WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Электронный адрес для связи с автором: ereshko РОССИЙСКАЯ АКАДЕМИЯ НАУК ВЫЧИСЛИТЕЛЬНЫЙ ЦЕНТР _ СООБЩЕНИЯ ПО ПРИКЛАДНОЙ МАТЕМАТИКЕ А.Ф. ЕРЕШКО МЕТОДЫ ДЕКОМПОЗИЦИИ И ЛОКАЛЬНО – ОПТИМАЛЬНЫЕ СТРАТЕГИИ В

ЗАДАЧАХ УПРАВЛЕНИЯ ПОРТФЕЛЕМ ЦЕН НЫХ БУМАГ ВЫЧИСЛИТЕЛЬНЫЙ ЦЕНТР РАН МОСКВА 2002 УДК 519.865 Ответственный редактор доктор физ. - мат. наук Г.А.Агасандян Рассматриваются задачи управления портфелем финансовых инструментов (активов и пассивов финансовых институтов, ценных бумаг) в динамической постановке. Работа состоит из двух частей.

В первой части содержится обзор развитой на Западе методо логии для выработки подходов к задаче управления портфелем фи нансовых инструментов, выбору критериев, генерированию сцена риев для случайных величин, выбору алгоритмов решения полу чающихся задач стохастического динамического управления.

Во второй части работы излагаются оригинальные результаты автора. Сформулирована двухкритериальная задача об управлении портфелем в динамике с целью максимизации ожидаемого дохода в конце процесса от вложенного капитала в начале и минимизации критерия допустимых потерь. Динамика портфеля записывается в переменных – количествах ценных бумаг в портфеле. Основные ре зультаты относятся к динамической задаче при наличии неопреде ленных факторов в виде марковского процесса. В такой постановке для решения задачи по выбору одной из паретовских точек в про странстве двух критериев применим формализм динамического про граммирования. Удается установить принцип линейного разложения оптимального результата текущей оптимальной оценки конечного результата и как следствие установить оптимальность простых стра тегий для задачи максимизации математического ожидания конеч ного результата. Предложены вычислительные процедуры прогонки, которые основываются на декомпозиции исходной задачи на слу чайный процесс и детерминированный.

Рецензенты: В.А. Ириков, В.В. Дикусар Научное издание Вычислительный центр им. А.А. Дородницына РАН, Введение Проблема управления портфелем ценных бумаг, активов и пассивов, финансовых инструментов является фундаментальной в финансовой теории и практике. По этой причине к ней было привле чено большое внимание в RAND Corporation, которая специализиро валась на стратегических исследованиях Западных экономик [1]. В то же время эта проблема как задача управления в условиях неопре деленности также относится и к фундаментальным проблемам в теории принятия решений [2, 3].

Исследования в этой области проводились такими крупными ученым как Р. Беллман, Дж. Данциг, Р. Мертон. Ученик Дж. Данци га – Г. Марковиц – исторически первым сформулировал задачу управления портфелем в статическом случае как задачу исследова ния операций и теории игр, основываясь на описании неопределен ности как случайного процесса и рассмотрев двухкритериальную задачу с критериями математического ожидания и дисперсии [4].

И для финансовой теории и для теории принятия решений ба зовой является ссылка авторов работ [5 – 10] на публикацию [4].

Первые публикации Г. Марковица вызвали большой поток ра бот как в финансовой литературе, так и в литературе по теории ис следования операций (см. рис. 1).

Исследования финансистов – экономистов были направлены на изучение различных содержательных интерпретаций и обобще ний. Так, в статическом случае были получены принципиальные ре зультаты, имевшие широкое практическое применение, например установлено свойство разложения оптимального портфеля на без рисковую и рисковую составляющие для важного частного случая наличия на рынке безрискового актива, исследованы фундаменталь ные свойства равновесного рынка оптимальных портфелей и т.д.

Усилия в исследовании операций, естественно, были направ лены на рассмотрение многокритериальных задач с большим числом критериев, на изучение и использование задач в динамической по становке, способах адекватного описания случайных процессов из менения цен, на разработку практически применимых численных методов для решения возникающих задач оптимизации большой размерности (см. работы [6 – 10]).

Несмотря на широкий фронт проведенных работ в этом на правлении, в портфельной теории остались неизученными некото рые аспекты моделирования процесса принятия решений, особенно связанные с оценкой риска в динамическом случае [10 – 12].

Настоящая работа относится к последнему направлению.

Цель работы состоит в использовании методов теории управ ления для решения динамических стохастических задач в дискрет ном времени, для исследования стратегий управления портфелем активов и пассивов и вообще финансовых инструментов в динами ческом случае. Основные результаты относятся к динамической за даче при наличии неопределенных факторов в виде марковского процесса и двухкритериальной задаче при учете риска в виде крите рия допустимых потерь и ожидаемом доходе как математическом ожидании. В такой постановке для решения задачи по выбору одной из паретовских точек применим формализм динамического про граммирования. Удается установить принцип линейного разложения оптимального результата текущей оптимальной оценки конечного результата и как следствие установить оптимальность простых стра тегий для задачи максимизации математического ожидания конеч ного результата.

Как известно [10], существует два подхода к задачам управле ния портфелем ценных бумаг: технический анализ и фундаменталь ный. Первый характеризуется тем, что реакции лица, принимающего решения, на меняющуюся обстановку – динамику цен – основыва ются на формальном или неформальном анализе и обработке исто рических рядов наблюдения. Второй подход при выработке рацио нального решения базируется на макроэкономическом анализе фак торов, определяющих развитие рынка, и уже на основе экономиче ского анализа формулируется стратегия поведения финансового участника операции. По этой финансовой классификации работа относится скорее к техническому анализу. Применение данного тех нического подхода имеет большую литературу на Западе и большое поле для применения, особенно в современных условиях быстрого развития вычислительных мощностей и алгоритмов, позволяющих решать задачи большой размерности. Вычислительные аспекты со временного состояния теории управления портфелем в случае ста тических задач большой размерности содержатся в обзоре Г. Марко вица [13].

Основные проблемы, которые возникают в процессе исполь зования динамических моделей управления портфелем ценных бу маг, весьма подробно описаны в книге [14].

Настоящая работа состоит из двух частей.

В первой части (гл. 1) приведен (с отдельными комментария ми) обзор существующего состояния дел в этой области, опираю щийся на статьи [15, 16] и статьи отечественных авторов.

Во второй части (гл. 2) приводятся оригинальные результаты автора, развивающие результаты работы [17]. Основное внимание уделяется постановке задачи управления с двумя критериями (мате матическим ожиданием и критерием допустимых потерь) и вопросу эффективного решения задачи в случае одного критерия – матема тического ожидания конечного результата. Последняя задача харак терна для случая управления портфелем дисконтных облигаций.

Глава 1.

Обзор достигнутых результатов в сфере применения сис тем управления активами и пассивами §1. Обзор Западного опыта 1.1. Общие замечания Динамические модели управления активами и обязательства ми (ALM) нашли свое наиболее успешное применение в сфере дол госрочного финансового планирования, где необходимость неодно кратного принятия решений определяется существом процесса.

Примеры работы методики ALM включают такие реализован ные модели, как модель Frank Russel Company для “Мицубиси” [18], модели для Швейцарского банка, для пенсионных фондов, страхо вых компаний и ряд других применений, описанных в литературе.

Данный краткий обзор посвящен использованию математиче ских моделей и соответствующих вычислительных комплексов для выбора оптимальной инвестиционной политики долгосрочных инве сторов. При этом учитывается, что ограничения институционально го характера, финансовые потоки со своими неопределенностями, операционные издержки, налогообложение и тому подобное явля ются главными моментами в практическом финансовом планирова нии.

Пользователи Описываемые далее области применений включают в себя пенсионные программы, страховые компании, инвестиционные конгломераты, банки, университетские фонды, сбережения состоя тельных физических лиц и простых граждан. Эти инвесторы имеют различные собственные цели и обязательства. В процессе принятия инвестиционных решений возникают риски, которые должны изме ряться в контексте той финансовой ситуации, в которой оказалась организация или физическое лицо.

Трудности внедрения Несмотря на очевидность того, что решения о распределении и перераспределении активов имеют существенное значение для ин весторов с диверсифицированными портфелями, многие инвесторы не проводят управление путем активного комбинирования своих стратегических активов. Почему же эти инвесторы игнорируют стратегическое планирование? Причина в следующем.

Имеются лишь немногие компьютерные системы для оценки решений по размещению активов. Для анализа необходимо учиты вать единственный в своем роде многочисленный набор преходящих обстоятельств инвестора, и существующие системы не позволяют охватить все это разнообразие. Так, для каждого инвестора должен быть построен уникальный сценарий развития событий, который должен быть логически непротиворечивым и основываться на здра вых экономических принципах. Параметры генератора сценариев должны подгоняться к архивной базе данных и к опыту прошлого развития. Стохастическая модель должна принимать в расчет из менчивость экономических условий, например изменение процент ных ставок и валютное регулирование. Поведение конкретного ин вестора и расположенность его к риску тоже должны приниматься в расчет. Оптимизационная модель должна учитывать управление ак тивами, обязательствами и целевыми выплатами, растянутыми во времени. Все это представляет собой сложную техническую задачу объединения всех перечисленных элементов в единую систему сто хастической оптимизации.

Практические приемы У крупных инвесторов управление активами, т.е. перераспре деление их между различными инвестиционными инструментами, обычно состоит из двух шагов. Сначала задаются гарантированные контрольные величины для главных категорий активов (крупные вложения в акционерный капитал, активы, приравненные к налич ности, облигации, ценные бумаги обращающиеся на международ ных рынках и т.д.). После того как такие контрольные значения ус тановлены, инвестор (или инвестиционный комитет) нанимает ме неджеров, которые пытаются “превзойти индексы”. Они могут, на пример, покупать бумаги индексных фондов. (Индексный фонд – взаимный инвестиционный фонд, портфель которого привязан к оп ределенному фондовому индексу, и капиталовложения делаются в ценные бумаги, входящие в данный индекс.) Обычно около одной четверти активных менеджеров “побивали опорные ставки”, но на пример с 1996 г. по 1998 г. в игре на широко распространенный ин декс S&P 500 таких менеджеров было намного меньше. (Составной индекс S&P 500 из 500 акций, рассчитываемый и публикуемый агентством “Стандард энд Пурз”, – один из важнейших фондовых индексов США: 80 % стоимости ценных бумаг на Нью-йоркской бирже;

включает акции 400 промышленных, 20 транспортных, финансовых, 40 коммунальных компаний;

цены взвешиваются в со ответствии с количеством акций каждой компании, т.е. влияние ка ждой акции пропорционально капитализации компании;

индекс рас считывается непрерывно;

базовый период 1941–1943 гг.;

базовое значение – 10.) Активным менеджерам надлежит достигнуть или превзойти свой индекс, в противным случае они окажутся перед ли цом увольнения. Портфельному менеджеру обычно дается несколь ко лет работы, чтобы убедиться в его профессиональной квалифика ции и снизить шансы на наличие случайной удачи в результатах его управления.

Периодически к вопросу стратегического размещения ценных бумаг возвращаются снова. Как правило, оценка качества решений по размещению финансовых средств дается, по крайней мере, раз в год на заседании совета директоров компании. В частности, этот во прос исследуется в [19]. Рассматривается семь репрезентативных американских клиентов компании “Фрэнк Рассел”, которые дли тельное время использовали профессиональных финансовых менед жеров, чьей целью было “побить опорные ставки с уменьшенным (пониженным) риском” на протяжении 16 кварталов, начиная с ян варя 1985 г. и кончая декабрем 1988 г. Определенный набор ценных бумаг с фиксированной структурой включал в себя: 50% обыкно венных акций американских компаний, 5% обыкновенных акций неамериканских компаний, 30% бумаг с фиксированным доходом (облигации и привилегированные акции, которые приносят фикси рованную ставку процента или дивиденда;

они более привлекатель ны в период низкой инфляции), 5% бумаг от вложений в недвижи мость и 10% активов, приравненных к наличности. Набор формиро вался заново ежеквартально. Результаты, полученные исследовате лями, показывают, что такая “наивная политика” размещения средств сопровождается большой волатильностью (дисперсия целе вой функции к году).

Оценки погрешностей Статьи [20 – 22] касаются статических задач выбора портфеля при целевой функции в виде линейной комбинации среднего и дис персии. В [20] показывается, что ошибки в оценке среднего значения оказывают решающее воздействие на точность формирования порт феля. При этом погрешности в оценке средних оказываются прибли зительно в десять раз более существеннее, чем погрешности в оцен ке дисперсии. В [21] проводится дальнейшее изучение этой темы, рассматриваются способы отбора входной и выходной информации с целью получения лучших инвестиционных решений. В [22] разра ботана модель, которая позволяет проследить по истечении некото рого времени за воздействием различных источников на “результат работы” данного портфеля. А именно, капитал распределяется меж ду разными портфелями: ранее предполагавшихся оптимальными, портфелями, интуитивно предпочитаемыми экспертами – менедже рами, портфелями, находящимися под воздействием юридических, политических, диверсификационных и иных ограничений.

Риски Развитие стохастических моделей многошагового управления активами приводит к улучшению статических стратегий. Вместо прежнего, пассивного управления в интервале времени между засе даниями инвестиционного комитета методы динамического пере распределения активов позволяют постоянно держать портфель со ответствующий изменяющимся внешним условиям. Во многих статьях указанного сборника работ [14] демонстрируется превосход ство стохастических динамических моделей над стратегиями с фик сированной структурой портфеля, стратегиями купли – владения и т.п. (Стратегия купли – владения – инвестиционная стратегия, за ключающаяся в покупке и владении акциями определенной компа нии на протяжении длительного срока.) Динамические стратегии формально устанавливают взаимоотношение между рисками, кото рым подвергнуты активы и обязательства, и достижением финансо вых целей.

Необходимо установить различие между внутренним и ситуа тивным риском. Внутренний риск относится к отдельно взятой раз новидности ценных бумаг, например к акциям “Майкрософта”. Цена этих акций может увеличиваться или уменьшаться вслед за движе нием рынка. Такой риск не может быть устранен с помощью дивер сификационных стратегий инвесторов, вкладывающих средства только в покупку активов. В противоположность этому риски, не имеющие отношения к движениям рынка, а именно несистемные риски (называемые также нерыночными), могут быть уменьшены с помощью диверсификации. Для инвесторов, имеющих долгосроч ные финансовые обязательства, рыночные риски могут быть умень шены, поскольку финансовое благополучие долгосрочных инвесто ров является функцией не только лишь активов, но также и других факторов, среди которых находятся пассивы, процентные ставки (через посредство дисконтирования), целевые выплаты, возможная инфляция.

Классическая общепринятая формула для определения финан сового благополучия выглядит следующим образом:

Богатство (Wealth) = Активы – Пассивы.

Мы определим альтернативную меру финансовой устойчиво сти под названием “избыточное богатство”, которая показывает фи нансовое положение данного инвестора по отношению к своим фи нансовым обязательствам и своим целевым задачам.

