Optimizazion No Lineal Entera

Introduccion
Optimizacin de Portafolios
B&B para Programacin Entera No-Lineal
Resultados Computacionales
Programacin no-lineal entera para problemas

de optimizacin de portafolios
Juan Pablo Vielma Shabbir Ahmed
Nemhauser
George L.
H. Milton Stewart School of Industrial and Systems Engineering

Georgia Institute of Technology
Universidad Adolfo Ibaez

Julio 2008
Introduccion
Outline
Introduccion
Introduccion
Optimizacin de Portafolios y Programacin No-Lineal

Entera
Optimizacin de Portafolios Tradicional (Markowitz):

Problema no-linear quadrtico que puede ser resuelto
eficientemente.
No muy realista.
Optimizacin de Portafolios Realista:

Problema no-linear entero difcil de resolver.
Requiere el desarrollo de nuevos algoritmos.
Introduccion
Seleccin de un Portafolio de Inversin

Opcin de invertir en n activos diferentes (e.g. 100
acciones, 3 tipos de bonos y un deposito a plazo).
Problema: seleccionar fraccin de capital a invertir en
cada activo.
Informacin sobre los activos:
Retorno r de un activo:
(Valor en periodo t + 1) = (1 + r)(Valor en periodo t).
r es una variable aleatoria. Solo informacin parcial: valor
esperado, desviacin estndar, covarianza entre activos,
etc.
Objetivo de la seleccin:
1
2
Maximizar el retorno esperado del portafolio.

Minimizar el riesgo del portafolio.
Introduccion

cada activo.
etc.
1
2

Minimizar el riesgo del portafolio.
Introduccion

cada activo.
etc.
1
2

Mantener el riesgo del portafolio controlado.
Introduccion
Modelo Matemtico para Optimizacin de Portafolio

yj fraccin de capital
invertido en activo j.
max
y
sujeto a
n
X
yj = 1
j=1
yj 0
Introduccion
max
y
n
X
rj yj
j=1
sujeto a
n
X
yj = 1
j=1
yj 0 j
rj : retorno esperado de
activo j.
Introduccion
max
y
n
X
rj yj
j=1
sujeto a
n
X
yj = 1
j=1
yj 0 j
activo j.
qi, j : covarianza entre el
retorno del activo i y j.
Introduccion
n
X
max
y
rj yj
activo j.
j=1
sujeto a
n
X

yj = 1
j=1
yj 0
v
uX
n
u n X
t
qi, j yi yj
i=1 j=1
Limite en la varianza del

portafolio (Markowitz).
Introduccion
n
X
max
y
rj yj
activo j.
j=1
sujeto a
n
X

yj = 1
j=1
yj 0
v
uX
n
u n X
t
qi, j yi yj
i=1 j=1

Problema de
Programacin Cnica
Quadrtica que puede
ser resuelto
eficientemente.
Introduccion
n
X
max
y
rj yj
activo j.
j=1
sujeto a
n
X

yj = 1
j=1
yj 0
v
uX
n
u n X
t
qi, j yi yj
i=1 j=1

Problema de
Programacin Cnica
Quadrtica que puede
ser resuelto
eficientemente.
Introduccion
n
X
max
y
rj yj
activo j.
j=1
sujeto a
n
X
yj = 1

yj 0

j=1
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
Problema de
Programacin Cnica
Quadrtica que puede
ser resuelto
eficientemente.
Introduccion
Extensiones del Modelo

1
Restricciones Combinatoriales:
lmites en el numero de activos en el portafolio.
Niveles mnimos invertidos en cada activo.
Hacen que el problema sea muy difcil de resolver.
(Bienstock, 1996; Chang et al., 2000; Maringer and
Kellerer, 2003; Bertsimas and Shioda, 2004,. . . ).
Introduccion

1
Medidas de riesgo ms all de la varianza:

lmites en la probabilidad de baja rentabilidad (e.g.
Prob(retorno 0.9) 0.8 y Prob(retorno 0.7) 0.97).
(Lobo et al. 1998, 2007).
Introduccion

