MerQuR+Başvuru Kitabı

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.

\min_{w}\ w'\Sigma w\quad\text{kısıtlar:}\quad \mathbf 1'w=1,\ \ \mu'w=\bar\mu\ (\text{hedefliyse}),\ \ \ell\le w\le u
  • 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):

w_{GMV}=\frac{\Sigma^{-1}\mathbf 1}{A},\quad w_{hedef}=\frac{(C-B\bar\mu)\Sigma^{-1}\mathbf 1+(A\bar\mu-B)\Sigma^{-1}\mu}{D},\quad w_{teget}=\frac{\Sigma^{-1}(\mu-r_f\mathbf 1)}{\mathbf 1'\Sigma^{-1}(\mu-r_f\mathbf 1)}

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