• Industrial Engineering and Management Systems
• /
• 제13권4호
• /
• pp.442-448
• /
• 2014

Portfolio optimization in the presence of estimation error can be stabilized by incorporating norm-constraints; this result was shown by DeMiguel et al. (A generalized approach to portfolio optimization: improving performance by constraining portfolio norms, Management Science, 5, 798-812, 2009), who reported empirical performance better than numerous competing approaches. We extend the idea of norm-constraints by introducing a powerful enhancement, grouped selection for portfolio optimization. Here, instead of merely penalizing norms of the assets being selected, we penalize groups, where within a group assets are treated alike, but across groups, the penalization may differ. The idea of groupwise selection is grounded in statistics, but to our knowledge, it is novel in the context of portfolio optimization. Novelty aside, the real benefits of groupwise selection are substantiated by experiments; our results show that groupwise asset selection leads to strategies with lower variance, higher Sharpe ratios, and even higher expected returns than the ordinary norm-constrained formulations.

• International Journal of Fuzzy Logic and Intelligent Systems
• /
• 제14권2호
• /
• pp.73-83
• /
• 2014

Many recent theoretical developments in the field of machine learning and control have rapidly expanded its relevance to a wide variety of applications. In particular, a variety of portfolio optimization problems have recently been considered as a promising application domain for machine learning and control methods. In highly uncertain and stochastic environments, portfolio optimization can be formulated as optimal decision-making problems, and for these types of problems, approaches based on probabilistic machine learning and control methods are particularly pertinent. In this paper, we consider probabilistic machine learning and control based solutions to a couple of portfolio optimization problems. Simulation results show that these solutions work well when applied to real financial market data.

• 지식경영연구
• /
• 제19권1호
• /
• pp.97-118
• /
• 2018

The finance-investment industry is currently focusing on research related to artificial intelligence and big data, moving beyond conventional theories of financial engineering. However, the case of equity optimization portfolio by using an artificial intelligence, big data, and its performance is rarely realized in practice. Thus, the purpose of this study is to propose process improvements in equity selection, information analysis, and portfolio composition, and lastly an improvement in portfolio returns, with the case of an equity optimization model based on quantitative research by an artificial intelligence. This paper is an empirical study of the portfolio based on an artificial intelligence technology of "D" asset management, which is the largest domestic active-quant-fiduciary management in accordance with the purpose of this paper. This study will apply artificial intelligence to finance, analyzing financial and demand-supply information and automating factor-selection and weight of equity through machine learning based on the artificial neural network. Also, the learning the process for the composition of portfolio optimization and its performance by applying genetic algorithms to models will be documented. This study posits a model that the asset management industry can achieve, with continuous and stable excess performance, low costs and high efficiency in the process of investment.

• 경영과학
• /
• 제30권3호
• /
• pp.55-70
• /
• 2013

In this study we suggested two optimization models to determine conversion weight of convertible bonds. The problem of this study is same as that of Park and Shim [1]. But this study used Value-at-Risk (VaR) for risk measurement instead of CVaR, Conditional-Value-at-Risk. In comparison with conventional Markowitz portfolio models, which use the variance of return, our models used VaR. In 1996, Basel Committee on Banking Supervision recommended VaR for portfolio risk measurement. But there are difficulties in solving optimization models including VaR. Benati and Rizzi [5] proved NP-hardness of general portfolio optimization problems including VaR. We adopted their approach. But we developed efficient algorithms with time complexity O(nlogn) or less for our models. We applied examples of our models to the convertible bond issued by a semiconductor company Hynix.

• 산업경영시스템학회지
• /
• 제46권4호
• /
• pp.63-73
• /
• 2023

This study explores modern portfolio theory by integrating the Black-Litterman portfolio with time-series clustering, specificially emphasizing K-shape clustering methodology. K-shape clustering enables grouping time-series data effectively, enhancing the ability to plan and manage investments in stock markets when combined with the Black-Litterman portfolio. Based on the patterns of stock markets, the objective is to understand the relationship between past market data and planning future investment strategies through backtesting. Additionally, by examining diverse learning and investment periods, it is identified optimal strategies to boost portfolio returns while efficiently managing associated risks. For comparative analysis, traditional Markowitz portfolio is also assessed in conjunction with clustering techniques utilizing K-Means and K-Means with Dynamic Time Warping. It is suggested that the combination of K-shape and the Black-Litterman model significantly enhances portfolio optimization in the stock market, providing valuable insights for making stable portfolio investment decisions. The achieved sharpe ratio of 0.722 indicates a significantly higher performance when compared to other benchmarks, underlining the effectiveness of the K-shape and Black-Litterman integration in portfolio optimization.

• 한국인터넷방송통신학회논문지
• /
• 제22권1호
• /
• pp.103-110
• /
• 2022

본 논문은 단일 종목에 투자금을 전액 투자하는 것에 비해 다수의 종목에 분산투자하는 것이 투자 위험을 보다 감소시킬 수 있다는 포트폴리오 최적화 문제를 다룬다. 널리 알려진 Markowitz의 수익률에 대한 평균-분산 기법(MV)은 위험요인인 분산(또는 표준편차)을 감소시키기 위해 지배원리를 적용하여 효율적 투자선에 있는 종목들을 대상으로 분산투자하는 포트폴리오를 구성하였다. 반면에, 본 논문에서는 최소표준편차를 가진 종목을 필수 투자종목으로 선정하고, 필수 투자종목과 비양(음의, 무)의 상관관계를 갖는 종목들을 대상으로 포트폴리오를 형성하였다. 제안된 방법을 실험한 결과 MV에 비해 보다 적은 위험(표준편차)을 보였다.