1
Medidas de riesgo ms all de la varianza:

lmites en la probabilidad de baja rentabilidad (e.g.
Prob(retorno 0.9) 0.8 y Prob(retorno 0.7) 0.97).
(Lobo et al. 1998, 2007).
Considerar errores en la estimacin de los retornos

esperados rj :
Considerar una versin robusta del objetivo.
(Ceria and Stubbs, 2006).
Introduccion
lmites en el numero de activos en el portafolio

n
X
max
y
Modelo Markowitz.
rj yj
j=1
sujeto a
n
X
yj = 1
j=1
yj 0
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
Introduccion

n
X
max
y
Modelo Markowitz.
rj yj
j=1
Permitimos invertir en a
lo mas K activos.
sujeto a
n
X
yj = 1
j=1
yj 0
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
Introduccion

n
X
max
x, y
Modelo Markowitz.
rj yj
j=1
lo mas K activos.
sujeto a
n
X
Agregamos variables
binarias que indican si
invertimos en un activo.
yj = 1
j=1
yj 0
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
yj xj
xj {0, 1}
Introduccion

n
X
max
x, y
Modelo Markowitz.
rj yj
j=1
lo mas K activos.
sujeto a
n
X
Agregamos variables
yj = 1
j=1
yj 0
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
n
X
j=1
yj xj
xj {0, 1}
xj K
Limite es impuesto con

una restriccin lineal.
Introduccion

n
X
max
x, y
Modelo Markowitz.
rj yj
j=1
lo mas K activos.
sujeto a
n
X
Agregamos variables
yj = 1
j=1
yj 0
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
n
X
j=1
yj xj
xj {0, 1}
xj K

Problema de
Programacin Cnica
Quadrtica Mixta que es
difcil de resolver.
Introduccion

n
X
max
x, y
Modelo Markowitz.
rj yj
j=1
lo mas K activos.
sujeto a
n
X
Agregamos variables
yj = 1
j=1
yj 0
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
n
X
j=1
yj xj
xj {0, 1}
xj K

Problema de
Programacin Cnica
difcil de resolver.
Introduccion

n
X
max
x, y
Modelo Markowitz.
rj yj
j=1
lo mas K activos.
sujeto a
n
X
Agregamos variables
yj = 1
j=1
yj 0
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
n
X
j=1
yj xj
xj {0, 1}
xj 10

Problema de
Programacin Cnica
difcil de resolver.
Introduccion
Medidas de riesgo mas all de la varianza

qP P
n
n
Varianza:
i=1
j=1 qi, j yi yj .
Pn
Retorno: j=1 rj yj .
Prob(retorno w) puede ser aproximado por:
v
uX
n
n
X
u n X
rj yj w
qi, j yi yj
1 ()t
i=1 j=1
j=1
donde () es la distribucin de probabilidad de una

normal con media 0 y varianza 1.
Tambin es una restriccin de Problema de Programacin
Cnica Quadrtica.
1 = 0.8, w1 = 0.9 y 2 = 0.97, w2 = 0.7.
Introduccion
Considerar errores en retornos esperados rj

n
X
max
x, y
rj yj
j=1
s.a.
n
X
yj = 1,
j=1
yj xj ,
n
X
xj 10
j=1
xj {0, 1}, yj 0
j
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
Modelo Markowitz con

lmites en el numero de
activos.
Introduccion

n
X
max
x, y
rj yj
j=1
s.a.
n
X
yj = 1,
j=1
yj xj ,
n
X
xj 10
j=1
xj {0, 1}, yj 0
j
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1

activos.
Introduccion

max
x, y, r
s.a.
n
X
yj = 1,
j=1
yj xj ,
n
X
xj 10
j=1
xj {0, 1}, yj 0
j
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
n
X
j=1
rj yj r

