Ecco il codice (mi dispiace se è così lungo, ma è stato il primo esempio che ho avuto); Sto utilizzando l'esempio CVaR da CreditMetrics
pacchetto di A. Wittmann e DEoptim
risolutore di ottimizzare:Come impostare la somma dei parametri su 1 nell'ottimizzazione vincolata
library(CreditMetrics)
library(DEoptim)
N <- 3
n <- 100000
r <- 0.003
ead <- rep(1/N,N)
rc <- c("AAA", "AA", "A", "BBB", "BB", "B", "CCC", "D")
lgd <- 0.99
rating <- c("BBB", "AA", "B")
firmnames <- c("firm 1", "firm 2", "firm 3")
alpha <- 0.99
# correlation matrix
rho <- matrix(c( 1, 0.4, 0.6,
0.4, 1, 0.5,
0.6, 0.5, 1), 3, 3, dimnames = list(firmnames, firmnames),
byrow = TRUE)
# one year empirical migration matrix from standard&poors website
rc <- c("AAA", "AA", "A", "BBB", "BB", "B", "CCC", "D")
M <- matrix(c(90.81, 8.33, 0.68, 0.06, 0.08, 0.02, 0.01, 0.01,
0.70, 90.65, 7.79, 0.64, 0.06, 0.13, 0.02, 0.01,
0.09, 2.27, 91.05, 5.52, 0.74, 0.26, 0.01, 0.06,
0.02, 0.33, 5.95, 85.93, 5.30, 1.17, 1.12, 0.18,
0.03, 0.14, 0.67, 7.73, 80.53, 8.84, 1.00, 1.06,
0.01, 0.11, 0.24, 0.43, 6.48, 83.46, 4.07, 5.20,
0.21, 0, 0.22, 1.30, 2.38, 11.24, 64.86, 19.79,
0, 0, 0, 0, 0, 0, 0, 100
)/100, 8, 8, dimnames = list(rc, rc), byrow = TRUE)
cm.CVaR(M, lgd, ead, N, n, r, rho, alpha, rating)
y <- cm.cs(M, lgd)[which(names(cm.cs(M, lgd)) == rating)]
Ora scrivo la mia funzione ...
fun <- function(w) {
# ...
- (t(w) %*% y - r)/cm.CVaR(M, lgd, ead = w, N, n, r,
rho, alpha, rating)
}
... e voglio ottimizzare iT:
DEoptim(fn = fun, lower = rep(0, N), upper = rep(1, N),
control = DEoptim.control())
Potete dirmi cosa devo inserire in # ...
per fare sum(w) = 1
durante l'ottimizzazione?
Qui di seguito vi mostro i risultati di ottimizzazione in base alle punte di flodel:
# The first trick is to include B as large number to force the algorithm to put sum(w) = 1
fun <- function(w) {
- (t(w) %*% y - r)/cm.CVaR(M, lgd, ead = w, N, n, r, rho, alpha, rating) +
abs(10000 * (sum(w) - 1))
}
DEoptim(fn = fun, lower = rep(0, N), upper = rep(1, N),
control = DEoptim.control())
$optim$bestval
[1] -0.05326055
$optim$bestmem
par1 par2 par3
0.005046258 0.000201286 0.994752456
parsB <- c(0.005046258, 0.000201286, 0.994752456)
> fun(parsB)
[,1]
[1,] -0.05326089
... e ...
Come si può vedere, il primo trucco funziona meglio in che trova un risultato che è più piccolo del secondo Sfortunatamente sembra che impieghi più tempo.
# The second trick needs you use w <- w/sum(w) in the function itself
fun <- function(w) {
w <- w/sum(w)
- (t(w) %*% y - r)/cm.CVaR(M, lgd, ead = w, N, n, r, rho, alpha, rating) #+
#abs(10000 * (sum(w) - 1))
}
DEoptim(fn = fun, lower = rep(0, N), upper = rep(1, N),
control = DEoptim.control())
$optim$bestval
[1] -0.0532794
$optim$bestmem
par1 par2 par3
1.306302e-15 2.586823e-15 9.307001e-01
parsC <- c(1.306302e-15, 2.586823e-15, 9.307001e-01)
parC <- parsC/sum(parsC)
> fun(parC)
[,1]
[1,] -0.0532794
Qualsiasi commento?
Devo aumentare il numero di iterazioni a causa di una funzione "troppo stocastica" da ottimizzare?
Nel codice per il "secondo trucco" sopra, hai dimenticato di aggiungere 'w <- w/sum (w)' nel corpo di 'fun'.Puoi aggiornare il tuo codice e i risultati? – flodel
Grazie, ho appena aggiornato. Quale sarebbe il miglior metodo essere secondo questi risultati? –
Grazie. Nota che non ho mai suggerito ciò che è ancora etichettato come "secondo trucco": è sbagliato e dovresti eliminarlo. Quello che ho suggerito è quello che è attualmente etichettato come "primo trucco" e "terzo trucco". Ho suggerito un altro metodo: usare 'w <- c (w, 1-sum (w))' nel corpo di 'fun' ed all'esterno, ci hai provato anche tu? Penso che questo ultimo metodo potrebbe essere un po 'più robusto e veloce. – flodel