委托代理模式下投資組合選擇的主從關(guān)聯(lián)優(yōu)化

杜 綱， 賈正晞,2， 熊奕璇，張綺帆

(1.天津大學管理與經(jīng)濟學部, 天津 300072； 2.中國工商銀行風險管理部， 北京 100140)

委托代理模式下投資組合選擇的主從關(guān)聯(lián)優(yōu)化

杜 綱1， 賈正晞1,2， 熊奕璇1，張綺帆1

(1.天津大學管理與經(jīng)濟學部, 天津 300072； 2.中國工商銀行風險管理部， 北京 100140)

隨著經(jīng)濟的發(fā)展和財富的增加，投資的大眾化和分工的專業(yè)化趨勢日益明顯，委托代理成為重要投資決策模式。在分析了委托代理模式下投資組合選擇優(yōu)化問題屬性的基礎(chǔ)上，建立了Stackelberg博弈機制下投資組合選擇的雙層規(guī)劃模型。模型上層是委托方選擇投資方向的決策，下層是代理方選擇投資品的決策，上下層分別以委托方和代理方的收益率最大化為目標，風險成本和代理費用對委托方的收益率產(chǎn)生重要的影響。針對該雙層規(guī)劃模型的特點，采用雙層嵌套遺傳算法進行求解，并以銀行委托外部投資的應用案例說明了模型和方法的可行性。

委托代理理論； 投資組合選擇； 主從關(guān)聯(lián)優(yōu)化； 雙層規(guī)劃； 遺傳算法

一、 相關(guān)理論及模型的提出

1. 委托代理理論

1973年，Ross首先提出現(xiàn)代經(jīng)濟學的委托代理概念，即代理人替代委托人決策，雙方建立委托代理關(guān)系[1]。近年來，委托代理理論應用于金融領(lǐng)域取得了若干成果：盛積良和馬永開提出了基于基準組合的線性合同能使雙方實現(xiàn)風險收益最優(yōu)[2]；Alexandar和Baptista以風險價值作為代理方約束，以減少當委托方和代理方目標不一致時委托方風險[3]；李仲飛和劉冰冰建立了單期均值-方差模型以求解信息對稱和不對稱時最優(yōu)線性合同[4]；盛積良和馬永開以總風險為約束建立委托代理投資組合選擇模型[5]；Lioui和Poncet通過動態(tài)規(guī)劃模型證明受到委托方的約束，代理方無法實現(xiàn)最優(yōu)收益[6]；Cecchini等人指出，線性模型雖有封閉解析解，但激勵機制的非線性特征適宜雙層規(guī)劃建模[7]；王健等人建立動態(tài)逆向選擇模型以揭示影響激勵效率的主要因素[8]。

2. 投資組合選擇理論

投資組合選擇的研究成果有：Deng等人針對收益率為區(qū)間時投資組合選擇問題建立極小極大模型[9]；魏丹和單鋒基于條件風險價值建立了投資組合優(yōu)化模型，并轉(zhuǎn)化成為線性規(guī)劃求解[10]；馬宇紅和王艷玲使用遺傳算法求解帶基數(shù)約束的均值-方差模型[11]；張茂軍等人以條件風險價值為約束建立了隨機優(yōu)化模型，采用Monte Carlo罰函數(shù)算法進求解[12]。

3. 雙層規(guī)劃模型

雙層規(guī)劃由于抽象了包括Stackelberg博弈問題的重要實際背景，以及在描述主從多主體問題上的獨特優(yōu)勢，自Bracken和McGill提出以來，很快發(fā)展成為數(shù)學規(guī)劃中的重要分支[13]。近年來，Kalashnikov等人關(guān)于雙層規(guī)劃的綜述文章參考文獻達119篇[14]。其解析方法如Fortuny和McCarl提出的，利用KKT條件轉(zhuǎn)化為單層規(guī)劃的方法和Bialas和Karwan提出的K次最好法，主要是針對線性或凸等性狀較好的雙層規(guī)劃問題[15-16]。Ye和Zhu等人基于值函數(shù)思想的最優(yōu)性條件和Sakawa等人基于模糊交互思想的近似算法。Dempe 和Zemkoho對基于最優(yōu)值和KKT條件轉(zhuǎn)換求解的方法進行了統(tǒng)一描述[17-19]。

