R：基于历史数据的优化
Posted
技术标签:
【中文标题】R：基于历史数据的优化【英文标题】：R: optimization based on historical data 【发布时间】：2017-01-19 09:55:20 【问题描述】：我有一个月收益矩阵和一个预测向量。我想将给定回报水平的风险最小化（基于预测）。预测只是资产价值的预期百分比变化。风险基于向量的第 5 个百分位，该向量是给定投资组合通过每月回报的结果：
library(nloptr)
library(ggplot2)
#load csv files
balances<-as.matrix(t(c(-3300000, 2000000, -7700000, 5500000, -4000000, 1000000)))
forecast<-as.matrix(t(c(-0.000768006, 0.000635124, 0.001526249, -0.008919934, 0.000152549, 0.001271481)))
mReturns<-read.csv(file="C:/Users/Desktop/mReturns.csv", header=TRUE, sep=",", row.names=1)
mReturns<-round(mReturns, digits=8)
forecast<-round(forecast, digits=8)
colnames(balances)<-letters[1:ncol(balances)]
colnames(forecast)<-letters[1:ncol(forecast)]
colnames(mReturns)<-letters[1:ncol(forecast)]
#Minimize Variance:
fn <- function(H)
X<-balances * (1 - H)
Y<-t(t(mReturns) * as.vector(X))
return(quantile(rowSums(Y), .05, na.rm=TRUE))
fn2 <- function(H)
return(-fn(H))
#For a given forecast:
target<-0
eqn <- function(H)
X <- balances * (H)
return(sum(X * forecast) - target)
loops<-6
n<-length(balances)
# Initialize a matrix to contain allocation and statistics
eff<-matrix(nrow=2+loops, ncol=n+3)
colnames(eff) <- c(colnames(balances), "Target", "Variance", "Forecast")
#Find the forecast for the 100% strategy
pars <-rep(1, n)
eff[1,1:n]<-pars
eff[1,n+2]<-fn(pars)
eff[1,n+3]<-eqn(pars)
#Find the strategy that maximizes forecast
pars2<-rep(0,n)
pars2[which(balances*forecast>=0)]<-1
eff[2,1:n]<-pars2
eff[2,n+2]<-fn(pars2)
eff[2,n+3]<-eqn(pars2)
#Constrain the values in H
lH<-rep(0, ncol(balances))
uH<-rep(1,ncol(balances))
pars2<-rep(1, n) #initial guess is all 1's
increment = (eff[2,n+3]-eff[1,n+3])/(loops+1)
for (i in 1:loops)
target<-c(eff[2,n+3]-(i)*increment) #target forecast
sol <- auglag(pars, fn=fn2, gr=NULL, heq=eqn, lower=lH, upper=uH, nl.info = FALSE, control = list(xtol_rel = 1e-8, maxeval = 20000))
targetHolder<-target
target<-0
eff[i+2,]<-c(sol$par, targetHolder, fn(sol$par), eqn(sol$par))
#Random Portfolios
set.seed(10)
randoms<-matrix(runif(10000*ncol(balances)), ncol=ncol(balances))
dots<-cbind(apply(randoms, 1, fn), apply(randoms, 1, eqn))
#graph
x11()
eff<-as.data.frame(eff)
dots<-as.data.frame(dots)
ggplot() +
geom_point(data=dots, aes(V1, V2),size=3, color=rgb(115,150,0,max=255)) +
geom_line(data=eff, aes(Variance, Forecast), size=1, color=rgb(187,8,38, max=255)) +
geom_hline(yintercept = 0) + geom_vline(xintercept = 0) +
ggtitle("Frontier") +
labs(x="Variance", y="Forecast") +
theme_bw() +
scale_x_continuous(labels = comma) +
scale_y_continuous(labels = comma) +
