Estratégias De Negociação De Otimização De Portfólio

Otimização de portfólio de energia e estratégias de negociação Introdução A modelagem ótima das estratégias de negociação e gerenciamento de portfólio de acordo com metas de retorno de risco individuais é fundamental para o sucesso das empresas no comércio de energia e gás. Para atingir esses objetivos de forma prática e consistente, é indispensável fazer uso de abordagens quantitativas poderosas. Nosso curso As estratégias de otimização e comercialização de portfólio de energia fornecerão o conhecimento e a experiência prática necessários para implementar e aplicar com sucesso esses conceitos em sua organização. O curso é apresentado em conjunto com o nosso parceiro KYOS. Grupos-alvo Este curso visa uma ampla gama de profissionais ativos no setor de energia e finanças, incluindo gerentes, comerciantes, desenvolvedores de ativos, gestores de portfólio e riscos e reguladores. Qualquer outra pessoa que deseje desenvolver uma compreensão prática da otimização do portfólio de energia e das estratégias de negociação com base nas melhores práticas lucrará com o curso. O curso é apresentado em um dia, dividido em sessões da manhã e da tarde. Durante a sessão da manhã, os participantes adquirirão conhecimentos sobre as características dos mercados europeus de energia e gás. Esta sessão abrange estruturas de mercado relevantes e questões de liquidez do mercado, bem como estruturas de portfólio ao longo da cadeia de suprimentos e exposições de risco prevalecentes. Além disso, os principais objetivos em gerenciamento de riscos e mitigação de riscos são introduzidos. Isso inclui o alinhamento da tolerância ao risco individual e da estratégia de negócios, bem como a alocação de capital de risco e a limitação de riscos. Finalmente, os participantes aprenderão sobre as características e mecanismos das estruturas de contratos físicos e financeiros específicos necessários para gerenciar portfólios de energia, desde instrumentos padronizados até instrumentos mais flexíveis. A sessão da tarde baseia-se nesta base e fornece informações detalhadas sobre técnicas básicas e mais avançadas de negociação e hedge dinâmico em mercados incompletos. Finalmente, os participantes do curso aprenderão como otimizar e monitorar as carteiras e as estratégias de negociação na prática com base no conceito econômico de utilidade bem fundamentado. Todo o curso tem um forte foco na aplicabilidade e fornece inúmeros exemplos em primeira mão e estudos de caso, tais como: otimização do portfólio de gás e dia-a-dia, otimização do uso de contratos de armazenamento e balanço, estratégias de negociação optimizadas para alimentação renovável incerta . Um certificado de atendimento será emitido para cada participante. Requisitos O curso não exige nenhum pré-conhecimento específico. Os instrutores são usados ​​para apresentar os conceitos subjacentes, bem como os exemplos práticos de forma intuitiva. Clique aqui para baixar nossa brochura (incluindo os detalhes do curso, preço, data e localização). Os principais 7 problemas de otimização do portfólio Tropeços na caminhada da teoria à otimização prática na gestão de fundos. Problema 1: otimização de portfólio é muito difícil Se você estiver usando uma planilha, então isso é realmente um problema. As planilhas são perigosas quando é dada uma tarefa complexa. Otimização de portfólio qualifica como complexo nesse contexto (complexo em requisitos de dados). Se você estiver usando um ambiente de computação mais adequado, então não é realmente tão difícil. Há algumas questões que precisam ser tratadas, mas levá-las de uma vez por a vez impedem que a tarefa seja esmagadora. Se você estiver usando planilhas, minha receita é mudar para R. Quando há dinheiro real na linha, usar uma planilha para otimização de portfólio parece ser um penny sábio e um tolo tolo. Se você tiver outros problemas com otimização, leia o restante desta publicação. Problema 2: os otimizadores de portfólio sugerem muita negociação. Uma grande frustração com os otimizadores é que o volume de negócios pode ser excessivo. Todos os otimizadores de portfólio razoáveis ​​permitem: restrições de volume de negócios custos de transação Use qualquer destes para reduzir o volume de negócios a um valor adequado. Nós don8217t muitas vezes deixamos os carros rolarem descontrolados por uma colina. E não devemos permitir isso também aos otimizadores. Problema 3: os retornos esperados são necessários Primeiro, esse isn8217t é estritamente verdadeiro. Você pode encontrar portfólios de variância mínima que precisam de uma matriz de variância, mas não esperados. O sucesso da baixa volatilidade de investimento é uma razão para seguir esta rota. Mas assumindo que você é um investidor ativo, você precisa de expectativas em algum sentido. Há uma série de técnicas que não requerem retornos numéricos esperados. Carteira de destino Qualquer um deve ser capaz de fornecer um portfólio objetivo ideal 8212 o portfólio que você gostaria de manter quando todas as restrições são ignoradas. Depois de ter o portfólio de destino, você pode obter um portfólio que é 8220close8221 para o alvo, mas obedece às restrições. Um desses constrangimentos deve ser seguramente o volume de negócios. Provavelmente, uma