Egy pénzügyi probléma vizsgálata kvadratikus programozással

Átírás

1 Egy pénzügyi probléma vizsgálata kvadratikus programozással Szakdolgozat Írta: Szluka Szilvia Irén Matematika BSc szak, Matematikai elemz szakirány Témavezet : Nagy Marianna, egyetemi tanársegéd Operációkutatási Tanszék Eötvös Loránd Tudományegyetem, Természettudományi Kar Eötvös Loránd Tudományegyetem Természettudományi Kar 2009

2 Tartalomjegyzék 1. Bevezetés 4 2. A portfólió kiválasztási probléma és modellezése A portfólió A portfólió kiválasztási probléma A probléma modellezése Alapfogalmak A hasznossági függvény A modell Programozási modellek Kvadratikus programozás Az általános nemlineáris optimalizálási feladat A kvadratikus programozási feladat általános alakja Optimalitási feltételek A Karush-Kuhn-Tucker tétel A lineáris komplementaritási feladat A feladat ismertetése A kvadratikus programozási feladat felírása lineáris komplementaritási feladatként Alkalmazások Algoritmusok A keretalgoritmus A konjugált gradiens módszer A kvázi-newton módszer A nulltér módszer Az aktív halmaz módszer Lemke féle pivotalgoritmus

3 5. A portfólió kiválasztási probléma modelljeinek megvalósítása MAT- LAB környezetben A quadprog parancs A Lemke-féle pivotalgoritmus megvalósítása MATLAB-ban A lemke függvény A lemkequad függvény A felhasznált adathalmaz Az els modell megoldása A második modell megoldása Összefoglalás Köszönetnyilvánítás 48 A. Függelék 49 A.1. A Lemke féle pivotalgoritmus kódja

4 1. fejezet Bevezetés A portfólió kiválasztási probléma, mint a portfólió elmélet fontos fejezete a pénzügyi problémák között jelent s helyet foglal el. A probléma megoldása egy befektet nek arra a kérdésre adja meg a választ, hogy adott korlátozott t kéjét a lehet legnagyobb haszon elérése érdekében, mely pénzügyi eszközökbe és milyen arányban fektesse be. A legtöbb befektet ugyan megelégedne azzal, ha valaki elvárásai ismeretében egyszer en csak megmondaná neki a választ, de dolgozatomban Harry Markowitz nyomain elindulva betekintést nyújtok e meghatározási folyamat lépéseibe, a probléma matematikai modellezése által. Az els rész témája a probléma részletes ismertetése, a modellek felépítése. A második illetve harmadik részben a felépített kvadratikus modellel a szemünk el tt áttekintjük a kvadratikus programozáshoz kapcsolódó legfontosabb elméleti eredményeket, fogalmakat, és a problémát megoldó fontosabb algoritmusokat. Végül a negyedik részben MATLAB programozási környezetben megvalósítjuk a modelleket, és két módszerrel is megoldva ket az eredményeket grakusan interpretáljuk és elemezzük. 4

5 2. fejezet A portfólió kiválasztási probléma és modellezése Ezen fejezet forrása a [16] honlapon található esettanulmány A portfólió El ször tisztáznunk kell, pontosan mit értünk a portfólió fogalma alatt. Különféle pénzügyi eszközök egy halmazára kell gondolnunk, dolgozatomban - és általában a szakirodalomban - azonban az ezek részhalmazát alkotó értékpapírok (részvények, kötvények, különféle hitelek, stb.) összességét tekintjük portfóliónak A portfólió kiválasztási probléma Harry Markowitz 1952-ben publikált cikke [14] volt az els portfólióelméleti munka. Markowitz a portfólió kiválasztásának folyamatát két f lépésre bontotta. Els ként a rendelkezésre álló pénzügyi eszközök jöv beli viselkedését (els dlegesen hozamát és szórását) kell valamiképpen el rejelezni. Egy egyszer vagy annuitásos kötvény esetében ez a feladat nem nehéz, hiszen a névleges kamatláb alapján pontosan tudja a befektet, hogy a kamatzetési periódusok és a lejárat id pontjában mekkora pénzáramlásokra számíthat, és ez mekkora megtérülést jelent az egységnyi befektetett t kéjére nézve. Részvények esetében azonban már nincs ilyen biztos tudásunk a jöv beli hozamokról. Az árfolyamváltozás minden t id pillanatban egy X(t) valószín ségi változóval, az id sorral jellemezhet ban Maurice Kendall brit statisztikus megmutatta [6], hogy ezek az ármozgások véletlen bolyongást végeznek, azaz a holnapi árfolyamváltozás független a maitól. 5

6 A gyakorlatban elterjedt statisztikai módszer a jöv beli viselkedés leírására a historikus, azaz múltbeli adatok alapján történ becslés, majd ezen eredmények esetleges utólagos korrigálása. A második lépésben ezen adatok, és a befektet preferenciáitól függ feltételek alapján történik meg a portfólió kiválasztása. Az alapvet megválaszolandó kérdés a következ : adott értékpapír halmaz és adott t ke mennyiség mellett a befektet nek mely értékpapírokba, és milyen arányban kell elhelyeznie a pénzét, hogy adott kockázat mellett a lehetséges legmagasabb várható hozamot; adott elvárt hozam mellett a lehetséges legkisebb kockázatot biztosítsa az így létrehozott portfólióval. A cél az ún. hatékony portfóliók meghatározása (Markowitz az eciens határ kifejezést használja), melyet a következ képpen deniálunk: Deníció. Legyen P portfólió, elvárt hozama r, kockázata σ. P hatékony, ha a következ k teljesülnek: - nem létezik P portfólió: r r, de σ < σ, - nem létezik P portfólió: σ σ, de r > r. Ha az értékpapír halmazban minden elemr l egyértelm en tudjuk, hogy mekkora hozamot biztosít, akkor a legnagyobb hozamúakból el állított portfóliók lesznek a hatékonyak. A portfólió várható hozamát úgy kapjuk meg, hogy a beválasztott értékpapírok várható hozamának súlyozott átlagát számítjuk ki. A portfólió kockázatát a hozamok szórásnégyzetével, varianciájával mérjük. Az értékpapírpiacot vizsgálva beszélhetünk arról, hogy két eszköz hozamai milyen mértékben mozognak együtt, ellentétesen vagy esetleg egymástól függetlenül. Ennek mér száma lesz a korreláció, illetve a kovariancia. A portfóliókiválasztás lényege azon elven alapszik, hogy a kockázat csökkentése érdekében érdemes ellentétesen mozgó eszközöket beválasztani portfóliónkba. (Ezt nevezzük diverzikációnak.) A következ részben deniáljuk mindezen fogalmakat A probléma modellezése Alapfogalmak Szükségünk lesz néhány algebrából és valószín ségszámításból ismert denícióra Deníció. Egy Q R n n mátrix szimmetrikus, ha Q T = Q, 6