geom_point(data=eff, aes(Variance, Forecast),size=3, color=rgb(187,8,38,max=255))
每月回报（这是我能得到的最好的说明问题的集合）：
AAA BBB CCC DDD EEE FFF
10/1/2006 -0.0273758311 -0.0173219254 -0.0092231793 -0.0138312574 -0.0124329157 -0.0124668848
11/1/2006 0.0386007238 0.0195502377 0.0097401588 0.0115189105 -0.0125419543 0.0065488401
12/1/2006 0.0180668473 0.0380363598 0.0137722146 -0.0103839765 -0.0110926718 0.0454652348
1/1/2007 0.0006337939 -0.0111542926 -0.0301578502 0.0142295446 -0.0180118359 -0.0101971958
2/1/2007 -0.0193818090 0.0038791343 -0.0147327469 0.0171395937 -0.0106915572 -0.0135595788
3/1/2007 0.0136933213 -0.0042708969 0.0272062488 -0.0086841626 0.0051172709 0.0125940716
4/1/2007 0.0304574997 0.0047998366 -0.0017821783 0.0288433537 0.0160311962 0.0127407857
5/1/2007 0.0233737324 0.0157028153 -0.0170184226 0.0122388783 0.0387973703 0.0187209825
6/1/2007 0.0067673716 -0.0081553009 -0.0182637526 0.0680350676 0.0472285071 -0.0113937077
7/1/2007 0.0195654783 0.0132667474 -0.0086871710 -0.0124935191 -0.0042241618 0.0068406573
8/1/2007 0.0076524606 0.0118484592 0.0353900671 0.0249734320 0.0087112958 0.0093050735
9/1/2007 -0.0435798575 -0.0075768758 0.0275545857 -0.0407258270 0.0004736651 -0.0027072510
10/1/2007 0.0924749572 0.0130880968 0.0002592090 0.0845218362 0.0644348088 0.0440939105
11/1/2007 0.0201274740 0.0179104478 0.0093311906 0.0350746684 0.0427970555 0.0136322114
12/1/2007 -0.0305820454 -0.0114417576 0.0308341887 -0.0249386286 -0.0477620911 0.0144194107
1/1/2008 -0.0093848937 -0.0339930944 -0.0036721437 0.0069662916 0.0061454765 -0.0028018861
2/1/2008 0.0321881064 -0.0107229158 0.0484552051 0.0198235360 -0.0027127500 0.0143914474
3/1/2008 0.0294150171 0.0122131189 0.0265085560 0.0323534622 0.0075926301 0.0254695311
4/1/2008 -0.0254592330 -0.0066361671 0.0185567006 -0.0307842234 -0.0328013313 0.0286580144
5/1/2008 0.0291005291 -0.0005567083 -0.0247055516 0.0492000484 0.0012745099 -0.0089663123
6/1/2008 0.0239931448 0.0037978529 -0.0103297983 0.0218807620 0.0267767258 0.0051699625
7/1/2008 -0.0010460251 0.0063562528 -0.0057476747 0.0181476849 -0.0281745247 0.0153658223
8/1/2008 -0.0270157068 -0.0099754374 -0.0146689710 0.0243589740 -0.0048676019 -0.0145000950
9/1/2008 -0.0848041326 -0.0878987342 -0.0039763301 -0.0543735223 -0.0370300926 -0.0608455410
10/1/2008 -0.0740827846 -0.0175974242 0.0228906428 -0.1397058821 0.0037639971 -0.0415954026
11/1/2008 -0.1518923038 -0.0915974459 0.0736264752 -0.1118110238 -0.1235463915 -0.0915839817
12/1/2008 -0.0413297394 -0.0741477980 0.0566584579 -0.0762846012 -0.0286790030 -0.0090366179
