Modificirani algoritem hierarhične paritete tveganjaČampa, Gašper (Avtor) Košir, Tomaž (Mentor) Jerovšek, Jure (Komentor) strojno učenjeoptimizacija portfeljaBlack-Litterman modelučinkovita mejahierarhična pariteta tveganjaLeta 2016 je Marcos López de Prado objavil model hierarhične paritete tveganja (angl. hierarchical risk parity (HRP)). Model sloni na hierarhičnem rojenju (angl. clustering) kovariančne matrike pričakovanih donosov in uravnoteženmu razporejanju uteži po rojih. HRP model je numerično stabilnejši kot modeli povprečje-varianca, saj tekom konstruiranja optimalnega portfelja ne potrebuje inverza kovariančne matrike. V magistrskem delu bom razširil HRP algoritem z vpeljavo investitorjevih ocenah o pričakovanih donosih ter z algoritmom mej, ki prilagodi predlagani optimalni portfelj z uporabniškimi omejitvami uteži po naložbah. Na podlagi narejenih primerjav med optimizacijskimi metodami, bomo videli, da HRP algoritem optimizira portfelj podobno kot alokacija sredstev, izbrana na učinkoviti meji z najmanjšim standardnim odklonom. Za investitorje, ki želijo imeti konzervativen portfelj, je to zelo dobrodošlo, saj HRP algoritem zmore optimizirati portfelj tudi na podlagi singularne kovariančne matrike (česar večina optimizacijskih metod ne zmore). Poleg doseganja podobnih rezultatov je bil s HRP algoritmom optimiziran portfelj bolj razpršen. Tudi modificiran HRP algoritem se na podlagi narejenih primerjav izkaže za konkurenčno optimizacijsko metodo. Modificiran algoritem uspešno alocira uteži tudi na podlagi pričakovanih donosnosti, kar omogoča vpeljavo investitorjevih ocen.20192019-06-20 07:45:03Magistrsko delo/naloga108169sl