activos.
Introduccion

max
x, y, r

activos.
xj 10
Suposicin: los retornos

esperados rj tienen una
distribucin normal
conjunta. Media es rj y
covarianza entre ri y rj
es si, j .
s.a.
n
X
yj = 1,
j=1
yj xj ,
n
X
j=1
xj {0, 1}, yj 0
j
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
n
X
j=1
rj yj r
Introduccion

max
x, y, r
s.a.
n
X
yj = 1,
j=1
yj xj ,
n
X
xj 10
j=1
xj {0, 1}, yj 0
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
n
X
j=1
v
uX
n
u n X
rj yj t
si, j yi yj r
i=1 j=1

activos.
j distribucin normal
es si, j .
Versin robusta del
objetivo.
= nivel de seguridad.
Introduccion

max
x, y, r
s.a.
n
X
yj = 1,
j=1
yj xj ,
n
X
xj 10
j=1
xj {0, 1}, yj 0
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
n
X
j=1
v
uX
n
u n X
rj yj t
si, j yi yj r
i=1 j=1

activos.
j distribucin normal
es si, j .
Versin robusta del
objetivo.
Restriccin de Problema
de Programacin Cnica
Quadrtica.
Introduccion

max
x, y, r

activos.
xj 10

distribucin normal
es si, j .
s.a.
n
X
yj = 1,
j=1
yj xj ,
n
X
j=1
xj {0, 1}, yj 0
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
n
X
j=1
v
uX
n
u n X
rj yj t
si, j yi yj r
i=1 j=1
Versin robusta del

objetivo.
Quadrtica.
Introduccion

max
x, y, r

activos.
xj 10

distribucin normal
es si, j .
s.a.
n
X
yj = 1,
j=1
yj xj ,
n
X
j=1
xj {0, 1}, yj 0
v
uX
n
u n X
t
qi, j yi yj 0.2
i=1 j=1
n
X
j=1
v
uX
n
u n X
rj yj 3t
si, j yi yj r
i=1 j=1
Versin robusta del

objetivo.
Quadrtica.
Introduccion

Branch-and-Bound bsico:
Relajacin del Problema.
Ramificacin.
Problema Relajado + Ramificacin: Subproblema.
Mtodos basados en relajacin no-lineal:

Relajan restricciones de integralidad.
Subproblema es un problema no-lineal convexo.
Mtodos basados en relajaciones polyhedrales:

Relajan restricciones de integralidad y no-lineales.
Subproblema es un problema lineal.
Reutilizan tecnologa para Programacin lineal entera y
aprovechan warm starts de simplex.
Dos Tipos:
1
2
Relajaciones polyhedrales por tangentes.

Relajaciones polyhedrales extendidas o por proyeccin
(Nuevo Mtodo).
Introduccion
Mtodos Basados en Relajacin No-Lineal

max
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
x1
Introduccion

max
x2
c
x
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
max x1 + x2
x
q
x12 + x22 2.5
x1 = x2 1.77
/ .
Ramificacin:
x1 1 x1 2.
Introduccion

max
x2
c
x
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
max x1 + x2
x
q
x12 + x22 2.5
x1 = x2 1.77
/ .
Ramificacin:
x1 1 x1 2.
Introduccion

max
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
max
x
x1 + x2
q
x12 + x22 2.5
x1 = x2 1.77
/ .
Ramificacin:
x1 1 x1 2.
Introduccion

max
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
max
x
x1 + x2
q
x12 + x22 2.5
x1 1
x1 = 1, x2 2.29
/ .
Ramificacin:
x2 2 x2 3.
Introduccion

x2
max
x
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
max
x
x1 + x2
q
x12 + x22 2.5
x1 1
x1 = 1, x2 2.29
/ .
Ramificacin:
x2 2 x2 3.
Introduccion

x2
max
x
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
max
x
x1 + x2
q
x12 + x22 2.5
x1 1
x1 = 1, x2 2.29
/ .
Ramificacin:
x2 2 x2 3.
Introduccion

max
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
max
x
x1 + x2
q
x12 + x22 2.5
x1 1
x2 2
x1 = 1, x2 = 2.
Introduccion

max
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
max
x
x1 + x2
q
x12 + x22 2.5
x1 1
x2 2
x1 = 1, x2 = 2.
Introduccion
Relajaciones Polyhedrales Tangentes