7 pozitív (negatív) denit, ha x T Qx > 0 (< 0) 0 x R n, pozitív (negatív) szemidenit, ha x T Qx 0 ( 0) x R n, indenit, ha pozitív és negatív értékeket is felvesz. Egy szimmetrikus mátrix pontosan akkor pozitív szemidenit, ha a sajátértékei nemnegatívak, illetve pontosan akkor pozitív denit, ha a sajátértékei pozitívak. Továbbá egy szimmetrikus Q mátrix pontosan akkor pozitív szemidenit, ha felírható Q = C T C alakban, ahol C R n n. Ez a felbontás megvalósítható például Choleskyfaktorizáció segítségével Deníció. Legyen X diszkrét valószín ségi változó, P (X = x i ) = p i, i = 1,..., n. Ekkor X várható értéke: X varianciája: σ(x) az X szórása. E(X) = n p i x i, i=1 σ 2 (X) = E(X E(X)) 2 = E(X 2 ) (E(X)) Deníció. Legyenek X és Y diszkrét valószín ségi változók, melyeknek létezik a várható értéke. X és Y kovarianciája: cov(x, Y ) = E[(X E(X)(Y E(Y )]. Látható, hogy cov(x, X) = σ 2 (X), vagyis a valószín ségi változó önmagával vett kovarianciája a varianciája. Két valószín ségi változó közötti függ ség mér száma a korrelációs együttható Deníció. Legyenek X és Y diszkrét valószín ségi változók, melyeknek létezik a várható értéke, szórása. Ekkor az X és Y közötti korrelációs együttható: ρ(x, Y ) = cov(x, Y ) σ(x)σ(y ), ha σ(x) 0 és σ(y ) 0. Ha az utóbbiak közül valamelyik 0, akkor ρ(x, Y ) deníció szerint 0. A korrelációs együttható segítségével a kovarianciát a következ alakban is felírhatjuk: cov(x, Y ) = ρ(x, Y )σ(x)σ(y ). 7

8 Deníció. Legyen X = X 1 X 2. ahol X i, i = 1,..., n diszkrét valószín ségi változók. Az X által generált kovariancia mátrix az a Q R n n, melyre X n Q i,j = E[(X i E(X i )(X j E(X j )]. A korrelációmátrixot a fenti deníció alapján hasonlóan deniálhatjuk: az a C R n n, melyre C i,j = cov(x i, X j ) σ(x i )σ(x j ). Nyilvánvalóan C és Q szimmetrikus mátrixok. Belátható továbbá, hogy C és Q pozitív szemidenit is A hasznossági függvény A közgazdaságtanban a hasznossági függvény, általános célja, hogy a gazdaság egy szerepl jének - vagy bizonyos esetekben a társadalom egészének - meghatározott javakhoz kapcsolódó preferenciáit matematikai eszközökkel modellezze. Az itt felvázolt esetben a gazdasági szerepl a befektet. A hasznossági függvény, U(x) a kockázatra vonatkozó preferenciáit írja le. A kockázatkerül befektet t a konkáv hasznossági függvény jellemzi, vagyona növekedésével csökken a marginális hasznosság. Ha n a vagyona, n a hasznossága is, de egyre csökken mértékben. A hasznossági függvényre fennállnak a következ k: U (x) > 0, U (x) < 0. Ennek a befektet nek bizonyos mennyiség megszerzett pénz után, egy következ egység már alig vagy egyáltalán nem nyújt hasznosságot. A kockázatsemleges befektet hasznossági függvénye lineáris, minden következ egység megszerzett pénz után ugyanakkora hasznosságot realizál, mint az el z egységnél, tehát a marginális haszon állandó. Ezt azt jelenti, hogy U (x) = 0. A kockázatsemleges befektet érzéketlen a kockázatra, azaz két azonos várható hozamú befektetésnél a választása közömbös, független azok kockázatától. A kockázatkedvel befektet re a konvex hasznossági függvény és a növekv marginális hasznosság jellemz. U (x) > 0, U (x) > 0. 8

9 A portfólió kiválasztási probléma modelljében a következ függvényt használjuk majd a befektet magatartásának leírására: U(x) = 1 e kx, ahol k > 0 a kockázatkerülési konstans, x a pénz (vagy vagyon) mennyisége. Minél közelebb van a nullához k értéke, a befektet annál inkább kedveli a kockázatot. A befektet k általában kockázatkerül k. Az alábbi ábrán U(x) látható különböz k értékekre k = k = 1 hasznossag k = penz Léteznek más alakú hasznossági függvények is a kockázattal szembeni magatartás leírására, két példa: U(x) = x a, U(x) = log(x). A feladat minden esetben a befektet hasznosságának, esetünkben várható hasznosságának maximalizálása A modell Legyen S = {s 1, s 2,..., s N } az N darab értékpapírt tartalmazó halmaz, P az ebb l képzett portfóliónk. Legyenek R 1 w 1 R 2 R =., w = w 2., R N w N 9

10 ahol R i diszkrét valószín ségi változó az i. értékpapír hozama, w i R az i. értékpapír súlya a portfólióban. Ekkor nyilvánvalóan: N w i = 1. i=1 Feltesszük, hogy minden i indexre w i 0, azaz nem engedjük meg a rövidre eladást, az ún. shortolást. Legyen r = E(R) = (E(R 1 ), E(R 2 ),..., E(R N )) T. Ahogy azt korábban már láttuk, a portfólió várható hozama az t alkotó értékpapírok elvárt hozamának súlyozott átlaga: r P = E(R P ) = N E(R i )w i = r T w. i=1 Legyenek σ 1, σ 2,, σ N rendre az egyes értékpapírok hozamának szórása, azaz az értékpapír kockázata: σ i = E(R i E(R i )) 2, i = 1,, N Jelölje ρ ij az s i és s j értékpapírok hozamának korrelációját. Legyen Q R N N az értékpapírok hozamainak kovarianciamátrixa, azaz Q i,j = cov(r i, R j ). Ekkor a portfólió kockázata: σ 2 P = N N w i w j ρ ij σ i σ j = i=1 j=1 N N w i w j Q i,j = w T Qw. i=1 j=1 Az egyes portfóliókat két paraméterük, szórásuk és várható hozamuk szerint a síkon ábrázolhatjuk. Jelölje a vízszintes tengely a kockázatot (σ), míg a függ leges tengely a várható hozamot (r). A hatékony portfóliók halmaza ekkor az alábbi ábrán látható. 10

11 35 A hatékony portfóliók göbéje 30 várható hozam (%) szórás (%) A hatékony portfóliókénál b vebb halmazt alkotnak a határportfóliók, melyek az összes lehetséges portfólió burkolóját jelentik. Ezen portfóliókra rögzített elvárt hozam mellett minimális kockázat jellemz Programozási modellek A befektet által elvárt minimális hozam legyen r, az elfogadott maximális kockázat pedig (σ ) 2. Az alábbiakban el ször a következ két modellt tekintjük. 1. modell A kockázat minimalizálása az elvárt minimális hozamra vonatkozó feltétel mellett. min w T Qw r T w r N w i = 1 i=1 w 0 11

12 2. modell A várható hozam maximalizálása a maximális kockázatra vonatkozó korlát mellett. max r T w w T Qw (σ ) 2 N w i = 1 i=1 w 0 Korábban láttuk, hogy a Q kovariancia mátrix mindig pozitív szemidenit. Abban az esetben, ha Q nem pozitív denit (tehát a szigorú egyenl tlenség nem áll fenn) a fenti programozási feladatok megoldása nem feltétlenül eleme a hatékony portfóliók halmazának. Az els modell esetében például el fordulhat, hogy létezik egy azonos kockázatú, de magasabb várható hozamú portfólió. Ekkor a modell által adott portfólió nyilván nem hatékony. A két modell egyesítése Legyen a befektet hasznossági függvénye U(x) = 1 e kx. Továbbra is N darab értékpapír áll rendelkezésünkre a kívánt portfólió összeállításához, melyeket a fentebb említett S halmaz reprezentál. Tegyük fel, hogy R, azaz a hozamvektor N dimenziós normális eloszlású valószín ségi változó, melynek várható értéke r, szórása a Q kovariancia mátrix. Ekkor Z = R T w is N dimenziós normális eloszlású, r T w várható értékkel és σ 2 = w T Qw szórással. A várható hasznosság ekkor a következ számítás útján adódik: E(U(x)) = = 1 1 σ 1 2Π e kx (1 e kx )φ(x)dx = 2 ( x z = 1 e kz+ 1 2 k2 σ 2. σ )2 dx = Mivel az f(x) = 1 e x függvény szigorúan monoton növeked, ezért E(U(x)) akkor és csak akkor maximális, ha kz k2 σ 2 minimális, amely ekvivalens z 1 2 kσ2 maximalizálásával. Mindezekb l már fel tudjuk írni a kvadratikus programozási feladatot. Ha adott a Q kovariancia mátrix, az r várható hozam vektor, valamint a befektet k kockázatkerülési konstansa, akkor a várható hasznosságát maximalizáló kvadratikus programozási feladat: 12