遺傳算法在復雜優(yōu)化模型求解方面具有較好的適用性。Liu和Zhang采用遺傳算法對多階段模糊投資組合選擇模型進行求解[20]。Wang等人在供應鏈的產(chǎn)品族架構(gòu)設計中采用雙層規(guī)劃建模和遺傳算法求解[21]。研究基于遺傳算法的雙層規(guī)劃近似計算方法具有重要意義。

以往文獻主要具有以下特點：一是多數(shù)投資組合優(yōu)化研究僅考慮委托方?jīng)Q策模型往往是單層的，未能充分反映上下層的約束及關(guān)聯(lián)關(guān)系；二是多數(shù)模型關(guān)注成本和費用對決策的影響，較少考慮風險，而實際決策中風險是影響委托方?jīng)Q策的重要因素。

二、 問題描述及決策機制

1. 問題描述

委托方欲通過建立的系列投資組合P=(P1,…,PJ)(投資組合集合)最大化投資收益。投資組合是由某個或某幾個投資方向中若干投資品組成，投資組合選擇包括兩個層次的選擇：一是投資方向的選擇；二是某個投資方向中的投資品選擇，二者相互關(guān)聯(lián)且具有主從關(guān)系(見圖1)。委托方確定投資方向k(k=1,…,K)，每個投資方向中有若干候選方向lk，每個候選方向中又有若干投資品Sl。

委托方選擇候選方向后，將具體投資品的選擇委托給代理方，代理方選擇該候選方向下的投資品。從收益與風險的平衡出發(fā)，為避免選擇單一代理方可能出現(xiàn)的集中度風險，委托方將投資委托給多個代理方。由于不同代理方提供的投資品的選擇方案不同，形成了投資組合集合P。最終，委托方將在投資組合集合中選擇一個或多個投資組合，希望投資收益率最大化。

2. 主從對策的決策機制

本文問題是在委托代理模式下如何選擇投資組合的投資方向同時配置投資品。委托方在選擇投資方向時，既要考慮投資組合的風險成本又要考慮費用成本(代理方收取的代理費用)，屬于先決策，目標是收益最大化；代理方是在投資方向確定的條件下，選擇投資品，屬于后決策，目標是代理費用最大化。代理方?jīng)Q策的目標最優(yōu)值將作為委托方?jīng)Q策的目標函數(shù)的組成部分，對委托方對投資方向的選擇產(chǎn)生影響。因此，這種委托代理的投資組合選擇可以看成主從雙層規(guī)劃問題。如果委托方是一個，代理方是多個，則該問題可看作一主多從的雙層規(guī)劃問題。

maxF(C,A)

s.t.A(C)R(C)

式中：A為委托方確定主決策變量C后的最優(yōu)解，由此得到模型最優(yōu)解(C*,A*)；C*為委托方的最優(yōu)決策向量；A*為代理方的最優(yōu)決策向量。

上述決策機制得到的最優(yōu)投資組合選擇方案體現(xiàn)了委托代理模式下投資方向選擇和投資品選擇的主從關(guān)系，恰當反映了實際問題的本質(zhì)屬性。該決策過程可以表示為雙層規(guī)劃模型，即

G(C)≥0

s.t.H(C)=0

g(C)≥0

s.t.h(C)=0

下層模型將最優(yōu)解和最優(yōu)值均反饋給上層。上層的約束集D={A|G(C)≥0,H(C)=0}，下層約束集D(C)={A|g(C,A)≥0,h(C,A)=0}。當C*D，A*R(C*)且對任意CD，AR(C)，有F(C,A)≤F(C*,A*)，則(C*,A*)為該雙層模型最優(yōu)解。

三、 優(yōu)化模型

1. 上層主決策(委托方?jīng)Q策)

