Опционы

Наиболее распространенными являются два вида свертки: аддитивная (сумма или среднее арифметическое значений всех критериев) и мультипликативная (произведение или среднее геометрическое значений всех критериев). Применение мультипликативной свертки возможно, только если критерии неотрицательны (поскольку произведение двух отрицательных значений дают положительную величину), либо если только один из критериев может принимать отрицательные значения. Также нужно учитывать, что если один из критериев равен нулю, то и мультипликативная свертка равна нулю (для аддитивной свертки этого не происходит). В мультипликативной свертке по сравнению с аддитивной большее влияние оказывают критерии, имеющие более низкие значения. Аддитивная свертка наиболее приемлема для критериев, представляющих собой однородные по смыслу и близкие по масштабу значений величины.

Кроме аддитивной и мультипликативной, существует также селективная свертка, когда для каждого узла принимается в качестве значения свертки наименьшее (наиболее консервативный вариант свертки) или наибольшее (наиболее агрессивный вариант) значение из всего набора целевых функций. В книге «Опционы: системный подход к инвестициям» мы предложили методику минимаксной свертки, когда в качестве значения свертки используется произведение наибольшего и наименьшего значений критериев.

При расчете свертки необходимо помнить о том, что критерии могут измеряться в разных единицах и иметь различный масштаб величин. Для приведения их к единой шкале с одинаковыми диапазонами значений можно воспользоваться следующей трансформацией:

где x_i – значение критерия для i-го узла x, x_min и x_max – минимальное и максимальное значение критерия соответственно. Применение этой формулы позволяет привести значение критерия к интервалу от 0 до 1.

Продемонстрируем применение свертки на примере базовой дельта-нейтральной стратегии. В качестве критериев выберем три из четырех целевых функций, показанных на рис. 2.3.1 – прибыль, максимальную просадку и процент прибыльных сделок (коэффициент Шарпа не будет использоваться в силу его сильной скоррелированности с прибылью). Применив формулу 2.4.1, мы привели значения всех трех целевых функций к интервалу от 0 до 1. Построив три варианта свертки (аддитивную, мультипликативную и минимаксную), мы убедились в том, что в данном случае все они дают весьма близкие результаты.

На рис. 2.4.1 показана оптимизационная поверхность минимаксной свертки. Данная поверхность полимодальна и имеет четыре оптимальные области. Три из них имеют относительно обширную площадь, а одна очень мала (поскольку площадь поверхности является одним из важных факторов при выборе оптимального решения, четвертую область можно не рассматривать). Как видим, многокритериальный анализ методом свертки не позволил в данном случае получить единственное оптимальное решение, так как каждая из зон содержит свое оптимальное решение. Следовательно, само по себе построение свертки не решило до конца задачу оптимизации. Необходимо выбрать из трех зон одну. Поскольку все они обладают приблизительно одинаковыми высотными отметками (значение свертки), то выбор должен осуществляться по другому принципу. В следующем разделе мы рассмотрим вопрос выбора оптимальной области на основании характеристик рельефа и количественных оценок робастности потенциальных оптимальных решений.

2.4.2. Оптимизация по методу Парето

Применение метода Парето позволяет решить задачу выбора в условиях, когда показатели различных критериев противоречат друг другу. Подобная ситуация, когда некоторые узлы оптимизационного пространства превосходят другие узлы по одной из целевых функций (например, по прибыли), но являются хуже их по другой функции (например, по максимальной просадке), возникает довольно часто. Основным недостатком метода Парето является то, что в результате оптимизации может быть получено множество оптимальных решений вместо одного. Это потребует дальнейшего анализа, и выбор придется делать на основе применения дополнительных методик. Такая же проблема свойственна и методу свертки, но в гораздо меньшей степени.