2020-11-18

1、Introduction

考虑一个单周期的投资组合优化问题：
资产i的收益率百分比等于xi, x是一个随机的n维向量。对于给定的分配向量w，投资组合的总收益是随机变量

一些经典的风险度量：
（1）Markowitz认为：假设收益向量的均值和协方差矩阵都是已知的，风险定义为收益的方差。在平均回报的下限下最小化风险会导致（***问：收益的方差为何是下式左边的形式？*** 答：Markowitz就是这么认为的）

其中u是平均收益的预定义下界。
（2）Value-at-Risk (VaR)：VaR被定义为最小水平r，使得投资组合损失−r(w,x)超过r的概率低于E：

与Markowitz框架仅需要了解收益分布的一阶矩和二阶矩，而上述VaR则假定完全知道整个分布。

当这种分布是高斯分布时（均值和协方差给定），那么VaR可以写为：（***是怎么写成这样的？？？*** 就是由高斯分布化过来的 具体不知）

实际上，收益的分布不是高斯分布的。然后可以使用切比雪夫界来找到投资组合损失- r(w,x)超过r的概率的上界，但该界限基于对分布的前两个矩的唯一了解，并得出公式（2），现在为$\kappa (ϵ)=1/\sqrt{ϵ}$。 实际上，经典的切比雪夫界限是不精确的，这意味着没有达到上限。

（3）在上述所有情况下，使可容许投资组合的VaR最小化的问题采用以下形式：

其中k是一个适当的“风险因素”，它取决于对收益分布的先验假设(高斯分布，给定矩信息的任意分布，等等)。当k>=0时(在高斯情况下当且仅当$\kappa \in (0,1/2]$时为真)，V (w)是w的凸函数，可以很容易地全局解决上述问题，例如，凸二次锥规划的内点技术(SOCP;参见，Lobo et al. 1998)。

***出于多种原因，经典框架可能不合适。 显然，当收益的分布显示出“厚尾”特征时，方差不是恰当的风险度量。 另一方面，VaR的精确计算需要对分布有完整的了解，即使有完全的分布信息，VaR的计算也可能是在高维空间中的数值积分，这在计算上很麻烦。 此外，诸如蒙特卡洛模拟（Linsmeier and Pearson 1996）之类的数字技术并不容易扩展到组合设计。***

本文方法是假设收益的真实分布只是部分已知。用P表示允许分布的集合。例如，P可以由具有均值$\hat{x}$和协方差矩阵$\Gamma$的一组高斯分布组成，其中$\hat{x}$和$\Gamma$仅在给定的分量范围内是已知的。
对于给定的损失概率水平$ϵ\in (0,1]$和给定的投资组合$\omega \in (W)$，我们针对概率分布P的集合定义最坏情况的风险价值为：

本文的主要结果是，对于一类允许概率分布集P，通过求解一个半定规划问题(SDP)，可以精确地解决最坏情况VaR的计算和优化问题。SDPs是凸的、有限维的问题，对于这些问题，最近出现了非常有效的多项式时间内点方法，以及用于大规模(稀疏)问题的束方法。
当均值和协方差矩阵不确定但有界时，本文的解决方案不仅产生一个最优投资组合的最坏情况VaR，而且会同时计算一个半正定协方差矩阵和一个均值向量，满足边界，是我们的问题的最优。因此，为了计算或优化VaR，我们选择最谨慎的协方差矩阵和均值向量。

文章结构：本文的结构如下。在§2中，当均值和协方差矩阵均已知时，我们考虑最坏情况下的VaR问题，然后将分析扩展到仅在给定凸集中才知道均值和协方差（或第二矩）矩阵的情况。然后，将结果专门化为两种范围：多主题和逐分量。在§3中，研究了由因素模型引起的不确定性结构。表明，可以通过SDP以及最坏情况下的VaR的上限来分析因子协方差数据以及灵敏度矩阵的不确定性。第4节专门讨论了§2中研究的问题的几种变体：利用支持信息，通过相对熵约束排除离散的概率分布，处理多个VaR约束。在§5中提供了数值说明。

