WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

ДИНАМИЧЕСКАЯ ОПТИМИЗАЦИЯ ПОРТФЕЛЯ ИНВЕСТИЦИЙ НА БАЗЕ СТОХАСТИЧЕСКОЙ МОДЕЛИ РОССИЙСКОГО ФОНДОВОГО РЫНКА Г.А. Баутин, студент магистратуры факультета Бизнес информатики и Прикладной математики

Нижегородского филиала Государственного университета – Высшей школы экономики В.А. Калягин, д.ф. м.н., профессор кафедры Прикладной математики и информатики факультета бизнес информатики и прикладной математики Нижегородского филиала Государственного университета – Высшей школы экономики Рассмотрена многопериодная стохастическая модель оптимизации портфеля инве стиций в условиях российского фондового рынка. Предполагается: рынок имеет некото рый набор состояний, переходы между которыми осуществляются согласно Марковской цепи. Обсуждёна эффективная кластеризация состояния с целью улучшения характери стик оптимального портфеля.

Введение имеет несколько состояний, которые меняются согласно однородной Марковской цепи. От состоя птимизация портфеля инвестиций предпо ния рынка зависит совместное распределение до лагает распределение средств между актива ходностей – их математические ожидания, кова Оми с различными характеристиками доход риации. Считается, что состояния рынка зависят от ности, риска, ликвидности и т.п. Основная проблема внешних факторов: макроэкономических процес в том, что высокая доходность влечёт высокий риск, сов, политической ситуации, общественного а инвестор действует в условиях неопределённости. настроения. Как показано в [1], подход к моделиро Перед инвестором стоит задача отыскания опти ванию состояний рынка с помощью Марковских мальной стратегии, базирующейся на его предпочте цепей, даёт удовлетворительные результаты. В на ниях о соотношении доходности и риска. В общем стоящей работе мы адаптируем эту модель к усло случае эта задача не поддаётся строгому математиче виям Российского рынка и исследуем подробно ос скому описанию, поэтому используются различные новной вопрос об адекватном выборе состояний.

модели, упрощающие реальное положение вещей и Для моделирования состояний используется блок позволяющие сформулировать набор конкретных вычислительных алгоритмов, разработанных и реа рекомендаций. Обзор моделей, основанных на моде лизованных первым автором в системе Matlab.

ли Марковица, можно найти, например, в [2]. Более подробное обсуждение многопериодной задачи Многопериодная модель представлено в [3]. Исходная модель для наших исследований опи В данной работе рассматривается модель много сана в статье [1]. В рамках данной модели рассма периодной (динамической) оптимизации портфеля тривается рынок, состоящий из одного безрисково инвестиций. При этом, предполагается, что рынок го актива, доходность которого известна заранее, БИЗНЕС ИНФОРМАТИКА №1–2008 г. и нескольких активов, доходности которых имеют Предположение о возможности коротких продаж случайную природу. В каждый момент времени ры В реальности услуги по предоставлению воз нок может находиться в одном из состояний, при можности коротких продаж практикуют многие надлежащих множеству состояний E. Пусть состоя брокерские фирмы. В случае короткой продажи ние рынка в момент времени n (или в период n) – это речь идёт о продаже по поручению инвестора цен Yn. Тогда предполагается, что Y = {Yn;

n = 1, 2,...} – ных бумаг, принадлежащих в момент продажи не это однородная Марковская цепь с пространством данному инвестору, а другому. Инвестор, осущест состояний E и некоторой матрицей перехода Q. До вляющий короткую продажу, обязан вернуть долг ходность безрискового актива заранее известна для по завершении всей операции не деньгами, а акция каждого из состояний рынка и равна rf(i), где i – это ми. Поскольку короткая продажа связана с заим состояние рынка. Доходности рисковых активов ствованием акций, то существует риск того, что ин R(i) = (R1(i), R2(i),..., Rm(i)) являются случайными вестор не вернёт их (например, разорится, и не бу величинами. дет иметь средств выкупить акции). Если это про Необходимо найти оптимальную стратегию ин изойдёт, возвращать акции вынуждена будет бро вестирования для некоторого инвестиционного керская фирма. Чтобы обезопасить себя частично горизонта T. Возникают задачи оптимизации – от подобных потерь, брокерские фирмы устанавли минимизация риска при фиксированной доходно вают определённые требования, например, чтобы сти, или же максимизация доходности при фикси на специальном счёте всегда была сумма, необхо рованном риске. В [1] описано решение этих задач димая для покрытия издержек в данный момент.

