差分进化算法_R语言使用随机技术差分进化算法优化的Nelson-Siegel-Svensson模型

原文链接：

拓端数据科技 / Welcome to tecdat​tecdat.cn

---

1引言

在本教程中，我们将研究如何将Nelson-Siegel-Svensson（NSS）模型拟合到数据。由于我们将使用随机技术进行优化，因此我们应该重新运行几次。变量nRuns设置示例重启的次数。

> set.seed(112233)

2将NS模型拟合到给定的零利率

NS模型

我们使用给定的参数betaTRUE创建“真实”的收益曲线yM。付款时间（以年为单位）在向量tm中。

1. 
   > tm <- c(c(1, 3, 6, 9)/12, 1:10)
3. 
   > betaTRUE <- c(6, 3, 8, 1)
5. 
   > yM <- NS(betaTRUE, tm)
7. 
   > par(ps = 11, bty = "n", las = 1, tck = 0.01, mgp = c(3, 0.2, 0), mar = c(4, 4, 1, 1))
9. 
   > plot(tm, yM, xlab = "maturities in years", ylab = "yields in %")

目的是通过这些点拟合平滑曲线。我们从目标函数OF开始。它有两个参数：param和list数据（包含所有其他变量）。返回观察到的（“市场”）收益率yM的向量与参数param的模型收益率之间的最大绝对差。

我们添加了一个粗略而有效的约束，以防止导致“ NA”值的参数值：目标函数返回较大的正值。我们将其最小化，因此产生NA值的参数被标记为不良。在第一个示例中，我们将数据设置如下：

1. 
   > data <- list(yM = yM, tm = tm, model = NS, ww = 0.1, min = c( 0,-15,-30, 0), max = c(15, 30, 30,10))

我们添加了一个模型（在本例中为NS），该模型描述了从参数到收益曲线的映射，以及向量min和max，我们稍后将其用作约束。ww是惩罚权重，如下所述。

OF将采用候选解决方案参数，通过data $ model将此解决方案转换为收益，并将这些收益与yM进行比较，这意味着要计算最大绝对差。

3. 
   > OF(param2, data) ## ... gives a postive number
5. 
   [1] 0.97686

我们还可以根据收益率曲线比较解决方案。

1. 
   > par(ps = 11, bty = "n", las = 1, tck = 0.01, mgp = c(3, 0.2, 0), mar = c(4, 4, 1, 1))
3. 
   > plot(tm, yM, xlab = "maturities in years", ylab = "yields in %")
5. 
   > lines(tm, NS(param1, tm), col = "blue")
7. 
   > lines(tm, NS(param2, tm), col = "red")
9. 
   > legend(x = "topright", legend = c("true yields", "param1", "param2"), col = c("black", "blue", "red"), pch = c(1, NA, NA), lty = c(0, 1, 1))

我们通常希望获取参数，以便满足某些约束条件。我们通过惩罚函数将它们包括在内。

我们已经有了数据，因此让我们看看该函数对违反约束的解决方案有何作用。假设我们有三个解的总体mP。

1. 
   > param1 <- c( 6, 3, 8, -1)
3. 
   > param2 <- c( 6, 3, 8, 1)
5. 
   > param3 <- c(-1, 3, 8, 1)
7. 
   > mP <- cbind(param1,param2,param3)
9. 
   > rownames(mP) <- c("b1","b2","b3","lambda")
11. 
    > mP
13. 
    param1 param2 param3
15. 
    b1 6 6 -1
17. 
    b2 3 3 3
19. 
    b3 8 8 8
21. 
    lambda -1 1 1

第一个和第三个解决方案违反了约束。在第一个解决方案中，λ为负。在第三个解中，β1为负。

1. 
   > penalty(mP,data)
3. 
   param1 param2 param3
5. 
   0.2 0.0 0.2

参数ww控制了我们的惩罚程度。

1. 
   > data$ww <- 0.5
2. 
   > penalty(mP,data)
3. 
   param1 param2 param3
4. 
   1 0 1

对于有效的解决方案，惩罚应为零。

2. 
   > penalty(mP, data)
3. 
   param1 param2 param3
4. 
   0 0 0

请注意，惩罚会立即生效；无需遍历解决方案。
这样我们就可以进行测试了。我们首先定义DE的参数。请特别注意，我们传递了惩罚函数，并将loopPen设置为FALSE。

然后使用目标函数OF，列表数据和列表算法调用DEopt。

1. 
   > sol <- DEopt(OF = OF, algo = algo, data = data)

差异演化。
最佳解的目标函数值为0;
最终人群中OF的标准偏差为3.0455e-16。
为了检查目标函数是否正常工作，我们将最大误差与返回的目标函数值进行比较–它们应该相同。

1. 
   > max( abs(data$model(sol$xbest, tm) - data$model(betaTRUE, tm)) )
2. 
   [1] 0
3. 
   > sol$OFvalue
4. 
   [1] 0

作为基准，我们从stats包运行函数nlminb。
如果发现它的性能优于DE，我们将有力地表明我们的DE实现存在问题。
我们使用一个随机起始值s0。

1. 
   > s0 <- algo$min + (algo$max - algo$min) * runif(length(algo$min))
2. 
   > sol2 <- nlminb(s0, OF, data = data,
3. 
   lower = data$min,
4. 
   upper = data$max,
5. 
   control = list(eval.max = 50000L,
6. 
   iter.max = 50000L))

