【mosek.fusion】Portfolio Optimization

Basic Model

经典的Markowitz模型考虑投资$n$支资产，设$x_j$表示在第$j$支资产的投资比例，资产收益率为随机变量$r$，并且期望收益率$\mu$为已知
$$\mu =\mathbb{E}r$$
资产的方差为
$$\Sigma =\mathbb{E}(r-\mu )(r-\mu {)}^T$$
投资组合的期望收益率为
$$\mathbb{E}y={\mu }^{T}x$$
组合方差为
$$\mathbb{E}(y-\mathbb{E}y{)}^2=x^T\Sigma x$$
在限制风险的情况下，组合收益率最大化模型为
$$\begin{array}{rl}& \max {\mu }^{T}x\\ & s.t.\{\begin{array}{l}{e}^{T}x=w+e^T{x}^0\\ x^T\Sigma x\le {\gamma }^2\\ x\ge 0\end{array}\end{array}$$
方差-协方差矩阵$\Sigma$为半正定矩阵，所以存在矩阵$G$满足
$$\Sigma =G{G}^T$$
可以使用Cholesky分解求出$G$，对于给定的$G$，有
$$x^T\Sigma x=x^{T}G{G}^{T}x=\Vert G^{T}x{\Vert }_2^2$$
风险约束可以表示为
$$\gamma \ge \Vert G^{T}x\Vert$$
即
$$(\gamma ,G^T,x)\in {\mathcal{Q}}^{n+1}$$
其中${\mathcal{Q}}^{n+1}$是$(n+1)$维的二阶锥，所以模型可以转化为
$$\begin{array}{rl}& \max {\mu }^{T}x\\ & s.t.\{\begin{array}{l}{e}^{T}x=w+e^T{x}^0\\ (\gamma ,G^T,x)\in {\mathcal{Q}}^{n+1}\\ x\ge 0\end{array}\end{array}$$
mosek建模代码如下

from mosek.fusion import *
def Markowitz(n, mu, GT, x0, w, gamma):
	with Model('markowitz') as M:
		x=M.variable('x', n, Domain.greaterThan(0.0))
		M.objective('obj', ObjectiveSense.Maximize, Expr.dot(mu, x))
		M.constraint('budget', Expr.sum(x), Domain.equalsTo(w+sum(x0)))
		M.constraint('risk', Expr.vstack(gamma, Expr.mul(GT, x)), Domain.inQCone())
		M.solve()

Efficient Frontier

有效前沿也被称为帕累托最优组合(pareto optimal portfolio)，显然投资者应该投资有效前沿上的组合，有效前沿上的组合是收益与风险的权衡，对于权衡因子$\alpha >0$可以建立如下模型.
$$\begin{array}{rl}& \max {\mu }^T-\alpha x^T\Sigma x\\ & s.t.\{\begin{array}{l}{e}^{T}x=w+e^T{x}^0\\ x\ge 0\end{array}\end{array}$$
使用旋转锥约束等价转换模型为
$$\begin{array}{rl}& \max {\mu }^{T}x-\alpha s\\ & s.t.\{\begin{array}{l}{e}^{T}x=w+e^T{x}^0\\ (s,0.5,G^{T}x)\in {\mathcal{Q}}_r^{n+2}\\ x\ge 0\end{array}\end{array}$$
mosek建模代码

from mosek.fusion import *
import numpy as np
def EfficientFrontier(n, mu, GT, x0, w, alphas):
	with Model('EFF') as M:
		x=M.variable('x', n, Domain.greaterThan(0.0))
		s=M.variable('s', 1, Domain.unbounded())
		M.constraint('budget', Expr.sum(x), Domain.equalsTo(w+sum(x0)))
		M.constraint('variance', Expr.vstack(s, 0.5, Expr.mul(GT, x)), Domain.inRotatedQCone())
		frontier=[]
		ret = Expr.dot(mu, x)
		for alpha in alphas:
			M.objective('obj', ObjectiveSense.Maximize, Expr.sub(ret, Expr.mul(alpha, s)))
			M.solve()
			# 加入权衡因子，期望收益和风险水平 tuple
			frontier.append((alpha, np.dot(mu, x.level()), s.level()[0]))
		return frontier

Factor model and efficiency

模型计算成本取决于约束数量，变量数量和矩阵稀疏度，考虑从方差-协方差角度提升计算效率，假设
$$\Sigma =D+V{V}^T$$
其中$D$是正定的对角矩阵，$V$是$n\times p$矩阵，且$p\ll n$，通过Cholesky分解，$G$需要存储$\mathcal{O}(n(n+1)/2)$的元素. 使用因子模型分解，可以将空间复杂度降低到$\mathcal{O}(n+pn)$，其中
$$G^T=\left[\begin{array}{c}{D}^{1/2}\\ V^T\end{array}\right]$$

Slippage Cost

考虑交易成本是一个更加接近实际的模型
$$\begin{array}{rl}& \max {\mu }^{T}x\\ & s.t.\{\begin{array}{l}{e}^{T}x+{\sum }_{j=1}^n{T}_j(\Delta x_j)=w+e^T{x}^0\\ x^T\Sigma x\le {\gamma }^2\\ x\ge 0\end{array}\end{array}$$
其中$\Delta x_j$是资产$j$的变化量
$$\Delta x_j=x_j-x_j^0$$
函数$T_j(\Delta x_j)$表示资产$j$的交易费用.

