司守奎《数学建模算法与应用》第二版线性规划——投资的收益和风险

最新推荐文章于 2024-04-10 01:39:22 发布

我玩游戏像芥雏子

最新推荐文章于 2024-04-10 01:39:22 发布

阅读量1.9k

点赞数 37

文章标签：数学建模算法

本文链接：https://blog.csdn.net/qq_55069195/article/details/137251665

版权

司守奎《数学建模算法与应用》第二版

线性规划——投资的收益和风险

文章目录

1. 符号规定
2. 基本假设
3. 模型的分析与建立

在这里插入图片描述

1. 符号规定

$1)s_i表示第i种投资项目,i=0,1,...,n,其中s_0指存入银行。$

$2)r_i,p_i,q_i分别表示s_i的平均收益率、交易费率、风险损失率,i=0,1,...,n,其中p_0=0,q_0=0$

$3)u_i表示s_i的购买定值,i=1,2,...,n。$

$4)x_i表示投资项目s_i的资金,i=0,1,...,n。$

$(5) a 表示投资风险度。$

$(6) Q 表示总体收益。$

2. 基本假设

假设的思想一定要学会，好的假设能够增加答案的严谨性。假设1中由于投资数额应该是常量，常量可以设为1来简化计算，同时题中已经给出投资数额相当大；假设2-3是题中所给的假设条件；假设4-6是为了方便后续数据处理即增加严谨性所做出的假设，可以当作是假设的套话，xxx之间相互独立；xxx不受其他因素干扰。

$(1) 投资数额 M 相当大, 为了便于计算, 假设 M = 1 。$

$(2) 投资越分散, 总的风险越小。$

$3)总体风险用投资项目s_i中最大的一个风险来度量。$

$4)n+1中资产s_i之间是相互独立的。$

$5)在投资的这一时期内,r_i,p_i,q_i为定值,不受意外因素影响。$

$6)净收益和总体风险只受r_i,p_i,q_i影响,不受其他因素干扰。$

3. 模型的分析与建立

(1)总体风险用所投资的 $s_i$ 中最大的一个风险来衡量，注意风险=风险损失率x投资资金，即
$max\{q_ix_i|i=1,2,...,n\}$
(2)购买 $s_i(i=1,2,...,n)$ 所付交易费是一个分段函数，即
$\begin{equation} 交易费 = \begin{cases} p_ix_i ,& x > u_i \\ p_iu_i , & x \leq u_i \end{cases} \end{equation}$
由于投资数额 $M$ 相当大，所以 $x_i$ 应该也相当大，这里分情况讨论。若 $x_i>>u_i$ ，则交易费为 $p_ix_i$ ，若 $x_i<u_i$ ，则相对于 $x_i>>u_i$ 的情况来说，无论是 $p_iu_i$ 还是 $p_ix_i$ 都是很小的，可以忽略不计，这里为了方便计算可以令购买 $s_i$ 的净收益为 $r_i-p_i)x_i$ 。

(3)要使净收益尽可能大，总体风险尽可能小，这是一个多目标规划模型。

目标函数为
$\begin{equation} \begin{cases} Q=\max\sum\limits_{i=0}^{n}(r_i-p_i)x_i \\ a=\min\{\max\limits_{0\leq i \leq n}\{q_ix_i\}\} \end{cases} \end{equation}$

约束条件为
$\begin{equation} \begin{cases} \sum\limits_{i=0}^{n}(1+p_i)x_i=M \\ x_i \geq{0} , & i=0,1,...,n \end{cases} \end{equation}$
(4)模型简化

由于多目标规划模型不好处理，所以使用定一动一，先固定一个目标，

模型一

固定投资者能接受的最大风险水平 $a$ ，优化收益
$Q=\max\sum\limits_{i=0}^{n}(r_i-p_i)x_i \\ \begin{equation} s.t. \begin{cases} q_ix_i \leq a,&i=0,1,...,n \\ \sum\limits_{i=0}^{n}(1+p_i)x_i=M\\ x_i\geq 0,&i=0,1,...,n \end{cases} \end{equation}$

将问题转换成一个单目标的线性规划，最后就可以得到最大收益 $Q$ 和最大风险水平 $a$ 之间的关系。这里理论上可以得到两者之间的关系，但是由于最大风险水平 $a$ 是未知数，所以还是比较抽象的，可以在 $a$ 的合理区间内取具体值，画出 $a$ 和 $Q$ 之间的图像。

将题中的信息带入上式
$Q=0.05x_0+0.27x_1+0.19x_2+0.185x_3+0.185x_4 \\ \begin{equation} s.t. \begin{cases} 0x_0\leq a,0.025x_1\leq a,0.015x_2\leq a,0.055x_3\leq a,0.026x_4\leq a \\ x_0+1.01x_1+1.02x_2+1.045x_3+1.065x_4=1\\ x_i\geq 0,&i=0,1,...,n \end{cases} \end{equation}$
python进行线性规划并绘制最大风险水平-最优值max的图像，如下：

from sympy import symbols
from scipy.optimize import linprog
import matplotlib.pyplot as plt
import numpy as np