Избыточное Богатство = Активы – Пассивы (задолженность) – Пассивы (целевое финансирование).

Положительный избыток (положительное сальдо) показывает, что данный инвестор, вероятно, справится с будущими финансовы ми обязательствами наряду с финансированием своих целевых за дач. А отрицательное сальдо предвещает противоположное, и инве стору следовало бы переоценить свое финансовое положение.

Приведем схему оценки рисков.

Чтобы рассчитать избыточное богатство, мы должны расши рить рамки традиционных понятий активов и пассивов. Должны быть построены модели целевых – выплат. Замысел заключается в восхождении по ступеням “эскалации риска” (показанном на схеме), в процессе которого система управления активами и пассивами ох ватывает все больше и больше деталей, чтобы более репрезентатив но отображать финансовые условия инвестора. На верхней ступень ке “лестницы риска” избыточное богатство оценивается по методике “Совокупного интегрированного управления риском” TIRM [23]:

Ступень 5: Тотально-интегральное управления рисками.

Ступень 4: Динамическое управление активами и пассивами.

Ступень 3: Динамическое распределение активов.

Ступень 2: Статические портфели активов.

Ступень 1: Калькуляция цены на отдельную разновидность ценной бумаги.

Области применения Заслуживают внимания следующие области применения:

• Пенсионные программы.

Специалисты по актуарным расчетам делают оценку пенсион ных планов в долгосрочном аспекте с точки зрения будущих взносов в пенсионные фонды, предполагаемых выплат выгодоприобретате лям и других будущих неопределенностей.

• Страховые компании.

Аналогично деятельности администрации пенсионных про грамм, деятельность страховых компаний требует активной полити ки управления при жестком государственном регулировании. При меры методики ALM в области страхового дела широко представле ны в [14].

• Банки.

Банки медленно реализуют на стратегическом уровне интег рированные системы управления рисками, несмотря на тяжелые проблемы, возникшие вследствие кризиса ссудно – сберегательной системы в США в 1980 гг. и банковский кризис в Японии в 1990 гг.

Последний был вызван сильным спадом на земельном и фондовом рынках из-за завышенных оценок недвижимости и высоких про центных ставок. Первый кризис вызвали те аспекты государственно го регулирования, что касались взаимоотношений фиксированных и плавающих процентных ставок. По поводу анализа этих кризисных ситуации см. соответственно [24 – 26]. Размещение финансовых средств все чаще основывают на показателе риска, носящего назва ние “стоимость, подвергнутая риску, Value at Risk (VaR)”, или кри терий допустимых потерь.

• Управление портфелями ценных бумаг и взаимными фонда ми.

Взаимный фонд – паевой инвестиционный фонд открытого типа, дающий инвесторам доступ к более высоким рыночным про центным ставкам, возможность диверсифицировать риск и эконо мить на брокерских комиссионных. Многие фондовые менеджеры таких фондов стремятся превзойти какой-нибудь специфический индекс типа упомянутого выше S&P 500 или “Рассел 2000”. (Индек сы Рассела – взвешенные индексы рыночной капитализации, кото рые публикуются компанией Франка Рассела в США. Существуют индексы 3000, 2500, 2000, 1000, 500 и т.д. акций) • Физические лица.

Отдельные лица могут извлекать выгоду, осуществляя управ ление активами и используя при этом динамические стратегии. В статье [27] описана система многошагового управления активами и пассивами, предназначенная для отдельных лиц, которые произво дят выбор оптимальных решений. В работе [28] описывается реали зованная система, применявшаяся для индивидуальных клиентов крупного итальянского Банка Фидеурам в Риме, где использовалось многопериодное стохастическое программирование.

• Университетские фонды.

По самой своей природе университеты должны рассматривать долгосрочную перспективу, когда им приходится управлять актива ми собственных фондов. Это обсуждается в статье Р. Мертона [29].

Основная идея статьи: нужно размещать активы таким образом, что бы использовать благоприятные инвестиционные возможности, ко торое тесно связаны с платежными обязательствами и финансовыми целями, уменьшая при этом риски. Примером здесь может послу жить вложение средств в недвижимость для обеспечения жильем профессорско-преподавательского состава университета в окрестно сти, окружающей университет. Подобное инвестирование служит двум целям. Во-первых, оно сохраняет территориальную целост ность – это достойная цель. Во-вторых, оно помогает компенсиро вать расходы на жилье преподавателям. Иначе говоря, в качестве добавки к их жалованию субсидируются их жилищные расходы.

• Страхование в промышленности.

Еще одна область применения связана со страхованием про мышленных и других крупных предприятий, имеющих “катастрофные” риски потери собственности. В этом случае актива ми являются главные составные части работающего капитала ком пании. Выплаты задолженности относятся к решениям по заимство ванию. Целевыми выплатами могут быть выплата дивидендов, по купка других компаний и т.д. В результате появляется обширная система управления риском предприятия, выстроенная вокруг гене ратора сценариев и многошаговой оптимизационной модели. Через посредство управления риском решения по страхованию делаются на самом высоком корпоративном уровне. Страхование в этом слу чае позволяет прогнозировать будущие прибыли более определенно.

Решения такого рода является примером финансовой инженерии [30].

1.2. Структура модели Процесс инвестирования состоит из t 1,2,K,T временных шагов. Первый начинается с текущей даты. Конец периода планиро вания T называют горизонтом планирования. Обычно он отражает некую точку, в которой инвестор имеет определенный конечный замысел планирования. Например, это может быть дата погашения какого-то значительного долга.

В некоторых моделях учитываются краевые эффекты, связан ные с финансовой деятельностью в моменты T +1,K ;

см. [31, 32] об общей методике и [33] о применении этой методики в модели Russell-Yasuda Kasai, обсуждаемой в статье [34]. Например, при оп тимизационном подходе в некоторых задачах предполагают, что двойственные цены в моменты T +1,K за горизонтом планирова ния возрастают по отношению к процентной ставке. Это добавляет еще одно ограничение в модели для финансовых переменных.

В начале каждого шага инвестор выбирает решение, принимая во внимание совокупность активов, пассивов и целевых финансовых выплат. Кроме того, требуется учитывать неопределенные факторы и связи между ними. Например, состояние фондового рынка и до ходность облигаций коррелированны.

При (количественном) анализе можно использовать систему стохастических дифференциальных уравнений для моделирования изменений стохастических параметров как функции времени в мо делях установления цен на активы. Тем самым набор ключевых эко номических факторов соотносится с остальными переменными мо дели, такими как показатели доходности активов и пассивов (см., например, систему Тауэра – Перрина под названием “CAP:Link”, обсуждаемую в работах [35 – 37]).

Основными переменными при принятии решений являются:

s xs – инвестиция в актив, yk,t – долговая выплата, uls – целевой j,t,t платеж. Эти величины соответствуют моменту времени t по сцена рию s.

В каждый момент времени в модели состояние оценивается некоторой целевой функцией, а управление осуществляется путем перераспределения между категориями активов, корректировки вы плат задолженности и осуществления заданных целевых выплат.

Выбор целевой функции представляет особый интерес (см. соответ ствующий раздел).

Кроме того, налагаются ограничения на динамический про цесс: это задание предельных долей заемных средств, указание опе рационных издержек при купле/продаже ценных бумаг и финансо вых инструментов, иные ограничения. Имеются несколько подходов к включению ограничений в состав модели. Указанные ограничения создают новые предпочтения в дополнение к целевой функции. На пример, возникает полезность от ограничений на выплату задол женностей. Эти ограничения также изменяют вид целевой функции, которая во многих случаях, скажем, как в моделях Frank Russell Company, является просто максимальным значением ожидаемого конечного богатства (имеется в виду богатство за вычетом выпла ченных неустоек и издержек связанных с прохождением текущих платежей и поступлений и т.д.).

Наша цель состоит в отыскании допустимой точки, где дости гает максимального значения целевая функция, рассматриваемая как функция времени. Поскольку мы имеем дело с неопределенностями во времени, оптимальное решение будет выбираться из множества путей изменения богатства инвестора (вместо последнего можно пользоваться другими показателями, например упомянутым выше “избыточным богатством”).

Уравнения для финансовых потоков Имеется два основных уравнения для финансовых потоков.

Для активов j -й категории xs (xs + rjs ) ps (1+ t ) + qs (1 t+ ), j,t+1 j,t,s j,t j j,t j где j – актив, t – время, s – сценарий, rjs – прибыль от актива j,,s ps – объем продаж актива j, qs – объем покупок актива j, t – j,t j,t j издержки по купле-продаже актива j для момента времени t по сценарию s.

Для потока платежей и поступлений s s s xls (xls + rls ) + ps (1 t ) +Wts yk,t,,t +1,t,s qj,t j,t j ul,t j j k l где Wts – приток поступлений в момент t по сценарию s, и поступ ление образует актив категории l.

Принципиально для многошаговой модели ограничение вида 1 xs xs для всех сценариев s1 и s2, унаследовавших общее про j,t j,t шлое вплоть до момента t. Иначе говоря, все сравниваемые вариан ты должны иметь одинаковые предыдущие решения [38].

Целевые функции Важным составным элементом управления активами и пасси вами является нахождение компромисса между риском и денежным выигрышем (в случае принятия уровня риска).

Общепринятая теория размещения активов основывается на теории установления цен на капитальные активы (CAPM) или на арбитражной теории ценообразования, о которых говорится в стать ях [39 – 41]. В работе [40] утверждается, что шесть фундаменталь ных факторов риска – четыре для акций и два для облигаций – объ ясняют собой большую долю обычной волатильности отдельно взя тых международных акций и облигаций. Транснациональные со ставляющие факторов риска действуют сильнее в странах Европей ского союза, чем где бы то ни было. В работе [41] приводится обзор моделей образования цен на активы с учетом факторов риска.

Существуют многочисленные способы оценки финансовых рисков, точно так же как существуют альтернативные способы из мерения прибыльности.

Расчет кривых распределения связывает вместе главные неоп ределенности в любой финансовой организации. Имея в руках функции распределения, мы сможем оценивать не только риски, но и потенциал денежных вознаграждений за их принятие. Обычно мы оцениваем вознаграждение как его ожидаемое значение. Тогда, при быль или убытки в следующем году: pszs, где p – вероятность S s S s реализации сценария s, z – прибыль или убытки по сценарию s, а S – множество репрезентативных сценариев.

Имеются два базовых подхода к выбору целевой функции.

Во-первых, мы можем применить классическую теорию фон Неймана-Моргенштерна.

В соответствии с постулатами этой теории в условиях неопре деленности модель оптимизации имеет вид max E(v(w)) psu(ws ), s где u(ws ) – функция предпочтения фон Неймана – Моргенштерна, ws – богатство инвестора по сценарию s, а ps – вероятность реа лизации сценария s.

Во-вторых, мы можем подогнать параметры классической функции полезности под характеристики выходных переменных мо дели. Общепринятый подход состоит в выборе набора показателей, отражающих степень удовлетворения пожеланий инвестора. Напри мер, можно определить риск как волатильность капиталоотдачи портфеля ценных бумаг, можно налагать штрафы на отклонения вы бранных характеристик капитала в некоторые моменты времени от заданных величин и т.д. Штрафам можно приписывать определен ные веса, чтобы отразить их относительную важность. Тем целевым выплатам и выплатам задолженностей, которые более “чувствительны” ко времени выплаты, может быть назначен более высокий приоритет, чем менее критичным целевым выплатам. Це левая функция в этом случае будет иметь вид max f (x) max{ 1g1(x) + 2g2 (x) +K + k gk (x)}, где gi (x) показатель, относящийся к i -й выплате, а i – коэффи циент относительной важности для i -й цели.

Выбор целей и установка приоритетов являются сложной за дачей удовлетворения привычек, склонностей, меняющихся во вре мени вкусов и мотивов.

У каждой теории имеются многочисленные варианты, которые могут использоваться в конкретных прикладных задачах в зависи мости от особенностей ситуации.

1.3. Основные подходы к решению задач Для решения задач управления общей является последова тельность шагов: генерирование стохастических параметров, выра ботка целевых установок на весь плановый период, выбор алгоритма решения сформулированной задачи, содержательный анализ полу ченных результатов.

В рассматриваемых работах для решения задач управления ак тивами и пассивами широко используется четыре основных подхо да: решающие правила, наращивание капитала, стохастическое управление, стохастическое программирование.

Решающие правила Решающим правилом выбора стратегий является функция для расчета значений инвестиций, выплат и других финансовых показа телей в каждый элементарный период времени t. Рассматриваются управляющие функции вида x h(as,bs,K ), j,t j,t j,t где a, b – параметры, описывающие развитие процесса. Перемен ные проиндексированы моментом времени и номером характери стики, но необязательно индексом сценария.

Простым примером служат стратегии с фиксированной струк турой активов. В конце каждого периода времени инвестор продает переоцененные активы и покупает недооцененные активы, сохраняя при этом целевой уровень соотношения категорий активов, напри мер 60 % акций – 40 % облигаций. Правило фиксированной струк туры записывается следующим образом xs j,t e, j xs j,t j где e – фиксированная доля актива j.

j Решающие правила в таком виде легко реализуемы и удобны для использования. В работе [14] отмечено, что стратегии с фикси рованной структурой снижают риск и улучшают капиталоотдачу по сравнению с пассивной стратегией купли – владения. Имея несколь ко решающих правил, инвестор в состоянии построить многопери одную модель управления активами и пассивами для оптимизации некоторой целевой функции. Однако такие оптимизационные задачи (сравнительно небольшие по объему вычислений) зачастую приво дят к невыпуклым моделям и к необходимости решения глобально оптимальных задач.

Наращивание капитала Данная стратегия определяется как локально – оптимальная стратегия, когда потенциальный инвестор, стремясь максимизиро вать долгосрочный рост активов, оптимизирует активное богатство шаг за шагом, принимая некоторую функцию полезности. В работе [42] показано, что при определенных допущениях это достигается путем максимизации ожидаемого значения логарифма активного богатства. В работе показано, что такая стратегия на самом деле асимптотически максимизирует долгосрочное активное богатство и минимизирует время достижения одной специфической цели для целевых выплат. При всех своих достоинствах крупным недостат ком данного подхода является тот факт, что стремление к локально му наивысшему темпу роста капитала сопровождается колебаниям богатства с большой волатильностью. К настоящему времени разра ботаны различные модификации данного подхода, что позволило получить неплохие результаты долгосрочного инвестирования на основе архивных данных для США в период с 1934г. по 1988 г. [43].

Как показал анализ рынка, эти стратегии помогли сделать множест во больших личных состояний для лиц, которые не побоялись при нять на себя значительный риск.