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
Introduccion

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
Introduccion

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max
x
x1
x1 + x2
2.5 xi 2.5
Introduccion

max
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max
x
x1
x1 + x2
2.5 xi 2.5
x1 = x2 = 2.5
/ .
Cortes: xi b2.5c.
Introduccion

max
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max
x
x1
x1 + x2
2.5 xi 2.5
x1 = x2 = 2.5
/ .
Cortes: xi b2.5c.
Introduccion

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max x1 + x2
x
x1
2.5 xi 2
Introduccion

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max x1 + x2
x
x1
2.5 xi 2
x1 = x2 = 2,
q
x1 2 + x2 2 > 2.5.
Corte: x1 + x2 2.5 2.
Introduccion

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max x1 + x2
x
x1
2.5 xi 2
x1 = x2 = 2,
q
x1 2 + x2 2 > 2.5.
Corte: x1 + x2 2.5 2.
Introduccion

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max x1 + x2
x
x1
2.5 xi 2
x1 + x2 2.5 2
x2 = 2, x1 1.53
/ ,
q
2
2
x1 + x2 > 2.5.
Ramificacin:
x1 1 x1 2.
Introduccion

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max x1 + x2
x
x1
2.5 xi 2
x1 + x2 2.5 2
x2 = 2, x1 1.53
/ ,
q
2
2
x1 + x2 > 2.5.
Ramificacin:
x1 1 x1 2.
Introduccion

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max x1 + x2
x
x1
2.5 xi 2
x1 + x2 2.5 2
x2 = 2, x1 1.53
/ ,
q
2
2
x1 + x2 > 2.5.
Ramificacin:
x1 1 x1 2.
Introduccion

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max x1 + x2
x
x1
2.5 xi 2
x1 + x2 2.5 2
x2 = 2, x1 1.53
/ ,
q
2
2
x1 + x2 > 2.5.
Ramificacin:
x1 1 x1 2.
Introduccion

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max x1 + x2
x
x1
2.5 xi 2
x1 + x2 2.5 2
x1 1
x1 = 1, x2 = 2.
Introduccion

max
x
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max x1 + x2
x
x1
2.5 xi 2
x1 + x2 2.5 2
x1 1
x1 = 1, x2 = 2.
Non-Linear Programm
Introduccion
Caractersticas de Relajaciones Polyhedrales

Tangentes
Restricciones no lineales
aproximada por cortes de primer
orden (gradiente, tangente,
benders).
+ dy
Cortes construidos en espacio

original.
x, y) C
x
Usualmente pocos cortes son

suficientes.
Convergencia puede ser lenta
(e.g. Restricciones cuadrticas).
n+p
Solucin: usar una

aproximacin polyhedral global
y fija.
(M
Introduccion
Relajaciones Polyedrales
qP
d
2
j=1 xj
r, d = 2, = 0.41
(1
r
)
Se necesitan a lo menos
exp(d/(2(1 + ))2 )
restricciones lineales en el
espacio original.
Ben-Tal and Nemirovski
(2001) dan relajacin como la
proyeccin de un polyhedro
con O(d log(1/)) variables y
restricciones.
Glineur (2000) refina la
aproximacin y muestra que
no es prctica para
Programacin no-lineal
continua.
Introduccion
)
r
r, d = 2, = 0.08
d
2
j=1 xj
(1
qP
exp(d/(2(1 + ))2 )
espacio original.
restricciones.
no es prctica para
continua.
Introduccion
)
r
r, d = 2, = 0.08
d
2
j=1 xj
(1
qP
exp(d/(2(1 + ))2 )
espacio original.
restricciones.
no es prctica para
continua.
Introduccion
)
r
r, d = 2, = 0.08
d
2
j=1 xj
(1
qP
exp(d/(2(1 + ))2 )
espacio original.
restricciones.
no es prctica para
continua.
Introduccion
B&B Usando Relajacin Polyhedral Extendida