13 max r T w k 2 wt Qw N w i = 1 i=1 w 0 Összefoglalva a következ eket mondhatjuk el az egyesített modellr l. A befektet célja portfóliójának összeállításakor várható hasznosságának maximalizálása. Egy portfólió akkor lehet maximális várható hasznosságú egy befektet számára, ha a neki leginkább megfelel egyensúly érvényesül annak várható hozama és szórása között. Ezt az egyensúlyi állapotot a kockázati preferenciáját leíró k nemnegatív konstans határozza meg. A célfüggvényt tehát felfoghatjuk úgy is, hogy leírja, milyen mértékben hajlandó a befektet várható nagyobb hozam reményében kockáztatni. A hasznossági függvény bevezetésekor pontosan ez volt a célunk. Az ötödik fejezet f ként ezen végs modell megvalósítására épül. 13

14 3. fejezet Kvadratikus programozás Ebben a fejezetben röviden áttekintjük a nemlineáris programozással azon belül els sorban a kvadratikus feladatosztállyal kapcsolatos legfontosabb tételeket, deníciókat, majd rátérünk az optimalitási feltételek vizsgálatára, kiemelten tárgyalva a Karush-Kuhn-Tucker tételt. A fejezet végén a kvadratikus programozási feladat egy alternatív interpretációjáról lesz szó, amikor a problémát lineáris komplementaritási feladatként írjuk fel. A bizonyításokat nem részletezzük, ezeket megtalálhatjuk a [1, 7, 17] könyvekben, melyek ezen fejezet forrásául szolgáltak Az általános nemlineáris optimalizálási feladat A feladat általános alakban a következ képpen írható fel: min f(x) h i (x) = 0, i I = {1,..., p} g j (x) 0, j J = {1,..., m} (3.1) x C, ahol x R n, C R n adott halmaz, f, g 1,..., g m, h 1,..., h p függvények értelmezési tartománya pedig valamely X C nyílt halmaz Deníció. Az F = {x C : h i (x) = 0, g j (x) 0, i I, j J} halmazt megengedett halmaznak nevezzük. Az x pont megengedett megoldás, ha x F. A (3.1) feladatot az f függvény illetve az egyenl ség és egyenl tlenség feltételekben szerepl függvények alakja alapján csoportosíthatjuk. Egy igen fontos osztályt képeznek azok a feladatok, melyekben a célfüggvény konvex. 14

15 Deníció. Egy X R n konvex halmazon értelmezett f : X R függvény (szigorúan) konvex, ha x 1, x 2 X és 0 λ 1-re: f(λx 1 + (1 λ)x 2 )(<) λf(x 1 ) + (1 λ)f(x 2 ). Konvex nemlineáris optimalizálási feladatról tehát akkor beszélünk, ha f konvex A kvadratikus programozási feladat általános alakja A nemlineáris optimalizálási feladatok speciális osztályát képezik a kvadratikus programozási feladatok. Ebben az esetben f(x) kvadratikus, azaz másodfokú függvény, az egyenl ségekkel és egyenl tlenségekkel adott feltételekben pedig a h i és g j függvények lineárisak vagy más szóval an függvények. A feladat a következ képpen írható fel: min 1 2 xt Qx + c T x a i T x = b i, i I = {1,..., p} a j T x b j, j J = {p + 1,..., p + m}, (3.2) ahol Q R n n szimmetrikus mátrix, c R n vektor, I és J pedig az egyenl tlenség és egyenl ség feltételeknek megfelel indexhalmazok. Konvex kvadratikus programozási feladatról akkor beszélünk, ha a célfüggvény konvex. Belátható, hogy ez akkor és csak akkor teljesül, ha Q pozitív szemidenit. Minden további esetben, azaz ha Q negatív (szemi)denit vagy indenit a feladat nemkonvex. Ilyenkor nem létezik olyan algoritmus, mely polinomid ben globális minimumot találna, azaz a probléma N P -nehéz. A célfüggvény ugyanis több lokális minimumhellyel is rendelkezhet, a globális minimum megtalálása igen nehéz feladat. Tekintsünk egy széls séges példát. Legyen Q = I, ahol I az egységmátrix és legyen a minimalizálási feladat az alábbi: min x T x 1 x i 1, i = 1,..., n A Q mátrix negatív denit, hiszen 1 n-szeres sajátértéke. Látható, hogy a célfüggvénynek minimuma van az x i = 1, i = 1,..., n alakú pontokban, azaz összesen 2 n lokális minimumhelyet kellene megvizsgálnunk. 15

16 3.3. Optimalitási feltételek Az optimális megoldás létezéséhez, azaz az f(x) függvény minimumának létezéséhez teljesülniük kell bizonyos optimalitási feltételek nek. A következ ekben ezeket tekintjük át röviden, speciálisan a kvadratikus optimalizálási feladatra nézve. Néhány denícióra szükségünk lesz: Deníció. Az f : R n R dierenciálható függvény gradiensvektora, f(x) az az n dimenziós vektor, melyre ( f(x) ) i = f(x) x i Deníció. Az f : R n R dierenciálható függvény x R n pontbeli s R n irányú iránymenti deriváltja a következ : ha a határtérték létezik. f(x + λd) f(x) δf(x, d) = lim, λ 0 λ Ha az f függvény folytonosan dierenciálható, akkor minden d R n esetén δf(x, d) = f(d) T s Deníció. Az f : R n R dierenciálható függvény Hesse-mátrixa az a 2 f(x) R n n mátrix, melyre ( 2 f(x) ) i,j = 2 f(x) x i x j, azaz 2 f(x) f másodrend parciális deriváltjait tartalmazó mátrix. A feltétel nélküli kvadratikus programozási feladat Tekintsük a következ problémát: min q(x) = 1 2 xt Qx + c T x, (3.3) ahol Q R n n szimmetrikus mátrix, c R n vektor. A q(x) függvényre a következ meggyeléseket tehetjük: a gradiensvektor: q(x) = Qx + c, a Hesse-mátrix: 2 q(x) = Q, 16

