MARC

 008250123s2024        us                              c    eng  d
■001000017162984
■00520250211152120
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384337751
■035    ▼a(MiAaPQ)AAI31460371
■035    ▼a(MiAaPQ)Stanfordwf047tp1211
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a515
■1001  ▼aLuxenberg,  Eric  Sager.
■24510▼aPortfolio  Construction  Via  Convex  Optimization
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a116  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  A.
■500    ▼aAdvisor:  Boyd,  Stephen.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aA  portfolio  is  a  collection  of  investments,  such  as  stocks,  bonds,  and  other  alternatives  assets  that  an  investor  holds,  in  addition  to  short  positions,  where  the  investor  borrows  an  asset,  sells  it  immediately,  and  assumes  the  obligation  to  repurchase  it  later.  Portfolio  construction,  also  known  as  portfolio  optimization,  refers  to  the  choice  of  assets  to  include  and  the  amount  to  be  invested  (possibly  negative,  meaning  a  short  position).  The  goal  of  portfolio  construction  is  at  a  high  level  to  maximize  the  return  of  the  portfolio,  while  controlling  the  risk  of  losses.Since  the  seminal  work  of  Markowitz  in  the  1950s,  portfolio  construction  has  been  a  cornerstone  of  financial  theory  and  practice.  It  has  also  been  a  fertile  ground  for  the  development  and  application  of  optimization  techniques.  This  thesis  contributes  to  the  field  by  developing  new  problems  formulations  and  methodologies  for  portfolio  construction  under  novel  settings,  risk  measures,  and  utility  functions.The  following  sections  provide  a  brief  overview  of  each  chapter,  highlighting  the  core  contributions  and  methodologies  developed.1.1Strategic  asset  allocation  with  illiquid  alternativesChapter  2  is  based  on  the  paper  [72].  We  address  the  problem  of  strategic  asset  allocation  (SAA)  with  portfolios  that  include  illiquid  alternative  asset  classes.  The  main  challenge  in  portfolio  construction  with  illiquid  asset  classes  is  that  we  do  not  have  direct  control  over  our  positions,  as  we  do  in  liquid  asset  classes.  Instead  we  can  only  make  commitments;  the  position  builds  up  over  time  as  capital  calls  come  in,  and  reduces  over  time  as  distributions  occur,  neither  of  which  the  investor  has  direct  control  over.  The  effect  on  positions  of  our  commitments  is  subject  to  a  delay,  typically  of  a  few  years,  and  is  also  unknown  or  stochastic.  A  further  challenge  is  the  requirement  that  we  can  meet  the  capital  calls,  with  very  high  probability,  with  our  liquid  assets.We  formulate  the  illiquid  dynamics  as  a  random  linear  system,  and  propose  a  convex  optimization  based  model  predictive  control  (MPC)  policy  for  allocating  liquid  assets  and  making  new  illiquid  commitments  in  each  period.  Despite  the  challenges  of  time  delay  and  uncertainty,  we  show  that  this  policy  attains  performance  surprisingly  close  to  a  fictional  setting  where  we  pretend  the  illiquid  asset  classes  are  completely  liquid,  and  we  can  arbitrarily  and  immediately  adjust  our  positions.  In  this  chapter  we  focus  on  the  growth  problem,  with  no  external  liabilities  or  income,  but  the  method  is  readily  extended  to  handle  this  case.Portfolio  construction  with  Gaussian  mixture  returns  and  exponential  utilityChapter  3  is  based  on  the  paper  [71].  We  consider  the  problem  of  choosing  an  optimal  portfolio,  assuming  the  asset  returns  have  a  Gaussian  mixture  (GM)  distribution,  with  the  objective  of  maximizing  expected  exponential  utility.  In  this  chapter  we  show  that  this  problem  is  convex,  and  readily  solved  exactly  using  domain-specific  languages  for  convex  optimization,  without  the  need  for  sampling  or  scenarios.  We  then  show  how  the  closely  related  problem  of  minimizing  entropic  value  at  risk  can  also  be  formulated  as  a  convex  optimization  problem.1.2  Portfolio  construction  with  cumulative  prospect  theory  utilityChapter  4  is  based  on  the  paper  [73].  We  consider  the  problem  of  choosing  a  portfolio  that  maximizes  the  cumulative  prospect  theory  (CPT)  utility  on  an  empirical  distribution  of  asset  returns.  We  show  that  while  CPT  utility  is  not  a  concave  function  of  the  portfolio  weights,  it  can  be  expressed  as  a  difference  of  two  functions.
■590    ▼aSchool  code:  0212.
■650  4▼aConvex  analysis
■650  4▼aConstruction
■650  4▼aOptimization  techniques
■650  4▼aInvestors
■650  4▼aFinance
■650  4▼aMathematics
■690    ▼a0543
■690    ▼a0508
■690    ▼a0405
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-03A.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162984▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서