Portfolio optimization under CV@R constraint with stochastic mirror descent

Autor:	Costa, Manon, Gadat, Sébastien, Huang, Lorick
Přispěvatelé:	Institut de Mathématiques de Toulouse UMR5219 (IMT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Institut National des Sciences Appliquées - Toulouse (INSA Toulouse), Institut National des Sciences Appliquées (INSA)-Université de Toulouse (UT)-Institut National des Sciences Appliquées (INSA)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS), Toulouse School of Economics (TSE-R), Université de Toulouse (UT)-Université de Toulouse (UT)-École des hautes études en sciences sociales (EHESS)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Institut Universitaire de France (IUF), Ministère de l'Education nationale, de l’Enseignement supérieur et de la Recherche (M.E.N.E.S.R.), Institut National des Sciences Appliquées - Toulouse (INSA Toulouse), Institut National des Sciences Appliquées (INSA)-Université de Toulouse (UT), ANR-19-CE23-0017,MaSDOL,Mathématiques de l'optimisation déterministe et stochastique liées à l'apprentissage profond(2019)
Jazyk:	angličtina
Rok vydání:	2022
Předmět:	[MATH.MATH-PR]Mathematics [math]/Probability [math.PR] Stochastic Mirror Descent [MATH.MATH-ST]Mathematics [math]/Statistics [math.ST] [MATH.MATH-OC]Mathematics [math]/Optimization and Control [math.OC] Portfolio selection Biased observations Risk management constraint Discretization
Popis:	This article studies and solves the problem of optimal portfolio allocation with CV@R constraints when dealing with imperfectly simulated financial assets. We use a Stochastic biased Mirror Descent to find optimal resource allocation for a portfolio whose underlying assets cannot be generated exactly and may only be approximated with a numerical scheme that satisfies suitable error bounds, under a risk management constraint. We establish almost sure asymptotic properties as well as the rate of convergence for the averaged algorithm. We then focus on the optimal tuning of the overall procedure to obtain an optimized numerical cost. Our results are then illustrated numerically on simulated as well as real data sets.
Databáze:	OpenAIRE
Externí odkaz:	https://explore.openaire.eu/search/publication?articleId=od______4074::699528b843e73d1e99602cd837858c30 https://hal.science/hal-03697232 Zobrazit plný text záznamu