同样，我们比较返回的目标函数值和最大误差。

1. 
   > max( abs(data$model(sol2$par, tm) - data$model(betaTRUE,tm)) )
2. 
   [1] 1.5787e-07
3. 
   > sol2$objective
4. 
   [1] 1.5787e-07

为了比较我们的两个解（DE和nlminb），我们可以将它们与真实的收益率曲线一起绘制。但是必须强调的是，这两种算法的结果都是随机的：对于DE，因为它故意使用随机性；在nlminb的情况下，因为我们随机设置了起始值。为了获得更有意义的结果，我们应该多次运行这两种算法。为了降低插图的构建时间，我们只运行两种方法一次。

2. 
   > plot(tm, yM, xlab = "maturities in years",
3. 
   ylab = "yields in %")
4. 
   > algo$printDetail <- FALSE
5. 
   > for (i in seq_len(nRuns)) {
6. 
   sol <- DEopt(OF = OF, algo = algo, data = data)
7. 
   lines(tm, data$model(sol$xbest,tm), col = "blue")
8. 
   s0 <- algo$min + (algo$max-algo$min) * runif(length(algo$min))
9. 
   sol2 <- nlminb(s0, OF, data = data,
10. 
    lower = data$min,
11. 
    upper = data$max,
12. 
    control = list(eval.max = 50000L,
13. 
    iter.max = 50000L))
14. 
    lines(tm,data$model(sol2$par,tm), col = "darkgreen", lty = 2)
15. 
    }
16. 
    > legend(x = "topright", legend = c("true yields", "DE", "nlminb"),
17. 
    col = c("black","blue","darkgreen"),
18. 
    pch = c(1, NA, NA), lty = c(0, 1, 2))

毫无疑问，DE似乎通常只有一条曲线：实际上有nRuns 条线，但是它们是相互叠加的。

其他约束

NS（和NSS）模型的参数约束是要确保所得的零利率为非负数。但实际上，它们不能保证正利率。

2. 
   > plot(tm, yM, xlab = "maturities in years", ylab = "yields in %")
3. 
   > abline(h = 0)

这确实是一个虚构的示例，但尽管如此，我们仍可能希望包括针对此类参数向量的约束措施：我们可以仅包含一个所有速率均大于零的约束条件。
同样，这可以通过惩罚函数来完成。

校验：

1. 
   > penalty2(c(3, -2, -8, 1.5),data)
2. 
   [1] 0.86343

此惩罚函数仅适用于单个解决方案，因此实际上将其直接写入目标函数最简单。

因此，就像一个数值测试：假设上述参数为真，而利率为负。

1. 
   > algo$pen <- NULL; data$yM <- yM; data$tm <- tm
2. 
   > par(ps = 11, bty = "n", las = 1, tck = 0.01,
3. 
   mgp = c(3, 0.2, 0), mar = c(4, 4, 1, 1))
4. 
   > plot(tm, yM, xlab = "maturities in years", ylab = "yields in %")
5. 
   > abline(h = 0)
6. 
   > sol <- DEopt(OF = OFa, algo = algo, data = data)
7. 
   > lines(tm,data$model(sol$xbest,tm), col = "blue")
8. 
   > legend(x = "topleft", legend = c("true yields", "DE (constrained)"),
9. 
   col = c("black", "blue"),
10. 
    pch = c(1, NA, NA), lty = c(0, 1, 2))

3将NSS模型拟合到给定的零利率

如果要改用NSS模型，则几乎不需要更改。我们只需要向目标函数传递一个不同的模型。下面是一个示例。同样，我们修复了真实参数并尝试恢复它们。
列表数据和算法与以前几乎相同；目标函数保持完全相同。
仍然需要运行算法。（同样，我们检查返回的目标函数值。）

1. 
   > sol <- DEopt(OF = OF, algo = algo, data = data)
2. 
   > max( abs(data$model(sol$xbest, tm) - data$model(betaTRUE, tm)) )
3. 
   [1] 7.9936e-15
4. 
   > sol$OFvalue
5. 
   [1] 7.9936e-15

我们将结果与nlminb进行比较。
最后，我们比较了几次运行所得的收益率曲线。

1. 
   > par(ps = 11, bty = "n", las = 1, tck = 0.01,
2. 
   mgp = c(3, 0.2, 0), mar = c(4, 4, 1, 1))
3. 
   > plot(tm, yM, xlab = "maturities in years", ylab = "yields in %")
4. 
   > for (i in seq_len(nRuns)) {
5. 
   sol <- DEopt(OF = OF, algo = algo, data = data)
6. 
   lines(tm, data$model(sol$xbest,tm), col = "blue")
7. 
   s0 <- algo$min + (algo$max - algo$min) * runif(length(algo$min))
8. 
   sol2 <- nlminb(s0, OF, data = data,
9. 
   lower = data$min,
10. 
    upper = data$max,
11. 
    control = list(eval.max = 50000L,
12. 
    iter.max = 50000L))
13. 
    lines(tm, data$model(sol2$par,tm), col = "darkgreen", lty = 2)
14. 
    }
15. 
    > legend(x = "topright", legend = c("true yields", "DE", "nlminb"),
16. 
    col = c("black","blue","darkgreen"),
17. 
    pch = c(1,NA,NA), lty = c(0,1,2), bg = "white")

参考文献

关于数值优化中“良好起始值”的注释，2010年。http://comisef.eu/?q = working_papers