评论

收藏

[R语言] R语言投资组合优化求解器:条件约束最优化、非线性规划求解

编程语言 编程语言 发布于:2021-07-01 18:46 | 阅读数:643 | 评论:0

  本文将介绍R中可用于投资组合优化的不同求解器。
通用求解器  通用求解器可以处理任意的非线性优化问题,但代价可能是收敛速度慢。

默认包
  包stats(默认安装的基本R包)提供了几个通用的优化程序。

  • optimize()。用于区间内的一维无约束函数优化(对于一维求根,使用uniroot())。
f <- function(x) exp(-0.5*x) * sin(10*pi*x)
f(0.5)
DSC0000.png  
result <- optimize(f, interval = c(0, 1), tol = 0.0001)
result
DSC0001.png
# 绘制
curve(0, 1, n = 200)
DSC0002.png


  • optim()通用优化,有六种不同的优化方法。

    • Nelder-Mead:相对稳健的方法(默认),不需要导数。
    • CG:适用于高维无约束问题的低内存优化
    • BFGS:简单的无约束的准牛顿方法
    • L-BFGS-B:用于边界约束问题的优化
    • SANN: 模拟退火法
    • Brent: 用于一维问题(实际上是调用optimize())。

  这个例子做了一个最小二乘法拟合:最小化
DSC0003.png
# 要拟合的数据点
# 线性拟合的l2-norm误差平方 y ~ par[1] + par[2]*x
#  调用求解器(初始值为c(0, 1),默认方法为 "Nelder-Mead")。
optim(par = c(0, 1), f, data = dat)

# 绘制线性回归图
DSC0004.png

DSC0005.png
# 与R中内置的线性回归进行比较
lm(y ~ x, data = dat)
DSC0006.png

  下一个例子说明了梯度的使用,著名的Rosenbrock香蕉函数:
DSC0007.png

  ,梯度
DSC0008.png

  ,无约束最小化问题
DSC0009.png
#  Rosenbrock香蕉函数及其梯度
banana <- function(x)
  c(-400 * x[1] * (x[2] - x[1] * x[1]) - 2 * (1 - x[1]),
     200 * (x[2] - x[1] * x[1]))
 optim(c(-1.2, 1), f_banana)
DSC00010.png
optim(c(-1.2, 1), f, gr, method = "BFGS")
   下面的例子使用了界约束。
  最小化 DSC00011.png
  约束:  DSC00012.png
p <- length(x); sum(c(1, rep(4, p-1)) * (x - c(1, x[-p])^2)^2) }
# 25维度约束
optim(rep(3, 25), f,lower = rep(2, 25), upper = rep(4
DSC00013.png

  这个例子使用模拟退火法(用于全局优化)。
#全局最小值在-15左右
res <- optim(50, f, method = "SANN")
DSC00014.png
# 现在进行局部改进(通常只改进了一小部分)
optim(res$par, f , method = "BFGS")
DSC00015.png

DSC00016.png


  • constrOptim()。使用自适应约束算法,在线性不等式约束下最小化一个函数(调用optim())。
#  不等式约束(ui %*% theta >= ci): x <= 0.9,  y - x > 0.1
constrOptim(c(.5, 0)
DSC00017.png  


  • nlm(): 这个函数使用牛顿式算法进行目标函数的最小化。
nlm(f, c(10,10))
DSC00018.png

DSC00019.png


  • nlminb(): 进行***约束优化。.
nlminb(c(-1.2, 1), f)
DSC00020.png
nlminb(c(-1.2, 1), f, gr)
DSC00021.png


optim
  基础函数optim()作为许多其他求解器的包,可以方便地使用和比较。
DSC00022.png
# opm() 可以同时使用几个方法
opm(  f , method = c("Nelder-Mead", "BFGS"))
DSC00023.png


全局优化
  全局优化与局部优化的理念完全不同(全局优化求解器通常被称为随机求解器,试图避免局部最优点)。
特定类别问题的求解器  如果要解决的问题属于某一类问题,如LS、LP、MILP、QP、SOCP或SDP,那么使用该类问题的专用求解器会更好。
 

最小二乘法 (LS)
  线性最小二乘法(LS)问题是将 DSC00024.png 最小化,可能有界或线性约束。

线性规划(LP)
  函数solveLP(),可以方便地解决以下形式的LP:
  最小化: DSC00025.png
  约束: DSC00026.png  
#> 加载所需软件包

cvec <- c(1800, 600, 600)  # 毛利率
bvec <- c(40, 90, 2500)  # 捐赠量
# 运行求解器
solveLP(maximum = TRUE)
DSC00027.png
 混合整数线性规划 (MILP)
  lpSolve(比linprog快得多,因为它是用C语言编码的)可以解决线性混合整数问题(可能带有一些整数约束的LP)。
# 设置问题: 
#   maximize    x1 + 9 x2 + x3 
#   subject to  x1 + 2 x2 + 3 x3 <= 9
#         3 x1 + 2 x2 + 2 x3 <= 15
 
# 运行求解
res <- lp("max", f, con)
DSC00028.png

DSC00029.png
# 再次运行,这次要求三个变量都是整数
 lp(  int.vec = 1:3)
DSC00030.png
solution
DSC00031.png


二次规划 (QP)
  可以方便地解决以下形式的QP
最小化:
约束:
# 设置问题: 
#   minimize  -(0 5 0) %*% x + 1/2 x^T x
#   subject to  A^T x >= b
#   with b = (-8,2,0)^T
#     (-4 2  0)
#   A = (-3 1 -2)
#     ( 0 0  1)
#运行求解
solve(Dmat,...)
DSC00032.png
   解决具有绝对值约束和目标函数中的绝对值的二次规划。

二阶锥规划 (SOCP)
  有几个包:

