Professional Documents
Culture Documents
Optimizacin de Portafolios
Resultados Computacionales
George L.
Introduccion
Optimizacin de Portafolios
Outline
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
Resultados Computacionales
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
Objetivo de la seleccin:
1
2
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
Objetivo de la seleccin:
1
2
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
Objetivo de la seleccin:
1
2
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
max
y
sujeto a
n
X
yj = 1
j=1
yj 0
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
max
y
n
X
rj yj
j=1
sujeto a
n
X
yj = 1
j=1
yj 0 j
yj fraccin de capital
invertido en activo j.
rj : retorno esperado de
activo j.
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
max
y
n
X
rj yj
j=1
sujeto a
n
X
yj = 1
j=1
yj 0 j
yj fraccin de capital
invertido en activo j.
rj : retorno esperado de
activo j.
qi, j : covarianza entre el
retorno del activo i y j.
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
n
X
max
y
yj fraccin de capital
invertido en activo j.
rj yj
rj : retorno esperado de
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
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
n
X
max
y
yj fraccin de capital
invertido en activo j.
rj yj
rj : retorno esperado de
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
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
n
X
max
y
yj fraccin de capital
invertido en activo j.
rj yj
rj : retorno esperado de
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
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
n
X
max
y
yj fraccin de capital
invertido en activo j.
rj yj
rj : retorno esperado de
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
max
x, y
Modelo Markowitz.
rj yj
j=1
Permitimos invertir en a
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
Optimizacin de Portafolios
Resultados Computacionales
max
x, y
Modelo Markowitz.
rj yj
j=1
Permitimos invertir en a
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
n
X
j=1
yj xj
xj {0, 1}
xj K
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
max
x, y
Modelo Markowitz.
rj yj
j=1
Permitimos invertir en a
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
n
X
j=1
yj xj
xj {0, 1}
xj K
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
max
x, y
Modelo Markowitz.
rj yj
j=1
Permitimos invertir en a
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
n
X
j=1
yj xj
xj {0, 1}
xj K
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
max
x, y
Modelo Markowitz.
rj yj
j=1
Permitimos invertir en a
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
n
X
j=1
yj xj
xj {0, 1}
xj 10
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
j=1
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
xj 10
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
Optimizacin de Portafolios
Resultados Computacionales
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
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
xj 10
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
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
xj 10
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
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
x1
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
x1
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max
x
x1
x1 + x2
2.5 xi 2.5
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
x2
x1 + x2
q
x12 + x22 2.5
x1 , x2
Subproblema:
max x1 + x2
x
x1
2.5 xi 2
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
Restricciones no lineales
aproximada por cortes de primer
orden (gradiente, tangente,
benders).
+ dy
x, y) C
x
n+p
(M
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
Relajaciones Polyedrales
)
r
r, d = 2, = 0.08
d
2
j=1 xj
(1
qP
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
Optimizacin de Portafolios
Resultados Computacionales
Relajaciones Polyedrales
)
r
r, d = 2, = 0.08
d
2
j=1 xj
(1
qP
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
Optimizacin de Portafolios
Resultados Computacionales
Relajaciones Polyedrales
)
r
r, d = 2, = 0.08
d
2
j=1 xj
(1
qP
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
Optimizacin de Portafolios
Resultados Computacionales
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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.
Introduccion
Optimizacin de Portafolios
10
0.1
LP(!)-BB
CPLEX QCP
CPLEX LP
Resultados Computacionales
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
100
10
0.1
LP(!)-BB
CPLEX QCP
CPLEX LP
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
C {(x, y)
s.t.
(x, y, v) P
x
(MILP)
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
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
(LP(lk , uk ))
l k x uk
Advantages of second subproblem:
Algorithmic Advantage: Simplex has warm starts.
Computational Advantage: Use MILP solvers technology.
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
(LP(lk , uk ))
l k x uk
Issues:
1
2
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
s.t.
(x , y) C
Rn+p.
(NLP(x ))
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
(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
Optimizacin de Portafolios
Resultados Computacionales
(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
Optimizacin de Portafolios
Resultados Computacionales
(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
Optimizacin de Portafolios
Resultados Computacionales
max y
x,y
(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
Optimizacin de Portafolios
Resultados Computacionales
y
c
max y
x,y
(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
Optimizacin de Portafolios
Resultados Computacionales
y
c
(xcor , ycor )
max y
x,y
(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
Optimizacin de Portafolios
Resultados Computacionales
y
c
(xcor , ycor )
max y
x,y
(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
Optimizacin de Portafolios
Resultados Computacionales
y
c
max y
x,y
(LP)
Solution 1:
Branch: x 0 x 1.
Solve LP(, 0).
We get optimum (0, 2).
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
max y
x,y
(LP)
Solution 1:
Branch: x 0 x 1.
Solve LP(, 0).
We get optimum (0, 2).
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
max y
x,y
(LP)
Solution 1:
Branch: x 0 x 1.
Solve LP(, 0).
We get optimum (0, 2).
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
y
c
(x , y )
max y
x,y
(LP)
Solution 1:
Branch: x 0 x 1.
Solve LP(, 0).
We get optimum (0, 2).
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
max y
x,y
(LP)
Solution 2:
Solve NLP(, 1).
We get optimum (0, 2).
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
y
c
(x , y )
max y
x,y
(LP)
Solution 2:
Solve NLP(, 1).
We get optimum (0, 2).
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
Instance Data
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
0.8
0.6
0.4
0.2
I-BB
I-Hyb
I-QG
Cplex
LP(!)-BB
0
1
10
100
1000
10000
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
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
Optimizacin de Portafolios
Resultados Computacionales
0.8
0.6
0.4
0.2
I-BB
I-Hyb
Cplex
LP(!)-BB
0
1
10
100
1000
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
LP(!)-BB
I-BB
Cplex
10000
1000
100
10
1
classical(100)
shortfall(100)
robust(100)
robust(200)
Introduccion
Optimizacin de Portafolios
Resultados Computacionales
0.8
0.6
0.4
0.2
I-BB
Cplex
LP(!)-BB
0
1
10