2、

当收益的概率分布的矩只已知属于一个给定集合，概率分布是任意的情况下的最坏情况VaR的问题

（1）先假设收益的分布的均值向量和协方差矩阵是精确已知的

以下定理提供了当精确知道矩时最坏情况下VaR的几种等价表示。
（1）
（2）
（3）
（4）
（5）

命题1和2之间的等价关系将在下面证明，但也可以通过应用Bertsimas和Popescu（2000）中给出的（精确）多元切比雪夫界来获得。命题1、2的等价性表明这意味着在$\omega \in (W)$上优化VaR的问题等同于：

上面问题可转换为二阶锥规划问题（***如何转化为SOCP???*** 就是通过拉格朗日对偶转化过来的）。SOCP是SDP的特殊形式，其求解效率接近于线性规划。

首先证明命题1与命题3的等价性，然后证明命题1与命题3等价于命题2。命题4与命题2中给出的解析式是直接等价的。最后，命题4和命题5之间的等价是由简单的SDP对偶性得到的。

（1）证明命题（1）与（3）等价：

除以$\tau$的原因是：含有$\tau$时时非凸的，除后转化为凸的

（2）接着论文中又开始计算上述SDP问题的对偶：（已经转化为半正定规划了，为什么还继续求对偶??？ 答：为了将SDP转化为SDCP）

先写出拉格朗日函数：

然后去掉上述约束中的u，v，X，使等式变成不等式：

在上面的不等式约束中，可以注意到：
表明：

若y=1,那么有v=$\hat{x}$，目标函数就变为：$-{\hat{x}}^T\omega$，现在假设y<1，那么约束（18）等价于：

证明命题2（***下面这个式子是怎么转化过来的？？？***））

具体过程如下：

（2）Convex Moment Uncertainty

考虑仅已知均值和协方差属于一个给定的凸集$U$，其他的概率分布是任意的。例如，$U$可以描述均值和协方差的上下边界，$(\mathrm{T},\hat{x})$是$U$中的一个点，且$\mathrm{T}>0$,用$U_{+}$表示集合 { ( T , x ^ ) ∈ U ∣ T > 0 } \{(\Tau,\hat x) \in U|\Tau>0\} {(T,x^)∈U∣T>0},假定$U_{+}$是有界的，像之前一样用P表示相应的概率分布集。

鉴于定理1的命题1和3之间的等价关系，得出，当且仅当对于每个$x\in {\mathbb{R}}^n$和$(\mathrm{T},\hat{x})\in U_{+}$使得条件（10）（就是命题4）成立，最差情况下的VaR小于$\gamma$ ，我们有$-x^T\omega >=\gamma$ 。 因此，在上述条件下使$\mathrm{T}$和$\hat{x}$变量足以计算最坏情况的VaR即可：

接着用$U$代替$U_{+}$得到下面的定理2：

解决问题（21）得出均值向量$\hat{x}$和协方差矩阵$\mathrm{T}$的选择，该矩阵对应于与先验信息$(\mathrm{T},\hat{x})\in U$的最坏情况的选择。
为了优化分配向量w，考虑问题：（此问题的可解性取决于集合$U$与$W$的结构））
使用公式（11）（就是命题5））获得最坏情况下的VaR的替代表达式。（***是怎么得到的？？？用对偶？***））
当且仅当对于每个$(\mathrm{T},\hat{x})\in U$且
$\mathrm{T}>0$，存在$\Lambda ,\nu$，使得公式（11）（就是命题5））成立。 因此，最坏情况下的VaR由最大-最小问题为：

由于上述问题的可行集是紧的和凸的，对于固定的$\Lambda ,\nu$目标关于$\mathrm{T},\hat{x}$是线性的（反之亦然）。所以，可以交换“min”和“max”，并通过解决min-max问题来优化最坏情况的VaR：

最后，定理3：

（3）Polytopic Uncertainty