методом динамического программирования с по Если такой суммы на счету инвестора не обнаружи мощью промежуточной задачи, сама идея исполь вается, брокер требует в неотложном порядке это зования которой взята из [3]. В настоящей работе исправить. При определённых условиях брокер мо мы рассматриваем вопрос об адаптации данной жет даже ограничить операции инвестора, если модели к российскому фондовому рынку. риск невозврата становится слишком велик. Есте Основные предположения, на которых основы ственно, поскольку при короткой продаже у инве вается исходная модель, таковы: стора должна на счету находиться определённая на рынке существует безрисковый актив;

по сумма, лежащая «мертвым грузом», он несёт допол безрисковой ставке можно без ограничений нительные издержки. Кроме того, за осуществле одалживать и занимать;

ние коротких продаж предусмотрена определённая разрешены короткие продажи по всем акти комиссия.

вам и во всех периодах;

Предположение о том, что капитал не меняется в рамках горизонта планирования невозможно извне, представляется вполне правдоподобным.

пополнение или уменьшение капитала извне;

Более того, его можно легко обойти, лишь незначи транзакционные издержки пренебрежимо тельно усложнив модель. Однако, всё же стоит от малы. метить, что в некоторых случаях инвестор может решить уменьшить величину капитала, инвестиро Предположение о существовании безрискового ванного в рассматриваемые активы, если дела идут актива вызывает определённые сомнения, особен не очень хорошо, или же наоборот, увеличить его но для российского рынка. Дело в том, что этот в противном случае. В модели полагается, что весь актив должен в действительности существовать, капитал, который не инвестирован в какой либо из поскольку предполагаются вложения в него. В от рисковых активов, полностью вложен в безриско личие от США, где традиционно безрисковыми вый актив. Таким образом, капитал, вложенный в считаются государственные облигации, на россий рисковые активы меняется динамически в зависи ском рынке бумаг, отвечающих предъявляемым мости от текущего положения дел.

требованиям, практически нет. Исходная модель не рассматривает транзак Требования к безрисковому активу таковы: ционных издержек. Но, как показывает практика, (a) его доходность должна быть прогнозируе такие издержки достаточно сильно влияют на ко мой, в идеале должна иметь нулевое отклонение;

нечную доходность вложений, хотя они и составля (b) актив должен быть абсолютно ликвидным, ют десятые доли процента.

то есть в любой момент его можно купить или про К слабым местам модели можно отнести доста дать в любом объёме;

точно высокую чувствительность результирующих (c) актив должен быть бесконечно делимым. выражений для оптимальной стратегии и эффек тивного фронта к точности вычислений. Так, наш 30 БИЗНЕС ИНФОРМАТИКА №1–2008 г.

количественный анализ показывает, что изменение данные по ценам этих компаний во временном ин значения одной из промежуточных переменных на тервале 03.12.2001 – 30.04.2007 (284 наблюдения).

1% может, при определённых условиях, привести Выбраны именно недельные данные, потому что, к значительному сдвигу эффективного фронта. На с одной стороны, недельные доходности обладают данном этапе обойти эту особенность модели не меньшей волатильностью по сравнению с дневными, представляется возможным, поэтому можно лишь а с другой стороны, – получается крупная выборка, сформулировать рекомендацию больше внимания достаточная для статистических исследований.

уделять точности численного моделирования. Начнем с выбора безрискового актива на рос Еще один недостаток данной модели (свой сийском фондовом рынке. Приведём небольшой ственный большому классу многопериодных моде обзор бумаг, которые принято (в теории) использо лей) – это то, что «избыточная» (т.е., незапланиро вать в качестве безрисковых. Это государственные ванная) доходность автоматически устраняется облигации и облигации крупных и надежных ком в следующих периодах. Если в некоторый момент паний. В качестве меры безрисковой ставки можно фактическая доходность превышает запланирован принимать ставку процента по срочным вкладам ную, в следующих итерациях модель работает, чтобы в надежных банках. Для нас подходят далеко не все эту избыточную доходность устранить. С математи эти инструменты. Безрисковый актив в данной мо ческой точки зрения, модель работает правильно, но дели должен быть ликвидным. Поскольку вклады на практике в такой ситуации лучше увеличить пла в банках являются срочными (минимум – год), для нируемую доходность. Можно даже обновить пара нас они не подходят, так как предполагается, что метры модели, используя свежие данные и «переза вложение в безрисковый актив можно в любой мо пустить» её, поскольку в этом случае задача модели мент перераспределить в пользу других активов.