Стохастическое управление Данный подход восходит к работам [44 – 46]. Ключевая идея подхода состоит в использовании уравнений в непрерывном време ни для описания динамики изменения финансовых переменных: цен на активы, потока платежей и т.д. В качестве критерия оптимально сти рассматривается интегральный показатель математического ожидания функции полезности в полном соответствии с классиче скими аксиомами фон Неймана – Моргенштерна. В работе [15] от мечаются классы задач, для которых применение данного подхода оказывается успешным. В частности, в статье [47, 48] используется модель с непрерывным временем мертоновского типа, где капитало отдача активов зависит от таких фундаментальных факторов, как процентные ставки, дивидендный доход, отношение P / E цены ак ции к ее доходу и т.п. Показывается, что высокодоходные активы с повышенным риском представляются более безопасными, если го ризонт управления более удаленный.

Стохастическое программирование Задачи стохастического программирования возникают при ис пользовании процессов с дискретным временем для описания изме нений финансовых переменных в динамике. Ключевая идея состоит в генерировании множества сценариев реализации случайных пара метров в виде дерева и выборе управлений в вершинах дерева. Это му подходу будет уделено основное внимание в настоящей работе.

Практическое использование подхода стохастического программи рования позволяет учитывать в моделях разнообразные обстоятель ства.

В работе [15], опираясь на опыт коллектива исследователей Frank Russell Company, приводится перечень тех возможных харак теристик, которые могут быть учтены в многошаговых моделях сто хастического программирования:

• Наличие многих периодов принятия решений;

краевые эф фекты задаются в виде наступления некоторого стационарного со стояния за горизонтом планирования.

• Согласованность с экономической и финансовой теорией.

• Дискретные сценарии для случайных переменных: капитало отдачи, стоимости задолженности, динамики валютных курсов и т.д.

• Учет дополнительных стохастических характеристик.

• Институциональные, юридические и политические ограни чения.

• Наложение штрафов за нарушение целевых ограничений.

• Компромисс между краткосрочными, среднесрочными и долгосрочными целями.

• Моделирование производных финансовых инструментов и неликвидных активов.

• Моделирование операционных издержек, налогов и т.д.

• Разнообразное описание риска в терминах, понятных для лиц, принимающих решения.

• Максимизация ожидаемой полезности финального богатства за вычетом стоимости штрафов и неустоек.

Приобретенный к настоящему времени опыт позволяет решать весьма реалистичные многопериодные задачи на рабочих станциях с использованием алгоритмов математического программирования. В [34, 49 – 52] приводятся примеры успешного применения модели.

Так, в работе [34] на простой трехпериодной модели, использовав шейся на протяжении пяти лет, демонстрируется, каким образом претерпевает изменения стратегия с течением времени и в процессе выявления характеристик неопределенности.

Плюсы и минусы четырех подходов Каждый из четырех подходов к динамическому инвестирова нию имеет в себе нечто привлекательное. Решающие правила гораз до проще для реализации, а соответствующие оптимизационные за дачи не заставляют нас прибегать к крупномасштабным процедурам линейного и нелинейного программирования. Они могут быть без труда протестированы на выбранных сценариях (путем имитации) и обеспечивают приемлемые доверительные интервалы для рекомен даций. Они интуитивно ясны для большинства профессиональных инвесторов. Однако они способны привести к невыпуклым моделям оптимизации, которые требуют интенсивных расчетов для нахожде ния глобально-оптимального решения. Кроме того, правила, естест венно, могут привести к субоптимальному поведению. Стохастиче ское программирование дает основу для построения моделей общего назначения, которые могут принимать во внимание особенности ре ального мира, такие как ограничения на оборотные средства опера ционные издержки, неприятие риска, налоги, предельные ограниче ния на группы активов и иные соображения. Оно требует высокоэф фективных алгоритмов для решения задач из-за огромного числа переменных, участвующих в решении, особенно в многошаговых задачах с четырьмя и более этапами. Типичные прикладные модели исследовательской группы компании Фрэнка Рассела [14] являются пятиэтапными. Рекомендации группы могут подвергаться практиче ской проверке, однако вычислительные издержки здесь настолько высоки, что он оказывается практически неприемлемым для многих пользователей. Лимитирующим фактором является и выбор сцена риев на основе стохастической модели.

Модели наращивания капитала приводят к высокому росту ак тивов, однако, при наличии значительного риска. Когда контроль политики наращивания капитала производится посредством моди фицированных стратегий, такая политика приводит к выбору между потерей на одной ценной бумаге и приобретением на другой ценной бумаге, что в итоге обеспечивает повышенный рост капитала. Одна ко процесс генерирования активов в модели должен быть простым, с простыми соображениями в отношении пассивов. Здесь сравнитель но нетрудно получать решения, если данные имеются в наличии.

Политика выбора имеет тенденцию концентрироваться на неболь шом числе лучших активов и, следовательно, может быть недоста точно диверсифицирована. Кроме того, как и при стохастическом управлении, политика распределения капитала по активам здесь весьма чувствительна к входным параметрам.

Стохастическое управление – это еще одна общая схема для решения задач общего характера. Он применим к тем задачам, где можно реально оперировать в пространстве состояний, т.е. к задачам с тремя или четырьмя (самое большое) переменными. Как и при стохастическом программировании, трудно сгенерировать довери тельные пределы. Ошибки моделирования могут также возникать из-за аппроксимации в пространстве состояний. Трудность в точном определении общих ограничений на процесс сужает область прило жений метода стохастического контроля. Однако метод имеет кон цептуальное превосходство над стохастическим программированием (в тех случаях, когда метод может быть реализован на практике), потому что здесь нет необходимости в выборочных сценариях. Тре буется многое сделать, чтобы воплотить в жизнь лишь только моде ли для одних активов на базе существующей теории, в частности для случая ограничений на веса активов, – не говоря уже о разработке теории и приложений для управления активами и пассивами.

Подводя итог, мы констатируем, что среди четырех кандида тов нет явно выраженного победителя. Мы предлагаем, чтобы инве сторы начинали свои расчеты сразу на нескольких конкурирующих моделях и правилах принятия решений. Их можно без труда реали зовать и оптимизировать. Избранные решающие правила могут слу жить отправными точками и ориентирами для более сложных моде лей стохастического программирования и стохастического контроля.

Можно также сочетать модели стохастического программирования и решающие правила для получения оценок доверительных интерва лов при выдаче рекомендаций после моделирования. Желательны также и модели, комбинирующие элементы всех четырех описанных выше подходов.

1.4. Генерирование сценариев Решающий аспект использования систем управления активами и пассивами связан с моделированием базовых стохастических па раметров, таких как процентные ставки, показатели инфляции и до ходности ценных бумаг. Любой сценарий описывает отдельно взя тый, логически последовательный набор значений параметров на протяжении всего планового периода. Коэффициенты должны быть внутренне согласованы в рамках единого сценария. Например, до ходы на облигацию должны соответствовать изменениям процент ных ставок. (См. статью [53] по поводу однофакторной модели про центной ставки, которая была использована в многопериодном сто хастическом программировании.) Барицентрическая аппроксимация этого процесса порождает дерево сценариев, где по каждому сцена рию принимают в расчет разнообразные подвижки временной структуры. (Временная структура процентных ставок – система взаимосвязей между процентными ставками по определенному фи нансовому инструменту на разные сроки.) Эмпирические результаты установлены для шести – и восьмипериодных моделей (см. также [51, 52] по поводу подходов к генерированию дискретных сценариев на основе многомерных логарифмически-нормальных распределе ний). Доходы по валютным активам должны генерироваться с по мощью динамики валютного рынка (см., например, статьи [54 – 57]).

Принцип адекватности модели требует, чтобы небольшая совокуп ность экономических факторов определяла последующие результа ты, как это записано ниже.

Экономические факторы (например, процентные ставки) – до ходы по активам, поток платежей по задолженностям, учетные став ки и приведенная стоимость обязательств.

Поскольку подсчет избыточного богатства требует одновре менного вычисления значения стоимости активов за вычетом теку щей стоимости обязательств по какому-то заданному сценарию, не обходимо описать такое движение процентных ставок, какое напря мую связано с доходностью активов, включая сюда государственные и корпоративные облигации. В общем случае предполагается, что процентные ставки отслеживаются и контролируются центральными банками, по крайней мере, стран Большой семерки.

Другая проблема, возникающая при выборе сценариев, состо ит в необходимости строить дерево сценариев, когда речь идет об использовании моделей стохастического программирования. Такой проблемы нет при использовании решающих правил.

Оценивание “тяжелых хвостов” распределений, характерных для рынка активов, может быть проделано несколькими способами.

Например, обработка статистических данных за 105 лет функциони рования фондового рынка показала, что такие “хвосты” лучше всего описываются распределением Фреше [58]. Метод, использующий различие в ценах исполнения на опционы колл и пут в один и тот же момент времени, показал, что “хвосты” стали “тяжелее” после бир жевого краха 1987 г. [59].

Существенное значение для постоптимального анализа имеет оценка чувствительности оптимальных значений критериев эффек тивности к параметрам сценариев, что может выполняться, напри мер, с путем варьирования сценариев в моделях стохастического программирования.

Корреляции играют существенную роль в построении дивер сифицированных портфелей. Оценивание этих характеристик обыч но проделывают, используя исторические ряды прошлых данных.

Когда наступают экстремальные события, здесь возникают пробле мы, поскольку корреляции возникают именно во время напряжен ных периодов. Например, за семь лет вплоть до биржевого краха в октябре 1987 г. любая выборка из двадцати трех наиболее важных стран никогда не имела все показатели капиталоотдачи положитель но коррелированными за любой отдельно взятый месяц. Однако это произошло в октябре 1987 г.

Наконец, агрегирование переменных и представление сцена риев являются важнейшими частями работы при построении моде ли.

1.5. Алгоритмы решения Стохастическое программирование Вычислительные трудности возникают из-за свойств дерева сценариев, лежащего в основе подхода стохастического программи рования. Число переменных, участвующих в решении, нарастает экспоненциально. В большинстве случаев можно обрезать дерево, намеренно сокращая число ветвей, исходящих из вершин, особенно для вершин, расположенных ближе к горизонту планирования.

Основные алгоритмы для получения решений в стохастиче ском программировании распадаются на три группы: прямые мето ды, прежде всего методы внутренней точки, методы декомпозиции Бандерса и методы декомпозиции на основе модифицированных функций Лагранжа. Эти методы высокоэффективны и используют специфику древовидной структуры множества сценариев. В настоя щее время возможно решать задачи нелинейного стохастического программирования с числом сценариев свыше 10000. И что более важно, время счета по программе является линейной функцией чис ла сценариев. Таким образом, учитывая рост быстродействия ком пьютеров на 40 – 50 % в год, можно наращивать размерность задач стохастического программирования аналогичным образом. В то же время отметим, что необходим компромисс между реалистичностью модели и удобством ее использования.

Оптимальные решающие правила Главная вычислительная трудность при решении оптимизаци онных задач в моделях на основе решающих правил вызвана невы пуклостью. Затруднительно напрямую использовать стандартные алгоритмы нелинейного программирования, поскольку они ориен тированы на поиск только точек локального оптимума. Обычно по вторно запускают алгоритм из множества случайно выбранных то чек и сравнивают полученные оптимальные значения. В качестве альтернативы можно пытаться использовать любые методы гло бальной оптимизации, ограничиваясь решением задач с умеренным числом переменных.

Наращивание капитала Этими моделями описываются набор однопериодных статиче ских представлений о выборе из одних активов, меняющихся с тече нием времени. В этих случаях оптимизация связана с нахождением оптимума вогнутой функции на выпуклом многограннике или в об щем случае на выпуклом множестве, а следовательно, могут привле каться стандартные программы нелинейного программирования.

Стохастическое управление После того как пространство переменных определено (как правило, не более четырех), непрерывная задача разрешается с по мощью стандартных подходов, таких как метод динамического про граммирования или метод конечных разностей. Варианты инвести ционной политики, получаемые из этих моделей, выражаются в виде долей активов, входящих в портфель, которые резко меняются во времени, что очень сильно влияет на оценки среднего значения, ко торые модель и пытается предсказать. Тем не менее модели стохас тического управления обеспечивают обоснование для некоторых классов решающих правил.

1.6. Перспективы на будущее Итак, приведен обзор сферы применения систем динамическо го стохастического управления активами и пассивами. Предложено четыре альтернативных подхода к моделированию: многошаговые решающие правила, стохастическое программирование, наращива ние капитала и стохастическое управление. Каждый подход имеет свои преимущества над другими, и ясно, что среди них нет наилуч шего. Кроме того, на практике широко применяются имитационное моделирование и варианты модели “среднего – дисперсии” (типа Марковица). Весьма значительные суммы ставятся на карту, когда разрабатываются стратегические планы для инвесторов с портфеля ми ценных бумаг, стоящих миллиарды долларов. Малый процент ный доход, накапливаясь в течение ряда лет в виде сложных процен тов, дает в результате большую прибыль. Таким образом, для мно гих организаций возможные доходы от систематического инвести рования перевешивают сомнения по поводу проблем, связанных с реализацией динамической стратегии инвестирования.

Каковы возможные направления будущих исследований?

Во-первых, существует логически обоснованная потребность в оценках робастности (таких, как доверительные интервалы) предла гаемых рекомендаций определенной модели управления активами и пассивами. И стохастическое программирование, и стохастическое управление испытывают недостаток в этом. Многообещающее на правление связано с комбинированием решающих правил и стохас тического программирования, которое выполняется при помощи техники уменьшения дисперсии [60]. Могут оказаться возможными и другие гибридные подходы.

Во-вторых, для успеха долгосрочного планирования будет иметь решающее значение общепринятое определение риска с уче том факторов времени. Необходимо стремиться к компромиссу ме жду кратковременным страданием и долговременным процветани ем. Трудно принимать компромиссное решение, не имея ориентира на жизнеспособные позиции в будущем. Теория многоцелевой оп тимизации владеет рядом многообещающих технических приемов для оказания помощи инвесторам при анализе их будущих возмож ностей.

В-третьих, сейчас имеется подходящая возможность оформ лять ценные бумаги по индивидуальному заказу, чтобы приспосо бить их к окружающей обстановке для отдельного инвестора. На пример, активное сальдо у инвестора могло бы быть восприимчиво к внезапному скачку вверх процентных ставок, а также к падению американского доллара. Хотя такое сочетание событий могло бы оказаться сравнительно редким, (потому что процентные ставки и валютные курсы в принципе положительно коррелированны), но институциональный инвестор не должен целиком игнорировать этот сценарий. Система управления активами и пассивами может сфор мировать оценку относительно привлекательности любой ценной бумаги, оформленной по индивидуальному заказу. Система управ ления активами и пассивами способна также формировать основу для ценообразования на упомянутые индивидуализированные цен ные бумаги, скажем, с помощью двойственных переменных из задач нелинейного оптимального программирования. В будущем инвесто ры окажутся в состоянии конструировать ценные бумаги со специ фицированной схемой доходов (капиталоотдачи), разумеется, в за данных пределах. Финансовая инженерия создает все возрастаю щие возможности для управления риском, причем упор здесь дела ется на учет временного фактора. [10, 61]. Таким образом, мы смог ли бы покупать ценную бумагу, которая приводила бы в исполнение особую стратегию динамического инвестирования. Системы дина мического управления активами и пассивами идеальны для оцени вания этих новых, комплексных финансовых возможностей.

