案例1:d=2,σV=0该案例是一个四维案例(2项资产和2项对冲头寸),其中:oF=30,σ2,E=0.003137,a2,E=0.0001(天)。oρ1,2=0.7是两项资产之间的相关性。2、情况2:d=2这是一个5维的情况,参数与第一种情况相同,但载荷不同,参数σV=0.02,aV=0.02(天)。每个可交易资产与非可交易资产V之间的相关性等于0.2。注意,这是σv>0.3的唯一情况。情况3:d=3,σV=0这是尺寸6中的情况,F=35,σ2,E=0.003137,a2,E=0.0001(天)。oF=25,σ3,E=0.005136,a3,E=0.0001(天)。o资产i和j之间的相关性见ρi,jand满意度:ρ1,2=0.7,ρ1,3=0.3,ρ2,3=0.5.6.1.1数值结果在表3中,给出了3种算法在10万次常见模拟中获得的方差,并与StOpt库获得的方差进行了比较。请注意,由于问题的大小,案例3并没有与StOpt库完全收敛。对于局部算法1和2,我们运行优化10次,并取得到的最佳方差。全局算法在计算时间方面远比局部算法有效,因为在core I3笔记本电脑的图形卡上,10000次迭代在220秒内运行,而算法2和3在案例3中可能需要一些小时。均方误差案例1案例2案例3未对冲投资组合8.3058 8.5250 10.5960用StOpt 0.3931 0.5160 0.4983用全局算法对冲0.3920 0.5205 0.4852用算法1对冲0.3971 0.5168 0.4763用算法2对冲0.3912 0.5183 0.4943表3:基于神经网络的算法和随机控制算法之间的均方比较图5,绘制了市场价差和全局神经网络算法的损失。案例1。案例2。案例3。案例2。
|