(proyeccin).
Reemplazar restricciones no-lineales por relajaciones
polyhedrales extendidas para precisin .
Obtenemos problema de Programacin lineal entera que
puede ser resuelto por software comercial (e.g. CPLEX).
Pequeas modificaciones al software comercial aseguran
obtener solucin exacta.
Obtencin de solucin exacta es independiente de
precisin .
Eleccin de precisin puede afectar velocidad.
Vielma, et. al, A Lifted Linear Programming
Branch-and-Bound Algorithm for Mixed Integer Conic
Quadratic Programs, IJOC.
Introduccion
Experimentos Computacionales
3 tipos de problemas de Optimizacin de portafolios:
Numero de activos disponibles: 20 y 30 (limite de inversin
el 10 activos).
Retornos estimados de acciones de S&P 500.
200 instancias en total.
Computador: Dual 2.4GHz Xeon Linux workstation with

2GB of RAM.
Solvers:
CPLEX 11 B&B de relajacin no-lineal (CPLEX QCP).
CPLEX 11 B&B de relajacin polyedral tangente (CPLEX
LP).
Algoritmo B&B de relajacin polyedral extendida basado en
CPLEX 11 ( LP() -BB ).
Introduccion
Tiempos de Solucin Promedio [s]

100
10
0.1
LP(!)-BB
CPLEX QCP
CPLEX LP
Introduccion
Tiempos de Solucin (Desviacin Estndar) [s]

1000
100
10
0.1
LP(!)-BB
CPLEX QCP
CPLEX LP
Introduccion
Using Ben-Tal Nemirovski Approximation to Exploit

Mixed Integer Linear Programming Solver Technology
Lifted linear programming relaxation: Polyhedron
P n+p+q such that
C {(x, y)
Rn+p : v Rq s.t. (x, y, v) P} C
Use a state of the art MILP solver to solve

max cx + dy
x,y,v
s.t.
(x, y, v) P
x
(MILP)
Problem: Obtained solution might not even be feasible for

MINLP
Solution: Modify Solve of MILP
Introduccion
Idea: Simulate NLP Branch-and-Bound

Problem solved in NLP B&B node (lk , uk )
zNLP(lk ,uk ) := max
x,y
Z2n is:
cx + dy
(x, y) C
s.t.
Rn+p
(NLP(lk , uk ))
lk x uk
Problem solved by state of the art MILP solver is:
zLP(lk ,uk ) := max cx + dy
x,y,v
s.t.
(x, y, v) P
l k x uk
(LP(lk , uk ))
Introduccion

x,y
Z2n is:
cx + dy
(x, y) C
s.t.
Rn+p
(NLP(lk , uk ))
lk x uk
x,y,v
s.t.
(x, y, v) P
(LP(lk , uk ))
l k x uk
Advantages of second subproblem:
Algorithmic Advantage: Simplex has warm starts.
Computational Advantage: Use MILP solvers technology.
Introduccion

x,y
Z2n is:
cx + dy
(x, y) C
s.t.
Rn+p
(NLP(lk , uk ))
lk x uk
x,y,v
s.t.
(x, y, v) P
(LP(lk , uk ))
l k x uk
Issues:
1
2
Integer feasible solutions may be infeasible for C.

