CVaR投资组合优化：Rglpk_solve_LP与LSopt结果差异及修正

你的Rglpk_solve_LP实现的是单纯下侧CVaR最小化模型（仅控制风险，未纳入收益目标），而LSopt的目标是最大化你自定义的上侧条件收益（取收益高于95%分位数的均值）。当资产有正预期收益时，LP模型会优先选择低波动资产（牺牲收益换低风险），导致你自定义的CVaR值更负；而LSopt会偏向高收益资产，该值更高。当收益全为0时，两者的目标无收益差异，结果自然一致。

以下是两种修改LP模型的方式，使其纳入组合平均收益的考量：

这种方式在控制风险（CVaR）的前提下，保证组合收益不低于设定目标。

修改后的完整代码：

library(neighbours)
library(NMOF)
library(Rglpk)

# Return / vol
ret <- c(0.039, 0.036, 0.092, 0.139, 0.094)
vol <- c(0.125, 0.074, 0.101, 0.204, 0.167)

ns <- 1000
na <- length(ret)
R <- randomReturns(na, ns, mean=ret, sd = vol)

b <- 0.95

## 设定目标收益（这里取资产预期收益的均值，可自行调整）
target_ret <- mean(ret)

## 构建LP模型
f.obj <- c(alpha = 1, x = rep(0, na), u = 1/rep((1 - b)*ns, ns))

# 基础约束：权重和为1，CVaR定义约束
C <- cbind(1, R, diag(nrow(R)))
C <- rbind(c(alpha = 0, x = rep(1, na), u = rep(0, nrow(R))), C)
const.dir <- c("==", rep(">=", nrow(C) - 1))
const.rhs <- c(1, rep(0, nrow(C) - 1))

# 添加平均收益约束：组合平均收益 >= target_ret
C <- rbind(C, c(alpha=0, x=colMeans(R), u=rep(0, ns)))
const.dir <- c(const.dir, ">=")
const.rhs <- c(const.rhs, target_ret)

sol.lp <- Rglpk_solve_LP(f.obj,
                         C,
                         const.dir,
                         rhs = const.rhs,
                         control = list(verbose = TRUE, presolve = TRUE))  

lp.w <- sol.lp$solution[2:(1+na)]

## LSopt部分保持不变
CVaR <- function(w, R, b) {
  Rw <- R %*% w
  mean(Rw[Rw >= quantile(Rw, b)])
}

nb <- neighbourfun(0, 1, type = "numeric", stepsize = 0.05)

sol.ls <- LSopt(CVaR,
                list(x0 = rep(1/na, na),
                     neighbour = nb,
                     nI = 1000),
                R = R, b = b)

ls.w <- sol.ls$xbest

# 比较结果
CVaR(lp.w, R, b)
CVaR(ls.w, R, b)

这种方式将收益和CVaR整合到同一个目标函数中，通过调整风险厌恶系数lambda平衡两者权重：

• lambda越大，模型越看重风险（CVaR）；越小，越看重收益。

修改后的完整代码：

library(neighbours)
library(NMOF)
library(Rglpk)

# Return / vol
ret <- c(0.039, 0.036, 0.092, 0.139, 0.094)
vol <- c(0.125, 0.074, 0.101, 0.204, 0.167)

ns <- 1000
na <- length(ret)
R <- randomReturns(na, ns, mean=ret, sd = vol)

b <- 0.95
lambda <- 1  # 风险厌恶系数，可根据需求调整

## 优化目标：最大化（组合平均收益 - lambda*CVaR）
# 转化为线性规划的最小化目标：lambda*CVaR - 组合平均收益
mean_ret_coef <- colMeans(R)
f.obj <- c(alpha = lambda, 
           x = -mean_ret_coef, 
           u = lambda/rep((1 - b)*ns, ns))

# 基础约束：权重和为1，CVaR定义约束
C <- cbind(1, R, diag(nrow(R)))
C <- rbind(c(alpha = 0, x = rep(1, na), u = rep(0, nrow(R))), C)
const.dir <- c("==", rep(">=", nrow(C) - 1))
const.rhs <- c(1, rep(0, nrow(C) - 1))

sol.lp <- Rglpk_solve_LP(f.obj,
                         C,
                         const.dir,
                         rhs = const.rhs,
                         control = list(verbose = TRUE, presolve = TRUE))  

lp.w <- sol.lp$solution[2:(1+na)]

## LSopt部分保持不变
CVaR <- function(w, R, b) {
  Rw <- R %*% w
  mean(Rw[Rw >= quantile(Rw, b)])
}

nb <- neighbourfun(0, 1, type = "numeric", stepsize = 0.05)

sol.ls <- LSopt(CVaR,
                list(x0 = rep(1/na, na),
                     neighbour = nb,
                     nI = 1000),
                R = R, b = b)

ls.w <- sol.ls$xbest

# 比较结果
CVaR(lp.w, R, b)
CVaR(ls.w, R, b)

如果你的目标是让LP模型直接优化你自定义的CVaR（即最大化收益高于95%分位数的均值），由于该目标涉及分位数筛选（非连续线性关系），无法直接用线性规划实现。此时可以考虑将LSopt的目标改为最小化下侧CVaR，或者使用整数规划（但计算成本会显著上升）。

内容的提问来源于stack exchange，提问作者RL_student