17 q kétszer folytonosan dierenciálható, ezért az iránymenti derivált: δq(x, s) = (Qx + c) T s. Analízisb l ismert a többváltozós függvény (szigorú) lokális illetve globális minimumának/maximumának deníciója. Nyilván teljesül, hogy a globális optimum egyben lokális optimum is. A (3.3) problémában, ha Q pozitív szemidenit mátrix, azaz a q függvény konvex, akkor többet is állíthatunk: ha b R n pont lokális minimum, akkor egyben globális minimum is. Az optimalitás szükséges feltételei a (3.3) feladatra: els rend feltétel: ha a b R n pont q lokális minimuma, akkor q(b) = (Qb+c) = 0, másodrend feltétel: ha ha a b R n pont q lokális minimuma, akkor q(b) = (Qb + c) = 0 és Q pozitív szemidenit. Az optimalitás elégséges feltétele a (3.3) feladatra: ha a b R n pontra teljesül, hogy Qb + c = 0 és Q pozitív denit, akkor a b szigorú lokális minimuma q-nak. Az egyenl tlenség feltételekkel adott kvadratikus programozási feladat Tekintsük a következ problémát: min q(x) a i T x b i, i I = {1,..., p} x C ahol C R n, Q szimmetrikus mátrix. A megengedett megoldások halmaza a korábban bevezetett jelölésnek megfelel en legyen F. Deniálni szeretnénk, hogy egy adott x megengedett pontban, melyek azok a vektorok, amelyek irányában létezik megengedett megoldás, azaz ezen vektor irányába elindulva létezik egy határ, ameddig biztosan nem sértünk meg egyetlen egyenl tlenséget sem Deníció. A d R n vektort az x F ponthoz tartozó megengedett iránynak hívjuk, ha létezik olyan λ 0 > 0, amelyre minden 0 λ λ 0 esetén x + λd F. Az x F megengedett pontban a megengedett irányok halmazát jelölje FD(x), tehát FD = {d : 0 d R n, x + λd F} Állítás. Tegyük fel, hogy Q pozitív szemidenit, és tekintsük a (3.3) problémát. Az x F megengedett megoldás akkor és csak akkor optimális megoldása a feladatnak, ha minden d FD(x ) esetén (Qx + c) T d 0. Másképpen fogalmazva az x pont akkor és csak akkor optimális megoldása (3.3) feladatnak, ha onnan indulva bármely megengedett irányban az iránymenti derivált nemnegatív, azaz a célfüggvény értéke bármely irányban legalább akkora, mint az x pontban. 17

18 A Karush-Kuhn-Tucker tétel Karush valamint Kuhn és Tucker, 1939-ben és 1951-ben egymástól függetlenül bizonyították az alább szerepl tételt (ld. [5, 11]), amely a többváltozós függvények egyenl ség feltételek mellett történ optimalizálására (minimalizálására illetve maximalizálására) kifejlesztett Lagrange-féle multiplikátor módszer általánosításaként fogható fel. A tételt kimondjuk általános nemlineáris optimalizálási feladatra, majd megvizsgáljuk mit jelent ez a (3.2) problémára Tétel. Legyen x a (3.1) feladat megengedett megoldása, és legyen A = {j : g j (x ) = 0}. Tegyük fel, hogy f, h i I = {1,..., p} és g j, j J folytonosan dierenciálhatóak az x pontban. Továbbá tegyük fel, hogy g j (x )j A és h i (x )i I lineárisan függetlenek. Ha x a (3.1) probléma lokális minimuma, akkor léteznek λ i i I és µ j j J Lagrange-szorzók, hogy m f(x ) + µ j g j (x ) + j=1 p λ i h i (x ) = 0 (3.4) i=1 µ jg j (x) = 0 j J (3.5) µ j 0 j J (3.6) (3.7) A (3.7) szükséges feltételekre KKT feltételekként szokás hivatkozni. A tétel a kvadratikus programozási feladatra: Ha az x R n megengedett megoldás lokális minimuma a (3.2) feladatnak, akkor léteznek λ R p és µ R m vektorok, hogy: Qx + c + A T 1 λ + A T 2 µ = 0 (3.8) A 2 x µ = 0 (3.9) µ 0 (3.10) ahol A 1 = (a 1,..., a p ) T R p n és A 2 = (a p+1,..., a p+m ) T R m n. Karush Kuhn és Tucker elégséges feltételeket is adtak a (3.1) feladat x optimális megoldására, melyek további tulajdonságok teljesülését követelik meg az f, h i és g j függvényekkel szemben. (Ezekre itt részletesen nem térünk ki, csak megjegyezzük, hogy a kvázikonvexitás és pszeudokonvexitás fogalmára lenne szükségünk a tétel kimondásához.) A KKT feltételek az algoritmusok, a számítógépes megvalósítás szempontjából is lényegesek, hiszen megállási kritériumként szolgálnak. A következ fejezetben a Lemke féle pivotalgoritmus, illetve a nulltér módszer esetében használjuk fel a KKT feltételeket a megoldás direkt úton történ kiszámítására. 18

19 3.4. A lineáris komplementaritási feladat Ebben a részben ismertetjük a lineáris komplementaritási feladatot, az ezt megoldó Lemke-féle pivotalgoritmus leírása az Algoritmusok cím fejezetben található. A feladat igen fontos szerepet tölt be a mérnöki számítások, a játékelmélet illetve a közgazdasági alkalmazások terén. Azonban amiért itt els dlegesen vizsgáljuk e feladattípust, az annak köszönhet, hogy szoros kapcsolatban áll a kvadratikus programozási problémával. Az alfejezetben látni fogjuk, hogyan írhatóak fel a kvadratikus programozási feladat KKT feltételei lineáris komplementaritási feladatként. A problémáról további áttekintést olvashatunk az [1, 2, 3, 4, 7, 10] könyvekben A feladat ismertetése Legyen M R p p és q R p. A lineáris komplementaritási feladat: w Mz = q (3.11) w j 0, z j 0, j = 1,..., p (3.12) w j z j = 0, j = 1,..., p (3.13) ahol w, z ismeretlen p dimenziós vektorok. A cél ezek meghatározása, vagy annak megmutatása, hogy nem létezik megoldása a feladatnak. Látható, hogy a feltételeket teljesít minden (w j, z j ) pár esetén valamelyik változó nulla, ezeket komplementáris változóknak nevezzük, a feladat egy (w, z) megoldása komplementáris megengedett megoldás. Továbbá (w, z) komplementáris megengedett bázismegoldás, ha (w, z) megengedett bázismegoldása a (3.11)-(3.12) feladatnak, méghozzá úgy, hogy minden (w j, z j ) párra pontosan az egyik változó bázisváltozó. Megmutatható, hogy a (w, z) pár pontosan akkor komplementáris megengedett megoldása a (3.11)-(3.13) feladatnak, ha a következ speciális bináris bilineáris programozási feladat optimális megoldásának része. p min y j w j + (1 y j )z j j=1 w Mz = q w 0, z 0, y {0, 1} p. Mivel w és z nemnegatívak, ezért az optimális célfüggvényérték legalább nulla és y j w j = (1 y j )z j = 0 teljesül minden j indexre, amib l következik, hogy w j z j = 0 minden j indexre. Vagyis a fenti feladat minden optimális megoldása megoldása a lineáris komplementaritási feladatnak is. Ez a feladat megoldható bilineáris, konkáv és egészérték lineáris programozási módszerekkel. 19

20 A kvadratikus programozási feladat felírása lineáris komplementaritási feladatként Tekintsük a kvadratikus programozási problémát a következ alakban: min 1 2 xt Qx + c T x Ax b x 0, (3.14) ahol Q R n n szimmetrikus mátrix, c R n, A R m n és b R m. Ha x nemnegativitását megköveteljük, akkor a (3.2) feladatban az a i T x = b i egyenl ség feltétel helyett az a i T x b i és a a i T x b i i = 1,..., p egyenl tlenségeket véve, a feladat felírható a (3.14) problémával azonos formában. Ekkor a (3.14) feladat egy x lokális minimumára a KKT feltételek miatt igaz, hogy léteznek λ R m és µ R n Lagrange-szorzók, hogy Qx + c + A T λ µ = 0 Ax b 0 λ T (Ax b) = 0 µ T x = 0 x, λ, µ 0. (3.15) Bevezetve a nemnegatív y R m slack változót az alábbi rendszert kapjuk: Qx + c + A T λ µ = 0 Ax b + y = 0 λ T y = 0 µ T x = 0 x, y, λ, µ 0. (3.16) Egyszer bb alakban felírva ( ) ( y 0 A µ A T Q ) ( λ x ) = ( b c ) µ T x = 0, λ T y = 0 20