1/1/2009 0.1018431740 -0.0138403655 0.0268870859 0.0098509388 0.0231128587 0.1137102530
2/1/2009 -0.0962574426 -0.0094018259 0.0092303638 -0.0036590625 -0.0077260893 -0.0877180491
3/1/2009 0.0023529412 -0.0152682256 -0.0784996236 -0.0266487893 -0.0365901429 -0.0112385858
4/1/2009 0.0943661972 0.0104763235 -0.0096417819 0.0496085860 0.0129365079 0.0457810403
5/1/2009 0.0447590448 0.0313104783 -0.0059523944 0.0459061643 0.0631117103 0.0018114575
6/1/2009 0.1088146729 0.1020038871 0.0261932537 0.1138436318 0.0838591685 0.0667520530
7/1/2009 -0.0019750648 0.0021285653 -0.0007242318 0.0099870620 -0.0487995829 -0.0012006498
8/1/2009 0.0338899196 0.0142614395 0.0209125845 0.0361374737 0.0668151452 0.0081318060
9/1/2009 -0.0118435220 -0.0330880153 0.0189410175 -0.0253958301 -0.0240898396 -0.0023146525
10/1/2009 0.0529055690 -0.0126856436 0.0369378363 0.0711407143 0.0187286653 0.0225674916
11/1/2009 0.0344946533 0.0312127860 -0.0053280313 0.0144219837 -0.0008296452 0.0119628738
12/1/2009 0.0281204846 0.0096031119 0.0393401412 0.0235369340 0.0368954311 0.0245940621
1/1/2010 -0.0291891892 -0.0276924929 -0.0683577530 -0.0136428779 -0.0062689978 -0.0501956104
2/1/2010 -0.0073496659 -0.0119497245 0.0268182226 -0.0560575728 -0.0073543270 -0.0274364703
3/1/2010 0.0106573929 -0.0605965660 0.0166050081 0.0279786409 0.0184367195 -0.0266312540
4/1/2010 0.0224220224 0.0200787139 -0.0499893623 0.0188144624 0.0325203247 0.0021386431
5/1/2010 0.0034741070 -0.0011770861 -0.0003196447 0.0144877542 -0.0091364566 -0.0217087350
6/1/2010 -0.1007248729 -0.0407882676 0.0318856314 -0.0586643576 -0.0355315523 -0.0801113284
7/1/2010 0.0146775746 0.0359019862 0.0382420201 0.0316565244 -0.0039637605 0.0243683048
8/1/2010 0.0720891629 0.0337352573 0.0130681681 0.0206279554 0.0290375846 0.0419094755
9/1/2010 0.0082946251 -0.0149149085 0.0240407343 0.0050973650 -0.0191465044 -0.0186178363
10/1/2010 0.0665789185 0.0238757684 0.0146598812 0.0333195239 0.0295184853 0.0766648450
11/1/2010 0.0151172357 0.0133973711 0.0336604101 -0.0078097478 0.0044326247 0.0073961279
12/1/2010 -0.0190456894 -0.0257545523 -0.0437106512 -0.0011144347 -0.0017699119 -0.0542719355
1/1/2011 0.0568005783 -0.0007040901 0.0378451737 0.0262445077 0.0190380763 0.0186467768
2/1/2011 -0.0119222124 0.0339482449 -0.0028272754 -0.0018625333 0.0074702196 0.0332486551
3/1/2011 0.0022747503 0.0077437740 -0.0062301897 0.0003004991 0.0162084538 -0.0037602140
4/1/2011 0.0249654628 -0.0095899674 -0.0261717073 0.0354075923 0.0120431890 0.0333889816
5/1/2011 0.0562241263 0.0369933586 0.0353491621 0.0200583972 0.0191514125 0.0400365245