(一) 委托方?jīng)Q策的假設

(1) 委托方只有一個，代理方與投資組合一一對應(有J個)，即每個代理方提供一種投資組合的投資品配置方案，且均不相同。

(2) 某種投資組合是由不同的投資方向組合構(gòu)成，至少包括一個投資方向。

(3) 每個投資方向有多個候選方向，每個候選方向下有多個投資品。

(4) 所有代理方可能提供的投資組合構(gòu)成一個投資組合集合P，委托方在P中選擇至少一個投資組合實現(xiàn)投資目標。

(5) 交易成本為0，委托方的總成本就是代理方收取的費用。

(二) 委托方的決策變量

投資組合的選擇(Pj)為Y=(y1,…,yJ)，yj為委托方對投資組合Pj的選擇變量。

投資方向中候選方向的選擇(lk)為X=(x1,…,xjKLK)，xjkl為在投資方向k中，委托方對候選方向lk的選擇變量。

(三) 委托方目標

委托方經(jīng)風險和成本調(diào)整后的收益率最大化，即預期收益率減去風險成本(具有波動性和不確定性)和費用成本(代理方的收益)的差，不包括預先已經(jīng)確定的交易成本。

委托方費用成本是代理方的收益率fj(Z)，包括固定費率和超額收益管理費率。

(四) 委托方的投資要求(上層約束)

加權(quán)平均收益函數(shù)為

用于計算風險成本的加權(quán)平均方差函數(shù)為

所有資金被完全投資，各投資方向的權(quán)重之和為1，即

若選定一個投資方向后，只能在該方向中選擇一個候選方向，不可多選，即

各投資組合Pj差異性，即

委托方至少選擇一個投資組合，即

選擇變量約束yj,xjkl∈{0,1}j=1,…,J;k=1,…,K;l=1,…,LK

2. 下層從決策(代理方?jīng)Q策)

(一) 代理方?jīng)Q策的假設

(1) 只要委托方選定某個投資方向，則代理方一定要在該方向中選擇一個投資品。

(2) 所有代理方對投資品的配置集合構(gòu)成投資組合集合P，委托方只能在該集合中選擇。

(二) 代理方的決策變量

投資品配置方案Z=(z1,…,zJKS)，其中zjks為委托方選定投資方向k中候選方向lk后，代理方對相應候選方向lk中的投資品s的選擇變量，且每個代理方對應一個投資組合Pj。

(三) 代理方的目標函數(shù)

代理方最大化自身收益(這部分就是委托方的費用成本)，即

(四) 代理方受到的約束(下層約束)

(1) 由委托方確定投資方向和投資權(quán)重后，代理方需要在該候選方向中選擇相對應的投資品，只要委托方選定一個候選方向，代理方就需要對該候選方向中的投資品進行選擇。

(2) 選擇變量約束zjks∈{0,1}s=1,…,S。

3. 數(shù)學模型

由上式得到雙層規(guī)劃的數(shù)學模型為

yj,xjkl∈{0,1},j=1,…,J;k=1,…,K;l=1,…,LK

zjks∈{0,1}s=1,…,S

四、 求解方法

投資組合可選方案數(shù)量一般較大，模型為非線性非凸的復雜情形，采用嵌套遺傳算法直接對上述建立的雙層模型進行求解，算法流程(見圖2)。先產(chǎn)生上層模型的初始種群，驗證其是否滿足上層約束，然后將每個可行的上層染色體代入下層模型。下層模型利用遺傳算法求解出最優(yōu)決策變量和最優(yōu)值，同時把最優(yōu)值返回給上層以求解上層決策的適應度值。隨后將上層決策種群進行選擇、交叉、變異等，按照此步驟循環(huán)一定的次數(shù)后得到上層模型的最優(yōu)解和相應下層模型最優(yōu)解的近似值。

五、 案例分析

約有萬億規(guī)模的銀行理財資金通過委托外部投資業(yè)務入債市、股市。銀行在理財資金募集和銷售上具有優(yōu)勢，專業(yè)投資機構(gòu)在具體投資品的選擇上專業(yè)性更強。在委托代理模式下，銀行選擇投資方向，并委托給外部專業(yè)機構(gòu)進行投資品配置，以追求多元化資產(chǎn)配置和較高的收益。因此，銀行急需建立科學的投資組合篩選方法和選擇標準。