21 és a következ jelöléseket bevezetve ( ) 0 A M = A T q = Q x, y, λ, µ 0, ( b c ) w = ( y µ ) z = ( λ x ) a (3.15) rendszer láthatóan megegyezik a (3.11)-(3.13) lineáris komplementaritási feladattal. Azaz a kvadratikus programozási feladat ekvivalens módon felírható lineáris komplementaritási feladatként Alkalmazások Dolgozatom tárgya a kvadratikus optimalizálási feladat portfólióelméleti alkalmazásának bemutatása, de itt említést teszek egyéb alkalmazási lehet ségekr l is, melyek f ként a statisztika, a közgazdaságtan és a mérnöki számítások területéhez köt dnek. Közülük talán legismertebb és leggyakrabban el forduló alkalmazási terület a statisztikai adatfeldolgozásnál használt legkisebb négyzetek módszere. Adottak az x 1 < x 2 < < x n R pontokhoz tartozó y 1, y 2,..., y n R meggyelések. Szeretnénk egy görbét illeszteni az y i pontokra, méghozzá oly módon, hogy a valós és a becsült adatok közti eltérés minimális legyen, ami számszer en azt jelenti, hogy az eltérések négyzetösszege legyen a lehet legkisebb. Keressük tehát azt a (konvex) y(x) függvényt, melyre teljesül, hogy y i = y(x i )+ɛ i, i = 1,..., n, ahol ɛ i i = 1,..., n független, normális eloszlású, nulla várható érték valószín ségi változók. A konvex regressziós feladat: min y(x) konvex n (y i y(x i )) 2. i=1 Mivel csak a meggyelt y i értékeket vizsgáljuk a feladatban, feltehetjük, hogy az (x i, x i+1 ), i = 1, 2,... intervallumokon y(x) lineáris. A feladat, ekkor a következ kvadratikus programozási probléma: min n (y i y(x i )) 2 i=1 y i y i 1 x i x i 1 y i+1 y i x i+1 x i, i = 2,..., n 1. Egy másik lehetséges alkalmazás az ún. betonkeverési feladat. A cél az ideális sóderösszetétel betonhoz nagyon hasonló keverék el állítása minimális cementfelhasználás mellett. Adott n db kavicsméret-kategória. Adott továbbá a c = (c 1, c 2,..., c n ) T vektor, mely az ideális keveréket reprezentálja, azaz 0 < c i < 1 megmutatja, hogy 21

22 az i. kategóriájú kavics mekkora részét teszi ki a keveréknek. Mindebb l következik, hogy n i=1 c i = 1. Adott m db különböz bánya, ahonnan a sóder származik, az egyes bányákra jellemz sóderösszetételt pedig az A j = (a 1j,..., a nj ) T vektor írja le. Az A j vektorok elemeire teljesül, hogy 0 a ij 1 valamint n i=1 a ij = 1. Legyen x = (x 1,..., x m ) T az a vektor, melyre x i az összes mennyiségnek az i. bányából felhasznált hányadát jelenti. Ekkor teljesül, hogy 0 x i és m i=1 x i = 1. A = (A 1,..., A m ) T jelöléssel a feladatot ekkor a következ képpen írhatjuk fel: min(ax c) T (Ax c) e T x = 1 ahol e a csupa egyes vektort jelöli. x 0, 22

23 4. fejezet Algoritmusok Els ként a feltétel nélküli optimalizálás algoritmusait vizsgáljuk meg, kezdve az alapot jelent keretalgoritmustól. A gradiens módszer és a Newton módszer továbbfejlesztett változait írjuk le részletesebben. A feltételes kvadratikus programozási feladat megoldására mutatjuk be a nulltér, valamint az aktív halmaz módszert, mely lényegi eleme a fejezetnek, hiszen a MATLAB beépített quadprog parancsa is ezzel az algoritmussal dolgozik. A fejezet végén a lineáris komplementaritási feladatot megoldó Lemke-féle pivotalgoritmusról lesz szó. A fejezet eredményei a [1, 7, 10] könyvekb l illetve a [16] honlapról származnak. További eljárások találhatóak az [1] munkában A keretalgoritmus A nemlineáris optimalizálási problémát megoldó algoritmusok mindegyike az alábbiakban ismertetett vázra épül. A feltétel nélküli optimalizálási feladat általános keretalgoritmusa: Bemenet: ε > 0 pontossági paraméter és egy x 0 megengedett megoldás. 0. k = 0 A következ lépéseket ismételjük: 1. Az x k pontból indulva egy s k keresési irányt kell találnunk, amelyre δf(x k, s k ) < 0, azaz a célfüggvény az s k irányban csökken. Ha találtunk megfelel s k irányt, akkor az egyenes menti keresés következik. 2. Legyen α k = arg min α f(x k + αs k ). 3. Legyen x k+1 = x k + α k s k, k = k Ha az x k pont teljesíti a megállási feltételt, akkor az algoritmus leáll. Egyébként k = k

24 A kiemelt lépések az algoritmus legf bb lépései, ezek különböz megvalósításai különböztetik meg egymástól a programkódokat. A keresési irány meghatározásának egyik módja a gradiens-módszer. Ez az eljárás a legmeredekebb csökkenési iránynak is nevezett negatív gradienst, azaz f(x k )-t választja keresési iránynak. Ez a választás azon alapul, hogy a lenormált iránymenti deriváltat a negatív gradiens minimalizálja. A gradiens-módszer hátrányai közé tartozik, hogy konvergenciája csak lineáris, ezért sok esetben nem túl hatékony. Kvadratikus függvényekre nem alkalmazható, már a konvex esetben sem garantálható ugyanis a minimalizálási folyamat végessége. A konvergencia gyorsítására fejlesztették ki a konjugált gradiens-módszert, melyr l a következ részben lesz szó. A másik eljárás a Newton-módszer, mely a célfüggvény másodrend Taylor polinomját minimalizálja. Tegyük fel, hogy f kétszer folytonosan dierenciálható, szigorúan konvex függvény, és tekintsük f másodrend Taylor-polinomját: T 2 (x) := f(x k ) + f(x k ) T (x x k ) (x xk ) T 2 f(x k )(x x k ). Belátható, hogy mivel f szigorúan konvex függvény, így 2 f(x k ) pozitív denit, amib l következik, hogy T 2 is szigorúan konvex függvény. T 2 (x) ott veszi fel a minimumát, ahol gradiense a nullvektor: azaz az T 2 (x) = f(x k ) + 2 f(x k )(x x k ) = 0, x k+1 = x k ( 2 f(x k )) 1 f(x k ) pontban. A Hesse-mátrix kiszámítása valamint invertálása sokszor igen költségigényes lehet, gyakran több m veletet igényel, mint a gradiens meghatározása. Az ún. kvázi-newton módszert ezen anomáliák kiküszöbölésére fejlesztették ki. Err l részletesen a fejezet kés bbi részében lesz szó. A másodfokú polinomfüggvény Taylorpolinomja önmaga, ezért látható, hogy a feltétel nélküli kvadratikus programozási feladat esetében egy lépésben lezajlik a minimalizálás. Az egyenes mentén történ keresés tulajdonképpen egy egydimenziós optimalizálási feladat, melyben a Φ(α) = f(x k + αs k ) függvény minimumát kell megtalálnunk. Ez történhet például intervallumfelezéssel vagy a fent ismertetett Newtonmódszerrel. A megállási feltétel lehet például annak ellen rzése, hogy valamilyen eltérés (távolság), amely az optimális megoldás esetében nulla az ε pontossági paraméter értékénél kisebb-e. Megszabhatunk egy fels korlátot az iterációk számára vonatkozóan, illetve ellen rizhetjük a Karush-Kuhn-Tucker feltételek teljesülését is az aktuális (az iteráció által meghatározott) pontban. 24