может считаться выполненной. Для нас не подходят любые облигации, предполага В этой статье исследован практически неосве ющие выплату купонов, поскольку доходность та щённый аспект данной модели – вопрос об опреде ких инструментов сильно неравномерна и связана лении состояний рынка. От того, каким образом с определёнными датами. Практически все облига мы определяем состояния, достаточно сильно зави ции крупных компаний (Газпром, Роснефть) – сит эффективность применения модели. Метод купонные. Рассмотрим российские государствен определения состояния должен отвечать следую ные облигации. Существуют следующие их виды:

щим требованиям: ГДО (государственный заём РСФСР, не котируются критерий должен базироваться на историче на торговых площадках), ОГСЗ (облигации сберега ских данных, т.е. мы должны уметь определять тельного займа), ГКО (государственные краткос состояние рынка на данный момент: инвестор рочные бескупонные облигации), ОБР (облигации не может заглянуть в будущее и точно узнать, ЦБ), ОВВЗ (облигации внутреннего валютного зай что произойдёт в дальнейшем;

ма) и еврооблигации. Среди всех перечисленных в данной модели используется Марковская видов нас интересуют бескупонные рублёвые обли цепь, поэтому желательно, чтобы при опреде гации. Несмотря на то, что самыми надёжными яв лении состояния рынка использовались дан ляются еврооблигации (по ним не объявлялся де ные ровно за один период. Использование фолт даже в 1998 г., у них максимальный из всех пе данных за несколько периодов исказит логику речисленных бумаг рейтинг надёжности в междуна модели;

родных агентствах, обязательства по ним выплачи желательно, чтобы доходности активов в раз ваются в первую очередь), нас интересуют именно ных состояниях значимо различались. облигации в национальной валюте. Кроме того, покупка еврооблигаций сильно ограничена, инве Определение состояний Российского фондового сторы должны удовлетворять весьма серьезным тре рынка бованиям. В итоге остаются два вида облигаций – Мы предлагаем различные методы определения ГКО и ОБР. Из них выбор делается в пользу второго;

состояний Российского фондового рынка и спосо он лучше отвечает требованиям о низкой волатиль бы измерения эффективности этих методов. Для ности. Однако, и здесь мы не можем обойтись без тестирования модели используются данные рос некоторых предположений и допущений: сделки по сийского фондового рынка, а именно, данные по этому виду облигаций проводятся достаточно редко, следующим компаниям: РАО ЕЭС России, поэтому не всегда можно адекватно определить ры Норильский Никель, Лукойл, Сбербанк, Сургут ночную цену. В периоды без сделок рыночная цена нефтегаз и Татнефть. Рассматриваются недельные определяется посредством прямой, проведённой БИЗНЕС ИНФОРМАТИКА №1–2008 г. через две ближайшие определённые точки (считает оптимизацию портфеля из трех активов: РАО ЕЭС ся, что в периоды без сделок цена растет линейно). России, Норильский Никель и Лукойл. В дальней В исходной модели предлагается следующий спо шем будет проведено сравнение наиболее успешно соб определения состояний рынка. Состояние рын го метода с базовым при оптимизации портфеля ка в данном периоде зависит от числа ценных бумаг, с большим числом активов. Для численной провер цены которых выросли в предыдущем периоде. ки используется следующий метод. Сначала по ис Таким образом, если все активы упали, считается, ходным ценам акций вычисляются доходности для что рынок находится в состоянии 1, если ровно один каждого периода. Далее проводится кластеризация актив вырос в цене – рынок находится в состоянии 2 состояний по одному из методов (в данном случае – и т.д. Такая метрика для рынка имеет право на суще по базовому). После этого вычисляются оценки па ствование, тем более, по приводимым в статье [1] раметров модели: математических ожиданий, ма данным, она отражает доходности в будущем перио триц ковариаций, матрицы переходов, т.е. рынок де. Назовём предложенный метод определения (или анализируется с учётом выделенных состояний.