6/1/2011 -0.0325403336 -0.0223259711 0.0029648152 -0.0117927481 -0.0328489560 -0.0323495644
7/1/2011 0.0146975692 -0.0159177176 0.0014845420 0.0245501284 0.0195096504 0.0138190955
8/1/2011 0.0186629526 0.0138111236 0.0468851189 -0.0064491408 0.0015673977 -0.0190004131
9/1/2011 -0.0226961991 -0.0071796760 0.0036396795 -0.0330925481 -0.0203705594 0.0006315789
10/1/2011 -0.0988621526 -0.0367760677 -0.0016869980 -0.1381365404 -0.0698847952 -0.0611543587
11/1/2011 0.0690333264 0.0234214579 -0.0167155471 0.0770244711 0.0293022346 0.0236049899
12/1/2011 -0.0082292574 -0.0162392626 0.0086228941 -0.0306649633 0.0064108885 -0.0176603663
1/1/2012 -0.0034166341 -0.0093690249 0.0102717068 -0.0357295909 -0.0072456670 -0.0371443429
2/1/2012 0.0485845822 0.0187222544 0.0093176468 0.0763997010 0.0227318248 0.0154309081
3/1/2012 0.0097150864 0.0077680940 -0.0606509309 0.0117255850 0.0132927441 0.0113973102
4/1/2012 -0.0428346748 0.0031960895 -0.0211174021 -0.0616378357 -0.0132171821 0.0024040267
5/1/2012 -0.0011598685 0.0133058471 0.0347109283 -0.0427081690 0.0134970570 -0.0079442404
6/1/2012 -0.0612541126 -0.0528943962 0.0265316552 -0.0646046778 -0.0534101827 -0.0606632923
7/1/2012 0.0553551180 0.0223914600 -0.0221831931 0.0152781926 0.0240015740 0.0187389416
8/1/2012 0.0217815980 -0.0108868657 0.0172106230 -0.0170718584 0.0109387431 -0.0348938186
9/1/2012 -0.0132874486 0.0212409887 0.0006377956 0.0066476282 0.0195680830 0.0289570552
10/1/2012 0.0037783375 0.0166393546 0.0051289010 0.0019735538 0.0040720757 0.0245647508
11/1/2012 0.0038606312 0.0000000000 -0.0265851526 -0.0022644484 -0.0142498744 0.0042675357
12/1/2012 0.0025959042 -0.0072535648 -0.0286130154 -0.0489700375 0.0021118266 0.0033222591
1/1/2013 -0.0031645570 0.0147380254 -0.0486735937 0.0411386231 0.0010066431 0.0167873094
2/1/2013 0.0011544012 -0.0342174903 -0.0654305847 0.0319919529 -0.0031108877 0.0330202969
3/1/2013 -0.0196021908 -0.0417383547 -0.0087616625 0.0041925528 -0.0295091542 -0.0453079179
4/1/2013 0.0215622856 0.0127011571 0.0038614299 -0.0203384796 0.0098347756 -0.0132852096
5/1/2013 -0.0138156001 0.0214065270 -0.0427148166 0.0097436671 0.0084300305 0.0257607596
6/1/2013 -0.0688782956 -0.0229508197 -0.0304629093 -0.0652935412 -0.0281445781 -0.0137329287
7/1/2013 -0.0347926027 0.0012501645 0.0079269110 -0.0394347242 -0.0116223686 0.0050003846
8/1/2013 -0.0338817926 -0.0063744496 0.0012055870 -0.0326360551 0.0145950131 0.0109461115
9/1/2013 -0.0026890756 0.0253968254 0.0139553083 -0.0340809061 -0.0181266017 0.0011357613
10/1/2013 0.0558364229 0.0445691434 0.0017347621 0.0762463339 0.0208292961 0.0229919831