#解决中文显示问题
plt.rcParams['font.sans-serif'] = ['KaiTi'] # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

if __name__ == "__main__":
    # 创建100个最大风险水平a的索引，最小值从0开始，最大值应为M*max{q_i}，这里M=1，最大的q_i为0.55
    a = np.arange(0, 0.055, 0.00001)
    y = []  # 保存最优值的列表
    for i in a:
        f = np.array([-0.05, -0.27, -0.19, -0.185, -0.185])
        Aeq = np.array([[1, 1.01, 1.02, 1.045, 1.065]])
        beq = 1
        lb = np.zeros(5)
        ub = np.array([None, i / 0.025, i / 0.015, i / 0.055, i / 0.026])
        bound = np.vstack((lb, ub)).T
        res = linprog(f, A_ub=None, b_ub=None, A_eq=Aeq, b_eq=beq, bounds=bound)
        y.append(-res.fun)  # 由于所求的是min，所以需要添加负号得到最大的max
        
    x = a.tolist()
    # print(y)
    plt.plot(x, y)  # 绘制最大风险水平-最优值的二维图像
    plt.xlabel("最大风险水平a")
    plt.ylabel("最优值max")
    plt.title("固定风险水平，优化收益")
    plt.show()

4. 结果分析

最大风险水平 $a$ 与收益最优值 $Q$ 之间的关系如图所示。
在这里插入图片描述

从图中可以看出：

(1)风险越大，收益越大。看图说话第一步，xxx越大，xxx越大/小。

(2)当投资越分散时，投资者承担的风险越小，这与题意一致。冒险的投资者会出现集中投资的情况，保守的投资者则尽量分散投资。看图说话第二步，分析图像和题目所给条件是否冲突，验证正确性。

(3)在 $a = 0.00579$ 附近有一个转折点，在这一点左边，风险增加很少时，收益增长很快；在这一点右边，风险增加很大时，利润增长很缓慢。所以对于风险和收益没有特殊偏好的投资者来说，应该学则曲线的转折点作为最优投资组合，大约是 $a=5.79\%,Q=19.78\%$ ，所对应的投资方案为 $x_0=2.52\%,x_1=23.16\%,x_2=38.6\%,x_3=10.53\%,x_4=22.27\%$ 。看图说话第三步，根据转折点这些特殊的点做出相应的推荐，才能让解决这个问题具有实际意义。

模型二

固定投资者能接受的最小的最大收益 $Q$ ，优化投资风险水平 $a$ ，使 $a$ 尽可能的小(在底下的算式中，如果最大收益取 $\leq$ 那么不符合现实逻辑，想让风险最小收益最大，固定收益肯定是给出一个保底的数，越大越好，在此基础上风险越小越好。也可以当作结论记住，在多目标线性规划问题转换成单目标线性规划问题的过程中，需要固定的变量为 $\max$ 则取 $\geq$ ，需要固定的变量为 $\min$ 则取 $\leq$ 。)
$a=\min\{\max\limits_{0\leq i \leq n}\{q_ix_i\}\} \\ \begin{equation} s.t. \begin{cases} \sum\limits_{i=0}^{n}(r_i-p_i)x_i \geq Q \\ \sum\limits_{i=0}^{n}(1+p_i)x_i=M\\ x_i\geq 0,&i=0,1,...,n \end{cases} \end{equation}$

这里令 $v=\max\limits_{0\leq i \leq n}\{q_ix_i\}$ ，则
$a=\min\{v\}\\ \begin{equation} s.t. \begin{cases} \sum\limits_{i=0}^{n}(r_i-p_i)x_i \geq Q \\ \sum\limits_{i=0}^{n}(1+p_i)x_i=M\\ x_i\geq 0,&i=0,1,...,n\\ q_ix_i \leq v,&i=0,1,...,n \end{cases} \end{equation}$
将题中的信息带入上式
$\\ \begin{equation} s.t. \begin{cases} 0.05x_0+0.27x_1+0.19x_2+0.185x_3+0.185x_4 \geq Q \\ x_0+1.01x_1+1.02x_2+1.045x_3+1.065x_4=1\\ x_i\geq 0,&i=0,1,...,n\\ 0 \leq v,0.025x_1 \leq v,0.015x_2 \leq v,0.055x_3 \leq v,0.026x_4 \leq v \end{cases} \end{equation}$
代码如下

from scipy.optimize import linprog
import matplotlib.pyplot as plt
import numpy as np