Самые изощренные модели управления активами и пассивами разработаны североамериканскими и британскими исследователями, которые хорошо представлены в [14]. Но, быть может, более про двинутое использование таких моделей осуществлено голландцами, в значительной степени благодаря традиции, а также из-за ситуации с регулированием фондового рынка в Голландии.

1.7. Исторический экскурс Три концентрических круга на рисунке показывают, хотя и схематично, развитие событий на рассматриваемом поле деятельно сти, начиная от основания Данцигом, Беллманом, Марковитцем, Мертоном стохастической оптимизации в 1950 гг. и 1960 гг. Далее идут ранние модели Бредли и Крэйна, Чарнеса и его учеников, Зи ембы и его учеников в 1970 гг. и 1980 гг. Затем имело место значи тельное продвижение в развитии подобных моделей многими иссле дователями в 1990 г., чему содействовали новые вычислительные возможности и огромные суммы ресурсов, которыми нужно было управлять в остро конкурентной обстановке. Поле исследований бы стро расширяется, однако их приложения все еще пребывают в мла денческом состоянии. Потенциальные возможности моделей стохас тического программирования по улучшению результатов деятельно сти инвесторов и избежанию финансовых бедствий, несомненно, значительно возрастут в будущем. Большие конференции, такая как состоявшаяся в августе 1998 г. [ALM meeting in Vancouver], обсуж дали и документально подтвердили достижения теории и практики использования моделей управления активами и пассивами.

§2. Пример задачи стохастического программирования 2.1. Многошаговая модель динамического управления портфелем ценных бумаг CALM [16] Многошаговое стохастическое программирование находит широкое применение при постановке и решении финансовых задач, характеризующихся большим числом переменных состояния и, как правило, небольшим числом этапов принятия решения. Литература по применению многошагового рекуррентного моделирования для формализации сложных задач оптимизации портфелей ценных бу маг восходит к началу 1970 гг. ХХ в., когда были впервые взяты на вооружение финансистов методы решения проблемы портфеля цен ных бумаг с фиксированной доходностью. Здесь описывается мо дель CALM, которая была разработана для учета влияния неопреде ленностей как на активы (и в самом портфеле, и на рынке), так и на пассивы (в форме зависящих от сценария платежей или стоимости займов). Портфельный менеджер, у которого имеется первоначаль ное богатство (Wealth), изыскивает способы максимизации конечно го богатства на горизонте планирования, причем доходы от инве стирования моделируются как случайные векторы в дискретных точках пространства состояний. Векторы решений представляют из себя возможные инвестиции в рыночные активы или продажу по следних из портфеля, а также владение ими (на протяжении какого то времени). Другими компонентами вектора решений являются ре шения о заимствовании средств по какой-либо кредитной линии или с депозита в банке. В работе [16] результаты вычислительных экспе риментов представлены для серии 10 шаговых портфельных задач, при решения которых использовались различные методы и библио теки программ (OSL, CPLEX, OBI). Задача о портфеле на основе случайного векторного процесса, допускающего вплоть до 2688 реа лизаций на протяжении 10 летнего планового периода, была решена на IBM 6000/590. Получены решения 24 тестовых задач большой размерности с помощью программ симплекс-метода и барьерных методов из библиотеки CPLEX (последние для линейных или квад ратичных целевых функций);

метод внутренней точки с предикто ром – корректором из библиотеки OBI;

симплекс-метод из OSL;

MSLiP – OSL – метод декомпозиции Бандерса с решением подзадач при помощи симплекс-метода OSL и нынешней версии MSLiP.

Описываемая далее вычислительная технология обеспечивает основу для рационального корпоративного финансового планирова ния на базе моделей, охватывавшего сроки порядка десятилетия.

Подобное планирование становится возможным благодаря реали стическому характеру моделей этого типа, быстрому прогрессу в программном обеспечении и аппаратных средствах для повышения производительности компьютеров, благодаря наличию всеобщей потребности в моделировании, и ужесточению контроля за финан совыми рисками в современных глобальных корпорациях, начиная от банков и кончая производственными подразделениями, с исполь зованием широкого набора технических приемов от самых простых до самых сложных.

Модель CALM выросла из исследований по стохастическому динамическому программированию, которые начались свыше двух десятилетий тому назад вместе с появлением работ [72, 73]. Пере чень последующих работ, связанных с данным предметом исследо ваний, изложен в публикациях [50, 74 – 77].

Быть может, самой важной из этих публикации является ста тья Бредли и Крейна [72], которые впервые предложили “инвентаризационный” подход к моделированию финансовых реше ний, где каждый актив или пассив в модели имеет на каждый (эле ментарный) период времени свой “приход”, “расход” и “наличный запас”, описываемые соответствующими переменными;

статья Дем пстера и Айерленда [75], которые исследовали неотъемлемые от та ких моделей связи с информационными системами;

статья [74], где разработано первое подлинно коммерческое приложение динамиче ского стохастического программирования. Несмотря на тот факт, что до них существовало множество предшественников в разных финансовых учреждениях, но предшествующие работы можно рас сматривать в лучшем случае как прототипы предложенной системы.

Многошаговые модели приводят к задачам большой размер ности, весьма сложным, хотя и обладающим линейными ограниче ниями, причем структура ограничений линейно нарастает по разме рам вместе с числом траекторий прохождения информации, или сценариев, которые представляют совокупность неопределенностей, возникающих у лиц, принимающих решение. Отсюда следует, что практические модели должны осуществлять свою работу с помощью таких средств программного обеспечения, которые обобщают и ис пользуют языки моделирования для линейного программирования (ЛП) вроде GAMS и MODLER (последний используется в данной работе).

2.2. Формулировка задачи Рассматривается задача стохастического программирования в форме многошаговой рекуррентной задачи [78 – 81]:

min{ f1(x1) + E [min( f2(x2) +K + E [min fT (xT )])]}, T n1 x2 T xT x1 R при условии A1x1 b1, B x1 + A2x2 b2, B x2 + A3x3 b3, K BT xT 1+AT xT bT, l1 x1 u1, lt xt ut, t 2,K,T, в этой записи слагаемые функционалы ft определяются для элемен тарных периодов, начиная с t 1 вплоть до горизонта планирования 1 T ;

матрица A1 Rm,n1 и вектор b1 Rm определяют детерминиро ванные ограничения на первом шаге решения, а для t 2,K,T, t t матрицы At : Rm,nt, матрицы Bt : Rm,n 1t и вектора t bt : Rm определяют области стохастических ограничений для последовательно выбираемых решений x2,K, xn. Через E t 1 обо t значаются условные математические ожидания функций от случай ного вектора t информационного процесса в момент времени t при заданной истории t 1 процесса до момента времени t. Из при веденной рекуррентной записи явно следует зависимость оптималь 0 ной политики, x0 (x10, x2,K, xT ) от реализаций векторного ин формационного процесса ( 2,K, T ).

Данная модель является стандартной задачей принятия реше ний в условиях неопределенности.

• Достижение цели при таком блочном представлении форма лизуется в виде последовательности оптимизационных задач, соот ветствующих различным шагам: в момент времени 1 лицо, прини мающее решение, должно выбирать некое решение, последствия которого полностью зависят от будущих реализаций заданного мно гомерного стохастического информационного процесса.

t • Соответственно для каждой реализации истории инфор мационного процесса вплоть до времени t рассматривается рекур t рентная задача, в которой искомым решениям является (xt 1, ).

На каждом шаге предыдущие решения воздействуют на текущую задачу посредством матриц Bt, t 2,K,T, вместе с последова тельностью решений: решение – наблюдение, наблюдение – реше ние x1 2 K T xT.

• Информационный процесс определен как векторный сто хастический процесс с дискретным временем. Конечная выборка из его траекторий удобно представляется в виде дерева сценариев: ка ждый сценарий соответствует траектории процесса T ( 1, 2,K, T ) на горизонте T.

• В сформулированной задаче, как и вообще в задачах финан сового планирования, ограничения сверху и снизу, зависят от сцена риев. Корректное генерирование выборочных траекторий информа ционного процесса для данной задачи является решающим факто ром надлежащей формулировки задачи стохастической оптимиза ции.

Динамические задачи управления портфелем ценных бумаг легко формулируются в виде динамических рекуррентных соотно шений. Впервые этот подход был применен к управлению портфе лем [72] ценных бумаг с фиксированной доходностью. О других приложениях схемы рекуррентного принятия решений к финансо вому планированию можно прочитать в перечисленных выше рабо тах. Во многих из приведенных работ неопределенность проявляется в форме неизвестных будущих ставок дохода рыночных инвестиций и источников денежных потоков, равно как и в форме разбалансиро ванности поступлений и платежей, а целевая функция обычно опре деляется в виде математического ожидания линейной или нелиней ной функции полезности на горизонте планирования (иногда за го ризонтом планирования).

Исходной задаче может быть придано более компактное пред ставление с использованием схемы динамического программирова ния, которая применима вследствие принятой структуры матрицы ограничений.

Для каждого момента времени t 1,K,T 1 нам нужно найти t min[ ft (xt ) + t+1(, xt )].

xt При этом Bt xt 1 + At xt bt, где t+1 выражает оптимальное ожидаемое значение критерия для шага t 1 при наличии истории решений xt (x1,K, xt ) и реализованной истории случайного про t цесса ( 1,K, t ). А именно, t t+1(, xt ) E [min( f (xt+1) + K + E min( fT (xT ))].

t T t 1 xt 1 T xT Здесь минимизация проводится с учетом соответствующих ог раничений, которые будут обсуждаться ниже при преобразовании исходной задачи к детерминированному варианту.

Соответственно портфельный менеджер в конце каждого (элементарного) периода времени на основе текущей информации выбирает оптимальное решение при наличии неопределенностей на момент принятия решения. Это решение должно быть допустимым решением по отношению к тем ограничениям, которые индуцирова ны будущими значениями случайного информационного процесса и текущим состоянием портфеля.

t Благодаря выпуклости функции t+1(, xt ) по переменной xt, рекуррентная задача может быть также сформулирована сле дующим образом:

найти min ft (xt ) + t xt t при наличии условий Bt xt 1 + At xt bt,. t+1(, xt ) t.

Применение алгоритма секущей плоскости для решения этой задачи основано на простой декомпозиции путем аппроксимации целевой функции в момент времени t 1 множеством сечений вида d xt t, [79, 82 – 84]. Сечения также используются, чтобы нало жить ограничения на текущие решения, которые обеспечивают до пустимость последующих рекуррентных решений.

2.3. Стандартные методы решения задач стохастического программирования Возможны две процедуры получения решений для детермини рованного эквивалента исходной динамической портфельной зада чи.

• Прямое решение задачи детерминированного эквивалента, в котором условные вероятности повторно вычисляются на каждом шаге для всех информационных траекторий. Программы для реше ния задач линейного и квадратичного программирования очень большой размерности имеются в наличии и способны решать зада чи, используя соответственно стандартные алгоритмы линейного программирования (т.е. симплекс-метод и метод внутренней точки) и квадратичного программирования (итеративный алгоритм, или на основе метода внутренней точки).

• Или в качестве альтернативы первоначальная задача может быть подвергнута разложению в последовательность подзадач, ко торые с вычислительной точки зрения связаны пошагово, а затем может быть применен метод блочной декомпозиции Бандерса.

Приведем подробное описание для первого представления.

Предположим для простоты, что из каждой вершины дерева решений выходит одинаковое число ветвей в один элементарный период времени, а соответствующие условные вероятности обозна чим через ptk,k3,,kt, t 2,K,T. Эти допущения позволяют сфор мулировать детерминированный эквивалент исходной задачи в виде min{ f1(x1) + K2 K3 KT k2 k2 k2 k2 k2 k + p2 f2(x2 ) + p3,k3 f3(x3,k3 ) +K + pT, kT fT (xT,,kT )]]]} [ [ k2 1 k3 1 kT где A1x1 b1, k2 k2 k2 k B x1 + A2 x2 b2, k2 1,K, K2, Bk,k3 x2 + A3,k3 x3,k3 b3,k3, kt 1,K, Kt, t 2,3, k2 k2 k2 k K K K K K k2 k2, k2 k2 k BT,,kT xT 1,kT + AT,,kT xT,,kT bT,,kT, kt 1,K, Kt, t 2,K,T, l1 x1 u1, lt xtk,,kT ut, t 2,K,T, здесь вектор переменных решения соответствует каждой вершине дерева решений.

В матричных обозначениях многошаговая линейная задача за писывается следующим образом:

найти min x при условии, что x b, x 0, x K2 K2 где (c1,( p1c1),K,( p2 c2 ),( p3,1c1,1),K, 2 2 K2 K 1 1 K2 K,K,( p3,K3c3,K3 ),K,( pT,,1cT,,1),K,( pT,,KT cT,,KT ) ), 2 x (x1, x21,K, x2K,K, xT1,,1,K, xTK,,KT ), 2 b (b1,b21,K,b2K,K,bT1,,1,K,bTK,,KT ).

A1 0 K K 1 B2 A2 0 K K O K K2 K B2 0 K A2 0 K 1 0 B3,1 A3,1 0 K O 0 B3,K K K K2 K B3,K3 K A3,K3 K K B4,,K K O K2 K 0 0 K BT,,KT K AT,,KT В общей T – шаговой задаче, где число локальных задач при t вершине на шаге t равно Ks, а размерность матрицы ограни s чений равна (mt,nt ), мы имеем Rn, x Rn, b Rm, Rmn, где n n1 + K2 (n2 + K3(n3 +K + KT nT )), m m1 + K2 (m2 + K3(m3 +K + KT mT )), что порождает в конечном счете задачи весьма большой раз мерности по мере нарастания числа сценариев.

Прямая задача линейного программирования:

найти min{ x x b, x 0} x Двойственная задача линейного программирования:

найти min{b }.

Эти задачи решаются с помощью симплекс – метода или ме тода внутренней точки. Главные проблемы, возникающие при реше нии этих задач, связаны с чрезвычайно большой размерностью, ко торой достигают подобные задачи линейного программирования.

§3. Примеры из отечественной практики Отметим, что качественный уровень решения задач оптималь ного управления активами и пассивами в отечественной практике вполне соответствует мировому уровню. Достаточно привести при мер работы, в которой непосредственно принимал участие автор [17]. В этой работе использованы все известные подходы в исследо вании операций и системном анализе, которые были накоплены в практике решения задач рационального выбора управлений в усло виях неопределенности для различных сфер экономики [1 – 3].

Кроме того, можно привести примеры построения имитацион ных моделей, моделей пассивного управления банком в период его пассивной эволюции и выбора оптимальной политики погашения обязательств при неопределенном спросе на депозиты, модели управления ресурсами финансовых институтов в виде задач опти мального управления и т.д. [62 – 70].

Большой информационный материал по управлению портфе лем содержится в Интернете [71].

Глава 2.