11/1/2013 0.0042562247 -0.0166100648 -0.0067903218 -0.0165498253 -0.0094049904 -0.0028833358
12/1/2013 -0.0349650350 0.0277533593 -0.0368020343 -0.0351883563 -0.0182777460 0.0077111292
1/1/2014 -0.0243741765 0.0120967742 -0.0266983220 -0.0110494902 -0.0028184893 0.0126554337
2/1/2014 -0.0146297547 -0.0076663045 0.0314581713 -0.0210129322 -0.0434938896 -0.0201264259
3/1/2014 0.0191868433 0.0186142709 0.0023576343 0.0292198115 0.0057845269 0.0234317070
4/1/2014 0.0361945316 -0.0068677217 -0.0178485935 0.0364295499 0.0036284465 -0.0006520794
5/1/2014 0.0029198659 0.0158147925 0.0128994503 0.0132598662 0.0062066454 0.0055825419
6/1/2014 0.0038818201 -0.0081690641 0.0055025913 -0.0041043938 0.0101419878 -0.0169430425
7/1/2014 0.0200859291 0.0235750522 0.0023639137 0.0179844668 0.0201279157 0.0032269894
8/1/2014 -0.0194798357 -0.0191836735 -0.0105253101 -0.0247154181 -0.0260168559 -0.0184223993
9/1/2014 0.0021477663 -0.0126627430 -0.0166746378 0.0052540178 0.0041394531 -0.0222685633
10/1/2014 -0.0636519503 -0.0254094412 -0.0416934585 -0.0947966609 -0.0261578426 -0.0384673979
11/1/2014 0.0068665599 -0.0118003213 -0.0305377641 0.0013318247 -0.0091425528 -0.0077636061
12/1/2014 -0.0348942942 -0.0165676774 -0.0513513556 -0.0323739586 -0.0055609505 -0.0043912176
1/1/2015 -0.0362737016 -0.0091544819 -0.0111909311 -0.0364614693 -0.0242873130 -0.0293504411
2/1/2015 -0.0514481242 -0.0337482356 0.0191506171 -0.0094300950 -0.0880458693 -0.0671678784
3/1/2015 0.0059263077 0.0250996016 -0.0178885567 -0.0557158943 0.0173391939 -0.0084137809
4/1/2015 -0.0266393443 -0.0398367664 -0.0010855227 -0.1022781142 -0.0083987014 -0.0386745266
5/1/2015 0.0330263158 0.0219253862 -0.0032458554 0.0498921894 0.0379965466 0.0405091517
6/1/2015 -0.0312062158 0.0034988117 -0.0370281860 -0.0485734132 -0.0289889795 -0.0242878828
7/1/2015 0.0051275309 0.0273666206 0.0129901792 0.0060967874 -0.0054011118 0.0115310698
8/1/2015 -0.0440810988 0.0003201639 -0.0058116534 -0.0795580758 -0.0382705683 -0.0062426491
9/1/2015 -0.0395457033 -0.0203559083 0.0378654941 -0.0749722897 -0.0126706388 0.0301347414
10/1/2015 0.0015671748 -0.0113042342 -0.0046693964 -0.0775158974 -0.0006783238 -0.0106053911
11/1/2015 0.0153627312 0.0196285771 -0.0057204213 0.0398620240 0.0143730891 -0.0168825368
12/1/2015 0.0259176240 -0.0224267565 -0.0183120461 0.0007267065 -0.0208114991 -0.0338906051
1/1/2016 -0.0027311211 -0.0222782124 0.0192451285 -0.0272167213 -0.0358715265 0.0209724443
2/1/2016 -0.0258797754 -0.0212260952 -0.0036366319 -0.0007064285 -0.0066676232 0.0029476787