кластеризации) состояний базовым. Дальше проверяется работа модели на данных, сле Построим следующую таблицу для российских дующих непосредственно за исходными. Хорошей компаний – для каждого состояния, определенного визуальной оценкой работоспособности модели по базовому методу выпишем ожидаемые доходно может служить график доходности портфеля за весь сти активов: горизонт планирования, вычисленный для каждого периода некоторого временного интервала. По та i rf (i) R1(i) R2(i) R3(i) R4(i) R5(i) R6(i) кому графику можно визуально оценить, насколько качественно работает модель в разных условиях, со 1 1.0012 0.9996 1.0017 1.0010 1.0094 0.9981 0. поставить планируемую доходность µ и реальную;

2 1.0011 0.9972 1.0029 0.9982 1.0000 0.9916 1. посмотреть, как фактическое отклонение реальной доходности соотносится с планируемым риском 3 1.0010 1.0056 1.0169 1.0089 1.0186 1.0089 0. (который, в свою очередь, определяется из эффек 4 1.0010 1.0165 1.0421 1.0156 1.0102 1.0066 1. тивного фронта).

Кроме визуальных наблюдений, для оценки ка 5 1.0013 1.0163 1.0253 1.0105 1.0242 1.0177 1. чества работы модели полезно использовать оценку 6 1.0013 1.0236 1.0148 1.0167 1.0300 1.0155 1. стандартного отклонения доходности за весь инве стиционный период (по фактическим данным), 7 1.0009 1.0016 0.9875 1.0006 1.0085 1.0007 1. среднюю доходность, разброс доходности. Будем использовать следующие обозначения:

Из таблицы видно, что зависимость доходностей µ – ожидаемая доходность;

активов от состояния рынка не очень явная. Мож – ожидаемое стандартное отклонение;

но проанализировать значимость различия между µr – оценка реальной средней доходности;

доходностями активов в выделенных состояниях. r – оценка реального стандартного отклоне Для этого выдвинем гипотезу о равенстве матема ния;

тических ожиданий доходностей и проверим её r – величина разброса реальной доходности.

с помощью критерия Крамера Уэлча. В данном случае он наиболее подходящий, поскольку не тре Если провести эксперимент с базовым разбие бует равенства дисперсий и достаточно точно рабо нием, получим следующую таблицу:

тает при небольших объёмах выборок (см. [4]). Для µ µ каждых двух состояний выдвигается гипотеза H0 T µ µr r Dr о равенстве их математических ожиданий, проти 4 1.06 0.0516 1.0531 0.0447 0. воположная гипотеза H1. Результаты проведённого 8 1.12 0.0719 1.1240 0.0674 0. теста показывают, что гипотеза о равенстве матема тических ожиданий отклоняется только в несколь 12 1.19 0.1039 1.2217 0.0387 0. ких случаях (примерно в 7,94% случаев), т.е. в боль 24 1.26 0.1059 1.2907 0.0360 0. шинстве случаев, используя базовый метод класте ризации состояний, мы не получаем хорошего, ста тистически значимого разбиения. Это данные для инвестиционного горизонта T = 4, Для определения наиболее эффективного мето 8, 12 и 16 периодов. Планируемые доходности выби да кластеризации состояний, рассмотрим сначала рались соответственно на уровне 1.06, 1.12, 1.19 и 1.26.

32 БИЗНЕС ИНФОРМАТИКА №1–2008 г.

В дальнейшем будем сравнивать результаты для В случае с кластерным анализом методом k сред различных наблюдений именно по этим характери них разбиение необходимо производить несколько стикам. Наиболее интересная для нас характери раз и выбирать наиболее эффективное, поскольку стика – оценка стандартного отклонения реальной исходные центры кластеров выбираются произволь доходности, поскольку именно она в конечном счё ным образом, а это влияет на конечный результат.

те определяет качество работы модели. Поэтому, Разбиение на пять кластеров сработало эффективнее в первую очередь будем сравнивать по ней. Однако для более длинных горизонтов инвестирования, и оценка математического ожидания доходности чем метод разбиения по средним. После выделения должна быть близка к прогнозируемой. кластеров для реального применения модели Рассмотрим ещё несколько достаточно очевид необходимо на каждом этапе относить текущий век ных методов разбиения, когда состояния рынка тор доходностей к одному из кластеров. Это делает определяются не по количеству активов с доход ся с помощью дискриминантного анализа, в данном ностью больше единицы, а по средней доходности случае – просто определением ближайшего к данно всех активов. В простейшем случае можно выделить му вектору центра кластера.

