155. Portföy Optimizasyonu (Ortalama–Varyans)
Analiz kimliği: portfoy_optimizasyonu · Menü adı: Portföy Optimizasyonu (Markowitz) · Panel: gui/panels/analyses/portfoy_optimizasyonu_panel.py · Motor: stats/portfoy_optimizasyonu.py, run_portfoy (satır 335–); eşit etkin küme çözücüsü qp_coz (154–175), _kkt_cilala (106–151); teğet portföy teget_portfoy (216–296); risk paritesi risk_paritesi (299–316); Ledoit–Wolf ledoit_wolf (319–332)
155.1 Ne işe yarar
Markowitz'in (1952) ortalama–varyans modeli, belirli bir getiri için en küçük riskli (en küçük varyanslı) varlık ağırlıklarını bulur. Analiz beş portföyü hesaplar:
- Asgari varyans (GMV): tüm portföyler içinde en küçük riskli.
- Teğet (en büyük Sharpe): risksiz varlık üzerinden çekilen doğrunun etkin sınıra teğet olduğu portföy.
- Hedef getirili: verilen getiri için en küçük riskli.
- Risk paritesi: her varlığın toplam riske katkısı eşit.
- Eşit ağırlık: 1/n.
Ayrıca etkin sınır noktalarını ve risk katkılarını verir.
- w: ağırlık vektörü; \mu: yıllık beklenen getiri vektörü; \Sigma: yıllık kovaryans matrisi.
- \ell,u: ağırlık alt ve üst sınırları; kısa satış yasaksa \ell=0.
Ne zaman kullanılır? Birkaç varlıktan oluşan bir sepette risk–getiri dengesini görmek, etkin sınırı çizmek, kısa satış ve ağırlık sınırlarının etkisine bakmak.
Ne zaman kullanılmaz?
- Geçmiş ortalama getiriyi gelecekteki beklenen getiri olarak kullanmak istemiyorsanız: yöntem tahmin hatasına çok duyarlıdır; risk paritesi ya da Ledoit–Wolf kovaryansı daha dayanıklıdır.
- Gerçek portföyün geçmiş performansını ölçecekseniz: Yatırım Performans Ölçüleri (156).
- Risk ölçüsü olarak varyans yerine kuyruk riski isteniyorsa: Riske Maruz Değer ve Beklenen Kayıp (157).
Sık karıştırılan analizler. Etkin sınır geçmiş verilerden hesaplanan bir tahmindir; geleceği garanti etmez. Performans ölçüleri (156) var olan bir portföyü değerlendirir.
155.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Ortalama ve kovaryans kararlı | Geçmiş, geleceği temsil eder. | Denetlenmez. |
| Kovaryans tersinir | \Sigma tekil değil. | Tekilse kov_tekil hatası; Ledoit–Wolf bunu giderir. |
| İzinli bir portföy var | Sınırlar çelişmez, \sum\ell\le1\le\sum u. | Aksi halde hata. |
| Getiriler aynı periyotta | Haftalık, aylık gibi. | "Yılda dönem sayısı" girilir. |
Eksik değer. Eksik getirili satırlar atılır ve atılan sayı raporlanır (n_atilan). Uç durumlar: logaritmik getiriler önce basit getiriye çevrilir (portföy getirisi basit getirilerin ağırlıklı toplamıdır); sabit seri ya da varlık sayısı yetersizse hata verilir.