3/1/2016 0.0085746416 -0.0333264048 0.0612226330 0.0074985366 0.0401193145 -0.0018368846
4/1/2016 0.0699651568 0.0197104358 0.0207718249 0.1070122134 0.0306663595 0.0481229297
5/1/2016 -0.0096391820 0.0270612216 0.0487323576 0.0343442572 0.0362376556 0.0052673163
6/1/2016 -0.0455083520 -0.0134136326 -0.0277524101 -0.0460086088 -0.0399143600 -0.0229674264
7/1/2016 0.0332093151 -0.0797031077 0.0684744419 0.1128105301 0.0128562573 -0.0046478370
8/1/2016 0.0050680181 -0.0066329992 0.0012697102 -0.0089113465 -0.0161536118 0.0024245690
9/1/2016 0.0019904459 0.0067531679 -0.0081372403 0.0025174229 0.0016026871 0.003045776
如您所见，红线并不是最有效的一组解决方案：
【问题讨论】：
这里没有数据，只有方程式。所以不可能给出肯定的答案。但了解为什么您期望 100 个数据点会产生比实际情况更令人窒息的线条会有所帮助？ @bethanyP 如果您想使用它，我刚刚添加了数据。我希望它是平滑的，因为从理论上讲，我可以对 H 中的权重进行微小的更改，以便从一个点到下一个点。 您的代码不可重现。你在使用什么库？什么是“预测”？将您的数据放入数据框中，以便人们可以帮助您。我建议你阅读"How to make a great R reproducible example?" @BrianO'Donnell 我编辑了这篇文章，希望现在更清楚了。我可以在这方面使用一些帮助。 巨大的改进！只有一个问题。如果未加载“scales”包，则需要进行两项更改：“scale_x_continuous(labels = scales::comma) + scale_y_continuous(labels = scales::comma) +” 【参考方案1】：我会选择分位数样条回归（包fields）。在这里，我做了模型来拟合 10% 的点（只是为了让示例运行得更快）。
library(fields)
dots <- dots[base::sample(NROW(dots), 1000), ]
fit90 = qsreg(x=dots$V1, y=dots$V2, alpha=0.95, lam=1E7)
plot(x=dots$V1, y=dots$V2, main=("alpha=95%"))
points(x=dots$V1, y=fitted(fit90), col="red")
然后您可以调整参数以选择适合您的阈值（90%、95%、99% 的分数限制），然后使用 lambda 参数来获得您想要的平滑度（它从 0到无限..）
【讨论】：
我不喜欢这种方法的一点是红线只和随机样本一样好。对于拥有大量资产的投资组合，我经常通过使用优化器找到领先于点领域的解决方案。 您好，感谢您的反馈，不幸的是，我没有风险评估或优化方面的技能，因此无法为您的特定领域提供帮助。但我可以建议将统计思路“进一步”超过 100% 分位数，例如将噪声增加到接近极限的点（例如，对残差进行引导）或为某些极值点增加权重等。 @user3390169 再发表一条评论，我认为此时的问题不再是关于编码问题，而是更多关于统计/优化科学。您可以将其迁移到 CrossValidated 站点。【参考方案2】：有助于可视化的一件事是显示不透明度。通过为您的美学添加 alpha 值，您将更好地深入了解数据。
例如：
ggplot() +
geom_point(data=dots, aes(V1, V2),size=3, color=rgb(115,150,0,max=255), alpha=0.05) +
geom_line(data=eff, aes(Variance, Forecast), size=1, color=rgb(187,8,38, max=255)) +
geom_hline(yintercept = 0) + geom_vline(xintercept = 0) +
ggtitle("Frontier") +
labs(x="Variance", y="Forecast") +
theme_bw() +
scale_x_continuous(labels = comma) +
scale_y_continuous(labels = comma) +
geom_point(data=eff, aes(Variance, Forecast),size=3, color=rgb(187,8,38,max=255))
这提供：
现在您的优化看起来好多了。
【讨论】：
谢谢，这看起来很酷，但我真的在寻找红线解决方案效率的改进。所有这些点都应该在绿点的“东北”边缘。【参考方案3】：我没有足够高的分数来发表评论，但看起来您需要一个均值方差优化函数。 （也就是说，这种方法存在一些困难：请参阅a paper that I wrote 了解更多详细信息。）
无论如何，您可以尝试 tseries 包中的portfolio.optim 函数。下面是代码示例：
portfolio.optim(x, pm = mean(x), riskless = FALSE, shorts = FALSE,
rf = 0.0, reslow = NULL, reshigh = NULL, covmat = cov(x), ...)