本文以銀行的委托外部投資業(yè)務為例，驗證上述模型和解法的可行性。整個委托外部投資中的投資組合及投資品配置過程(見圖3)。

表1 已知參數(shù)一覽表

注：數(shù)據(jù)來源于 Wind資訊2012—2015年年化收益率、波動率和Jensenα。

固定費率和超額收益管理費率分別寫成向量形式，即

將以上數(shù)據(jù)帶入模型，利用Matlab進行遺傳算法編碼。設定初始種群規(guī)模為50，交叉概率為0.8，變異概率為0.01，迭代次數(shù)為200。上層模型染色體的長度也就是所有投資方向的候選方向為J×K×L，染色體中的每個基因代表一個候選方向，下層模型染色體長度為J×K×S，表示所有投資品(見圖4)。為簡化遺傳算法的迭代次數(shù)，假設每個投資候選方向中只能選擇唯一的投資方向，每個候選方向中只有兩個投資品，且只能選擇一個。0代表不選，1代表選擇候選方向中的第一個或選擇投資品中的第一個，2代表選擇候選方向中的第二個或選擇投資品中的第二個。

種群最優(yōu)個體對應的適應度函數(shù)隨迭代次數(shù)單調(diào)遞增，最終收斂成一條水平直線，這表明遺傳算法對雙層優(yōu)化模型的求解過程的尋優(yōu)性和收斂性。通過對銀行委托外部投資中投資組合的選擇模型進行求解，得到上層投資方向的最優(yōu)選擇的同時，也得到了下層投資品的最優(yōu)選擇。整個案例的優(yōu)化結(jié)果(見表2)，投資組合的最優(yōu)選擇方案是委托方選擇投資組合4。投資組合4的最優(yōu)投資方向分別為債券方向中的金融債以及保本型的開放式基金，對應的代理方投資品配置方案分別為“12廣州農(nóng)商01債券”和“大成景恒保本基金”。

表2 模型最優(yōu)解和最優(yōu)值的結(jié)果表

六、 結(jié) 語

采用Stackelberg博弈理論分析了委托代理模式下投資組合的選擇的實際問題。整個投資組合的選擇決策可以歸結(jié)為主從關(guān)聯(lián)的優(yōu)化問題。委托方在整個決策中為主者，代理方為從者，以委托方的收益率為優(yōu)化目標，依據(jù)主者決策的投資方向，并通過從者選擇投資方向中投資品將其成本反饋給主者，從而影響了主者對投資組合的選擇。根據(jù)對上述問題的分析，本文建立了雙層模型實現(xiàn)了投資組合中投資方向和投資品選擇的主從關(guān)聯(lián)優(yōu)化，同時體現(xiàn)了風險與成本對委托方收益率的影響。針對商業(yè)銀行委托外部投資的實際問題，應用本文提出的模型和方法進行優(yōu)化求解，結(jié)果表明，雙層規(guī)劃模型適用于解決委托代理模式下的投資組合選擇問題，比單層規(guī)劃模型更加符合實際；所建立的嵌套遺傳算法對這類雙層優(yōu)化模型求解的方式是可行的。

[1] Ross S. The economic theory of agency: The principal’s problem [J].AmericanEconomicReview, 1973(63):134-139.

[2] 盛積良，馬永開. 考慮信息成本的委托資產(chǎn)組合管理合同研究 [J]. 系統(tǒng)工程，2006，24 (1)：18-22.

[3] Alexander G J, Baptista A M. Active portfolio management with benchmarking: Adding a value-at-risk constraint [J].JournalofEconomicDynamics&Control, 2008, 32(3):779-820.

[4] 李仲飛，劉冰冰. 委托代理框架下的最優(yōu)投資組合及線性費用契約 [J]. 中山大學學報：社會科學版，2011，51 (6)：192-199.

[5] 盛積良，馬永開. 總風險約束的委托投資管理激勵契約 [J]. 系統(tǒng)工程理論與實踐，2012，32 (3)：589-596.

[6] Lioui A, Poncet P. Optimal benchmarking for active portfolio managers [J].EuropeanJournalofOperationalResearch, 2013, 226(2):268-276.

[7] Cecchini M，Ecker J，Kupferschmid M，el at. Solving nonlinear principal-agent problems using bilevel programming [J].EuropeanJournalofOperationalResearch, 2013, 230(2):364-37.