Market Impact Costs

在小额资产交易时，成交额不会影响市场价格，如果是大额资产交易，市场价格会受到冲击，可以用如下非线性函数设置资产$j$的市场冲击成本(market impact cost)
$$T_j(\Delta x_j)=m_j|\Delta x_j{|}^{3/2}$$
其中$m_j$为待估计的常数，可以使用幂锥power cone表示$t\ge |z{|}^{3/2}$
{ ( t , z ) : t ≥ ∣ z ∣ 3 / 2 } ≜ { ( t , z ) : ( t , 1 , z ) ∈ P 3 2 / 3 , 1 / 3 } \{(t, z): t\geq |z|^{3/2}\}\triangleq\{(t,z): (t, 1, z)\in \mathcal{P}_3^{2/3, 1/3}\} {(t,z):t≥∣z∣3/2}≜{(t,z):(t,1,z)∈P32/3,1/3​}
所以${\sum }_{j=1}^n{T}_j(\Delta x_j)={\sum }_{j=1}^n{m}_j|x_j-x_j^0{|}^{3/2}$可以表示如下
$$\begin{array}{rl}& z_j=|x_j-x_j^0|\\ & (t_j,1,z_j)\in {\mathcal{P}}_3^{2/3,1/3}\end{array}$$
由于约束$z_j=|x_j-x_j^0|$，导致问题是非凸的，在一般情况下可以使用松弛约束条件
$$z_j\ge |x_j-x_j^0|$$
如果所有资产中包含无风险资产，约束条件为
$$z_j>|x_j-x_j^0|$$
建立模型如下
$$\begin{array}{rl}& \max {\mu }^{T}x\\ & s.t.\{\begin{array}{l}{e}^T+m^{T}t=w+e^T{x}^0\\ (\gamma ,G^{T}x)\in {\mathcal{Q}}^{n+1}\\ (t_j,1,x_j-x_j^0)\in {\mathcal{P}}_3^{2/3,1/3},j=1,\dots ,n\\ x\ge 0\end{array}\end{array}$$
mosek建模代码

def MarketImpact(n, mu, GT, x0, w, gamma, m):
	with Model('mp') as M:
		x=M.variable('x', n, Domain.greaterThan(0.0))
		t=M.variable('t', n, Domain.unbounded())
		M.objective('obj', ObjectiveSense.Maximize, Expr.dot(mu, x))
		M.constraint('budget', Expr.add(Expr.sum(x), Expr.dot(m, t)), Domain.equalsTo(w+sum(x0)))
		M.constraint('risk', Expr.vstack(gamma, Expr.mul(GT, x)), Domain.inQCone())
		M.constraint('tz', Expr.hstack(t, Expr.constTerm(n, 1.0), Expr.sub(x, x0)), Domain.inPPowerCone(2.0/3.0))
		M.solve()
		return x.level(), t.level()

Transaction Costs

假设交易成本符合分段函数形式
$$T_j(\Delta x_j)=\{\begin{array}{ll}0,& \Delta x_j=0\\ f_j+g_j|\Delta x_j|,& O.W\end{array}$$
交易成本分为固定成本$f_j$和变动成本$g_j$，建立模型如下
max ⁡ μ T x s . t . { e T x + f T y + g T z = w + e T x 0 ( γ , G T x ) ∈ Q n + 1 z j ≥ x j − x j 0 , j = 1 , … , n z j ≥ x j 0 − x j , j = 1 , … , n z j ≤ U j y j , j = 1 , … , n y j ∈ { 0 , 1 } x ≥ 0 \begin{aligned} &\max \mu^Tx\\ &s.t. \begin{cases} e^Tx+f^Ty+g^Tz=w+e^Tx^0\\ (\gamma, G^Tx)\in\mathcal{Q}^{n+1}\\ z_j\geq x_j-x_j^0, j=1,\dots, n\\ z_j\geq x_j^0-x_j, j=1,\dots, n\\ z_j\leq U_jy_j, j=1,\dots, n \\ y_j\in\{0 ,1\}\\ x\geq 0 \end{cases} \end{aligned} ​maxμTxs.t.⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧​eTx+fTy+gTz=w+eTx0(γ,GTx)∈Qn+1zj​≥xj​−xj0​,j=1,…,nzj​≥xj0​−xj​,j=1,…,nzj​≤Uj​yj​,j=1,…,nyj​∈{0,1}x≥0​​
其中$U_j$表示可交易资产总量的先验上限，当$z_j>0$时，$y_j=1$，即资产$j$的交易费用方程为
$$f_j{y}_j+g_j{z}_j$$
mosek建模代码