Задача управления портфелем ценных бумаг в стохастике §1. Формальная постановка двухкритериальной задачи при управления портфелем в многошаговом случае В настоящей работе рассматривается двухкритериальная зада ча об управлении портфелем в динамике с целью максимизации ожидаемого дохода от вложенного капитала в начале и максимиза ции критерия допустимых потерь в конце процесса. Содержательно постановка аналогична рассмотренной в предшествующей работе, в которой принимал участие автор [17], но в отличие от прежней за писи динамика портфеля записывается в переменных – количествах ценных бумагах.

Дальнейшее развитие получает анализ уравнений Беллмана [85]. Предложены вычислительные процедуры прогонки, которые основываются на декомпозиции исходной задачи на случайный про цесс и детерминированный.

Часть результатов описанных ниже опубликована в работах автора [86 – 92].

Рассмотрим управление портфелем ценных бумаг на интерва ле времени [0,T ], где индекс t [0,T ] соответствует номеру тор говой сессии.

Будем считать, что в период времени [ p,T ], p 0 на рынке представлены N видов бумаг.

Каждой бумаге i в день t будем сопоставлять значение цены ct,i. Величины ct,i принимают дискретные значения в промежут ке[0,cmax ] с шагом c. Вектор цен в день t будем обозначать ct.

За рассматриваемый в модели период времени часть находя щихся в обороте ценных бумаг может погашаться, может происхо дить размещение новых выпусков. Из соображений формализации будет удобным считать, что в любой момент времени t [ p,T ] участнику рынка доступны все N видов бумаг. При этом, если не которая бумага i впервые появилась на вторичных торгах в сессию t, то определим ее цену для всех сессий t t (предшествующих t ), как ct,i 0 ;

если t – последняя из торговых сессий, предшествую щих погашению бумаги i, то для всех t t положим ct,i 0.

Будем считать, что бумаги i могут быть в день t проданы или куплены по цене ct,i. (Как правило, цену последней сделки можно с удовлетворительной точностью реализовать на практике, что важно для адекватности рассматриваемой модели действительности.) Текущее состояние находящегося в управлении портфеля цен ных бумаг будем моделировать вектором (ht,1, ht,2,K, ht,N ), где ht,i – количество бумаг i – го вида в портфеле в момент времени t.

Обозначим St,i – стоимость входящих в портфель бумаг i – го вида в момент времени t : St,i ct,iht,i.

Будем считать, что любая денежная сумма может быть цели ком конвертирована в облигации произвольного вида i без остатка и величины ht,i могут принимать произвольные дробные значения.

На практике при операциях с облигациями в силу их дискретности, как правило, возникают денежные остатки. Это приводит к тому, что доходность операций оказывается несколько ниже, чем она была бы в непрерывном случае. Однако при достаточно крупных объемах вложенного капитала влияние “неработающих” остатков на общий доход столь невелико, что им можно пренебречь без особого ущерба для результатов.

Для произвольной сессии t обозначим через ht количество,i (по цене ct,i ) бумаг вида i, находящихся в портфеле до операций купли-продажи, а через ht+ – стоимость бумаг этого вида в портфе,i ле, после указанных операций. Отметим, что ht 0,ht+ 0 и,i,i ht+ ht.

,i +1,i При операциях с ценными бумагами инвестор выплачивает бирже комиссионные сборы. Комиссия взимается с каждого акта, будь то продажа или покупка. Мы будем рассматривать несколько типов поведения инвестора в расчетах с биржей.

Основная задача, случай G.

Если инвестор в день t проводит операции с некоторым ви дом бумаг i, то с данным видом бумаг это только одна операция:

либо продажа (части) бумаг i, либо покупка (дополнительная) бу маг вида i.

В этом случае динамика изменения количества бумаг в порт феле (из ht в ht+ ) удовлетворяют соотношению N (ctht+ ) (ct,ht ) ct,iht ct,iht+ ).

(k,i,i i Вспомогательная задача, случай E В начале сессии инвестор продает все бумаги и на полученный капитал закупает в конце сессии новый набор облигаций.

В этом случае динамика портфеля описывается соотношением N N (ctht+ ) (ct,ht ) ht ) ht+ ).

(kct,i,i (kct,i,i i 1 i Вспомогательная задача, случай O Инвестор не выплачивает комиссию.

В этом случае динамика портфеля описывается соотношением (ctht+ ) (ct,ht ).

Через St, St+ обозначим стоимость портфеля до и после управления в день t, соответственно N N + St, St+.

St,i St,i i 1 i Целью управления будет максимизация за период [0,T ] дохо да ST от вложенного в ценные бумаги в первый день управления капитала и минимизация риска.

Изменение цен от сессии к сессии будем описывать в виде марковского процесса с дискретным временем и глубиной p, т.е.

вектор цен в день t – это случайный вектор ct с распределением F(ct ) Ft (ct Ct 1,Ct 2,,Ct p ), t 0,1,2,K T.

В дальнейшем управление в день t в рассматриваемой модели отождествим с выбором ht+.

+ Набор таких функций H {ht+ ()}T назовем стратегией t управления, а множество подобных стратегий обозначим. Любая + стратегия H и матрица A1 (ct )t p полностью определяют вероятностное распределение на траекториях + + (h0,c1, h1, h1+,c2,K,cT 1, hT 1, hT 1,cT ), которое индуцирует распределение ST как случайной вели чины.

Рассмотрим для этой операции инвестора два критерия: кри терий, описывающий ожидаемый результат, и критерий, описываю щий риск операции.

Критерий математическое ожидание Ставится задача максимизировать математическое ожидание трансформации ST в классе стратегий :

+ M (ST ) max, + или max Mc,c2,,cT (cT, hT 1), h0,h1,,hT 1 при ограничениях на динамику портфеля и некоторых ограничениях на переменные процесса.

Критерий допустимых потерь Как отмечается в [10, 93], в последнее время в задачах управ ления портфелем все большую популярность приобретает критерий VaR (Value at Risk), отражающий вероятность превышения (или не достижения) заданного уровня некоторым избранным показателем качества управления и состояния процесса.

Определим в нашем случае при каждой заданной стратегии + управления H этот критерий в виде W2 PF (ct ) ((cT,hT ) K), t 0,1,K,T, где F(ct ) – определенное выше распределение для случайного век тора цен, а K – заданный уровень конечного результата.

Перепишем это определение, используя операцию осреднения и характеристическую функцию:

+ W2 M (H,(c0,h0 )), c1,c2,,cT где характеристическая функция имеет вид 1, если cT hT K, + T (H, (c0, h0)) 0, если cT hT K.

Как следует из приведенной записи, при управлении портфе лем инвестору желательно стремиться к увеличению показателя ка чества W2.

Парето-оптимальные решения Введенные таким образом критерии позволяют сформулиро вать двухкритериальную задачу управления портфелем: (W1,W2 ) при ограничениях, описывающих динамику изменения состояния портфеля, и при управлении в широком классе управлений, как функций от состояния портфеля и процесса изменения цен. Отдель ные постановки задач в зависимости от информированности инве стора приводятся ниже.

Как и в общем случае, в данной постановке можно строить от дельные точки паретовского множества введенных критериев, решая задачи 1W1 + 2W2 max при фиксированных 1, 2 0 и 1 + 2 1.

Замечания 1. Как следует из определения (W1,W2 ) и свойств операции осреднения, для решения сформулированной задачи + max M ( 1(cT,hT ) + 2 T (H,(c0,h0 )) c1,,cT допустимо использование формализма динамического про граммирования и, следовательно, возможно выписать уравнения Беллмана.

2. В то же время, если в качестве оценки риска принимается дисперсия конечного состояния портфеля по аналогии с классиче ским случаем задачи Марковица в одношаговом случае, то уравне ния Беллмана не приводят к решению задачи, как показывает сле дующий пример.

Рассмотрим динамический процесс управления ценными бу магами в исходной постановке. Пусть задана некоторая стратегия поведения. Поставим вопрос: можно ли, двигаясь справа налево и отслеживая для состояний системы только дисперсию, просчитать дисперсию результата для всех состояний. Отрицательный ответ следует из примера.

Шаги t 1,2,3;

одна бумага в портфеле в единственном числе;

состояния s11, s21, s22, s31, s32 – первый индекс – шаг, второй индекс нумерует состояния на шаге;

управление в каждом состоянии одно, безальтернативное.

После первого шага с равной вероятностью система попадает либо в состояние s21, либо в состояние s22. Из любого из этих со стояний на третьем шаге система детерминированно попадает в со стояние с тем же вторым индексом.

Цены на бумагу: c11 1, c21 c31 a, c22 c32 b.

Отсюда дисперсия результата (конечного капитала) для со стояний s21 и s22 в силу дальнейшей детерминированности процес са равна нулю.

Результирующий капитал после состояния s11 примет с рав ной вероятностью или значение a, или b. Поэтому дисперсия ре зультата равна a b b a (a b) 0.5*( )2 + 0.5*( )2, 2 2 т.е. является функцией разности a - b, что не соответствует предыдущей нулевой оценке.

3. На практике [16] при решении динамических задач исполь зуется следующая модификация критерия типа дисперсии:

W2 M ((cT,hT ) K)2.

c1,,cT §2. Постановки задач при критерии математического ожидания Во всем дальнейшем тексте рассматривается однокритериаль ная задача при критерии математического ожидания.

В зависимости от информированности инвестора и соответст венно класса стратегий могут быть сформулированы различные за дачи управления процессом трансформации портфеля.

Программные стратегии (функции времени) а) Если инвестор будет располагать информацией о реализации случайного процесса цен на весь рассматриваемый интервал и вы бирать управления в виде ht+ как функции времени, т.е. как функ ции только номера шага, то его наибольший результат запишется в виде:

+ Mc,c2,,cT max (cT, hT 1) W1+.

1 h0,h1,,hT б) Если оставаясь в рамках программных стратегий инвестор не будет располагать никакой информацией о реализациях случай ного процесса, то его наибольший результат запишется в виде + max Mc,c2,,cT (cT, hT 1) W1, h0,h1,,hT 1 и решение задачи фактически сведется к детерминированному случаю.

Стратегии – политики (класс синтезов) в) Если управление в день t разыскивается в виде функции от истории, т.е.

+ + ht ht (ct,ct 1,K,ct p+1;

ht,ht,ht+,K,h2,h2,h1 ), 1 t 1,2,K T 1, что предполагает, что инвестор будет постепенно шаг за ша гом получать информацию о ценах, то его наибольший результат запишется в виде + max Mc max Mc K max Mc (cT hT 1) W2.

h0 1 h1 2 hT 1 T г) Если инвестор будет располагать информацией на шаг впе ред, во всем оставаясь в рамках предыдущей постановки, то его наи больший результат запишется в виде + Mc max Mc maxK Mc max(cT hT 1) W2+.

1 2 T h0 h1 hT Во всех перечисленных выше постановках учитываются огра ничения на динамику портфеля в одной из записей G, E, O.

Теорема 1. Верны следующие соотношения:

W1 W2 W2+ W1+.

Доказательство Данный факт следует из того, что в каждой последующей за даче по сравнению с предыдущей рассматривается более широкий класс управлений, содержащий в себе и управления предшествую щей задачи.

Теорема 2. W2(O) W (G) W2(E).

Доказательство Этот факт следует из монотонной зависимости конечного до хода от комиссионных изъятий: наибольшее изъятие – в случае E, наименьшее изъятие – в случае O, промежуточное – в случае G.

Все дальнейшее рассмотрение в данной работе относится к случаю в), как наиболее реалистичному случаю, и в смысле получе ния информации, и в смысле содержания задачи управления порт фелем ценных бумаг.

Постановка задачи в модели CALM [16] также относится к данному классу.

§3. Стохастическая задача в классе синтеза без комиссии Рассмотрим вспомогательную стохастическую задачу без ко миссии (случай O) в постановке в). Обращение к этой задаче опре деляется оценкой по теореме 2 интересующей нас задачи в) в поста новке случая G и простотой выкладок.

Как следует из изложенного выше, в этом случае процесс из менения портфеля имеет вид (ct,ht+) (ct,ht ), где ht+, ht+ – векто ры, компоненты которых есть количества облигаций номеров j, j 1,2,K, N, в портфеле после акта принятия решения на сессиях номеров t, t -1 соответственно.

Управление ищем в виде ht+ () ht+ (ct, ht+ ).

+ Функционал имеет вид (cT,hT 1).

Оптимальная задача в этом случае, в силу Марковости процес са цен и типа ограничений, будет иметь вид max Mc max Mc K 1 h0 : h1 :

(c0,h0 ) S0 (c1,h1 ) (c1,h0 ) + K max M max M (cT,hT 1).

cT 1 cT hT 2: hT 1:

,hT ) (cT 2 2 T 1 (c,hT ) (cT 2,hT 3 ) (cT 1,hT 2 ) + + Определим WT (cT,hT 1) (McT,hT 1) и выпишем последова тельно для этой задачи уравнения Беллмана [86].

+ Шаг 1. При выборе hT 1 на сессии T 1 для каждой пары + cT -1, hT 2 решаем задачу линейного программирования + + WT 1(cT 1,hT 2) max M (cT,hT 1), cT hT + при ограничении (cT 1, hT 1) (cT 1, hT 2 ).

Решение данной задачи находится в одной из вершин, найдем некоторую jT -1 -ю:

+ (cT 1, hT 2) + + + cT 1, jT hT 1, jT (cT 1, hT 2 ) hT 1, jT.

1 1 cT 1, jT Подставим это соотношение в функционал рассматриваемой на этом шаге задачи и получим выражение для оценки оптимального значения функционала общей задачи, если процесс начинается с + точки hT 2 при цене cT -1 :

+ + cT (cT 1, hT 2 ) WT 1(cT 1, hT 2) max M jT 1 cT, jT 1, jT cT 1, jT max McT, jT, hT cT +.

jT cT 1, jT Наряду с этой прямой задачей линейного программирования рассмотрим двойственную ей задачу. Она имеет вид + min((cT 1, hT 2 ) T 1) T при условии T -1cT -1 McT, где T -1 – двойственная скалярная пе ременная.

Отсюда следует, что решение двойственной задачи достигает McT, jT ся при T 1 max.

jT cT 1, jT В силу определения процесса изменения цен видно, что двой ственная переменная T -1 зависит только от cT -1, т.е.

T -1 T -1(cT -1).

+ Шаг 2. Теперь на сессии T 2, для каждой пары cT -2, hT мы решаем задачу + + WT 2 (cT 2, hT 3) max MWT 1(cT 1, hT 2) hT + при ограничении (cT 2, hT 2 ) (cT 2, hT 3).

В силу предшествующего замечания относительно T -1 эта задача также есть задача линейного программирования:

max McT, jT,hT cT + max M cT jT hT 2 1 cT 1, jT 1 + max M T 1(cT 1)cT 1,hT 2) cT hT 2 + при ограничении (cT 2, hT 2) (cT 2, hT 3).