155.3 Parametreler
Varsayılanlar portfoy_optimizasyonu_panel.py içindeki read_options kodundan okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Varlıklar | — | Getiri sütunları. | — |
| Veri türü, birim | Basit, oran | Basit ya da logaritmik; oran ya da yüzde. | Logaritmik önce basite çevrilir. |
| Yılda dönem sayısı | 12 | 12 aylık, 52 haftalık, 252 günlük. | \mu ve \Sigma ölçeği. |
| Risksiz oran | 0 | Yıllık. | Teğet portföy ve Sharpe. |
| Kısa satış | Yasak | Yasak (w\ge0) ya da izinli. | Çözüm yöntemi. |
| Alt, üst sınır | boş | Her varlık için ağırlık sınırları. | Etkin küme. |
| Kovaryans kestiricisi | Örnek | Örnek (n-1) ya da Ledoit–Wolf (n). | \Sigma. |
| Hedef getiri | boş | Yıllık hedef, virgüllü ondalık da olur. | Hedef getirili portföy. |
| Risk paritesi | açık | Ek portföy. | — |
| Risk bütçesi | boş | Varlık başına risk payı. | Risk paritesi. |
| Etkin sınır nokta sayısı | 40 | Sınır çözünürlüğü. | — |
155.4 Veri örneği
Tıp veri setinde varlık getirisi bulunmadığından, Dow Jones 30 hisselerinin haftalık log getirileri kullanılır (R rugarch paketindeki dji30retw verisi; MerQur test klasöründe tests/data/fin_dji30retw.csv; 1987–2009; n=1141): yedi hisse AA, AXP, BA, GE, HPQ, IBM, T. Soru: bu sepette asgari varyanslı, teğet ve hedef getirili portföyler hangi ağırlıklara sahip? Ayarlar: log getiri, \text{ppy}=52, risksiz oran 0{,}02, kısa satış yasak, hedef 0{,}13.
155.5 Formüller ve hesap adımları
155.5.1 Girdiler
\mu=\bar R\cdot\text{ppy} (aritmetik ortalama), \Sigma=\widehat{\mathrm{Cov}}(R)\cdot\text{ppy} (örnek kovaryansı, n-1 paydalı). Ledoit–Wolf seçilirse \widehat\Sigma_{LW}=(1-\delta)\widehat\Sigma+\delta\,\bar v I (hedef: ölçeklenmiş birim matris; merkezlenmiş veri, n paydalı; Ledoit ve Wolf, 2004).
155.5.2 Kısa satış serbest: kapalı formüller
A=\mathbf 1'\Sigma^{-1}\mathbf 1, B=\mathbf 1'\Sigma^{-1}\mu, C=\mu'\Sigma^{-1}\mu, D=AC-B^2 (Merton, 1972):
155.5.3 Kısa satış yasak ya da sınırlı
İkinci dereceden program bu modülde yazılmış etkin-küme (KKT) çözücüsüyle çözülür (dış bir ikinci dereceden program paketi kullanılmaz). Başlangıç noktası scipy SLSQP çözümüdür; sonuç KKT koşullarıyla (negatif olmayan çarpanlar, sınırlar içinde) doğrulanıp keskinleştirilir (qp_coz, _kkt_cilala). Teğet portföy sınırlıysa etkin sınır üzerinde tek boyutlu arama ve etkin kümede kapalı formülle cilalama yapar (teget_portfoy).
155.5.4 Risk paritesi
Risk katkısı RC_i=w_i(\Sigma w)_i/(w'\Sigma w); hedef RC_i=b_i (varsayılan b_i=1/n). Koordinat inişiyle çözülür; yalnız pozitif ağırlıklar kestirilir ve ağırlık sınırları dikkate alınmaz (Maillard, Roncalli ve Teiletche, 2010).
Koddaki tercih: ağırlık sınırları ve risk paritesi
Risk paritesi alt ve üst sınırları dikkate almaz (yalnız pozitif ağırlık). Sınırlı bir risk paritesi isteniyorsa sonuç ayrıca denetlenmelidir (portfoy_optimizasyonu.py:30–32).
Neden aritmetik ortalama ve n-1 paydalı kovaryans?
Portföy getirisi basit getirilerin ağırlıklı toplamıdır; ortalama-varyans modeli aritmetik ortalamayla çalışır. Yıllıklandırma \text{ppy} ile çarpmadır. Ledoit–Wolf n paydalıdır (yazar tanımı).
155.6 Elle hesap
Bağımsız numpy betiği (dogrulama/cilt9/portfoy.py). n=1141 hafta, 7 varlık.
Adım 1 — Girdiler. Log getiriler basite çevrilir; \mu=(0{,}1076;\ 0{,}0971;\ 0{,}1230;\ 0{,}1050;\ 0{,}1622;\ 0{,}1015;\ 0{,}1183).