два состояния – когда средняя доходность оказалась Рассмотрим следующий класс методов опреде больше или меньше единицы. Более сложные случаи ления состояний. До сих пор все рассматриваемые – выделение трёх или пяти состояний. Назовем та методы основывались только на данных предыду кой тип разбиения «разбиением по средним». В сле щего периода. Таким же образом можно на некото дующей таблице представлены оценки стандартных рых исторических данных выделить классы состоя отклонений для различного количества выделяемых ний, основываясь на доходностях в текущем перио таким образом состояний Nst и различных горизон де. После выделения групп необходимо определить тов планирования. Ожидаемые доходности взяты на правило, согласно которому в дальнейшем, когда том же уровне, что и для предыдущих эксперимен данные о доходностях в текущем периоде будут тов. Такой очевидный способ кластеризации даёт бо недоступны, можно будет отнести данное состоя лее хорошие результаты, чем базовый (разбиение на ние рынка к одной из групп.

пять состояний даёт превосходство во всех рассма Предлагается следующая процедура: после выде триваемых горизонтах планирования): ления групп определить их центры в терминах доход ностей предыдущего периода;

далее можно приме T/Nst 2 3 нять ту же самую процедуру отнесения к одному из 4 0.0682 0.0502 0.0330 кластеров посредством определения ближайшего центра. Проверим, как эти методы фактически рабо 8 0.0471 0.0320 0. тают. Предлагается следующее усовершенствование 12 0.0569 0.0398 0. базового метода: сначала определяем состояния по 16 0.0526 0.0389 0. тому же правилу, как и в исходном методе, но исполь зуя доходности текущего периода, а не следующего.

Теперь попробуем более сложный способ, при Далее находим центры образованных групп как сред менимый к векторам доходностей кластерный ана ние вектора доходностей предыдущих периодов и ра лиз методом k средних. Состояние в каждом перио ботаем дальше уже с известными доходностями.

де будет определяться по предыдущим доходностям. Аналогичным образом можно применить рас Как и для других экспериментов, приводятся оцен смотренный кластерный анализ, а также разбиение ки стандартного отклонения доходности. Приведе по средним. Например, в следующей таблице пред ны данные для разных горизонтов планирования и ставлены данные для усовершенствованного раз разных количеств выделяемых кластеров Ncl. Выде биения по средним. Можно сказать, что этот метод ление большего числа кластеров в данном случае в среднем стал работать несколько лучше:

нецелесообразно, так как может оказаться, что в не T/Nst 2 3 котором кластере будет недостаточно элементов для 4 0.0696 0.0715 0. хороших статистических оценок. Результат таков:

8 0.0413 0.0591 0. T/Ncl 2 3 4 5 12 0.0496 0.0382 0. 4 0.0743 0.0580 0.0652 0.0596 16 0.0479 0.0424 0. 8 0.0508 0.0620 0.0563 0. 12 0.0662 0.0940 0.0408 0. Улучшаются результаты работы и метода, осно 16 0.0588 0.0745 0.0240 0. ванного на кластерном анализе. Но такой подход БИЗНЕС ИНФОРМАТИКА №1–2008 г. хорош не для всех методов. Например, такое улуч меньше. Исследуем, насколько статистически зна шение не годится для базового метода – его показа чимо разбиение с использованием улучшенного ме тели ухудшаются. Чтобы понять, в чем дело, можно тода. Оказывается, что гипотеза о равенстве матема обратиться к автокорреляциям активов: тических ожиданий отклоняется в 64,29% случаев, т.е. данное разбиение более качественное. Запишем в таблицу фактические показатели методов:

T 1 2 D1 D 4 0.0317 0.0296 0.1028 0. 8 0.0202 0.0065 0.0839 0. 12 0.0205 0.0018 0.1198 0. 24 0.0038 0.0020 0.0187 0. Здесь 1 – базовый метод, 2 – улучшенный метод.

Еще раз оговоримся, что наш улучшенный метод не был оптимизирован для шести активов, но по пред ставленным данным видно, что он работает гораздо Обратим внимание на второй и четвертый лаги: лучше, снижая стандартное отклонение и разброс.

здесь функция имеет одинаковый знак для всех ак Для визуальной оценки можно использовать тивов и достигает наибольшие по модулю значения. уже описанный график фактической доходности.

То есть доходность текущего периода определяется Построим такие графики для исходного метода в большей степени доходностью не предыдущего, а и для улучшенного (при T = 24):

более раннего периода. Мы обращаем внимание на лаги, в которых функции имеют один знак для всех активов, чтобы это свойство сохранялось для всего рынка (он пока состоит из трех активов). Попробу ем аналогичным образом построить разбиение, ис ходя из базового критерия, считая, что состояние рынка определятся отнесением к определенному кластеру соответственно доходностей периода с ла гом 2 или 4. Результаты снова запишем в таблицу:

T\Lag 0 1 2 4 0.0447 0.0671 0.0523 0. 8 0.0674 0.0786 0.0153 0. 12 0.0387 0.0592 0.0069 0. 16 0.0360 0.0592 0.0034 0. Из таблицы видно: лучше всего с данной задачей справляется базовый метод с лагом 2. Улучшенный базовый метод даёт более подходящее разбиение;

при его использовании повышается прогнозируе мость работы модели, а фактическое значение до ходности меньше отклоняется от теоретического.