Вершина jT -2, где достигается решение этой задачи, находит ся из соотношения + (cT 2, hT 3) + + + cT 2, jT hT 2, jT (cT 2, hT 3) hT 2, jT.

2 2 cT 2, jT Оптимальное значение оценки функционала общей задачи для + состояния cT -2, hT 3 запишется в виде McT, jT cT Mc max T jT cT 1, jT + + max cT 2, hT 3.

WT 2(cT 2, hT 3) jT 2 cT 2, jT Выпишем здесь двойственную задачу + min (cT 2, hT 3) T T при условии T 2cT 2 Mc T 1(cT 1)cT 1.

T Решение этой задачи имеет вид M T 1(cT 1)cT 1, jT ).

T 2 max jT cT 2, jT Заметим, что T -2 T -2(cT -2).

+ Шаг 3. Теперь на сессии T - 3 для каждой пары cT 3, hT решаем задачу + + WT 3(cT 3, hT 4) max MWT 2 (cT 1, hT 2) hT + при ограничении (cT 3, hT 3) (cT 3, hT 4).

В силу предшествующего замечания относительно T -2 это также задача линейного программирования + + WT 3 (cT 3, hT 4 ) max M T 2 (cT 2 )cT 2, hT 3) cT hT 3 + при ограничении (cT 3, hT 3) (cT 3, hT 4).

Вершина jT 3 находится из соотношения + (cT 3, hT 4) + + + cT 3, jT hT 3, jT (cT 3, hT 4 ) hT 3, jT.

3 3 cT 3, jT Оптимальное значение оценки конечного функционала задачи запишется в виде + WT 3 (cT 3, hT 4 ) M McT max, j cT cT cT 1, j max cT M cT 2 jT cT 2, jT + max cT 3,hT 4.

jT cT 3, jT Решение двойственной к этой задачи будет:

M T 2(cT 2)cT 2, jT ).

T 3(cT 3) max jT cT 3, jT Рекуррентные соотношения для коэффициентов в функциона лах прямых задач или оптимальные значения двойственных пере менных запишутся так:

McT, jT T 1(cT 1) max jT cT 1, jT M T 1(cT 1)cT 1, jT ) T 2(cT 2) max jT cT 2, jT (M T 2(cT 2)cT 2, jT ) T 3(cT 3) max jT cT 3, jT K K K K K K K K (M t+1(ct+1)ct+1, jt ).

t (ct ) max jt ct, jt Шаг T. На сесии 0 решаем задачу + 1(c1)c1, S max M ( 1(c1)c1,h0 ) max M c j0 c h c0, j M( 1(c1)c1, j0 ), где (c1) max M 2(c2)c2, j1), S0 max j0 j c0, j0 c1, j S + + c0, j0h0, j0 S0, h0, j0, и S0 – начальное значение капитала.

c0, j T 1 k Теорема 3. W2 (E) W2(O).

1+ k Доказательство Утверждение следует непосредственно из уравнений Беллмана в случаях E и O, поскольку в случае O ограничения имеет вид + (cT, hT ) (cT, hT ), а в случае E – имеет вид 1 k + (cT, hT ) cT, hT.

1+ k Также из приведенных выше соотношений следует справедли вость утверждения.

Теорема 4. Локально-оптимальная задача, т.е. случай, когда на каждом шаге решается задача оптимизации стоимости порт феля только на шаг вперед, близка к исходной задаче в точной по становке, если все t близки к константам (в тривиальном случае к единице).

Заметим, что рассматриваемая задача, несмотря на простую запись, содержит в себе все трудности изучаемого нами класса задач управления. Приведем примеры того, что промежуточные цели W (ct, ht+ ) могут быть нелинейными функциями, а решение много шаговой задачи не совпадает с серией последовательно решаемых локальных задач с прогнозом на шаг вперед.

Замечание 1. Пример нелинейности промежуточных целей.

Пусть на рынке, на каждой торговой сессии представлены два вида бумаг (бумага 1 и бумага 2). Рассмотрим три последовательные торговые сессии (три шага управления: шаг 1, шаг 2 и шаг 3). На чальный капитал S1 =1. Векторы цен на шаге 1: C1 (1,1);

на шаге 2:

c2 ( c2,1,1), где c2,1- случайная величина с известным распределени ем, принимающая значения в интервале [2,4];

на шаге 3: c3 ( c3,1,2), где c3,1 = C2,1, т.е. реализация случайной величины c2,1 на шаге 1.

Критерий управления таков, как и для общей задачи: M (c3, h2+ ), в + + нашем случае M (c3,1h2,1 + 2h2,2). Комиссия (плата за каждый шаг) полагается равной нулю, следовательно, на шаге i 1,2 :

+ (Ci, hi ) (Ci, hi+ ), а так как hi hi+1, то (Ci, hi+ ) (Ci, hi+ ). Най + ти управления h1+, h2+, доставляющие максимум критерию, т.е.

+ + W0 max Mc max Mc (c3,1h2,1 + 2h2,2).

h1,1,h1, 2 2 h2,1,h2, 2 3, Решим задачу последовательно шагом назад, на каждой сессии максимизируя текущие оценки критерия W (ct, ht+ ).

Рассмотрим шаг 2.

На шаге 2 цена бумаги 1 (реализация случайной величины c2,1) C2,1 [2,4]. Вектор h1+ фиксирован и возможные значения опреде ляются из начальных условий. Необходимо найти + + W1 max (C2,1h2,1 + 2h2,2) h2,1,h2, + + при ограничительном условии C2,1h1+ + C2,2h1+ C2,1h2,1 + C2,2h2,2.

,1, По условию задачи C2,2 1, C1,1 1, C1,2 1, S1 C1,1h1+ + C1,2h1+ 1, отсюда h1+ 1 h1+ и ограничительное,1,2,2, + + условие принимает вид C2,1h2,1 + h2,2 C1,1h1+ h1+ +1, заметим, что,1, при C2,1 [2,4] и h1+ [0,1], C2,1h1+ h1+ +1 0.

,1,1, Максимизируемый критерий и ограничительное условие есть линейные формы, множество ограничений есть выпуклый много гранник. Поэтому на шаге 2 решается классическая задача линейно го программирования + + C2,1h2,1 + 2h2,2 max, + + + + C2,1h2,1 + h2,2 C2,1h1+ h1+ +1, h2,1, h2,2 0, C2,1 [2,4],,1, h1+ [0,1].

, Решение задачи находится в вершинах многогранника линей ных ограничений, т.е. в нашем случае в одной из двух точек:

C2,1h1+ h1+ +,1, (,0) или (0,C2,1h1+ h1+ +1). Очевидно, что макси,1, C2, + + мум C2,1h2,1 + 2h2,2 достигается в точке (0,C2,1h1+ h1+ +1) и равен,1, W2 2(C2,1h1+ h1+ +1). Это означает, что на шаге 2 весь капитал,1, вкладывается в бумагу 2, вне зависимости от структуры портфеля в начале (до принятия решения) на шаге 2.

Рассмотрим шаг 1.

Необходимо найти W1 max Mc W2 max Mc (2(c2,1h1+ h1+ +1)),1, h1,1,h1,2 2 h1,1,h1, 2 при условии h1+ [0,1].

, Решение задачи находится при h1+ 1 в точке (1,0) и, W1 2Mc2,1. Весь капитал на шаге 1 вкладывается в бумагу 1.

Итак, решением всей задачи являются управления h1+ (1,0) и h2+ (0,1), при которых + + W1 max Mc max Mc (c3,1h2,1 + 2h2,2) 2Mc2,1.

h1,1,h1,2 2 h2,1,h2, 2 3, Теперь рассмотрим предложенную выше задачу с одним до + полнительным ограничением на управление: h2,1 3.

Также решим задачу последовательно шагом назад, на каждой сессии максимизировав критерий W (ct, ht+ ).

Шаг 2.

Решим задачу линейного программирования + + C2,1h2,1 + 2h2,2 max, + + + + C2,1h2,1 + h2,2 C1,1h1+ h1+ +1, h2,1 0, h2,2 [0,3],,1, C2,1 [2,4], h1+ [0,1].

, В этом случае при условии C2,1h1+ h1+ +1 3 решение дос,1, тигается в одной из вершин многогранника ограничений в точке (0,C2,1h1+ h1+ +1). При условии, когда C2,1h1+ h1+ +1 3, реше,1,1,1, ние достигается в вершине нового многогранника ограничений C2,1h1+ h1+,1, (,3), но не в крайней точке первичного многогран C2, ника. Это приводит к тому, что текущая оценка критерия имеет две ветви:

+ + + + h1,1 h1,1 +1), c2,1h1,1 h1,1 +1 3, 2(c2, W + + + + c2,1h1,1 h1,1 + 4, c2,1h1,1 h1,1 +1 3.

Если изобразить графически в координатах c2,1, h1+ кривую, перехода от одной ветви к другой, то эта гипербола C2,1h1+ h1+ +1 3 на интервале h1+ [0, ] проходит выше,1,1, c2,1 4, а при h1+ [,1] располагается в интервале [2,4].

, Отсюда мы получаем, что при h1+ [0, ] необходимо решить, задачу max M1 M1, где математическое ожидание h1, M1 M W, а при h1+ [,1] необходимо решить задачу, c11 [2,4] max M M, где математическое ожидание M вычисляется как 2 2 h1, сумма математических ожиданий на двух отрезках:

+ M Mc [2,H ](c2,1h1+ h1+ + 4) + Mc [H,4](2(c2,1h1,1 h1+ +1)).

2,1,1, 2,1 2, Оптимальное значение критерия определится как 0 max[M1, M ].

Замечание 2. Пример несовпадения локальной и многошаговой оптимизации Сессий – три, бумаг – две, комиссии нет. На нулевой сессии цена обеих бумаг 1. Инвестор на нулевой сессии платит единицу и по выбору получает или бумагу 1, или бумагу 2.

На первой сессии два равновероятных варианта цен.

Вариант 1: (4,1).

Вариант 2: (0,1).

На второй сессии цены бумаг зависят от того, какой вариант реализовался на первой сессии.

Если реализовался первый вариант, то цены (0,0).

Если реализовался второй вариант, то цены (4,4).

Критерий – математическое ожидание конечного капитала.

Проведем анализ операции. Если инвестор на первой сессии выбирает бумагу 1, то его ожидаемый капитал после этого шага ра вен 2. Однако после второго шага он гарантировано разорен. Если игрок выбирает на первом шаге бумагу 2, то после этого шага его капитал равен 1. После второго шага с равной вероятностью его ре зультат равен либо 0, либо 4, т.е. математическое ожидание резуль тата равно 2. Таким образом, локально оптимальным на первом шаге является выбор бумаги 1, а оптимальным – выбор бумаги 2.

Локально оптимальная стратегия является оптимальной, если фазовое состояние системы полностью определяется случайным фактором и не зависит от выбора управлений (от них может зависеть текущий доход). Если “почти”не зависит, то локально оптимальная “почти” оптимальна, т.е. может идти речь о приближенном решении.

В рассматриваемом случае это так, если после каждой операции взимается комиссия и затем текущий доход изымается из оборота.

Если фазовое состояние зависит от управления, то “расстояние” между локально оптимальной и оптимальной страте гиями может быть сколь угодно велико, вне зависимости, детерми нированный это вариант или случайный.

§4. О разложимости исходного портфеля на элементарные (простые) портфели Рассмотрим задачу в постановке в) при комиссии в форме G и при критерии математическом ожидании конечного капитала.

Определим портфель как набор из ценных бумаг ht (ht,0, ht,1,K, ht,N ), где ht,i – количество бумаг i -го вида в портфеле в момент времени t. ht,0 – количество текущих денежных средств. В каждый момент t будем рассматривать ht, ht+ количе,i,i ство бумаг вида i, находящихся в портфеле до операции купли продажи и после соответственно.

Пусть t,i – количество купленных бумаг вида i в день t, а – количество проданных бумаг вида i в день t.

t,i ct,i – цены в момент времени t, описываются марковским процессом с глубиной p.

Предполагается, что биржа за каждую операцию с портфелем взимает плату пропорционально объему капитала, задействованно го в операции. Коэффициент пропорциональности будем называть комиссией.

Ограничения на количество бумаг:

ht+ ht и ht 0, ht+ 0,,i +1,i,i,i ht+ ht + t,i t,i и t,i 0, t,i 0.

,i,i Ограничения на капитал:

N N N N ht+ ht k t,i k t,i ;

ct,i,i ct,i,i ct,i ct,i i 0 i 0 i 0 i учитывая ht+ ht + t,i t,i,,i,i N N получим (1+ k) T 1,i (1 k) T 1,i.

cT 1,i cT 1,i i 0 i Заметим, что если каждый вид бумаги i в день t только поку пается или только продается т.е. t,i 0, то ограничение на ка t,i питал запишется в виде задачи G.

N (ct,ht+ ) (ct, ht ) ct,iht ct,iht+ ).

(k,i,i i Тогда после операций купли-продажи в момент t, перед но вым актом принятия решений в момент t 1, оценка капитала имеет N вид ht.

ct+1,i +1,i i Под трансформацией капитала понимается переход от N N ht к ht, под управлением в день t – м выбор t,i, ct,i,i ct+1,i +1,i i 0 i и соответственно ht+, t 0,K,T.

t,i Определим цель управления портфелем как стремление к мак симальному увеличению математического ожидания конечной N стоимости портфеля hT,i, или, поскольку по условию задачи cT,i i N + ht ht+, к величине hT 1,i.

+1 cT,i i Рассмотрим оптимизационную задачу в постановке в) §2.

+ max Mc max Mc K max Mc (cT hT 1) W2.

h0 1 h1 2 hT 1 T Для этого случая справедливы следующие уравнения Беллма на.

N * При t T определим оценку OT (cT, hT ) hT,i.

cT,i i При t T -1 определим оптимальную оценку для портфеля hT 1 при ценах cT - N * * + OT 1(cT 1,hT 1) max Mc OT (cT,hT ) max M hT cT cT,i 1,i T hT 1: hT i hT 1 hT N N + max hT max (hT + T T ), McT,i 1,i McT,i 1,i 1,i 1,i hT 1 T 1, T i 0 i N N (1+ k) T 1,i (1 k) T 1,i, cT 1,i cT 1,i i 0 i T 1,i 0, T 1,i 0, hT 1,i + T 1,i T 1,i 0.

При t T - 2 определим оптимальную оценку для портфеля hT 2 при ценах cT -2 :

* * OT 2(cT 2, hT 2 ) max M OT 1(cT 1, hT 1), cT hT 2:

hT 2 hT N N (1+ k) T (1 k) T, cT 2,i 2,i cT 2,i 2,i i 0 i T 2,i 0, T 2,i 0, hT 2,i + T 2,i T 2,i 0.

Соответственно для текущего t определим оптимальную оценку для портфеля ht при ценах ct :

Ot*(ct, ht ) max M Ot* (ct+1, ht ), ct 1 +1 + ht :

ht ht N N (1+ k) t,i (1 k) t,i, ct,i ct,i i 0 i t 0, t,i 0,,i ht + t,i t,i 0.