[8] 王 健，莊新田，李亞寧. 基于信息透明度的委托組合投資管理激勵效率 [J]. 系統(tǒng)工程學報，2015，30 (1)：74-85.

[9] Deng X, Li Z, Wang S. A minimax portfolio selection strategy with equilibrium [J].EuropeanJournalofOperationalofResearch, 2005, 166:278-292.

[10] 魏 丹，單 鋒. 基于CVaR風險度量方法的投資組合模型研究 [J]. 沈陽航空工業(yè)學院學報，2010，27(3)：80-82.

[11] 馬宇紅，王艷玲. 基數(shù)約束的投資組合優(yōu)化問題的遺傳算法及實證分析 [J]. 西北師范大學學報:自然科學版，2011，47(2)：26-30.

[12] 張茂軍，秦學志，南江霞. 損失厭惡下帶有風險約束的委托投資組合模型 [J]. 系統(tǒng)工程學報，2012，27(4)：513-519.

[13] Bracken J, McGill J T. The equivalence of two mathematical programs with optimization problems in the constraints [J].OperationsResearch, 1973(21):37-44.

[14] Kalashnikov V V, Dempe S, Pérez-Valdés G A, et al. Bilevel programming and applications[J].MathematicalProblemsinEngineering, 2015, 2015:1-16.

[15] Fortuny-Amat J, McCarl B, A representation and economic interpretation of a two-level programming problem [J].JournaloftheOperationalResearchSociety, 1981,32(9):783-792.

[16] Bialas W F, Karwan M. Two-level linear programming [J].ManagementScience, 1984，30(8):1004-1020.

[17] Ye J, Zhu D. New necessary optimality conditions for bilevel programs by combining the MPEC and value function approaches [J].SIAMJournalonOptimization, 2010, 20(4): 1885-1905.

[18] Sakawa M, Katagiri H, Matsui T. Fuzzy random bilevel linear programming through expectation optimization using possibility and necessity [J].InternationalJournalofMachineLearning&Cybernetics, 2011, 3(3):183-192.

[19] Dempe S, Zemkoho A B. The bilevel programming problem: reformulations, constraint qualifications and optimality conditions [J].MathematicalProgramming, 2013, 138(1): 447-473.

[20] Liu Y, Zhang W. A multi-period fuzzy portfolio optimization model with minimum transaction lots [J].EuropeanJournalofOperationalResearch, 2015, 242(3):933-941.

[21] Wang D, Du G, Jiao R J, et al. A Stackelberg game theoretic model for optimizing product family architecting with supply chain consideration [J].InternationalJournalofProductionEconomics, 2016, 172:1-18.

Leader-Followers Joint Optimization of Portfolio Selection in the Principal-Agent Mode

Du Gang1, Jia Zhengxi1,2, Xiong Yixuan1， Zhang Qifan

(1.College of Management and Economics, Tianjin University, Tianjin 300072, China；2. Head Office Risk Management Department， The Industrial and Commercial Bank of China， Beijing 100140， China)

The popularity of investment and the specialized division of labor become the obvious trend with the economy booming and wealth increasing, so that the decision-making of investment in the principal-agent mode become an important investment form. The study researches on the problem of the optimization of portfolio selection in the principal-agent mode, based on the analysis of the problem attributes, establishes the bi-level programming model of portfolio optimization according to Stackelberg game mechanism. The upper level is the selection of the investment directions by the principal’s choice; the lower is the selection of the investment products by the agent’s choice. The aims of the upper and lower are maximizing the return rate of portfolios from the principal and agent respectively. The risk costs and agent fees have significant effects on the principal’s return rate of portfolios. According to the characteristics of the bi-level programming model, nested genetic algorithm is used to solve it. The case study of the commercial bank’s entrusted investment illustrates the application of the model and the feasibility of the solving methods.

principal-agent theory; portfolio selection; leader-followers joint optimization；bi-level programming; genetic algorithm

2016-05-09.

國家自然科學基金資助項目(71371132).

杜 綱(1954— )，女，博士，教授.

賈正唏，jzxsxx@163.com.

F833

A

1008-4339(2017)01-036-07