Practical Financial Optimization: A Library of GAMS Models

ویرایش:  
نویسندگان: Soren S Nielson,  Andrea Consiglio,  Stavros A. Zenios  
سری: The Wiley Finance Series 
ISBN (شابک) : 1405133716, 9781405133715 
ناشر: Wiley-Blackwell 
سال نشر: 2010 
تعداد صفحات: 186 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 51,000

در بهینه سازی مالی عملی: کتابخانه ای از مدل های GAMS، نویسندگان مجموعه متنوعی از مدل ها را برای بهینه سازی پورتفولیو بر اساس سیستم مدل سازی جبری عمومی ارائه می دهند. "GAMS" از زبانی تشکیل شده است که امکان نمایش جبری سطح بالا از مدل های ریاضی و مجموعه ای از حل کننده ها - الگوریتم های عددی - را برای حل آنها فراهم می کند. این سیستم در پاسخ به نیاز به ابزارهای قدرتمند و انعطاف پذیر جلویی برای مدیریت مدل های بزرگ و واقعی توسعه یافته است.

کار با مروری بر ساختار زبان GAMS آغاز می شود و مسائل مربوط به مدیریت را مورد بحث قرار می دهد. داده ها در مدل های GAMS نویسندگان مدل‌هایی را برای بهینه‌سازی پرتفوی میانگین واریانس ارائه می‌کنند که به سوال مبادله بازده مورد انتظار سبد در برابر ریسک آن می‌پردازد. مدل‌های بهینه‌سازی سبد درآمد ثابت محاسبات استاندارد را انجام می‌دهند و به کاربر این امکان را می‌دهند که منحنی بازدهی را از قیمت اوراق قرضه راه‌اندازی کند. مدل‌های اختصاصی امکان تخصیص سبد استاندارد را با تصمیم‌گیری‌های استقراضی و سرمایه‌گذاری مجدد فراهم می‌کنند، و برای مقابله با حداکثر کردن بازده افق و برای گنجاندن ملاحظات عملی مختلف در تجارت پذیری پرتفوی گسترش می‌یابند. مدل‌های ایمن‌سازی، مصونیت عاملی پرتفوی اوراق قرضه خزانه‌داری و شرکتی را فراهم می‌کنند.

مساله بهینه‌سازی پرتفوی مبتنی بر سناریو با مدل‌های انحراف مطلق میانگین، مدل‌های ردیابی، مدل‌های پشیمانی، مدل‌های VaR شرطی، مدل‌های بیشینه‌سازی مطلوبیت مورد انتظار و قرار داده شده است. مدل های مرزی کارآمد را فراخوانی کنید. نویسندگان از برنامه‌ریزی تصادفی برای بهینه‌سازی پورتفولیو پویا استفاده می‌کنند، و مدل‌های اختصاص تصادفی را به عنوان بسط تصادفی مدل‌های درآمد ثابت مورد بحث در فصل 4 توسعه می‌دهند. برنامه‌های تصادفی دو مرحله‌ای و چند مرحله‌ای، مدل‌های سناریو تحلیل‌شده در فصل 5 را گسترش می‌دهند تا امکان تعادل مجدد پویا پورتفولیوها را فراهم کنند. همانطور که زمان تکامل می یابد و اطلاعات جدید شناخته می شود. مدل‌هایی برای ساختاربندی صندوق‌های شاخص و پوشش ریسک نرخ بهره در پرتفوی‌های بین‌المللی نیز ارائه شده است.

فصل آخر مجموعه‌ای از «مطالعات موردی» را ارائه می‌کند: مدل‌هایی برای کاربردهای مقیاس بزرگ بهینه‌سازی سبد، که می‌تواند به عنوان مبنایی برای توسعه سیستم‌های پشتیبانی کسب‌وکار متناسب با هر نیاز خاص، از جمله مدل‌هایی برای مدیریت بیمه‌نامه‌های مشارکت‌کننده و تخصیص دارایی‌های شخصی.

این عنوان راهنمای ارزشمندی برای توسعه‌دهندگان و تحلیل‌گران کمی، مدیران پورتفولیو و دارایی، استراتژیست‌های سرمایه‌گذاری و دانشجویان پیشرفته مالی

In Practical Financial Optimization: A Library of GAMS Models, the authors provide a diverse set of models for portfolio optimization, based on the General Algebraic Modelling System. ‘GAMS’ consists of a language which allows a high-level, algebraic representation of mathematical models and a set of solvers – numerical algorithms – to solve them. The system was developed in response to the need for powerful and flexible front-end tools to manage large, real-life models.

The work begins with an overview of the structure of the GAMS language, and discusses issues relating to the management of data in GAMS models. The authors provide models for mean-variance portfolio optimization which address the question of trading off the portfolio expected return against its risk. Fixed income portfolio optimization models perform standard calculations and allow the user to bootstrap a yield curve from bond prices. Dedication models allow for standard portfolio dedication with borrowing and re-investment decisions, and are extended to deal with maximisation of horizon return and to incorporate various practical considerations on the portfolio tradeability. Immunization models provide for the factor immunization of portfolios of treasury and corporate bonds.

The scenario-based portfolio optimization problem is addressed with mean absolute deviation models, tracking models, regret models, conditional VaR models, expected utility maximization models and put/call efficient frontier models. The authors employ stochastic programming for dynamic portfolio optimization, developing stochastic dedication models as stochastic extensions of the fixed income models discussed in chapter 4. Two-stage and multi-stage stochastic programs extend the scenario models analysed in Chapter 5 to allow dynamic rebalancing of portfolios as time evolves and new information becomes known. Models for structuring index funds and hedging interest rate risk on international portfolios are also provided.

The final chapter provides a set of ‘case studies’: models for large-scale applications of portfolio optimization, which can be used as the basis for the development of business support systems to suit any special requirements, including models for the management of participating insurance policies and personal asset allocation.

The title will be a valuable guide for quantitative developers and analysts, portfolio and asset managers, investment strategists and advanced students of finance.