• 지능정보연구
• /
• 제25권2호
• /
• pp.39-55
• /
• 2019

최근 은행과 증권회사를 중심으로 다양한 로보어드바이저 금융상품들이 출시되고 있다. 로보어드바이저는 사람 대신 컴퓨터가 포트폴리오 자산배분에 대한 투자 결정을 실행하기 때문에 다양한 자산배분 알고리즘이 활용되고 있다. 본 연구에서는 대표적 로보어드바이저 알고리즘인 블랙리터만모형의 강점을 살리면서 객관적 투자자 전망을 도출할 수 있는 지능형 전망모형을 제안하고 이를 내재균형수익률과 결합하여 최종 포트폴리오를 도출하는 로보어드바이저 자산배분 알고리즘을 새로이 제안하며, 실제 주가자료를 이용한 실증분석 결과를 통해 전문가의 주관적 전망을 대신할 수 있는 지능형 전망모형의 실무적 적용 가능성을 보여주고자 한다. 그동안 주가 예측에서 우수한 성과를 보여주었던 기계학습 방법 중 SVM 모형을 이용하여 각 자산별 기대수익률에 대한 예측과 예측 확률을 도출하고 이를 각각 기대수익률에 대한 투자자 전망과 전망에 대한 신뢰도 수준의 입력변수로 활용하는 지능형 전망모형을 제안하였다. 시장포트폴리오로부터 도출된 내재균형수익률과 지능형 전망모형의 기대수익률, 확률을 결합하여 최종적인 블랙리터만모형의 최적포트폴리오를 도출하였다. 주가자료는 2008년부터 2018년까지의 132개월 동안의 8개의 KOSPI 200 섹터지수 월별 자료를 분석하였다. 블랙리터만모형으로 도출된 최적포트폴리오의 결과가 기존의 평균분산모형이나 리스크패리티모형 등과 비교하여 우수한 성과를 보여주었다. 구체적으로 2008년부터 2015년까지의 In-Sample 자료에서 최적화된 블랙리터만모형을 2016년부터 2018년까지의 Out-Of-Sample 기간에 적용한 실증분석 결과에서 다른 알고리즘보다 수익과 위험 모두에서 좋은 성과를 기록하였다. 총수익률은 6.4%로 최고 수준이며, 위험지표인 MDD는 20.8%로 최저수준을 기록하였다. 수익과 위험을 동시에 고려하여 투자 성과를 측정하는 샤프비율 역시 0.17로 가장 좋은 결과를 보여주었다. 증권계의 애널리스트 전문가들이 발표하는 투자자 전망자료의 신뢰성이 낮은 상태에서, 본 연구에서 제안된 지능형 전망모형은 현재 빠른 속도로 확장되고 있는 로보어드바이저 관련 금융상품을 개발하고 운용하는 실무적 관점에서 본 연구는 의의가 있다고 판단된다.

• Journal of applied mathematics & informatics
• /
• 제27권3_4호
• /
• pp.843-856
• /
• 2009

In possibility framework, we propose two risk measures named Fuzzy Value-at-Risk and Fuzzy Conditional Value-at-Risk, based on Credibility measure. Two portfolio optimization models for fuzzy portfolio selection problems are formulated. Then a chaos genetic algorithm based on fuzzy simulation is designed, and finally computational results show that the two risk measures can play a role in possibility space similar to Value-at-Risk and Conditional Value-at-Risk in probability space.

• 제어로봇시스템학회논문지
• /
• 제12권12호
• /
• pp.1169-1172
• /
• 2006

The prices of chemical products are fluctuated by several factors. The chemical companies can't predict and be ready to all of these changes, so they are exposed to the risk of a profit fluctuation. But they can reduce this risk by making a well-diversified product portfolio. This problem can be thought as the optimization of the product portfolio. We assume that the profits come from the 'spread' between a naphtha and a chemical product. We calculate a mean and a variation of each spread and develop an automatic module to calculate the optimal portion of each product. The theory is based on the Markowitz portfolio management. It maximizes the expected return while minimizing the volatility. At last we draw an investment selection curve to compare each alternative and to demonstrate the superiority. And we suggest that an investment selection curve can be a decision-making tool.

• 응용통계연구
• /
• 제34권1호
• /
• pp.39-56
• /
• 2021

Markowitz (1952)의 분산투자 모형 발표 이후 포트폴리오 최적화에 대한 많은 연구가 이루어졌다. 마코위츠의 평균-분산 포트폴리오 최적화 모형은 수익 분포가 정규분포를 따른다는 가정하에서 성립한다. 그러나 실생활에서는 수익 분포가 정규분포를 따르지 않는 경우가 존재한다. 또한 분산은 이상치의 영향을 많이 받는 민감한 지표이다. 이런 분산의 단점을 보완할 수 있는 하방위험인 숏폴(Shortfall)을 위험 지표로 적용함으로써 수익 분포에 대해 최적화가 가능한 평균-숏폴 포트폴리오 모형이 제안되었다. 또한 Jorion (2003)과 Park(2019)은 포트폴리오의 위험도를 최소화하는 동시에 적은 수의 자산으로 구성(sparse)되고 안정적(stable)인 포트폴리오를 얻는 퍼터베이션 방법을 제안하였다. 본 논문에서는 평균-숏폴 포트폴리오 모형에 퍼터베이션 방법과 adaptive Lasso를 적용하여 사용되는 자산의 수가 적으면서 안정적이고 쉽게 적용 가능한 포트폴리오 모형을 제안한다. 그리고 실증 데이터 분석을 통하여 모형의 타당성을 입증한다.