Adım 2 — Kısa satış izinli, GMV. w=\Sigma^{-1}\mathbf1/A=(0{,}03705;\ -0{,}01359;\ 0{,}18959;\ 0{,}21097;\ 0{,}03545;\ 0{,}23278;\ 0{,}30776); oynaklık 0{,}19140, getiri 0{,}11393.
Adım 3 — Kısa satış izinli, teğet. w=\Sigma^{-1}(\mu-r_f\mathbf1)/\mathbf1'\Sigma^{-1}(\mu-r_f\mathbf1)=(0{,}01133;\ -0{,}12415;\ 0{,}25916;\ 0{,}15508;\ 0{,}24763;\ 0{,}09605;\ 0{,}35490); getiri 0{,}12923, oynaklık 0{,}20639, Sharpe 0{,}5292.
Adım 4 — Kısa satış yasak, GMV. scipy SLSQP: w=(0{,}03565;\ 0;\ 0{,}18756;\ 0{,}20435;\ 0{,}03435;\ 0{,}23195;\ 0{,}30614); oynaklık 0{,}19142.
Adım 5 — Risk paritesi. \min\tfrac12w'\Sigma w-\tfrac17\sum\ln w_i (sonra normalleştirme): w=(0{,}11926;\ 0{,}12173;\ 0{,}15142;\ 0{,}14945;\ 0{,}11930;\ 0{,}15649;\ 0{,}18236).
155.6.1 Doğrulama: MerQur, Python ve R
| Büyüklük | MerQur | Bağımsız Python | Referans (kayıtlı) | Sonuç |
|---|---|---|---|---|
| GMV, kısa satış yasak | 0,0356; 0; 0,1876; 0,2044; 0,0343; 0,2320; 0,3061 | SLSQP: aynı | yasak.gmv |
✓ |
| GMV, izinli | 0,03705; −0,01359; 0,18959; … | aynı | izinli.gmv |
✓ |
| Teğet, izinli | 0,01133; −0,12415; 0,25916; … | aynı | izinli.teget |
✓ |
| Risk paritesi | 0,1193; 0,1217; 0,1514; … | 0,11926; 0,12173; 0,15142; … | risk_paritesi |
✓ |
Kayıtlı referans: bağımsız numpy KKT, Merton (1972) kapalı formülleri, scikit-learn LedoitWolf ve Newton ile risk paritesi (tests/data/fin_ref_portfoy.json; tests/test_v280_portfoy_optimizasyonu.py). R bu çalışmada kullanılmamıştır; doğrulama bağımsız Python ve kayıtlı referanslardır.
155.7 Çıktıyı okuma
7 varlık, 1141 gözlem, yıllık dönem sayısı 52, kovaryans: örnek.
Portföy ağırlıkları
varlık Asgari varyans Teğet (en büyük Sharpe) Hedef getiri Risk paritesi Eşit ağırlık
BA 0,1876 0,2404 0,2499 0,1514 0,1429
T 0,3061 0,3401 0,3466 0,1824 0,1429
Portföy özeti (risksiz oran: 0,0200)
Teğet (en büyük Sharpe) yıllık getiri 0,1272 oynaklık 0,2047 Sharpe 0,5235 etkin varlık sayısı 4,06
Risk katkıları (%) Risk paritesi: her varlık 14,29
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Varlık özeti | Yıllıklandırılmış getiri, oynaklık, Sharpe. | Ham girdiler. |
| Portföy ağırlıkları | Beş portföyün ağırlıkları. | Sıfırlar kısa satış yasağının etkisidir. |
| Etkin varlık sayısı | 1/\sum w_i^2. | Yoğunlaşmayı gösterir; 7 olması eşit ağırlıktır. |
| Risk katkıları | w_i(\Sigma w)_i/w'\Sigma w. | Risk paritesinde eşit (%14,29). |
| Etkin sınır | Getiri–oynaklık–Sharpe noktaları. | Teğet portföyün Sharpe'ı en yüksektir. |
Bu örnekte teğet portföy Sharpe 0{,}5235 ile en yüksektir; eşit ağırlık 0{,}4669 kalır. Risk paritesi daha dengeli (etkin varlık sayısı 6{,}84) ama daha düşük Sharpe'lıdır. Kısa satış izinli olsaydı AXP'ye -12{,}4\% verilirdi.
