σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Roteiro de Optimization›Módulo 4 · Restrições e regularização›Tópico 4.1·~1 hIntermediário

Otimização com restrições e KKT

Posição no roteiroMódulo 4 de 5 · Tópico 1 de 4
4.1 Otimização com restrições e KKT
—Nota do lab— / 100XP total—Sequência—

Otimizar sob regras

Carteiras reais obedecem a regras: os pesos somam um, sem vendas a descoberto, um teto de giro. Um problema com restrições é min⁡f(w)\min f(\mathbf w)minf(w) sujeito a igualdades h(w)=0h(\mathbf w)=0h(w)=0 e desigualdades g(w)≤0g(\mathbf w)\le0g(w)≤0. Com uma igualdade, o melhor ponto viável é onde ∇f\nabla f∇f atravessa a superfície da restrição de lado a lado, porque qualquer componente lateral serviria para melhorar fff sem sair da superfície. Essa é a condição de Lagrange ∇f+λ∇h=0\nabla f+\lambda\nabla h=0∇f+λ∇h=0, e o número λ\lambdaλ é o multiplicador de Lagrange. Reunir tudo no lagrangiano L=f+λh+μgL=f+\lambda h+\mu gL=f+λh+μg transforma o problema com restrições na busca de um ponto estacionário de LLL.

∇f+λ∇h+μ∇g=0,h=0,g≤0,μ≥0,μ g=0\nabla f+\lambda\nabla h+\mu\nabla g=0,\qquad h=0,\quad g\le0,\qquad \mu\ge0,\qquad \mu\,g=0∇f+λ∇h+μ∇g=0,h=0,g≤0,μ≥0,μg=0(1)

Para desigualdades o conjunto completo de condições, com o nome de Karush, Kuhn e Tucker, tem quatro partes: estacionariedade do lagrangiano, viabilidade primal (as restrições valem), viabilidade dual (μ≥0\mu\ge0μ≥0) e folga complementar (μg=0\mu g=0μg=0). A folga complementar diz que cada desigualdade está inativa, com g<0g<0g<0 e μ=0\mu=0μ=0, então não importa, ou ativa, com g=0g=0g=0 e μ>0\mu>0μ>0, então age como uma igualdade. Num problema convexo essas condições são necessárias e suficientes para um ótimo global. O multiplicador também é um preço: é a taxa em que o melhor valor de fff melhora quando a restrição é relaxada em uma unidade.

Dois exemplos pequenosMinimize x2+y2x^2+y^2x2+y2 sujeito a x+y=1x+y=1x+y=1. As condições de Lagrange 2x+λ=02x+\lambda=02x+λ=0 e 2y+λ=02y+\lambda=02y+λ=0 dão x=y=−λ/2x=y=-\lambda/2x=y=−λ/2, e a restrição dá então λ=−1\lambda=-1λ=−1 e x=y=0.5x=y=0.5x=y=0.5, com valor 0.50.50.5. Se a restrição é relaxada para x+y=cx+y=cx+y=c, o melhor valor passa a c2/2c^2/2c2/2, com inclinação 1=−λ1=-\lambda1=−λ em c=1c=1c=1. Depois, minimize (x−2)2(x-2)^2(x−2)2 sujeito a x≤1x\le1x≤1. O mínimo livre x=2x=2x=2 quebra a regra, então a restrição está ativa em x=1x=1x=1 e 2(x−2)+μ=02(x-2)+\mu=02(x−2)+μ=0 dá μ=2>0\mu=2>0μ=2>0. Com a regra x≤3x\le3x≤3, o mínimo livre é permitido e μ=0\mu=0μ=0.

A carteira de variância mínima é o caso modelo: minimizar wTΣw\mathbf w^{T}\Sigma\mathbf wwTΣw sujeito a 1Tw=1\mathbf 1^{T}\mathbf w=11Tw=1. A condição de Lagrange 2Σw+λ1=02\Sigma\mathbf w+\lambda\mathbf 1=02Σw+λ1=0 dá w∝Σ−11\mathbf w\propto\Sigma^{-1}\mathbf 1w∝Σ−11. Para dois ativos não correlacionados com variâncias 0.040.040.04 e 0.090.090.09, os pesos são proporcionais a 1/0.04=251/0.04=251/0.04=25 e 1/0.09=11.11/0.09=11.11/0.09=11.1, então w1=0.692w_1=0.692w1​=0.692, w2=0.308w_2=0.308w2​=0.308 e a variância da carteira é 1/(25+11.1)=0.02771/(25+11.1)=0.02771/(25+11.1)=0.0277. O multiplicador é −2-2−2 vezes essa variância mínima. Numa carteira real uma regra só comprado ou um teto de giro tem seu próprio multiplicador, e um μ\muμ grande indica que essa regra custa caro.