# 解决中文显示问题
plt.rcParams["font.sans-serif"] = ["KaiTi"]  # 指定默认字体
plt.rcParams["axes.unicode_minus"] = False  # 解决保存图像是负号'-'显示为方块的问题

if __name__ == "__main__":
    x = np.arange(0,0.27,0.00027) # 此处大致估算一下收益能达到的最大值为0.27
    y=[]
    f = np.array([0,0,0,0,0,1])
    A = np.array([[-0.05,-0.27,-0.19,-0.185,-0.185,0],[0,0.025,0,0,0,-1],[0,0,0.015,0,0,-1],[0,0,0,0.055,0,-1],[0,0,0,0,0.026,-1]])
    Aeq = np.array([[1,1.01,1.02,1.045,1.065,0]])
    beq = 1
    lb = np.zeros(6)
    ub = np.array([[None]*6])
    bound = np.vstack((lb,ub)).T
    for i in x:
        b = np.array([[-i, 0,0,0,0]]) 
        res = linprog(f,A,b,Aeq,beq,bound)
        y.append(res.fun)
    
    x = x.tolist()
    plt.plot(x,y)
    plt.xlabel("最大收益Q")
    plt.ylabel("最大风险a")
    plt.title("最大收益Q-最大风险a")
    plt.show()

4. 结果分析

在这里插入图片描述

从图中可以看出

(1)要获取更高的收益，就要承担相应的风险。

(2)想要获取更高的收益，那么就应该集中投资。冒险的投资者会选择集中投资，而保守的投资者会选择分散投资。

(3)当最大收益超过 $Q = 0.20$ 后，想要获取更多收益所需要面临的风险陡然增加。所以我们会建议保守的投资者们在 $Q = 0.20, a = 0.0059$ 这一点进行投资，此时的投资方案为 $x_0=1.07\%,x_1=23.5\%,x_2=39.17\%,x_3=10.68\%，x_4=22.6\%$ 。

模型三

投资者在权衡资产风险和预期收益两方面时，希望选择一个令自己满意的投资组合。因此对风险、收益分别赋予权重 $s(0\lt s\leq 1)$ 和 $1 - s$ ， $s$ 称为投资偏好系数。

$\min\ s\{\max\limits_{0\leq i\leq n}\{q_ix_i\}\}-(1-s)\sum\limits_{i=0}^{n}(r_i-p_i)x_i \\ \begin{equation} s.t. \begin{cases} \sum\limits_{i=0}^{n}(1+p_i)x_i=M\\ x_i\geq 0,&i=0,1,...,n \end{cases} \end{equation}$

令 $v=\max\limits_{0\leq i \leq n}\{q_ix_i\}$ ，将题中信息带入
$\min = sv-(1-s)(0.05x_0+0.27x_1+0.19x_2+0.185x_3+0.185x_4) \\ \begin{equation} s.t. \begin{cases} x_0+1.01x_1+1.02x_2+1.045x_3+1.065x_4=1\\ x_i\geq 0,&i=0,1,...,n \\ 0 \leq v,0.025x_1 \leq v,0.015x_2 \leq v,0.055x_3 \leq v,0.026x_4 \leq v \end{cases} \end{equation}$
代码如下

from scipy.optimize import linprog
import matplotlib.pyplot as plt
import numpy as np

# 解决中文显示问题
plt.rcParams["font.sans-serif"] = ["KaiTi"]  # 指定默认字体
plt.rcParams["axes.unicode_minus"] = False  # 解决保存图像是负号'-'显示为方块的问题

if __name__ == "__main__":
    s = np.arange(0, 1, 0.01)
    x = []
    y = []
    min = []
    Aeq = np.array([[1, 1.01, 1.02, 1.045, 1.065, 0]])
    A = np.array(
        [
            [0, 0.025, 0, 0, 0, -1],
            [0, 0, 0.015, 0, 0, -1],
            [0, 0, 0, 0.055, 0, -1],
            [0, 0, 0, 0, 0.026, -1],
        ]
    )
    b = np.array([[0, 0, 0, 0]])
    beq = 1
    lb = np.zeros(6)
    ub = np.array([[None] * 6])
    bound = np.vstack((lb, ub)).T
    for i in s:
        f = np.array(
            [
                0.05 * (i - 1),
                0.27 * (i - 1),
                0.19 * (i - 1),
                0.185 * (i - 1),
                0.185 * (i - 1),
                i,
            ]
        )

        res = linprog(f, A_ub=A, b_ub=b, A_eq=Aeq, b_eq=beq, bounds=bound)
        x.append(res.x[5])
        y.append(
            0.05 * res.x[0]
            + 0.27 * res.x[1]
            + 0.19 * res.x[2]
            + 0.185 * res.x[3]
            + 0.185 * res.x[4]
        )
        min.append(res.fun)

    plt.plot(s, x, linestyle="dashed")
    plt.plot(s, y, linestyle="dashed")
    plt.plot(s, min, linestyle="dashed")
    plt.legend(["s-最小风险a", "s-最大收益Q", "s-min"])
    plt.xlabel("s")
    plt.show()