25 4.2. A konjugált gradiens módszer A el z részben említést tettünk róla, hogy a gradiens módszer nem véges konvex kvadratikus függvények esetében. Az eljárás, melyet a következ ekben fogunk ismertetni igen hatékonyan kezeli ezt a problémát, ugyanis legfeljebb n lépésben megtalálja az optimumot, ahol n a feladat dimenziója, azaz a Hesse mátrix mérete. Els ként bevezetjük a konjugált fogalmát Deníció. Legyen A R n n szimmetrikus, pozitív denit mátrix, továbbá x, y R n vektorok. Azt mondjuk, hogy x A-konjugált y-hoz, ha x T Ay = 0. A konjugált tulajdonság szimmetrikus reláció, azaz ha x A-konjugált y-hoz, akkor y A-konjugált x-hez Deníció. Legyen A R n n szimmetrikus, pozitív denit mátrix. A d 1, d 2,..., d n R n vektorok A-konjugáltak, ha lineárisan függetlenek és d T i Ad j = 0 minden i j {1, 2,..., n}. A konjugált rendszer vektorai lineárisan függetlenek, így az n dimenziós tér egy bázisát alkotják. Legyen Q R n n szimmetrikus pozitív denit mátrix, c R n vektor és tekintsük a következ problémát: Jelöljük x -gal (4.1) optimális megoldását. A konjugált gradiens módszer direkt változata min 1 2 xt Qx + c T x. (4.1) Az optimalitás els rend feltételét felírva a feladatra az x pontra fennáll, hogy Qx + c = 0. Mivel Q pozitív denit, ezért a feladat a Qx = c (4.2) lineáris egyenletrendszer megoldásának problémájára vezethet vissza. Legyen d 1, d 2,..., d n egy Q-konjugált rendszer (ld. [19]), továbbá legyenek α 1, α 2,..., α n az x optimum koordinátái ebben a bázisban, tehát: x = n α i d i. i=1 Ekkor n c = Qx = α i Qd i, i=1 25

26 amib l felírva az α k koordinátát: d k T c = d k T Qx = n α i d T k Qd i, i=1 α k = d k T c d k T Qd k. Az x megoldást az α k együtthatókból nyerjük, tehát összesen n iterációs lépés megtétele szükséges. A konjugált gradiens módszer iteratív változata El fordulhat, hogy n nagy, így a direkt eljárás túl sok számítást igényel. Ekkor alkalmazhatjuk az iteratív eljárást, mely abban különbözik az el z t l, hogy a konjugált vektort (irányt) mindig az adott iterációban határozzuk meg, így ügyesen megválasztva n-nél kevesebb lépés is elég a minimum eléréséhez. Legyen x 0 a kiinduló vektor. Az a célunk, hogy minden iterációs lépéssel egyre közelebb kerüljünk az optimumhoz. A "közelebb" itt azt jelenti, hogy ha x 0, x 1,... az egyes iterációkban a vizsgált vektorok, akkor valamely normára az x i x, i = 0, 1,... számok monoton csökken sorozatot alkotnak. Ez a norma lehet például a hagyományos euklideszi norma. Vezessük be a reziduális fogalmát. A k. iterációban: r k = c Qx k. Tehát a k. iterációban a reziduális értéke a célfüggvény negatív gradiense az x k helyen. Minden iterációs lépésben találnunk kell egy megfelel d k keresési irányt, ennek megválasztásánál használjuk ki majd a konjugáltságot. Legyen d 0 = Qx 0 + c, tehát a célfüggvény gradiense az x 0 helyen, a k. iterációban pedig: d k+1 = r k i k d i T Qr k d i T Qd i d i. Egyszer számolással belátható, hogy d k és d k+1 Q-konjugáltak. Megadhatunk egy ε > 0 pontossági paramétert és minden iterációban ellen rizhetjük, hogy elég közel vagyunk-e a megoldáshoz. Ha valamely k-ra r k = c Qx k < ε, akkor az algoritmus leáll, a kimenet az x optimumot ɛ pontossággal közelít x k pont. 26

27 Az algoritmus váza Konjugált gradiens módszer Bemenet: ɛ > 0 pontossági paraméter és egy x 0 induló megoldás. 0. r 0 = c Qx 0 d 0 = r 0 k = 0 A következ lépéseket ismételjük: 1. α k = r k T r k d k T Qd k 2. x k+1 = x k + α k d k 3. r k+1 = r k α k Qd k 4. Ha r k+1 < ε, akkor leállunk. 5. β k = r k+1 T r k+1 r kt r k 6. d k+1 = r k+1 + β k d k 7. k = k + 1 A megoldás az x k+1 vektor A kvázi-newton módszer A kvázi-newton módszer lényege, hogy nem számítjuk ki közvetlenül a Hessemátrixot és inverzét, hanem különböz formulák segítségével iteratív úton közelítjük azokat. El nye tehát a Newton-módszerrel szemben a lecsökkent számításigény. Legyen a feladat min f(x), továbbá legyen T 2 (x) az f(x) függvény 4.1 részben deniált másodfokú Taylorpolinomja. Legyen x 0 egy megengedett induló megoldás. Hasonlóan a Newton-módszerhez az f függvény helyett annak x k pontbeli másodrend közelítését vesszük, azaz min f(x) helyett a min f(x k ) + f(x k ) T (x x k ) (x xk ) T 2 f(x k )(x x k ) problémát szeretnénk megoldani. Vezessük be a következ jelöléseket: b := f(x k ), c := f(x k ), H := 2 f(x k ), valamint legyen x = x x k. A feladat új formája: min 1 2 xt H x + c T x + b (4.3) 27

28 Ekkor (4.3) x optimális megoldására igaz, hogy ott a gradiensvektor nullával egyenl, azaz Hx + c = 0, amib l x = H 1 c. A kvadratikus programozási feladat esetében természetesen nincs szükség a Hessemátrix közelítésére, hiszen az a feladatban adott, ezekkel a formulákkal itt nem foglalkozunk. A Hesse-mátrix inverzét közelít formulák Jelölje A k H 1 k. közelítését. Legyen s k = x k+1 x k, q k = f(x k+1 ) f(x k ). A legels kvázi-newton formulát Davidon, amerikai zikus fejlesztette ki 1959-ben, mely 1963-ban DFP-formula néven vált ismertté (Davidon, Fletcher és Powell után). A DFP-formula: A k+1 = A k + s T ks k A k T q T k q k A k. q kt s k q kt A k q k A legtöbbet alkalmazott és leginkább hatékony formula Broyden, Fletcher, Godfarb és Shanno nevéhez f z dik. A BFGS formula: A k+1 = ( I q ks k T q kt s k ) T A k ( I q ks k T q kt s k ) + s ks k T q kt s k. Érdekességképpen megemlítjük még az SR1 (Symmetric Rank 1) formulát is: A k+1 = A k + (s k A k q k ) (s k A k q k ) T (s k A k q k ) T q k. A formula onnan kapta a nevét, hogy az iterációkban egy szimmetrikus, egy rangú mátrixszal javítunk A nulltér módszer Tekintsük az egyenl ség feltételekkel adott kvadratikus programozási problémát: min 1 2 xt Qx + c T x Ax = b, (4.4) ahol Q R n n, A R p n, b R p. 28