Need to be careful when fathoming by integrality.
Introduccion
First Issue: Correcting Integer Feasible Solutions
Let (x , y , v ) P such that x
Zn, but (x, y) / C.
We reject (x , y , v ) and try to correct it using:

zNLP(x ) := max cx + dy
y
s.t.
(x , y) C
Rn+p.
(NLP(x ))
This can be done for solutions found by heuristics, at

integer feasible nodes, etc.
Introduccion
Second Issue: Correct Fathoming by Integrality
Suppose that for a node (lk , uk ) with lk 6= uk we have that

the solution (x , y , v ) of LP(lk , uk ) is such that x n
(x , y )
(x , y )
If
C then
is also the optimal for NLP(lk , uk )
and we can fathom by integrality.
If (x , y )
/ C it is not sufficient to solve NLP(x ):
Problem: Corrected solution is not necessarily optimal for
NLP(lk , uk ).
Solution: Solve NLP(lk , uk ) and process node according to
its solution.
Introduccion

(x , y )
(x , y )
If
C then
If (x , y )
NLP(lk , uk ).
its solution.
Introduccion

(x , y )
(x , y )
If
C then
If (x , y )
NLP(lk , uk ).
its solution.
Introduccion
Correcting Integer Feasible Solutions is Not Enough

max y
x,y
(x, y) B 2 (2) (MINLP)
max y
x,y
(x, y) [2, 2]2

x
(LP)
LP(, 1):
x = 1, y = 2,
(x, y)
/ B 2 (2).
NLP(x ) (xcor , ycor ).
If we fathom we loose
optimum (0, 2)!
Introduccion

max y
x,y
y
c
(x, y) B 2 (2) (MINLP)

(x , y )
max y
x,y
(x, y) [2, 2]2

x
(LP)
LP(, 1):
x = 1, y = 2,
(x, y)
/ B 2 (2).
optimum (0, 2)!
Introduccion

max y
x,y
y
c
(x, y) B 2 (2) (MINLP)

(x , y )
(xcor , ycor )
max y
x,y
(x, y) [2, 2]2

x
(LP)
LP(, 1):
x = 1, y = 2,
(x, y)
/ B 2 (2).
optimum (0, 2)!
Introduccion

max y
x,y
y
c
(x, y) B 2 (2) (MINLP)

(x , y )
(xcor , ycor )
max y
x,y
(x, y) [2, 2]2

x
(LP)
LP(, 1):
x = 1, y = 2,
(x, y)
/ B 2 (2).
optimum (0, 2)!
Introduccion

max y
x,y
y
c
(x, y) B 2 (2) (MINLP)

(x , y )
max y
x,y
(x, y) [2, 2]2

x
(LP)
Solution 1:
Branch: x 0 x 1.
Solve LP(, 0).
We get optimum (0, 2).
Introduccion

max y
x,y
(x, y) B 2 (2) (MINLP)
max y
x,y
(x, y) [2, 2]2

x
(LP)
Solution 1:
Branch: x 0 x 1.
Solve LP(, 0).
Introduccion

max y
x,y
(x, y) B 2 (2) (MINLP)
max y
x,y
(x, y) [2, 2]2

x
(LP)
Solution 1:
Branch: x 0 x 1.
Solve LP(, 0).
Introduccion

max y
x,y
y
c
(x, y) B 2 (2) (MINLP)
(x , y )
max y
x,y
(x, y) [2, 2]2

x
(LP)
Solution 1:
Branch: x 0 x 1.
Solve LP(, 0).
Introduccion

max y
x,y
(x, y) B 2 (2) (MINLP)
max y
x,y
(x, y) [2, 2]2

x
(LP)
Solution 2:
Solve NLP(, 1).
Introduccion

max y
x,y
y
c
(x, y) B 2 (2) (MINLP)
(x , y )
max y
x,y
(x, y) [2, 2]2

x
(LP)
Solution 2:
Solve NLP(, 1).
Introduccion
Instance Data
Maximum number of stocks K = 10.