Проведём сравнение работы базового метода и его предложенной нами модификации при опти мизации портфеля из всех шести активов. Из трёх добавленных активов только у одного автокорреля ционная функция для второго лага совпадает по знаку с первыми тремя активами. То есть оснований для использования именно этого метода становится 34 БИЗНЕС ИНФОРМАТИКА №1–2008 г.

На графиках дополнительно показана линия частого изменения портфеля. Кроме того, на более планируемой доходности, а также теоретические длинных периодах лучше проявляются тенденции стандартные отклонения (пунктир). Из графиков рынка. Но не следует выбирать и слишком длин хорошо видно, что исходный метод (сверху) имеет ный период, чтобы иметь возможность контроли гораздо более сильные отклонения от планируемой ровать свои вложения.

доходности, чем улучшенный метод (снизу). 3. Анализ и практические рекомендации отно сительно метода кластеризации состояний рынка Заключение представлены в предыдущем разделе.

Рассмотренная нами модель адекватно описы 4. Протестировав модель, можно оценить ее вает российский рынок и может применяться на практическую работоспособность;

в случае необхо практике. Её применение можно чётко разделить димости – вернуться к предыдущим этапам, чтобы на этапы, которые не обязательно должны выпол что либо пересмотреть.

няться последовательно, так как могут влиять друг 5. Оценив работу модели, построив эффектив на друга. По каждому этапу можно дать следующие ный фронт и сравнив её показатели с показателями рекомендации. других инструментов, можно решить, стоит ли ис 1. При выборе активов нужно иметь достаточное пользовать модель для получения оптимальной количество данных по активам для анализа. Доход стратегии. В случае положительного решения ности активы могут влиять друг на друга, но не необходимо выбрать планируемый уровень доход слишком сильно. Лучше выбрать активы из различ ности.

ных отраслей. Разумно посмотреть на автокорреля 6. Используя модель, нужно помнить, что при ции доходностей активов. Если все выбранные ак превышении планируемой доходности модель на тивы имеют высокую автокорреляцию по одному чинает работать в обратную сторону. При возни из лагов, в дальнейшем это свойство может быть кновении такой ситуации можно увеличить плани использовано при построении состояний рынка. руемую доходность. Кроме того, всегда можно сно 2. Длину инвестиционного периода лучше вы ва провести оценку параметров модели, используя бирать не меньше недели;

более длинный период свежие данные (например, если глобальные тен снижает транзакционные издержки из за слишком денции рынка явно изменились).

Литература [1] akmak U., zekici S. Portfolio Optimization in Stochastic Markets. Mathematical Methods in Operation Research. 2006, 63: 151–168.

[2] Steinbach M. C. Markowitz revisited: mean variance models in financial portfolio analysis. Soc Ind Appl Math Rev. 2001, 43: 31–85.

[3] Li D., Ng W.L. Optimal dynamic portfolio selection: Multiperiod mean variance formulation. Math Finance. 2000, 10: 387–406.

[4] Орлов А.И. О проверке однородности двух независимых выборок. Заводская лаборатория. 2003, т.69, 1: 55–60.

ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ – ВЫСШАЯ ШКОЛА ЭКОНОМИКИ представляет свои периодические издания Издание освещает теоретические и прикладные проблемы россий ВОПРОСЫ ОБРАЗОВАНИЯ ского образования. Содержит статьи ведущих российских и зару ЕЖЕКВАРТАЛЬНЫЙ НАУЧНО ОБРАЗОВАТЕЛЬНЫЙ бежных ученых и экспертов. В каждом номере дискуссии, рецен зии, обзоры публикаций и законодательства в области образования.

ЖУРНАЛ Каталог Агентства «Роспечать» – индекс 82950 Объединенный Издается с 2004 г.

каталог «Пресса России» – индекс Главный редактор – Координаты редакции:

Ярослав Иванович Кузьминов 101990 Москва, ул. Мясницкая, 20, офис E mail: edu.joumal@hse.ru Тел: (495) 628 5102, 621 БИЗНЕС ИНФОРМАТИКА №1–2008 г.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.