  •   ECOSolveR提供了一个与嵌入式COnic Solver(ECOS)的接口,这是一个著名的、高效的、稳健的C语言库,用于解决凸问题。
  •   CLSOCP提供了一个用于解决SOCP问题的一步平滑牛顿方法的实现。


优化基础  我们已经看到了两个包,它们是许多其他求解器的包。

用于凸问题、MIP和非凸问题
  ROI包为处理R中的优化问题提供了一个框架。它使用面向对象的方法来定义和解决R中的各种优化任务,这些任务可以来自不同的问题类别(例如,线性、二次、非线性规划问题)。
  LP – 考虑 LP:
  最大化:
DSC00033.png

  约束:
DSC00034.png
#> ROI: R 优化基础设施
#> 求解器插件: nlminb, ecos, lpsolve, scs.
#> 默认求解器: auto.
 OP(objective = L_objective(c(3, 7, -12)),...,
       maximum = TRUE)
#> 投资回报率优化问题:
DSC00035.png
# 让我们来看看可用的求解器
# solve it
res <- ROI_solve(prob)
res
DSC00036.png  

  MILP – 考虑先前的LP,并通过添加约束条件x2,x3∈Z使其成为一个MILP.
# 只需修改之前的问题
types(prob) <- c("C", "I", "I")
prob
DSC00037.png  

  BLP – 考虑二元线性规划 (BLP):
  最小化:
DSC00038.png

  约束:
DSC00039.png
OP(objective = L_objective,..., ,
       types = rep("B", 5))
ROI_solve(prob)
#> Optimal solution found.
#> The objective value is: -1.01e+02
   SOCP – 考虑SOCP:
  最大化: DSC00040.png
  约束: DSC00041.png
  并注意到SOC约束  DSC00042.png  可以写成 DSC00043.png 或  DSC00044.png ,在代码中实现为: DSC00045.png
OP(objective = L_objective,...,
       maximum = TRUE)
DSC00046.png  


SDP--考虑SDP:
  最小化: DSC00047.png
  约束: DSC00048.png
  并注意SDP约束 DSC00049.png 可以写成 DSC00050.png (大小为3是因为在我们的问题中,矩阵为2×2,但vech()提取了3个独立变量,因为矩阵是对称的)。
OP(objective = L_objective,..., 
                     rhs ))
DSC00051.png
 NLP – 考虑非线性规划(NLP)  最大化
DSC00052.png

  约束
DSC00053.png
OP(objective = F_objective,..., bounds ,
       maximum = TRUE)
DSC00054.png  


凸优化
  R为凸优化提供了一种面向对象的建模语言。它允许用户用自然的数学语法来制定凸优化问题,而不是大多数求解器所要求的限制性标准形式。通过使用具有已知数学特性的函数库,结合常数、变量和参数来指定目标和约束条件集。现在让我们看看几个例子。
  最小二乘法 – 让我们从一个简单的LS例子开始:最小化 DSC00055.png
  当然,我们可以使用R的基础线性模型拟合函数lm()。
# 生成数据
m <- 100
n <- 10
beta_true <- c(-4:5)

# 生成数据
res <- lm(y ~ 0 + X)   # 0表示我们的模型中没有截距。
DSC00056.png  

  用CVXR来做
result <- solve(prob)
str(result)
DSC00057.png   

  我们现在可以很容易地添加一个限制条件来解决非负的LS。
Problem(Minimize(obj), constraints = list(beta >= 0))
solve(prob)
DSC00058.png

  稳健的Huber回归 - 让我们考虑稳健回归的简单例子:
  最小化 DSC00059.png
  其中 DSC00060.png  
sum(huber(y - X %*% beta, M)
Problem(Minimize(obj))
solve(prob)
   弹性网正则化 - 我们现在要解决的问题是:最小化
DSC00061.png
# 定义正则化项
elastic<- function(beta) {
  ridge <- (1 - alpha) * sum(beta^2)
  lasso <- alpha * p_norm(beta, 1)

# 定义问题并解决它
sum((y - X %*% beta)^2) + elastic(beta, lambda, alpha)
Problem(Minimize(obj))
solve(prob)
  稀疏逆协方差矩阵--考虑矩阵值的凸问题:最大化 DSC00062.png ,条件是 DSC00063.png
log_det(X) - matrix_trace(X %*% S)
list(sum(abs(X)) <= alpha)
  协方差--考虑矩阵值的凸问题:在 DSC00064.png 的条件下,最大化 DSC00065.png
constr <- list(Sigma[1,1] == 0.2, Sigma[1,2] >= 0, Sigma[1,3] >= 0,
         Sigma[2,2] == 0.1, Sigma[2,3] <= 0, Sigma[2,4] <= 0,
         Sigma[3,3] == 0.3, Sigma[3,4] >= 0, Sigma[4,4] == 0.1)
  投资组合优化--考虑马科维茨投资组合设计:最大化 DSC00066.png DSC00067.png
Problem(Maximize(obj), constr)
solve(prob)
 结论  R语言中可用的求解器的数量很多。建议采取以下步骤。

  • 如果是凸优化问题,那么开始进行初步测试。
  • 如果速度不够快,使用ROI。
  • 如果仍然需要更快的速度,那么如果问题属于定义好的类别之一,则使用该类别专用的求解器(例如,对于LP,推荐使用lpSolve,对于QP则使用quadprog)。
  • 然而,如果问题不属于任何类别,那么就必须使用非线性优化的一般求解器。在这个意义上,如果一个局部的解决方案就够了,那么可以用许多求解器的包。如果需要全局求解器,那么软件包gloptim是一个不错的选择,它是许多全局求解器的包。
DSC00068.jpeg


  
关注下面的标签,发现更多相似文章