solução melhor seria minimizar o erro de rastreamento no portfólio de destino. Isso requer uma matriz de variância. Otimização inversa A técnica de otimização reversa (também chamada alfa implícita) pode ser usada iterativamente para tentar encontrar um portfólio que se pareça com o que você deseja em termos dos retornos esperados que estão implícitos. Isso evita realmente fazer otimização, mas é intensivo em mão-de-obra e depende das restrições que não destroem os alfas implícitos (o que talvez seja duvidoso). Rankings de ativos Se você pode ordenar os ativos em seu universo em termos de retornos esperados, então é possível produzir retornos esperados para dar a um otimizador. Os ativos de classificação são muito mais fáceis do que dar estimativas numéricas de retornos. Um artigo de Almgren e Chriss explica como transformar as fileiras em retornos numéricos esperados. O caso simples apenas requer o uso da função qnorm em R. Isso lhe dá tamanhos relativos, mas você ainda deseja dimensioná-los para combinar a matriz de variância. Problema 4: otimização da variância média é restritiva Existe um mito de que a otimização da variância média só é útil quando os retornos são normalmente distribuídos. Atrás do mesmo. Se os retornos forem normalmente distribuídos, a otimização da variância média é tudo o que pode ser feito. 8212 todos os outros utilitários serão equivalentes. Veja mais em 8220Cortical de portfólio antigo8221. Se a distribuição de retorno de quaisquer ativos no universo não for razoavelmente próxima da simétrica, então, sim, a otimização da variância média é restritiva e não deve ser usada. Exemplos de ativos disruptivos são títulos e opções. No entanto, se o universo é apenas estoque, então a variância média é uma boa aproximação ao melhor que podemos fazer. Skewness e kurtosis podem ser adicionados ao utilitário para explicar a não-normalidade dos retornos. A publicação do blog 8220Predictability of skewness and kurtosis in SampP constituents8221 indica que o skewness provavelmente é quase impossível de prever e a previsibilidade da curtose é limitada. Em 1999, os momentos parciais mais baixos e a semi-variância eram populares com os estoques tecnológicos, porque eles realmente eram arriscados, eles apenas subiram. Descobriu-se que havia simetria nos retornos das ações de tecnologia 8212 era apenas que o lado negativo veio mais tarde. Se de fato você estiver em uma situação 8212, incluindo renda fixa ou opções 8212, onde a otimização de variância média não é apropriada, então você provavelmente deve fazer otimização de cenário. Problema 5: entradas de otimização de portfólio são estimativas barulhentas Os otimizadores de portfólio são estúpidos o suficiente para acreditar no que lhes dizemos. O otimizador nos dá uma solução como se realmente conhecesse os retornos esperados e a matriz de variância. De fato: as estimativas dos retornos esperados são estimativas de ruído quase total da matriz de variância são bastante ruidosas. O 828 quase total ruído 8221 aplica aos melhores gestores de fundos 8212. O 8220muito8221 precisa ser descartado por gerentes de fundos abaixo da média. Os modelos de variância de fatores são freqüentemente insumos para otimizadores. Estas são muito melhores do que as matrizes de variância de amostras para universos grandes. No entanto, usar uma estimativa de encolhimento provavelmente é melhor do que qualquer um. Erro nominativo Temos um problema de Wharfian com otimização de portfólio 82208221. As pessoas pensam que estamos otimizando o portfólio quando dizemos isso. Na verdade, estamos realmente otimizando o comércio. Para alguns fins, isso não interessa, mas importa quando pensamos sobre o que fazer com entradas ruidosas. Operações de tipo Black-Litterman Algumas pessoas pensam que fazer algo como Black-Litterman é uma solução para este problema. Não é. Se feito de forma inteligente, reduz o 8212, mas não elimina 8212 o ruído nos retornos esperados. Otimização robusta A solução real para este problema passa pelo nome da otimização robusta. Eu acho este termo infeliz, pois existem vários usos do termo 8220robust8221 que podem ser facilmente confundidos com o significado de obter boas soluções para uma otimização comercial a partir de entradas barulhentas. Existe uma seleção bastante ampla de propostas para implementar soluções. A maioria deles é bastante complicada. Existe uma solução simples e facilmente implementada (embora o número exato provavelmente precise ser encontrado através da experimentação). Aqui, a história (assumindo que temos um portfólio existente): se as entradas que damos ao otimizador são exatamente verdadeiras, então devemos aceitar o que o otimizador diz. Devemos fazer o comércio sugerido 8212 lembre-se de que estamos otimizando o comércio. Se as entradas que damos ao otimizador são lixo completo, não devemos fazer nada. Nosso comércio deve ser zero. A realidade é que nossos insumos estão em algum lugar entre lixo exato e completo, de modo que nosso comércio deve estar em algum lugar entre o comércio sugerido e nenhum comércio. Queremos diminuir o comércio. É fácil reduzir o comércio, impondo uma restrição de volume de negócios (mais forte) ou aumentando os custos de transação. O quanto fazer é um problema, é claro, mas