def TransactionCost(n, mu, GT, x0, w, gamma, f, g):
	w0=w+sum(x0)
	u=n*[w0]
	with Model('tc') as M:
		x=M.variable('x', n, Domain.greaterThan(0.0))
		z=M.variable('z', n, Domain.unbounded())
		# 0-1变量，表示资产j是否交易
		y=M.variable('y', n, Domain.binary())
		M.objective('obj', ObjectiveSense.Maximize, Expr.dot(mu, x))
		M.constraint('budget', Expr.add([Expr.sum(x), Expr.dot(f, y), Expr.dot(g, z)]), Domain.equalsTo(w0))
		M.constraint('risk', Expr.vstack(gamma, Expr.mul(GT, x)), Domain.inQCone())
		# z>=|x-x0|
		M.constraint('buy', Expr.sub(z, Expr.sub(x, x0)), Domain.greaterThan(0.0))
		M.constraint('sell', Expr.sub(z, Expr.sub(x0, x)), Domain.greaterThan(0.0))
		# 或者等价二阶锥形式
		# M.constraint('trade', Expr.hstack(z, Expr.sub(x, x0)), Domain.inQCone())
		# 开关变量y
		M.constraint('y_on_off', Expr.sub(z, Expr.mulElm(u, y)), Domain.lessThan(0.0))
		# 由于MIP问题的求解复杂度较高，设置求解时间上限
		M.setSolverParam('mioMaxTime', 180.0)
		M.solve()
		return x.level(), y.level(), z.level()

Cardinality constraints

设置约束，最多有$k$项资产可以被交易，即$\Delta x_j=|x_j-x_j^0|$中最多有$k$个元素非零，且$k\ll n$，建立模型如下.
max ⁡ μ T x s . t . { e T x = w + e T x 0 ( γ , G T x ) ∈ Q n + 1 z j ≥ x j − x j 0 , j = 1 , … , n z j ≥ x j 0 − x j , j = 1 , … , n z j ≤ U j y j , j = 1 , … , n y j ∈ { 0 , 1 } , j = 1 , … , n e T y ≤ k x ≥ 0 \begin{aligned} &\max \mu^Tx\\ &s.t. \begin{cases} e^Tx=w+e^Tx^0\\ (\gamma, G^Tx)\in \mathcal{Q}^{n+1}\\ z_j\geq x_j-x_j^0, &j=1,\dots, n\\ z_j\geq x_j^0-x_j, &j=1,\dots, n\\ z_j\leq U_jy_j, &j=1,\dots, n\\ y_j\in\{0, 1\}, &j=1,\dots, n\\ e^Ty\leq k\\ x\geq 0 \end{cases} \end{aligned} ​maxμTxs.t.⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧​eTx=w+eTx0(γ,GTx)∈Qn+1zj​≥xj​−xj0​,zj​≥xj0​−xj​,zj​≤Uj​yj​,yj​∈{0,1},eTy≤kx≥0​j=1,…,nj=1,…,nj=1,…,nj=1,…,n​​
mosek建模代码

def cardinality(n, mu, GT, x0, w, gamma, k):
	w0=w+sum(x0)
	u=n*[w0]
	with Model('cb') as M:
		x=M.variable('x', n, Domain.greaterThan(0.0))
		z=M.variable('z', n, Domain.unbounded())
		y=M.variable('y', n, Domain.binary())
		M.objective('obj', ObjectiveSense.Maximize, Expr.dot(mu, x))
		M.constraint('budget', Expr.sum(x), Domain.equalsTo(w+sum(x0)))
		M.constraint('risk', Expr.vstack(gamma, Expr.mul(GT, x)), Domain.inQCone())
		# z>=|x-x0|
		M.constraint('buy', Expr.sub(z, Expr.sub(x, x0)), Domain.greaterThan(0.0))
		M.constraint('sell', Expr.sub(z, Expr.sub(x0, x)), Domain.greaterThan(0.0))
		M.constraint('y_on_off', Expr.sub(z, Expr.mulElm(u, y)), Domain.lessThan(0.0))
		M.constraint('cardinality', Expr.sum(y), Domain.lessThan(k))
		M.setSolverParam('mioMaxTime', 180.0)
		M.solve()
		return x.level()