Оптимизация постмодернистской портфельной теории (PMPT)
Оптимизация постмодернистской портфельной теории (PMPT) — это методика построения инвестиционных портфелей путём минимизации риска снижения, определяемого как доходность ниже заданного целевого или минимально приемлемого уровня, а не полной дисперсии. Она расширяет современную портфельную теорию (MPT), учитывая, что инвесторы обычно воспринимают потери и прибыли асимметрично: они более чувствительны к недостачам, чем к росту волатильности. Таким образом, оптимизация PMPT заменяет оптимизацию среднее‑дисперсия (MVO) на оптимизацию риска снижения (DRO), используя такие метрики, как полувариация, полустандартное отклонение или коэффициент Сортино для принятия решений по распределению активов.
В отличие от MPT, которая предполагает, что инвесторов интересует разброс доходностей вокруг среднего независимо от направления, PMPT явно моделирует риск как несоблюдение цели, например графика обязательств, бенчмарка или личного порога доходности. Это делает PMPT особенно пригодной для пенсионного планирования, управления эндаументами и других ситуаций, где недоходность влечёт конкретные последствия.
Оптимизация PMPT определяет веса портфеля, которые максимизируют ожидаемую доходность при ограничении риска снижения, или, эквивалентно, минимизируют риск снижения при заданной целевой доходности. Задача оптимизации обычно формулируется с использованием нижних частичных моментов (LPM), где целевая функция интегрирует только квадратичные отклонения ниже целевой доходности \(T\):
\[\text{Минимизировать } \text{LPM}_2(T) = \int_{-\infty}^{T} (T - r)^2 f(r) \, dr\]где \(r\) — случайная доходность, а \(f(r)\) — её плотность вероятности. На практике это приближается с помощью исторических или симулированных распределений доходностей:
\[\widehat{\text{LPM}}_2(T) = \frac{1}{N} \sum_{t=1}^{N} \max(0, T - r_t)^2\]Эта цель заменяет термин дисперсии \(\sigma^2 = \frac{1}{N} \sum (r_t - \bar{r})^2\), используемый в MVO. Получающаяся эффективная граница является вогнутой в плоскости доходность‑негативный‑риск и часто дает портфели с более низкой вероятностью недо‑отставания от целевого уровня.
- Target Return (T): Предварительно заданный ориентир — например, инфляция плюс 3 %, поток обязательств или безрисковая ставка — определяющий порог «нежелательных» доходностей.
- Semi-Variance / Semi-Deviation: Дисперсия или стандартное отклонение доходностей ниже целевого уровня, используемое в качестве меры риска.
- Sortino Ratio: Избыточная доходность над целевым уровнем, делённая на полустандартное отклонение, используется как показатель эффективности в оптимизации или ранжировании.
- Downside Risk Optimization (DRO): Вычислительный метод решения задачи PMPT, часто реализуемый через квадратичное программирование при дискретном приближении доходностей.
- Convergence Behavior: Эмпирические исследования показывают, что нес ограниченные оптимизаторы полудисперсии не всегда сходятся к экстремальным «угловым решениям», как предсказывает теория; вместо этого они часто формируют диверсифицированные распределения, особенно когда распределения доходностей не являются гауссовыми или имеют «толстые» хвосты.
- Data Sensitivity: Оптимизация PMPT более чувствительна к выбору целевой доходности и предположениям о распределении доходностей, чем MPT. Небольшие изменения целевого уровня или ошибка оценки нижних моментов могут существенно влиять на оптимальные веса.
- Computational Complexity: Хотя задача решаема для умеренного количества активов, DRO становится вычислительно более тяжёлой, чем MVO, при крупномасштабных проблемах из‑за несимметричного взвешивания риска и невыпуклостей в формулах более высоких порядков LPM.
- Goal Alignment: PMPT превосходит традиционный подход, когда цели инвестора чётко определены (например, финансирование известного потока обязательств), но его преимущество над MPT снижается, если цели произвольны или распределения доходностей симметричны и имеют тонкие хвосты.
Предположим, инвестор ставит цель достичь 5 % годовой доходности и оценивает два класса активов, используя исторические годовые доходности:
- Asset A: доходности [2 %, 6 %, 8 %, 4 %]
- Asset B: доходности [3 %, 3 %, 7 %, 7 %]
Для Asset A отклонения ниже 5 % составляют [−3 %, 0 %, 0 %, −1 %] → квадраты отрицательных отклонений: [9, 0, 0, 1] → полудисперсия = 2.5. Для Asset B отклонения ниже 5 % составляют [−2 %, −2 %, 2 %, 2 %] → квадраты отрицательных отклонений: [4, 4, 0, 0] → полудисперсия = 2.0.
Оба актива имеют одинаковое среднее (5 %), но Asset A обладает более высоким негативным риском (полудисперсия 2.5 против 2.0), поскольку его недостачи относительно целевого уровня 5 % больше, поэтому инвестор, избегающий потерь и оптимизирующий портфель по PMPT, предпочтёт Asset B. Два подхода расходятся наиболее резко, когда активы имеют одинаковую полную дисперсию, но различаются по shape распределения доходностей: поскольку полная дисперсия одинаково учитывает отклонения вверх и вниз, два актива с одинаковой дисперсией могут иметь сильно различающуюся полудисперсию, если их доходности асимметричны — именно эту асимметрию PMPT и предназначен оценивать.
Ссылки
Чем оптимизация PMPT отличается от современной портфельной теории (MPT)?
Оптимизация PMPT заменяет симметричную меру риска MPT (стандартное отклонение) на асимметричный риск снижения — ориентируясь на доходности ниже целевого или минимально приемлемого уровня — что лучше отражает неприятие инвесторами убытков, а не просто волатильности.
Какова основная цель оптимизации PMPT?
Основная цель — максимизировать доходность при заданном уровне риска снижения относительно указанного целевого дохода, позволяя формировать портфели, более соответствующие реальным целям инвесторов, например покрытию обязательств или избежанию недоходности.
Какие распространённые метрики риска снижения используются в оптимизации PMPT?
К распространённым метрикам относятся полувариация (нижний частичный момент второго порядка), полустандартное отклонение и коэффициент Сортино — каждая из них измеряет только доходности ниже порога, а не полную дисперсию.