为了让您了解更多背景知识，您可能会发现these slides 很有用。
希望对你有帮助。
编辑（我现在有更多时间考虑细节。）
在我看来，您的投资有点违反直觉。毕竟，一些高风险投资的预期回报最低，反之亦然。详情如下：
library(ggplot2)
library(tseries)
library(scales)
library(dplyr)
# Load csv files (with a modified reference in my code)
forecast<-as.matrix(t(c(-0.000768006, 0.000635124, 0.001526249, -0.008919934, 0.000152549, 0.001271481)))
mReturns<-read.csv(file="mReturns.csv", header=TRUE, sep=",", row.names=1)
# Consider inputs to mean-variance optimiser
mRet <- matrix(unlist(mReturns), nrow = 120, ncol = 6, byrow = FALSE)
colnames(mRet) <- c("AAA", "BBB", "CCC", "DDD", "EEE", "FFF")
vc <- cov(mRet)
cor <- cor(mRet)
print(round(cor, 2))
该代码产生了这个每月回报的相关矩阵：
AAA BBB CCC DDD EEE FFF
AAA 1.00 0.58 0.05 0.77 0.73 0.74
BBB 0.58 1.00 -0.10 0.45 0.57 0.61
CCC 0.05 -0.10 1.00 0.02 0.01 0.05
DDD 0.77 0.45 0.02 1.00 0.64 0.53
EEE 0.73 0.57 0.01 0.64 1.00 0.57
FFF 0.74 0.61 0.05 0.53 0.57 1.00
现在对于优化器的其他输入：
returnStats <- data_frame(name = c("AAA", "BBB", "CCC", "DDD", "EEE", "FFF"),
ret = as.numeric(forecast),
vol = sqrt(apply(mRet, 2, var)))
inputs <- returnStats
inputs[, 2:3] <- round(100*inputs[, 2:3], 2)
print(inputs)
这会产生每项投资的预期（预测）回报和波动率：
name ret vol
<chr> <dbl> <dbl>
1 AAA -0.08 4.17
2 BBB 0.06 2.74
3 CCC 0.15 2.84
4 DDD -0.89 4.60
5 EEE 0.02 2.94
6 FFF 0.13 3.12
所以，正如我上面提到的，这些是奇怪的输入（因为它们已经在上面输入）：
波动率第二低的投资具有最高的预期回报 (CCC) 波动率最高的投资具有最低的预期回报 (DDD)所有这一切使初步答案变得非常简单：将地段分配给 CCC。当然，多元化的二阶影响可能意味着您不会将所有东西都分配给 CCC，而是选择一些 FFF，因为它的风险回报率和这两项投资之间的低相关性。
而这一切都被有效边界的端点所证实。 （我将边界保留在返回空间中，因为它更容易解释。顺便说一句，如果你愿意，你也可以使用包 PortfolioAnalytics。）
# Build efficient frontier
effFrontier = function (averet, rcov, nports = 8, shorts=FALSE, wmax=1)
mxret = max(abs(averet))
mnret = -mxret
n.assets = ncol(averet)
reshigh = rep(wmax,n.assets)
if( shorts )
reslow = rep(-wmax,n.assets)
else
reslow = rep(0,n.assets)
min.rets = seq(mnret, mxret, len = nports)
vol = rep(NA, nports)
ret = rep(NA, nports)
for (k in 1:nports)
port.sol = NULL
try(port.sol <- portfolio.optim(x=averet, pm=min.rets[k], covmat=rcov,
reshigh=reshigh, reslow=reslow,shorts=shorts),silent=T)
if ( !is.null(port.sol) )
vol[k] = sqrt(as.vector(port.sol$pw %*% rcov %*% port.sol$pw))
ret[k] = averet %*% port.sol$pw
return(list(vol = vol, ret = ret))
# Run efficient frontier
eF <- effFrontier(averet=forecast, rcov=vc, shorts = FALSE, nports = 100)
eff <- as_data_frame(eF)
剩下的就是绘制这个边界：
ggplot() +
geom_line(data=eff, aes(vol, ret), size=1, color=rgb(187,8,38, max=255)) +
geom_hline(yintercept = 0) + geom_vline(xintercept = 0) +
ggtitle("Frontier") +
labs(x="Volatility", y="Forecast") +
theme_bw() +
scale_x_continuous(labels = percent) +
scale_y_continuous(labels = percent) +
geom_point(data=eff, aes(vol, ret), size=3, color=rgb(187,8,38,max=255))
该代码生成此图表：
2% 左右波动的不连续性和该边界的倒置说明了您的投资投入的性质。
很抱歉，扩展的答案花了一段时间，但我希望这对您有更多帮助。
【讨论】：
以上是关于R：基于历史数据的优化的主要内容，如果未能解决你的问题，请参考以下文章
突破R内存限制的企业级大数据挖掘利器：Microsoft R Server 快速上手