Yedi hisse ve 1141 haftalık gözlemle (yılda 52 dönem) ortalama–varyans optimizasyonu yapıldı (kısa satış yasak). Asgari varyans portföyünün yıllık oynaklığı 0{,}191, getirisi 0{,}114; teğet portföyün Sharpe oranı 0{,}524 (risksiz oran 0{,}02).
155.8 Uzman soruları
S1. Etkin sınır neden geçmişe bağımlı bir tahmindir?
\mu ve \Sigma örnek kestirimleridir; ortalamanın tahmin hatası büyüktür. Küçük girdi değişiklikleri ağırlıkları çok değiştirir (Markowitz optimizasyonunun "hata büyütücü" doğası). Ledoit–Wolf büzülmesi ve risk paritesi bu duyarlılığı azaltır.
S2. Teğet portföy neden kısa satış yasakken kapalı formülle bulunmuyor?
Kapalı formül kısıtsızdır. Kısıtlıyken etkin kümede kapalı formül ancak hangi ağırlıkların sınırda olduğu bilindiğinde işler; MerQur sınır üzerinde tek boyutlu arama ve KKT cilalamasıyla çözer.
S3. Ledoit–Wolf ne zaman gerekli?
Gözlem sayısı varlık sayısına yakınsa ya da azsa örnek kovaryansı tekil ya da kötü koşullu olur. Büzülme \Sigma'yı tersinir kılar.
S4. Risk paritesi neden pozitif ağırlık?
Risk katkısı eşitliği çözümü pozitif ağırlıklar için tanımlıdır; bu uygulama yalnız pozitif ağırlıkları kestirir ve ağırlık sınırlarını yok sayar.
S5. Hedef getiri erişilemezse?
Hedef sınırlarla ulaşılabilir aralığın (getiri_araligi) dışındaysa hata verilir.
S6. Başka yazılımlarla fark?
Ledoit–Wolf n paydalıdır, merkezlenmiş veri ve ölçeklenmiş birim matris hedefiyle; scikit-learn LedoitWolf ile eşleşir. İkinci dereceden program çözücüsü bu modülde yazılmıştır, dış paket kullanılmaz.
155.9 Sık hatalar ve tuzaklar
- Yılda dönem sayısını yanlış girmek. Haftalık veri için 52, aylık için 12.
- Teğet portföyü "en iyi" saymak. Geçmiş getiriye en çok uyan portföydür.
- Kısa satış izinliyken sınırsız ağırlığı gerçekçi sanmak. Sınır koyun.
- Çok sayıda varlık, az gözlem. Kovaryans tekil olur; Ledoit–Wolf kullanın.
- Risk paritesinde sınırların uygulandığını sanmak. Uygulanmaz.
155.10 Kaynaklar
- Markowitz, H. (1952). Portfolio selection. Journal of Finance, 7(1), 77–91. https://doi.org/10.1111/j.1540-6261.1952.tb01525.x
- Merton, R. C. (1972). An analytic derivation of the efficient portfolio frontier. Journal of Financial and Quantitative Analysis, 7(4), 1851–1872. https://doi.org/10.2307/2329621
- Sharpe, W. F. (1966). Mutual fund performance. Journal of Business, 39(1), 119–138. https://doi.org/10.1086/294846
- Ledoit, O., & Wolf, M. (2004). A well-conditioned estimator for large-dimensional covariance matrices. Journal of Multivariate Analysis, 88(2), 365–411. https://doi.org/10.1016/S0047-259X(03)00096-4
- Maillard, S., Roncalli, T., & Teiletche, J. (2010). The properties of equally weighted risk contribution portfolios. Journal of Portfolio Management, 36(4), 60–70. https://doi.org/10.3905/jpm.2010.36.4.060
- Griveau-Billion, T., Richard, J.-C., & Roncalli, T. (2013). A fast algorithm for computing high-dimensional risk parity portfolios. SSRN 2325255. https://doi.org/10.2139/ssrn.2325255