,i Указанные соотношения прямо следует из определения и по становки задачи, реализуя принцип оптимальности Беллмана. Те перь для данного процесса установим справедливость принципа раз ложения Оптимальная оценка суммарного портфеля равна сумме оптимальных оценок слагаемых портфелей.

Действительно, проведем рассуждения по индукции, двигаясь справа налево.

1. При t T справедливость разложения следует из свойств линейной формы - скалярного произведения.

2. При t T -1 рассмотрим три портфеля hT 1, T 1, T 1, таких что hT 1 T 1 + T 1, и установим соответствие между опти мальными оценками этих портфелей.

N * OT 1(cT 1, hT 1) max (hT + T T ), McT,i 1,i 1,i 1,i T 1, T i N N (1+ k) T 1,i (1 k) T 1,i, cT 1,i cT 1,i i 0 i T 1,i 0, T 1,i 0, hT 1,i + T 1,i T 1,i 0.

N * OT 1(cT 1, T 1) max (T + T T ), McT,i 1,i 1,i 1,i T 1, T i N N (1+ k) T 1,i (1 k) T 1,i, cT 1,i cT 1,i i 0 i T 1,i 0, T 1,i 0, T 1,i + T 1,i T 1,i 0.

N * OT 1(cT 1, T 1) max (T + T T ), McT,i 1,i 1,i 1,i T 1, T i N N (1+ k) T 1,i (1 k) T 1,i, cT 1,i cT 1,i i 0 i T 1,i 0, T 1,i 0, T 1,i + T 1,i T 1,i 0.

Как следует из линейности оптимизируемой функции в приве денных выше записях, она может быть представлена в виде суммы N (hT + T T ) McT,i 1,i 1,i 1,i i N N (T + T T ) + (T + T T ), McT,i 1,i 1,i 1,i McT,i 1,i 1,i 1,i i 0 i так как hT 1,i T 1,i + T 1,i, T 1,i T 1,i + T 1,i, T 1,i T 1,i + T 1,i, и, следовательно, общая оптимальная задача раскладывается на сумму двух задач, так что:

* * * OT 1(cT 1, hT 1) OT 1(cT 1, T 1) + OT 1(cT 1, T 1).

3. Рассмотрим теперь текущий шаг t и соответственно три задачи на этом шаге:

Ot*(ct, ht ) max M Ot* (ct+1, ht ), ct 1 +1 + ht :

ht ht N N (1+ k) t,i (1 k) t,i, ct,i ct,i i 0 i t 0, t,i 0,,i ht + t,i t,i 0.

,i Ot*(ct, t ) max M Ot* (ct+1, t ), ct 1 +1 + ht :

ht ht N N (1+ k) t,i (1 k) t,i, ct,i ct,i i 0 i t 0, 0, t,i,i t + t,i t,i 0.

,i Ot*(ct, t ) max M Ot* (ct+1, t ), ct 1 +1 + ht :

ht ht N N (1+ k) t,i (1 k) t,i, ct,i ct,i i 0 i t 0, t,i 0,,i t + t,i t,i 0.

,i Если для момента t 1 справедливо Ot* (ct+1, ht ) Ot* (ct+1, t ) + Ot* (ct+1, t ) для любых разложе +1 +1 +1 +1 +1 + ний ht t + t, то тогда для задачи (5) можно записать сле +1 +1 + дующие эквивалентные преобразования:

Ot*(ct, ht ) max M Ot* (ct+1, ht ) ct 1 +1 + ht :

ht ht max (M Ot* (ct+1, t ) + M Ot* (ct+1, t )) ct 1 +1 +1 ct 1 +1 + t,t :

t t, t t max M Ot* (ct+1, t ) + max M Ot* (ct+1, t ) ct 1 +1 +1 ct 1 +1 + t : t :

t t t t Ot*(ct, t ) + Ot*(ctt ), N N так как (1+ k) ( t,i + t,i ) (1 k) ( t,i + t,i ) и ct,i ct,i i 0 i t 0, t 0, t,i 0, t,i 0, 0, 0, t,i t,i,i,i t,i t + t + t,i + t,i t,i 0.

,i,i Следствие. (Вытекает из доказанного Принципа Разложения.) Для любого портфеля ht (ht, ht,K, ht ) допустимо разложение,0,1,N на простые (элементарные) портфели, т.е.

N * Ot*(ct, ht ) (ct,h (i))ht, Ot t,i i+ где ht (i) - простой портфель состоящий только из одной бумаги вида i, т.е. ht (i) 1,. ht (i) 0, j [0, N ] i.

,i, j Теорема 5. Если ht – простой портфель, то оптимальное поведение на шаге t реализуется путем перехода в простой порт фель на шаге t 1.

Доказательство. (Непосредственно следует из предыдущего утверждения.) Рассмотрим уравнение Беллмана на шаге t. Пусть ht (r) – простое состояние. Тогда задача оптимизации записывается в виде N Ot*(ct +1,ht ) max Ot* (ct ht (i))ht+ +1 M ct 1 +1 +1,i +1,i,i ht i max Ot* (ct+1,ht (i)) t,i M Ot* (ct+1, ht (r)) t,r + M ct 1 +1 +1 ct 1 +1 + ht i r + M Ot* (ct+1,ht (r))ht, ct 1 +1 +1,r при ограничениях (1+ k) t,i (1 k) t,i, t,i 0, ct,i ct,i t,i i r i r ht + t,i t,i 0.

,i Решение реализуется в одной из вершин многогранника огра ничений:

1) если 0, то t,r 0 ;

t,r 2) если t,r ht, то вершина определяется из условий,r ct,r 1 k t,r ht.

1+ k ct,i,r Оптимальная оценка в этом случае определяется в виде M Ot* (ct+1, ht (i)) 1 k ct 1 +1 + max[M Ot* (ct+1,ht (r));

max ct,r ] ht, ct 1 +1 +1,r i r 1+ k ct,i т.е. путем перехода в одно из простых состояний на t 1 шаге.

Теорема 6. Поскольку стартовое положение портфеля про стое h0 (S0,0,K,0), то оптимальная стратегия в полной задаче реализуется в последовательном переходе из простого состояния в простое.

§5. Две принципиальные схемы метода размытых целей Опираясь на формулировки соотношений для коэффициентов t (ct ), опишем две принципиальные схемы алгоритмов для вычис ления приближенных стратегий в постановке задачи в) при ограни чениях O и критерии математическом ожидании конечного капитала + max Mc max Mc K max Mc (cT hT 1) W h0 1 h1 2 hT 1 T в рамках применения одного из классических подходов: мето да последовательных приближений [94]. Данный метод предполага ет выбор на первом шаге рационального приближения к искомой стратегии и последующего последовательного улучшения стратегий (политик). С вычислительной точки зрения очень важно правильно выбрать начальное приближение. Выбор первого промежуточного критерия в виде (Mct+1, ht+ ) «хорош» своей непосредственностью:

улучшать ожидаемую стоимость портфеля на следующем шаге, не отягощаясь прогнозом на последующие шаги. Видимо, это вполне естественно выглядит, если рассмотреть управление бесконечно шаговым процессом.

Далее используются те же самые исходные посылки: процесс изменения портфеля описывается (ctht+ ) (ct, ht+ ), t 0,1,K,T 1, заданы все функции распределения для цен ct, за + дан критерий (cT, hT 1). Управление в виде политик выбирается в пространстве синтезов: ht+ () ht+ (ct, ht+ ).

Метод улучшения размытых целей при движении слева – на право Идея принципиального алгоритма состоит в том, чтобы по строить последовательность улучшений промежуточных критериев, которые образуются путем “размытия” первого приближенного кри терия.

Траекторию изменения портфеля будем выбирать, принимая в качестве правила выбора управления (политики) решение на каждом шаге задачи.

Найти N Mct+1,i, ht+ ) max ( t,i,i i при ограничении (ctht+ ) (ct, ht+ ), t 0,1,K,T 1, где весовые коэффициенты t,i характеризуют «размытость» тех простых политик, которые следуют из решения задач:

для каждого i найти max(Mct+1,i,ht+ ),i при ограничении (ctht+ ) (ct, ht+ ), t 0,1,K,T 1.

Шаг 1. Построим процесс трансформации портфеля, исходя из правила выбора синтеза путем решения задачи N,ht+ ) max, (Mct+1,i,i i при ограничении (ctht+ ) (ct, ht+ ), t 0,1,K,T 1.

Это будет начальным состоянием (положением) в процессе улучшения политик для данного класса управлений, - данная задача соответствует случаю t,i.

N + Шаг 2. Рассчитаем, двигаясь слева направо, (McT, hT 1 ) ST.

0 0 Шаг 3. Варьируем 1, 2,K, T, т.е. от одного набора коэф 0 0 фициентов «размытия» 1, 2,K, T переходим к другому набору.

Процедуры «размытия», т.е. выбора различных наборов весовых ко эффициентов { t0},могут быть разными.

Если варьируется только t0, при фиксированных остальных 0 0 значениях 1, 2,K, t0, t0,K, T будем говорить о локальном 1 + варьировании (размытии) промежуточных целей.

Если варьируются все компоненты набора векторов 0 0 1, 2,K, T, то будем говорить о полном многошаговом измене нии (размытии) весовых коэффициентов.

1 1 Шаг 4. При новом наборе коэффициентов 1, 2,K, T вы + числяем (McT, hT 1 ) ST, решая последовательно t 0,1,K,T задачи:

Найти N Mct+1,i, ht+ ) max, ( t,i,i i при ограничении (ctht+ ) (ct, ht+ ).

Шаг 5. По изменению критерия ST определяем направление изменения { t0}, формируем новый «размытый» образ системы це 0 0 лей 1, 2,K, T, и переходим к шагу 3. Если изменений критерия задачи не последовало, переходим к шагу 6.

Шаг 6. Изменяется либо начальное состояние, либо принцип выбора весовых коэффициентов на шаге 5 (после чего переход на шаг 3), либо процесс вычислений завершается.

Метод улучшения размытых целей при движении справа – на лево Как видно из формул определения в §3, коэффициенты t (ct ) зависят только от текущих значений случайных параметров. Если бы мы располагали возможностью вычисления вероятностей дис кретных значений ct,i в виде матрицы размерности Cmax N T ( ), то затем расчетом справа – налево по этим форму c лам мы могли бы рассчитать весь массив необходимых значений t (ct ) и затем, двигаясь слева – направо, рассчитать оптимальную политику. Однако в силу большой размерности этого массива и сложной зависимости цен данная перспектива представляется мало возможной.

В излагаемом здесь методе предлагается «огрубить» вероятно стный процесс до размеров, доступных для вычислений и, осущест вляя описанные выше действия, постепенно улучшать качество пра вил управления (политики) в смысле критерия исходной задачи.

Приближенное представление процесса изменения цен можно осу ществить либо путем аппроксимации функций распределения цен, либо ограничиваясь несколькими значениями цен.

В одной из возможных редакций принципиальная схема алго ритма выглядит следующим образом Шаг 1. Сформируем приближенное представление о случай ном процессе 0, которое позволит (в смысле вычислительных воз можностей ЭВМ) провести расчеты, двигаясь справа – налево, и рассчитаем массив t (ct ).

Шаг 2.Рассчитаем трансформацию портфеля, двигаясь слева – направо, используя на каждом шаге выбор правил управления путем решения задачи:

Найти max(M t+1(ct+1)ct+1, ht+ ) при ограничении (ctht+ ) (ct, ht+ ), t 0,1,K,T 1.

+ Шаг 3. Вычислим значение критерия задачи ST : конечную + стоимость портфеля (McT,hT 1).

Шаг 4. Если значение критерия не улучшилось, процедура расчетов завершается, иначе формируем новую матрицу 1, оцени вая результаты шага 3, и возвращаемся на шаг 2.

Практические расчеты При практическом решении задач оптимального управления в стохастической постановке существует два крайних направления действий:

при простой политике управления улучшать качество пред ставлений о стохастическом процессе изменения цен, при простом (и не очень точном) описании стохастического процесса улучшать, насколько это возможно, качество управления.

Принципы аппроксимации и последовательного приближения в классе стохастических задач предоставляют широкое поле для ма невра и выбора конкретного метода в конкретной задаче.

В работе [17] описан опыт в расчетах по управлению портфе лем на рынке Государственных Краткосрочных Облигаций РФ ( – 1997 гг.) на вторичном рынке, который был получен при использо вании первого и второго подходов. Конкретные результаты были более чем приемлемыми.

Цены бумаг изменяются как во время торгов, так и от одной торговой сессии к другой. Проводя удачно операции купли и прода жи облигаций, инвестор может заметно увеличить свой доход по сравнению с пассивной тактикой ожидания их погашения.

Конкретный алгоритм, который был использован при управ лении портфелем инвестора на вторичном рынке ГКО, позволил до биться доходности, превышающей средние показатели рынка. Алго ритм использовал прогноз изменения цен бумаг одних выпусков от носительно других в некоторый, последующий моменту принятия решения период времени. Данный прогноз строился на основе ин формации об изменении цен облигаций в период, предшествующий принятию решения. Алгоритм рассчитан на такое управление, при котором решения об операциях купли-продажи принимаются раз в сессию. Хотя тот же алгоритм может быть использован и для более частых операций, надо иметь в виду следующие обстоятельства.

Поведение цен внутри сессии существенно отличается от их поведения от сессии к сессии, что не может не сказаться на эффек тивности алгоритма, верифицированного по динамике цен закрытия.

(Цена закрытия данной облигации – это цена последней сделки со вершенной с ней в течение сессии.) Масштаб изменения цен внутри сессии, вообще говоря, меньше, чем от сессии к сессии. В то же время операции купли-продажи требуют определенных издержек.

Эти издержки складываются из комиссии биржи, комиссии дилера, а также возможной разницы между ценой текущей сделки в момент принятия решения участником рынка и той ценой, по которой он сможет совершить свою сделку. Данная разница возникает по при чине некоторой временной задержки в исполнении трейдером заявок инвесторов и из-за спреда между ценой спроса и ценой предложе ния. Хотя издержки не очень велики (обычно, 0.05% – 0.2% от объ ема операции), при слишком частых трансформациях портфеля они способны превысить весь положительный эффект этих трансформа ций.

Литература 1. Моисеев Н.Н. Математические задачи системного анализа.

М.: Наука, 1981.

2. Гермейер Ю.Б. Введение в теорию исследования операций.

М.: Наука, 1971.

3. Гермейер Ю.Б. Игры с непротивоположными интересами.

М.: Наука, 1976.

4. Markowitz H. Portfolio Selection // Journal of Finance. 1952. March. P. 77 – 91.

5. Карлин С. Математические модели и методы в теории игр, программировании и экономике. М.: Мир, 1964.

6. Первозванский А.А., Первозванская Т.Ю. Финансовый ры нок: расчет и риск. М.: Инфра-М, 1994.

7. Касимов Ю.Ф. Основы теории оптимального портфеля цен ных бумаг. М: Филинъ, 1998.

