دانلود پایان نامه به حداقل رسانی ملزومات حاشیه اولیه با بهینه سازی محاسباتی

1. مقدمه 2. پیشینه 3. روش 4. الگوریتم های بهینه سازی 5. نتایج 6. بحث و بررسی 7. نتیجه گیری و کارهای آتی

چکیده – قراردادهای تجاری با تعهدات آتی به منظور پوشش ریسک های مرتبط، نیازمند ارائه یک وثیقه تحت عنوان اعتبار اولیه مورد نیاز می باشند. با این وجود، تفاوت در برآورد این ریسک ها و ریسک‌پذیری های متفاوت می تواند به قراردادهای یکسان با وجه تضمین اولیه / اعتبار اولیه مورد نیاز متفاوت در بازارهای مختلف منجر شود. از اینرو با تخصیص مجدد قراردادها، این امر به ایجاد پتانسیلی برای کاهش این الزامات منجر می شود. همچنین وظیفه کاهش نیازها به عنوان یک مسئله بهینه سازی جعبه سیاه، با محدودیت هایی نیز همراه است. هدف از مطالعه حاضر، بررسی مسئله بهینه سازی، نحوه مقابله با آن و مقایسه تکنیک های مختلف برای انجام آن می باشد. همچنین بر اساس نتایج و موانعی که در طی مراحل انجام کار ایجاد می شود، دستورالعمل ها و راهکارهایی نیز برای کمک به علاقه مندان جهت رفع مسائل مشابه ارائه می گردد. در پژوهش حاضر علاوه بر مروری بر مقالات با هدف بررسی دانش موجود در زمینه بهینه سازی، یک مرحله پیاده سازی نیز به منظور آزمایش تجربی با هدف تعیین میزان استفاده از آن دانش انجام گرفته است. در زمان انجام آزمایش تجربی، الگوریتم های مختلف نیز در تعدادی از سناریوهای مختلف مورد آزمایش قرار گرفتند. لازم بر ذکر است که در زمان انجام پژوهش ها، تمرکز اصلی بر جنبه های عملی بوده است زیرا می تواند در یک موقعیت واقعی مهم (مانند اینکه تا چه حد راهکار پیشنهادی می تواند به کاهش وجه تضمین اولیه / اعتبار اولیه مورد نیاز، زمان اجرا و سهولت اجرا منجر شود) مورد بررسی قرار گیرد. همچنین در بخش مروری بر مقالات، سه الگوریتم که بیشتر مورد ارزیابی قرار گرفته اند، یافت شدند. این سه الگوریتم عبارتند از: تبرید شبیه سازی شده، تکامل تفاضلی، و بهینه سازی ازدحام ذرات. شایان ذکر است که تمامی آنها بدون اطلاع قبلی از عملکردی که بایستی بهینه سازی شود عمل می کنند و از این رو برای بهینه سازی جعبه سیاه نیز مناسب می باشند. همچنین نتایج بخش پیاده سازی نیز بین هر سه الگوریتم از عملکرد تقریبا مشابهی برخوردار بوده است و حاکی از آن است که هنگام انتخاب یکی از آنها برای استفاده، جنبه های دیگری نیز نظیر سهولت پیاده سازی یا پتانسیل موازی سازی نیز می تواند در نظر گرفته شود. همچنین شایان ذکر است که تمامی آنها از قابلیت بهینه سازی پورتفولیوهای مختلف در تعدادی از موارد مختلف نیز برخوردار بوده اند. با این وجود، در موقعیت های پیچیده تر، آنها مستلزم زمان بسیار بیشتری برای انجام عملیات هستند که حاکی از نیاز بالقوه برای تسریع فرآیند می باشد.

Trading contracts with future commitments requires posting a collateral, called initial margin requirement, to cover associated risks. Differences in estimating those risks and varying risk appetites can however lead to identical contracts having different initial margin requirements at different market places. This creates a potential for minimizing those requirements by reallocating contracts. The task of minimizing the requirement is identified as a black-box optimization problem with constraints. The aim of this project was to investigate that optimization problem, how it can best be tackled, and comparing different techniques for doing so. Based on the results and obstacles encountered along the way, some guidelines are then outlined to provide assistance for whomever is interested in solving this or similar problems. The project consisted both of a literature study to examine existing knowledge within the subject of optimization, and an implementation phase to empirically test how well that knowledge can be put to use in this case. During the latter various algorithms were tested in a number of different scenarios. Focus was put on practical aspects that could be important in a real situation, such as how much they could decrease the initial margin requirement, execution time, and ease of implementation. As part of the literature study, three algorithms were found which were evaluated further: simulated annealing, differential evolution, and particle swarm optimization. They all work without prior knowledge of the function to be optimized, and are thus suitable for black-box optimization. Results from the implementation part showed largely similar performance between all three algorithms, indicating that other aspects such as ease of implementation or parallelization potential can be more important to consider when choosing which one to use. They were all well able to optimize different portfolios in a number of different cases. However, in more complex situations they required much more time to do so, showing a potential need to speed up the process.