29 Deníció. Egy A R m n mátrix nulltere azon vektorok halmaza, melyeket A a 0-ba képez, azaz Null(A) = {x R n : Ax = 0} A nulltér módszer el ször megkeresi azt a Z R n p mátrixot, mely kifeszíti A nullterét, vagyis amelyre Null(A) = {y R n : y = Zw, w R p }. Z ortogonális felbontási módszerekkel számítható ki, egyszer struktúrájú A mátrix esetén például (sok 0 eleme van) egy almátrixának LU felbontásából. Legyen x 0 egy megengedett megoldása a (4.4) feladatnak, ekkor a megengedett megoldások halmaza a következ képpen írható fel: Helyettesítsünk be a célfüggvénybe: F = {x R n : x = x 0 + Zw, w R p }. 1 2 xt Qx + c T x = 1 2 (x 0 + Zw) T Q(x 0 + Zw) + c T (x 0 + Zw) = 1 2 wt (Z T QZ)w + (x T 0 Q + c T )(x 0 + Zw) 1 2 xt 0 Qx xt 0 QZw wt Z T Qx 0 = 1 2 wt (Z T QZ)w + (Qx 0 + c) T Zw + x T 0 Qx 0 + c T x xt 0 Qx 0 = 1 2 wt (Z T QZ)w + (Qx 0 + c) T Zw xt 0 Qx 0 + c T x 0. Mindebb l látható, hogy a probléma a következ feltétel nélküli kvadratikus programozási feladatra vezethet vissza: min 1 2 wt (Z T QZ)w + (Qx 0 + c) T Zw w R p Tegyük fel, hogy a redukált Hesse-mátrix, Z T QZ pozitív denit. Ekkor az optimalitás elégséges feltételei alapján, ha w kielégíti a ( ) 1 2 wt (Z T QZ)w + (Qx 0 + c) T Zw = 0, egyenletet, akkor w szigorú lokális optimum. A fenti kifejezés az alábbi lineáris egyenletrendszerrel ekvivalens: (Z T QZ)w = Z T (Qx 0 + c). Ezt megoldva (például a konjugált gradiens módszerrel) kapjuk a feladat w optimális megoldását, melyb l az egyenl ségi feltételekkel adott probléma x optimális megoldása: x = x 0 + Zw. 29

30 A Karush-Kuhn-Tucker tételben megfogalmazott els rend optimalitási feltételt felírva kiszámíthatjuk a Lagrange-szorzókat az x pontban. A feltétel azt mondja ki, hogy létezik egy λ vektor, melyre Qx + c + A T λ = 0 (4.5) Tegyük fel, hogy A teljes sorrangú mátrix, azaz létezik p darab lineárisan független sora. Ekkor az AA T mátrix invertálható, így a (4.5) egyenletet balról beszorozva A-val, majd rendezve a következ t kapjuk: λ = (AA T ) 1 A(Qx + c). Röviden említést teszünk itt az ún. képtér módszerr l, mely Q egyszer struktúráját használja ki. Tegyük fel, hogy Q pozitív denit és egyszer en invertálható, például diagonális vagy blokkdiagonális mátrix. Ekkor a 4.5 egyenletet Q 1 -el beszorozva, majd rendezve, a megoldást és a Lagrange-szorzókat a következ képpen számíthatjuk ki: x = Q 1 (c + A T λ ), λ = (A 1 A T ) 1 (b + AQ 1 c) Az aktív halmaz módszer Az aktív halmaz módszer az általános kvadratikus optimalizálási feladatot oldja meg, mégpedig oly módon, hogy visszavezeti azt egyenl ség feltételekkel adott problémák egy véges sorozatára. A feladat tehát: min 1 2 xt Qx + c T x a T i x = b i, i I = {1,..., p} a T j x b j, j J = {p + 1,..., p + m}. (4.6) Deníció. Legyen x k R n megengedett megoldása a 4.6 feladatnak. Az a j T x b j (j {1,..., p + m}) feltétel aktív az x k pontban, ha a j T x k = b j teljesül, inaktív, ha a j T x k < b j. Aktív halmaznak nevezzük azon feltételek indexhalmazát, melyek aktívak az x k pontban. Jelölés: A(x k ) = I {j {p,..., p + m} : a j T x k = b j }. A denícióból egyértelm, hogy az egyenl ség feltétel mindig aktív. Az algoritmus minden egyes iterációjában meghatározunk egy munkahalmazt, W k -t, melyre mindig teljesül, hogy W k A(x k ). 30

31 Majd látni fogjuk, hogy az x k megengedett pontban W k vagy megegyezik A(x k )-val vagy eggyel kevesebb indexet tartalmaz nála. Legyen x a feladat optimális megoldása, A pedig az x pontban aktív feltételek halmaza. A továbbiakban tegyük fel, hogy Q pozitív denit mátrix. Az algoritmus lépései Aktív halmaz módszer Bemenet: egy x 0 megengedett megoldás és a W 0 = A(x 0 ) kezdeti munkahalmaz. 0. k = 0 A következ lépéseket hajtjuk végre: 1. Legyen q(x) = 1 2 xt Qx + c T x. Tekintsük az alábbi egyenl ség feltételekkel adott kvadratikus programozási feladatot: min q(x k + d k ) a i T (x k + d k ) = b i, i W k (4.7) Keressük meg ennek ( d k) optimális megoldását, a keresési irányt. A nulltér módszernél bemutatott módon a feladatot ekkor visszavezetjük egy feltétel nélküli problémára. Mivel Q pozitív denit, ezért Z T k QZ k is pozitív denit. Ha (d k ) = 0, akkor az x k pont minimalizálja a q célfüggvényt a W k munkhalmaz által meghatározott feltételekre nézve. Ugorjunk a 3. lépésre. Ha (d k ) 0, akkor ugorjunk a 2. lépésre. 2. Meg kell határoznunk azt a legnagyobb α k lépést, hogy az x k pontból α k hosszat lépve a (d k ) irányba még megengedett pontba érkezzünk, vagyis egyetlen feltételt se sértsünk meg. (Ez felel meg a keretalgoritmusban az egyenes menti keresés lépésének.) Legyen µ k = max { b i a i T x k a it (d k ) : a i T ( d k) > 0, i / Wk α k = min{1, µ k } x k+1 = x k + α k ( d k ). Ha α k = 1, akkor látható, hogy a (4.7) feladat optimumhelyét kaptuk. Mivel minden W k -beli feltétel teljesül az x k+1 pontban is, így az új munkahalmaz: W k+1 = A(x k+1 ). 31 }.

32 Legyen k = k + 1 és ugorjunk az 1. lépésre. 3. Az els rend optimalitási feltétel vizsgálata következik. A Karush-Kuhn-Tucker rendszert felírva a (4.7) feladatra kiszámoljuk a Lagrange szorzókat. Qx k + c + i W k λ i k a i = 0. Ugorjunk a 4. lépésre. 4. Ha λ k i 0 minden i W k -ra teljesül, akkor x k a (4.6) feladat lokális minimuma. Megállunk. Egyébként legyen N azon i indexek halmaza, melyekre λ k i < 0, és legyen j egy tetsz leges elem N -b l. Az új munkahalmaz: W k+1 = W k {j}. Legyen k = k + 1 és ugorjunk az 1. lépésre. Számos árazó modell létezik a megfelel j index kiválasztására. Ha a Z k T QZ k Hesse-mátrix indenit volt, akkor a (4.7) feladat alulról nem korlátos. Ekkor az algoritmus 1. és 2. lépése a következ képpen módosul: Keresünk egy d k irányt, melyre q(x k +d k ) alulról nem korlátos. (Ezt a Z k T QZ k Hesse-mátrix megfelel felbontása révén tehetjük meg. (ld. []) kiszámoljuk µ k -t: µ k = max az új megengedett vektor: { b i a i T x k a it d k : a i T d k > 0, i / W k x k+1 = x k + µ k d k. }. az új munkahalmaz: W k+1 = W k A(x k+1 ) Lemke féle pivotalgoritmus A lineáris komplementaritási feladat megoldására számos módszert dolgoztak ki. A pivotmódszerek közé soroljuk a legkisebb index criss-cross módszert, mellyel a konvex kvadratikus programozási feladatot oldhatjuk meg [7] és a Lemke-féle pivotalgoritmust [12], melyet a következ kben mutatunk be. Léteznek bels pontos 32