8. Меньшиков И.С. Финансовый анализ ценных бумаг: Курс лекций. М.: Финансы и статистика, 1998.

9. Шведов А.С. Теория эффективных портфелей ценных бумаг:

Пособие для студентов, изучающих портфельную теорию и теорию финансовых деривативов. М.: ГУ ВШЭ, 1999.

10. Маршалл Дж.Ф., Бансал В.К. Финансовая инженерия. Пол ное руководство по финансовым нововведениям. М.: Инфра-М, 1998.

11. Tobin J. The Theory of Portfolio Selection // Interest Rates / Hahn F., Breechling F. eds., London: Macmillan, 1965.

12. Агасандян Г.А. Элементы многопериодной портфельной мо дели. М.: ВЦ РАН, 1997.

13. Markowitz H., Todd P., Ganlin Xu., Yamane Y. Fast Computa tion of Mean – Variance Efficient Sets Using Historical Covariances // Journal of Financial Engineering. 1992. Vol. 1, N2, September. P. 117 – 132.

14. Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cambridge: University Press, 1998.

15. Ziemba W.T., Mulvey J.M. Asset and liabilities management systems for long-term investors: discussion of the issues // Worldwide Asset and Liability Modeling. Cambridge: University Press, 1998. P. 3 – 38.

16. Consigli G. and Dempster M.A.H. The CALM Stochastic Pro gramming Model for Dynamic Asset-Liability Management // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cam bridge: University Press, 1998. P. 464 – 500.

17. Гасанов И.И. Ерешко А.Ф. Об одном подходе к управлению портфелем Государственных Краткосрочных Облигаций. М.: ВЦ РАН, 1997.

18. Carino D.R., et al. MTB pension asset/liability management model // Mimeo-graphed notes. Frank Russell Company, Tacoma, Washington. 1995.

19. Hensel C.R., Don Ezra D., Ilkiw J.H. The Importance of the As set allocation decision // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cambridge: University Press, 1998. P.

41 – 52.

20. Chopra V.K., Ziemba W.T. The Effect of Errors in Means, Vari ance and Covariances On Optimal Portfolio Choice // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cambridge:

University Press, 1998. P. 53 – 61.

21. Hensel C.R., Turner A.L. The Making Superior Asset Allocation Decisions: a practitioner’s guide // Worldwide Asset and Liability Mod eling / Ziemba W.T., Mulvey J.M. eds. Cambridge: University Press, 1998. P. 62 – 83.

22. Grinold R.C., Kelly K.E., Attribution of Performance and Hold ings // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cambridge: University Press, 1998. P. 87 – 113.

23. Mulvey J.M., Armstrong J., Rothberg E.T. Total integrative risk management // Risk Special Supplement. 1995. June. P. 28 – 30.

24. Pyle D. The US Savings and Loan crisis // Finance / Jarrow R.A, Maksimovich V., ZiembaW.T. eds. North Holland, 1995. P. 1105 – 1125.

25. Shaw J., Thorp E.O., Ziemba W.T. Risk arbitrage in the Nikkei put warrant market of 1989 – 90 // Applied Mathematical Finance. 1995.

N2. P. 243 – 271.

26. Stone D. and Ziemba W.T. Land and stock prices in Japan // Journal of Economic Perspectives. 1993. N7. P. 149 – 165.

27. Berger A.L., Mulvey J.M., Rush R. Target-matching in financial scenario generation // Princeton University Report SOR – 97 – 15.

Princeton University, 1997.

28. Fan Y., Murray S., Turner A. A retail level stochastic program ming asset-liability management model for Italian investors // Report Frank Russell Company. 1997.

29. Merton R.C. Optimal investment strstegies for university en dowment funds // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cambridge: University Press, 1998. P. 371 – 396.

30. Correnti S., Nealon P., Sonlin S. Decomposing risk enhancing ALM and business decision making for insurance companies // Transac tions of the 6th AFIR International Colloquium. 1996 P. 443 – 472.

31. Grinold R.C. Time horizons in energy planning models // Energy Policy Modeling: United States and Canadian Experiences / Ziemba W.T., Schwartz S.L. eds. Boston Martinus Nijhoff, 1980. Vol. II. P. 216 – 237.

32. Grinold R.C. Model building techniques for the correction of end effects in multistage convex programs // Operations Research. 1983. N31.

P. 407 – 431.

33. Carino D.R., Myers D.H., Ziemba W.T. Concepts, technical is sues and uses of the Russell – Yasuda Kasai financial planning model // Report, Frank Russell Company, January, forthcoming Operations Re search. 34. Carino D.R., Turner A.L. Multiperiod Asset Allocation With Derivative Assets // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cambridge: University Press, 1998. Р. 182 – 204.

35. Mulvey J.M. It always pays to look ahead // Balance Sheet.

1996. N4. P. 23 – 27.

36. Mulvey J.M. Generating scenarios for the Towers Perrin invest ment system // Interfaces. 1996. N26. P. 1 – 15.

37. Mulvey J.M., Thorlacius A.E. The Towers Perrin Global capital Market Scenario Generation System // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cambridge: University Press, 1998. P. 286 – 312.

38. Rockafellar R.T., Wets R.J. – B. Scenarios and policy aggrega tion in optimization under uncertainty // Mathematics of Operations Re search. 1991. N16. P. 119 – 147.

39. Beckers S., Connor G., Curds R. National versus global influences on equity returns // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cambridge: University Press, 1998. P. 114 – 128.

40. Chaumeton L., Connor G., Curds R. A global stock and bond model // Worldwide Asset and Liability Modeling / Ziemba W.T., Mul vey J.M. eds. Cambridge: University Press, 1998. P. 129 – 145.

41. Connor G., Korajczyk R.A. The arbitrage pricing theory and multi-factor models of asset returns // Finance / Jarrow R.A., Maksimo vich V., Ziemba W.T. eds. North Holland, 1995. P. 87 – 144.

42. Kelly J. A new interpretation of information rate // Bell System Technology Journal. 1956. N35. P. 917 – 926.

43. Grauer R.R., Hakansson N. On timing the market: the empirical probability assessment approach with an inflation adapter // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cam bridge: University Press, 1998. P. 149 – 181.

44. Merton R.C. Lifetime portfolio selection under uncertainty: the continuous time case // Review of Economics and Statistics. 1969. N3. P.

373 – 413.

45. Merton R.C. Continuous-Time Finance. Blackwell Publishers, 1990.

46. Samuelson P. Lifetime portfolio selection by dynamic stochastic programming // Review of Economics and Statistics. 1969. August. P.

239 – 246.

47. Brennan M.J., Schwartz E.S., Lagnado R. Strategic asset alloca tion // Journal of Economic Dynamics and Control. 1998.

48. Brennan M.J., Schwartz E.S. The use of Treasury bill futures in strategic asset allocation programs // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cambridge: University Press, 1998. P. 205 – 228.

49. Kallberg J.G., White R.W., Ziemba W.T. Short term financial planning under uncertainty // Management Science. 1982. N28. P. 670 – 682.

50. Kusy M.I., Ziemba W.T. A bank asset and liability management model // Operations Research. 1986. N34. P. 356 – 376.

51. Carino D.R., Ziemba W.T. Formulation of the Russell – Yasuda Kasai financial planning // Report, Frank Russell Company, January, forthcoming Operations Research. 1998.

52. Carino D.R., Myers D.H., Ziemba W.T. Concepts, technical is sues and uses of the Russell – Yasuda Kasai financial planning model // Report, Frank Russell Company, January, forthcoming Operations Re search. 1998.

53. Frauendorfer K., Schurle M. Barycentric approximation of sto chastic interest rate processes // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cambridge: University Press, 1998. P.

231 – 262.

54. Rudolf M., Zimmerman H. An algorithm for international portfolio selection and optimal currency hedging // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cambridge: University Press, 1998. P. 315 – 340.

55. Sweeney J.C., Sonlin S.M., Correnti S., Williams A.P. Optimal insurance asset allocation in a multi-currency environment // Worldwide Asset and Liability Modeling / Ziemba W.T., Mulvey J.M. eds. Cam bridge: University Press, 1998. P. 341 – 368.

56. Gardner G.W., Stone D. Estimating currency hedge ratios for in ternational portfolios // Financial Analysts Journal 1995. Novem ber/December. P. 58 – 64.

57. Sorensen E., Mezrich E., Thadani D. Currency hedging through portfolio optimization // Journal of Portfolio Management. 1993. Spring P. 78 – 85.

58. Longin P.M. The asymptotic distribution of extreme stock market returns // Journal of Business. 1996. N69. P. 383 – 408.

59. Jackwerth J.C. and Rubinstein M. Recovering probability distri butions from option prices // Journal of Finance 1997. N51. P. 1611 – 1631.

60. Mulvey J.M., Rush R., Mitchell J.E., Willemain T.R. Stratified filtered sampling in stochastic optimization // Princeton University Re port SOR – 97 – 7. To appear in European Journal of Operations Re search. Princeton University, 1997.

61. Greenspan A. Financial innovations and the supervision of finan cial institutions // Journal of Financial Engineering. 1995. N4. P. 299 – 306.

62. Солянкин А.А. Компьютеризация финансового анализа и прогнозирования в банке. М.: Финстатинформ, 1998.

63. Киселев В.В. Управление коммерческим банком в переход ный период. М.: Издательская корпорация “Логос”, 1997.

64. Лаптырев Д.А., Батенко И.Г., Буковский А.В., Митрофанов В.И. Планирование финансовой деятельности банка: необходимость, возможность, эффективность. М.: АСА, 1995.

65. Екушов А.И. Модели учета и анализа в коммерческом банке.

Калининград: Янтарный сказ, 1997.

66. Екушов А.И. Модель пассивной эволюции в задачах анализа и управления // Банковские технологии. 1995. №8.

67. Богарева Е., Эпов А. Моделирование пассивной эволюции в управлении финансами // Банковские технологии. 1997. № 1.

68. Флеров Ю.А., Вышинский Л.Л., Гринев И.Л., Катунин В.П., Широков Н.И. Банковские информационные технологии. ч. 1, 2. М.:

ВЦ РАН, 1999.

69. Кульба В.В., Кузина В.В., Косяченко С.А., Шелков А.Б.

Фундаментальный анализ в коммерческом банке. М.: ИПУ РАН, 1999.

70. Ованесов А., Четвериков В. Поток платежей // Рынок ценных бумаг. 1996. № 17, 19, 21.

71. Вестник Федеральной Комиссии по рынку ценных бумаг, www.financy.ru, www.finrisk.ru.

72. Bradley S.P., Crane D.B. A dynamic model for bond portfolio management // Management Science. 1972. N19. P. 139 – 151.

73. Lane M., Hutchinson P. A model for managing a certificate of deposit portfolio under uncertainty // Stochastic Programming / Dempster M.A.H. ed. Academic Press, 1980. P. 473 – 493.

74. Carino D.R., Kent T., Myers D.H., Stacy C., Sylvanus M., Turner A.L., Watan-abe K., Ziemba W.T. The Russell – Yasuda Kasai model:

An asset/liability model for a Japanese insurance company using multi stage stochastic programming // Interfaces. 1994. N24. P. 29 – 49.

75. Dempster M.A.H., Ireland A. Object oriented model integration in a financial decision support system // Decision Support Systems. 1991. N7.

P. 329 – 340.

76. Mulvey J.M., Vladimirou H. Stochastic network optimization models for investment planning // Annals of Operations Research. 1989.

N20. P. 187 – 217.

77. Zenios S. Asset-liability management under uncertainty: The case of mortgage-backed securities // Research Report, Hermes Lab for Financial Modeling and Simulation. The Wharton School, University of Pennsylvania, 1992.

78. Stochastic Programming / Dempster M.A.H. ed. Academic Press, 1980.

79. Ermoliev Yu., Wets R.J.B. eds. Numerical Techniques for Sto chastic Optimization. Springer – Verlag. 1988.

80. Dupacova J. Stochastic Programming Models in Banking // Working Paper, International Institute for Applied Systems Analysis. Laxenburg, Austria, 1991.

81. Dupacova J. Multistage stochastic programs: The state of the art and selected bibliography // Kybernetika. 1995. N31. P. 151 – 174.

82. Birge J.R. Decomposition and partitioning methods for multi stage stochastic linear programs // Operations Research. 1985. N33. P.

989 – 1007.

83. Dempster M.A.H., Thompson R.T. Parallelization and aggregation of nested Benders decomposition // Proceedings APMOD95 Conference, Brunei University. To appear in Annals of Operations Research. 1996.

84. Dempster M.A.H., Thompson R.T. EVPI-based importance sam pling solution procedures for multistage stochastic linear programmes on par allel MIMD architectures. Proceedings of the POC96 Conference, Ver sailles. To appear in Annals of Operations Research. 1996.

85. Беллман Р. Динамическое программирование. М.: ИЛ, 1960.

86. Гасанов И.И., Ерешко А.Ф. Об одном подходе к управлению портфелем Государственных Краткосрочных Облигаций // Труды конференции. “Теория активных Систем”. Москва, ИПУ РАН, 1999.

С. 207 – 208.

87. Agasandian G.A., Gasanov I.I., Ereshko F.I., Ereshko A.F., Stolyarova E.M. The Models of Operations Research in Financial Engi neering // World Conference on Computational Intelligence in Financial Engineering. N.Y., 2000. www.iafe.org.

88. Агасандян Г.А., Гасанов И.И., Ерешко Ф.И., Ерешко А.Ф., Охрименко В.В., Столярова Е.М., Столяров Л.Н. Модели принятия решений в финансовой инженерии // Тезисы докладов научной сес сии “Проблемы прикладной математики и информатики – 2000”, 6 – 7 дек. 2000 г. Москва, ВЦ РАН, 2000. С. 21 – 22.

89. Гасанов И.И., Ерешко А.Ф. Оптимальное управление порт фелем дисконтных облигаций // Рынок ценных бумаг. 2001. 14(197).

С. 58 – 61.

90. Ерешко А.Ф. Локально-оптимальные стратегии в задаче управления портфелем ценных бумаг // Тезисы доклада 3–ей Мос ковской международной конференции по исследованию операций, – 6 апр. 2001 г. Москва, ВЦ РАН, 2001. С. 29 –30.

91. Ерешко А.Ф. Эффекты нелинейности при формировании портфеля ценных бумаг и декомпозиция финансовых инструментов // Труды международной научно-практической конференции “Теория активных Систем”. Москва, ИПУ РАН, 2001. С. 28.

92. Ereshko A.F. Computational Method of the Fuzzy Goals at Man agement of a Portfolio // World Conference on Computational Intelli gence 2002 (IEEE International Conference on Fuzzy Systems). Hono lulu, 2002. 12 p. www.wcci2002.org.

93. Агасандян Г.А. Финансовая инженерия и критерий допусти мых потерь VaR. М.: ВЦ РАН, 2001.

94. Беллман Р., Калаба Р. Квазилинеаризация и нелинейные краевые задачи. М.: Мир, 1968.




© 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.