Calculation of investment portfolios with risk free borrowing and lending
Notice bibliographique
Résumé
We colisider the .problem of portfolio selection for a risk averse investor wishing to allocate his resources among several investment opportunities in order to maximize the expected utility of final wealth. The calculation of the optimal investment proportions generally requires the solution of a stochastic program whose dimension is the number of risky investments. The computations are simplified dramatically when there is a risk free asset and the investment returns are jointly normally distributed. In this case Tobin has shown that the investment proportions in the risky assets are independent of the utility function and Lintner has shown that these proportions may be obtained from the solution of a fractional program. It is shown under mild hypotheses that the fractional program has a pseudo-concave objective and that the program always has a unique solution. The solution may be sought in several ways, perhaps most efficiently via Lemke's algorithm applied to a linear complementarity problem. The optimal investment proportions in all assets may be found by solving a stochastic program having one random variable and one decision variable via a search technique. Data on the major pooled Canadian equity pension funds were used to provide an empirical test of the suggested solution approach. Five common classes of utility functions were utilized with varying parameter values. For each class there are smooth curves that related the investment in the risk free asset to the parameters of the utility function. The investor is more risk averse when faced with quarterly data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».