Optimering för en enskild period

Det finns två funktioner för att köra optimering: optimize.portfolio() och optimize.portfolio.rebalancing(). Den här övningen fokuserar på optimering för en enskild period, och nästa övning använder optimize.portfolio.rebalancing() för optimering med periodisk ombalansering. optimize.portfolio() stöder optimering för en enskild period. Viktiga argument är R för avkastningsdata, portfolio för portföljspecifikationsobjektet och optimize_method för att ange vilken optimeringsmetod som ska användas för att lösa problemet. I många fall är det praktiskt att ange trace = TRUE för att lagra ytterligare information för varje iteration av optimeringen.

Följande optimeringsmetoder stöds:

• DEoptim: Differentiell evolution
• random: Slumpmässiga portföljer
• GenSA: Generaliserad simulerad nedkylning
• pso: Partikelsvärmsoptimering
• ROI: R Optimization Infrastructure för linjära och kvadratiska programmeringslösare

Valet av optimeringsmetod bör baseras på typen av problem du löser. Ett problem som kan formuleras som ett kvadratiskt programmeringsproblem bör till exempel lösas med en kvadratisk programmeringslösare, medan ett icke-konvext problem bör lösas med en global lösare som DEoptim.

I den här övningen definierar vi portföljoptimeringsproblemet för att maximera genomsnittlig avkastning och minimera portföljens standardavvikelse med ett riskbudget baserat på standardavvikelse, där den lägsta procentuella risken är 5 % och den högsta är 10 %, med krav på full investering och enbart långa positioner. Riskbudgetmålet kräver en global lösare, så vi löser problemet med slumpmässiga portföljer. Uppsättningen slumpmässiga portföljer, rp, genereras med 500 permutationer i den här övningen.