Aquí está el código (lo siento si es tan largo, pero fue el primer ejemplo que tuve); Estoy usando el ejemplo de CVaR CreditMetrics
paquete por A. Wittmann y DEoptim
solucionador de optimizar:Cómo establecer la suma de los parámetros en 1 en la optimización restringida
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)]
Ahora escribo mi función ...
fun <- function(w) {
# ...
- (t(w) %*% y - r)/cm.CVaR(M, lgd, ead = w, N, n, r,
rho, alpha, rating)
}
... y quiero para optimizar que:
DEoptim(fn = fun, lower = rep(0, N), upper = rep(1, N),
control = DEoptim.control())
¿me puede decir lo que tengo que insertar en # ...
hacer sum(w) = 1
durante la optimización?
A continuación os muestro los resultados de optimización de acuerdo con los consejos de 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
... y ...
Como se puede ver, el primer truco funciona mejor en que encuentra un resultado el cual es más pequeño que el segundo. Desafortunadamente, parece que lleva más tiempo.
# 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
¿Algún comentario?
¿Debo aumentar el número de iteraciones debido a una función "demasiado estocástica" para ser optimizada?
En el código para el "segundo truco" anterior, olvidaste agregar 'w <- w/sum (w)' en el cuerpo de 'fun'.¿Puedes actualizar tu código y resultados? – flodel
Gracias, acabo de actualizar. ¿Cuál sería el mejor método según estos resultados? –
Gracias. Tenga en cuenta que nunca sugerí lo que todavía está etiquetado como "segundo truco": está mal y debe eliminarlo. Lo que sugerí es lo que actualmente se etiqueta como "primer truco" y "tercer truco". Sugerí otro método: para usar 'w <- c (w, 1-sum (w))' en el cuerpo de 'fun' y afuera, ¿has probado eso también? Creo que este último método podría ser un poco más robusto y rápido. – flodel