcowe (tj. pierwsze i ostatnie w sensie ustalonego kryterium) otrzymuja¾ odleg÷ ość +1 po to, aby by÷ y zawsze wybierane. Opis procedury CDA(F ): l := jF j (ilość elementów zbioru F ) dla kaz·dego i 2 f1; :::; lg F [i]dist := 0 (inicjalizacja odleg÷ ości) dla kaz·dego kryterium m 2 f1; :::; pg F := Sort(F; m) (sortowanie w kolejności rosnacych ¾ wartości fm) F [1]dist = F [l]dist := +1 dla kaz·dego i 2 f2; :::; l 1g fm(F [i + 1]) F [i]dist := F [i]dist + fm(F [l]) fm(F [i 1]) fm(F [1]) Procedura tworzenia nowej populacji Procedura MNP(P ) (Make New Population) tworzy nowa¾ populacje¾ Q (o tym samym rozmiarze N ) z populacji P , uz·ywajac ¾ operacji selekcji turniejowej, krzyz·owania i mutacji. Krzyz·owanie i mutacja dzia÷ aja¾ tak samo jak w klasycznym algorytmie genetycznym. Selekcja turniejowa dzia÷ a nastepuj ¾ aco. ¾ Za÷ óz·my, z·e kaz·dy element i populacji P posiada dwa atrybuty: 1) range¾ niezdominowania irank 2) odleg÷ ość st÷ oczenia idist Wówczas de…niujemy relacje¾ nastepuj ¾ aco: ¾ j , (irank < jrank) _ [(irank = jrank) ^ (idist > jdist)] Selekcja turniejowa polega na wylosowaniu dwóch elementów i; j 2 P i porównaniu ich za pomoca¾ relacji . Jeśli i j , to element i wygrywa turniej i przechodzi do populacji pośredniej, która nastepnie ¾ poddawana jest krzyz·owaniu i mutacji. Jeśli relacja zachodzi w druga¾ strone, ¾ to turniej wygrywa element j . Jeśli relacja nie zachodzi w z·adna¾ strone¾ (tzn. elementy sa¾ nieporównywalne), to zwyciezca ¾ turnieju jest losowany. Proces selekcji powtarzamy tak d÷ ugo, az· wype÷ ni sie¾ populacja pośrednia. i Opis algorytmu NSGA-II 1. t := 0 2. Rt := Pt [ Qt 3. F := FNDS(Rt) (F = (F1; F2; :::)) 4. Pt+1 := ;, i := 1 5. jez·eli jPt+1j + jFij < N to CDA(Fi) Pt+1 := Pt+1 [ Fi, i := i + 1 6. Fi := Sort(Fi; ) (sortowanie w kolejności malejacej ¾ wed÷ ug 7. Pt+1 := Pt+1 [ Fi[1 : (N jPt+1j) elementów Fi) jPt+1j)] ) (do÷ aczenie ¾ pierwszych (N 8. Qt+1 :=MNP(Pt+1), t := t + 1 9. Jeśli nie jest spe÷ nione kryterium zatrzymania, to przejść do kroku 2. Uwaga. Dla t = 0 krok 2 wykonywany jest nastepuj ¾ aco. ¾ Najpierw tworzona jest losowo poczatkowa ¾ populacja rodziców P0. Nastepnie ¾ jest ona sortowana pod wzgledem ¾ niezdominowania (tzn. wykonuje sie¾ procedure¾ FNDS(P0)). Później generuje sie¾ populacje¾ potomków Q0 za pomoca¾ selekcji turniejowej. W odróz·nieniu od nastepnych ¾ kroków, tutaj przy selekcji turniejowej wykorzystuje sie¾ tylko range¾ niezdominowania, poniewaz· odleg÷ ości st÷ oczenia nie sa¾ jeszcze wyznaczone. 11 Ryzyko papieru wartościowego (koncepcja negatywna) Jeśli ryzyko rozwaz·ane jest w kategoriach zagroz·enia, to pod uwage¾ bierze sie¾ tylko ujemne odchylenia od oczekiwanej stopy zysku. Wówczas zamiast wariancji rozwaz·a sie¾ semiwariancje¾ stopy zysku określona¾ nastepuj ¾ aco: ¾ SV := n X pid2i ; i=1 gdzie di := ( Ri 0; ER; gdy Ri gdy Ri ER < 0; ER 0; Ri – stopa zysku wystepuj ¾ aca ¾ w i-tej sytuacji, pi – prawdopodobieństwo wystapienia ¾ i-tej sytuacji, ER –oczekiwana stopa zysku z inwestycji, dana wzorem P ER := n i=1 piRi. Odpowiednikiem odchylenia standardowego jest semiodchylenie standardowe stopy zysku: p s := SV :