Maximum risk = 0.2.
Shortfall constraints: 1 = 80%, W1low = 0.9, 2 = 97%,
W2low = 0.7 (Lobo et al., 1998, 2007).
Data generation for Classical and Shortfall from S&P 500
data following Lobo et al. (1998), (2007).
Data generation for Robust from S&P 500 data following
Ceria and Stubbs (2006).
Riskless asset included for Shortfall.
Random selection of n stocks out of 462.
100 instances for n {20, 30, 40, 50}, 10 for n {100, 200}.
Introduccion
Average Solve Times [s] for n {20, 30}

10000
LP(!)-BB
I-QG
I-Hyb
I-BB
Cplex
1000
100
10
0.1
classical(20) classical(30) shortfall(20)
shortfall(30)
robust(20)
robust(30)
Introduccion
Performance Profile for n {20, 30}

1
0.8
0.6
0.4
0.2
I-BB
I-Hyb
I-QG
Cplex
LP(!)-BB
0
1
10
100
1000
10000
Introduccion

10000
LP(!)-BB
I-Hyb
I-BB
Cplex
1000
100
10
0.1
classical(40) classical(50) shortfall(40)
shortfall(50)
robust(40)
robust(50)
Introduccion

1
0.8
0.6
0.4
0.2
I-BB
I-Hyb
Cplex
LP(!)-BB
0
1
10
100
1000
Introduccion

100000
LP(!)-BB
I-BB
Cplex
10000
1000
100
10
1
classical(100)
shortfall(100)
robust(100)
robust(200)
Introduccion

1
0.8
0.6
0.4
0.2
I-BB
Cplex
LP(!)-BB
0
1
10

Optimizazion No Lineal Entera

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Optimizazion No Lineal Entera

Uploaded by

Copyright:

Available Formats

Introduccion

B&B para Programacin Entera No-Lineal

Programacin no-lineal entera para problemas

H. Milton Stewart School of Industrial and Systems Engineering

Universidad Adolfo Ibaez

B&B para Programacin Entera No-Lineal

B&B para Programacin Entera No-Lineal

B&B para Programacin Entera No-Lineal

Optimizacin de Portafolios y Programacin No-Lineal

Optimizacin de Portafolios Tradicional (Markowitz):

Optimizacin de Portafolios Realista:

B&B para Programacin Entera No-Lineal

Seleccin de un Portafolio de Inversin

Maximizar el retorno esperado del portafolio.

B&B para Programacin Entera No-Lineal

Seleccin de un Portafolio de Inversin

Maximizar el retorno esperado del portafolio.

B&B para Programacin Entera No-Lineal

Seleccin de un Portafolio de Inversin

Maximizar el retorno esperado del portafolio.

B&B para Programacin Entera No-Lineal

Modelo Matemtico para Optimizacin de Portafolio

B&B para Programacin Entera No-Lineal

Modelo Matemtico para Optimizacin de Portafolio

B&B para Programacin Entera No-Lineal

Modelo Matemtico para Optimizacin de Portafolio

B&B para Programacin Entera No-Lineal

Modelo Matemtico para Optimizacin de Portafolio

qi, j : covarianza entre el

Limite en la varianza del

B&B para Programacin Entera No-Lineal

Modelo Matemtico para Optimizacin de Portafolio

qi, j : covarianza entre el

Limite en la varianza del

B&B para Programacin Entera No-Lineal

Modelo Matemtico para Optimizacin de Portafolio

qi, j : covarianza entre el

Limite en la varianza del

B&B para Programacin Entera No-Lineal

Modelo Matemtico para Optimizacin de Portafolio

qi, j : covarianza entre el

Limite en la varianza del

B&B para Programacin Entera No-Lineal

Extensiones del Modelo

B&B para Programacin Entera No-Lineal

Extensiones del Modelo

Medidas de riesgo ms all de la varianza:

B&B para Programacin Entera No-Lineal

Extensiones del Modelo

Medidas de riesgo ms all de la varianza:

Considerar errores en la estimacin de los retornos

B&B para Programacin Entera No-Lineal

lmites en el numero de activos en el portafolio

B&B para Programacin Entera No-Lineal

lmites en el numero de activos en el portafolio

B&B para Programacin Entera No-Lineal

lmites en el numero de activos en el portafolio

B&B para Programacin Entera No-Lineal

lmites en el numero de activos en el portafolio

Limite es impuesto con

B&B para Programacin Entera No-Lineal

lmites en el numero de activos en el portafolio

Limite es impuesto con

B&B para Programacin Entera No-Lineal