33 algoritmusok is a probléma megoldására, ezzel kapcsolatban érdemes megnézni a [8, 18] könyveket. Tekintsük tehát a lineáris komplementaritási problémát: w Mz = q w j 0, z j 0, j = 1,..., p (4.8) w j z j = 0, j = 1,..., p, ahol M R p p és q R p. Ha q nemnegatív, akkor a feladatra azonnal adódik a w = q, z = 0 megoldás. A legtöbb esetben azonban nincs ilyen szerencsénk, ezért bevezetjük a z 0 mesterséges változót, és a következ feladatot írjuk fel: w Mz ez 0 = q (4.9) w j 0, z j 0, z0 0, j = 1,..., p (4.10) w j z j = 0, j = 1,..., p, (4.11) ahol e a csupa egyest tartalmazó p dimenziós vektort jelöli. Feltéve, hogy z 0 = max{ q i : 1 i p} ezen probléma egy megengedett induló megoldását kapjuk a z = 0 és w = q+ez 0 választással. Az algoritmusban a szimplex módszernél megismert pivotálást, azaz báziscsere m veletet alkalmazzuk. Az a célunk, hogy báziscserék egy meghatározott sorozatának végrehajtása révén a z 0 változó értékét nullává tegyük, ami által a (4.8) feladat egy komplementáris bázismegoldásához jutunk Deníció. Tekintsük a (4.9) - (4.11) problémát. A rendszer egy (w, z, z 0 ) megengedett megoldását majdnem komplementáris megengedett bázismegoldásnak nevezzük, ha az alábbiak teljesülnek rá: 1. (w,z,z0) megengedett bázismegoldása a (4.9)- (4.10) rendszernek, 2. létezik olyan s index, hogy mind w s mind z s nem-bázisváltozók, 3. z 0 bázisváltozó és minden komplementáris (w j, z j ) párra teljesül, hogy közülük pontosan egy bázisváltozó, ahol j s. A Lemke-féle pivotalgoritmus majdnem komplementáris megengedett bázismegoldások sorozatán halad végig. Mindig a bázist éppen elhagyó változó komplementáris párja fog belépni a bázisba, a bázisból kilép változót pedig (a szimplex módszernél megismert generálóelem-választási szabály szerint) hányadosteszttel határozzuk meg. Belátható, hogy a mesterséges változó, z 0 értéke az iterációk során monoton csökken. Értéke kétféleképpen válhat nullává: vagy úgy, hogy elhagyja a bázist, vagy úgy, hogy a bázisban maradva a nulla értéket veszi fel. 33

34 Az algoritmus lépései Lemke-féle pivotalgoritmus Inicializálás Ha q 0, akkor megállunk, (w, z) = (q, 0) komplementáris bázismegoldása a feladatnak. Egyébként tekintsük a (4.9)-(4.10) rendszert a következ bázistábla formájában: w 1... w p z 1... z p z 0 RHS w 1-1. I p M. q w p -1 ahol I p a p dimenziós egységmátrix. Az els függ leges oszlop mindig azon változókat jelenti, melyek aktuálisan a bázisban vannak. Legyen q s = max{ q i : 1 i p} és hajtsuk végre a báziscserét az s. sorban a z 0 oszlopban. A bázistábla eszerint frissül, a bázisváltozók tehát most a nemnegatív z 0 és w i, i = 1,..., p, i s lesznek, azaz egy majdnem komplementáris megengedett bázismegoldást kaptunk. Legyen y s = z s. F lépések 1. Legyen d s a bázistábla y s változónak megfelel oszlopa. Ha d s 0, akkor ugorjunk a 4. lépésre. Legyen q az aktuális bázisváltozók értékeit tartalmazó jobboldali oszlop a táblában. A hányadosteszt elvégzésével határozzuk meg az r indexet: q r { q } = min i : d is > 0. d rs d is Ha az r. sorban a bázisváltozó z 0, ugorjunk a 3. lépésre, egyébként ugorjunk a 2. lépésre. 2. Az r. sorban a bázisváltozó w l vagy z l valamely l s indexre. Az y s változó belép a bázisba és a táblát frissítjük az r. sorban y s oszlopban történ báziscsere eredménye szerint. Ha az éppen kilép bázisváltozó: w l, akkor y s = z l, z l, akkor y s = w l. Térjünk vissza az 1. lépésre. 3. A z 0 változó elhagyja a bázist, és az y s változó belép a bázisba. Hajtsuk végre a 34

35 báziscserét a z 0 sorban y s oszlopban, ezáltal a feladat egy komplementáris megengedett bázismegoldását kapjuk. Megállunk. 4. Az w R = z + λd : λ 0 z 0 halmaz pontjai kielégítik a (4.9)-(4.11) rendszert, ahol (w, z, z 0 ) T a legutóbbi bázistábla által megadott majdnem komplementáris bázismegoldás, d R 2p+1 vektor, melyre: 1 ha y s az i. változó d i = d s ha i bázisváltozó 0 egyébként Megállunk. Az algoritmus konvergenciájára és végességére vonatkozó tételt csak a kvadratikus programozási feladatra alkalmazva mutatjuk be Tétel. Tekintsük a (3.14) problémát. Tegyük fel, hogy a megendedett megoldások halmaza nemüres, és tegyük fel, hogy a pivotalgoritmust alkalmazzuk a feladat KKT feltételeinek felírásából származó (3.15) probléma megoldására. Ha a feladat nem degenerált, akkor a következ feltételek bármelyikének fennállása esetén a Lemke-féle privotalgoritmus véges számú iteráció után leáll. 1. Q pozitív szemidenit és c = Q pozitív denit. 3. Q minden eleme nemnegatív és a f átlójában lév elemek pozitívak. Továbbá Q pozitív szemidenitsége esetén, ha az algoritmus a 4. lépésben áll le, abból következik, hogy az optimális megoldás alulról nem korlátos. A lineáris komplementaritási probléma degeneráltságáról a [15] cikkben olvashatunk részletesebben. A második fejezetben bevezetett két konvex kvadratikus programozási feladat esetében a Q mátrix pozitív szenidenit, de el fordulhat, hogy egy kisebb dimenziós részfeladatot (Q almátrixát) véve pozitív denit esettel is találkozunk. A következ fejezetben a Lemke-féle pivotalgoritmust beprogramozzuk MATLAB-ban, és megvizsgáljuk, milyen eredményeket kapunk a portfólióelméleti modellekre alkalmazva. 35

36 5. fejezet A portfólió kiválasztási probléma modelljeinek megvalósítása MATLAB környezetben Az utóbbi két fejezet ismereteivel felvértezve visszatérünk a második fejezet végén bevezetett portfólió kiválasztási modellekre és megnézzük, hogyan alkalmazhatóak a gyakorlatban. A korábban tárgyalt modellek közül a második - amely a várható hozam maximalizálását célozta meg a kockázat korlátozása mellett - nemlineáris feltételt tartalmaz, tehát nem sorolható a kvadratikus programozási feladatok osztályába, így a továbbiakban az alábbi két modellel fogunk dolgozni: (1) (2) min w T Qw r T w r N w i = 1 i=1 w 0, max r T w k 2 wt Qw N w i = 1 i=1 w 0. Mindkét feladat egy konvex kvadratikus programozási probléma, hiszen a Q kovariancia mátrix pozitív szemidenit. 36