  • Restrição de igualdade: ∇f+λ∇h=0\nabla f+\lambda\nabla h=0∇f+λ∇h=0 junto com h=0h=0h=0.
  • Desigualdade: μ≥0\mu\ge0μ≥0 e μg=0\mu g=0μg=0; ativa significa g=0g=0g=0, inativa significa μ=0\mu=0μ=0.
  • Preço: um multiplicador é a sensibilidade do melhor valor a um relaxamento da sua restrição.
Verifique a viabilidade e os sinaisDepois de resolver, verifique a resposta com as quatro condições. Os deslizes mais comuns são um multiplicador com sinal errado numa desigualdade (deve ser μ≥0\mu\ge0μ≥0 quando as restrições se escrevem g≤0g\le0g≤0) e uma restrição ativa que se supôs inativa. As convenções de sinal variam entre livros e bibliotecas, então leia sempre qual forma seu solver espera.

Lab: o que é avaliado

  • O multiplicador10 pts
  • O ponto ótimo10 pts
  • Relaxar a restrição10 pts
  • O peso de variância mínima de dois ativos15 pts
  • A variância mínima15 pts
  • As quatro condições KKT15 pts
  • Uma restrição ativa10 pts
  • O que um multiplicador diz15 pts
0/ 8 respondidas
Tarefas
1Resposta numérica10 ptsSem resposta

Minimize x2+y2x^2+y^2x2+y2 sujeito a x+y=1x+y=1x+y=1 com a condição ∇f+λ∇h=0\nabla f+\lambda\nabla h=0∇f+λ∇h=0 para h=x+y−1h=x+y-1h=x+y−1. Quanto vale λ\lambdaλ?

lam=lam =lam=aceito: ± 0.01
2Resposta numérica10 ptsSem resposta

Para o mesmo problema, qual é o xxx ótimo?

x=x =x=aceito: ± 0.005
3Resposta numérica10 ptsSem resposta

O melhor valor sob x+y=cx+y=cx+y=c é c2/2c^2/2c2/2. Qual é o melhor valor de x2+y2x^2+y^2x2+y2 quando a restrição é x+y=3x+y=3x+y=3?

value=value =value=aceito: ± 0.01
4Resposta numérica15 ptsSem resposta

Dois ativos não correlacionados têm variâncias 0.040.040.04 e 0.090.090.09. Os pesos de variância mínima são proporcionais a 1/σi21/\sigma_i^21/σi2​ e somam um. Qual é o peso w1w_1w1​ do primeiro ativo? Dê com três casas decimais.

w1=w1 =w1=aceito: ± 0.002
5Resposta numérica15 ptsSem resposta

Qual é a variância dessa carteira de variância mínima? Ela é igual a 1/∑i(1/σi2)1/\sum_i(1/\sigma_i^2)1/∑i​(1/σi2​). Dê com quatro casas decimais.

var=var =var=aceito: ± 0.0003
6Associar15 ptsSem resposta

Associe cada condição KKT ao que ela diz.

Escolha o par de cada item da esquerda.

Estacionariedade
Viabilidade primal
Viabilidade dual
Folga complementar
7Escolha10 ptsSem resposta

Minimize (x−2)2(x-2)^2(x−2)2 sujeito a x≤1x\le1x≤1. O que dão as condições KKT?

8Explicar com palavras15 ptsSem resposta

Em uma ou duas frases, diga o que um multiplicador grande sobre um limite de giro diz a um gestor de carteira.

Modo matemáticaEntrada por teclado ou LaTeXTarefa 1 de 8 · Ctrl ⏎ para verificar

Entre para executar o seu código.

Todas as aulas são gratuitas para ler. Crie uma conta ou entre para executar código, rodar os testes e enviar este lab.

  • IDE no navegador com terminal bash — nada para instalar
  • Correção instantânea, XP e o seu lugar no roteiro
Criar uma contaEntrar
OU
Continuar com o GitHub