o princípio é simples. É provável que um palpite seja melhor do que não fazê-lo. Problema 6: custos de transação são complicados Isso é verdade. Alguns dos custos são diretos, mas o impacto no mercado é difícil de identificar. Mas o número de bits é ainda mais complicado: os custos de transação precisam ser dimensionados para corresponder aos retornos e variações esperados, ou os retornos esperados e a variação precisam ser dimensionados para corresponder aos custos de transação. As três entidades aparecem na função de utilidade e a escala é necessária para que o utilitário faça sentido. A saída do coward8217 é apenas impor uma restrição de volume de negócios. O outro caminho é trabalhar e pensar muito sobre os custos de negociação. E provavelmente usar um otimizador que permita uma especificação flexível de custos. Problema 7: risco e problema de alinhamento do fator alfa Houve conversa entre os literatos de otimização de portfólio sobre alimentação alfa e alinhamento de fatores. A coisa toda soa seriamente geeky (mesmo para um nerd como eu). A essência disso é que, se houver fatores usados ​​nos retornos esperados que não são fatores no modelo de risco, o otimizador irá pensar que esses fatores são essencialmente sem risco e usá-los demais. Uma das principais 8220solutions8221 é adicionar os fatores que faltam ao modelo de risco. Isso, obviamente, pressupõe que existem fatores no modelo de retorno esperado. Eu suspeito que o problema real é que os modelos de fatores são a tecnologia errada para usar como a matriz de variância nos otimizadores. A solução, então, é uma tecnologia melhor. Minha sugestão é usar as estimativas de Ledoit-Wolf que se encolhem em direção a uma correlação igual. Problema 8: restrições ficam no caminho Este é o problema invisível. Não é preocupante para as pessoas, porque eles não sabem que elas têm. As restrições estão em vigor para que o portfólio não faça nada de tão estúpido. Mas quantos verificaram para ver que as restrições estão fazendo como pretendido. O 8220the8221 no título é, obviamente, um absurdo 8212. Eu realmente não sei quais problemas estão no topo. Quais outros problemas estão na otimização do portfólio Apêndice R em R Muitos dos otimizadores de portfólio comerciais possuem uma interface R. Isso, claro, inclui o Portfolio Sonda. Existem algumas implementações de otimização de portfólio mais ou menos ingênuas em R que foram contribuídas. Veja a visão da tarefa Empirical Finance para obter mais detalhes. Encolhimento de Ledoit-Wolf Você pode obter uma função que faz o encolhimento de Ledoit-Wolf em direção a uma correlação igual ao fazer (em R): O primeiro comando que você só precisa fazer uma vez (por versão de R), o segundo que você precisa fazer em cada R Sessão em que você deseja usar a função. É chamado var. shrink. eqcor. Por padrão, isso garante que o autovalor mínimo seja pelo menos 0,001 vezes o maior autovalor. Esta é uma maneira de evitar o problema do alinhamento de fator. Não existe uma razão científica para esse valor particular do limite 8212, sinta-se livre para experimentar e relatar. O pacote BurStFin também possui factor. model. stat, que estima um modelo de fator estatístico. Ao obter dados dos estoques, eles devem ser e até a mesma data. Tendo dados para uma empresa de ações de 8217 (empresa A) nos anos anteriores à crise financeira (quando eles realmente fizeram bem) e uma empresa8217s (empresa B) ações em anos em recessão Não é muito útil, porque o algoritmo de software de otimização de portfólio retornará a saída que todos os pesos devem ser diretos para a empresa. Você está no problema 3 aqui: os retornos esperados são difíceis. Como eu disse em meus momentos mais altos, conversar com retornos históricos é quase inútil para a maioria dos propósitos. Como você acertadamente salienta, eles seriam ainda mais perigosos se os períodos históricos não forem os mesmos (pelo menos em grande parte). Obrigado pela publicação esclarecedora. Estou especialmente interessado no poder da R como uma ferramenta de análise de investimentos. Depois de implementar com sucesso o modelo clássico de otimização de portfólio, procuro uma maneira eficiente de desenhar toda a área de investimento viável em R (além da fronteira de investimento eficiente). Minha abordagem atual é gerar pesos de portfólio aleatórios (uniformemente distribuídos dentro de um simplex), verifique se as restrições são mantidas e traçam. No entanto, os gráficos que recebo são muito diferentes dos que eu vi como resultado de outros programas (por exemplo, OptiFolio. ECVaR). Meus resultados mostram uma pequena nuvem de carteiras. Você tem alguma sugestão sobre como produzir uma área de investimento viável mais detalhada usando R, eu suspeito que você esteja vendo algo como a Figura 3 de Frentes eficientes realizadas. Parece que as carteiras típicas vivem em uma parte bastante pequena do espaço viável. Eu nunca tentei fazer o que você está fazendo, então eu realmente não tenho qualquer sabedoria sobre o assunto. Eu acho que você precisará fazer algum tipo de otimização com entradas variadas. Mas eu não o vejo completamente, no momento pelo menos. Se você pode assumir que o espaço viável é convexo, a função 8216chull8217 (como na 8216convex hull8217) R é sua amiga.