Open msz13 opened 9 months ago
refactor
optimiser = Optimiser(returns, optimiser=Ga(..), fitness=MaxPercentileValue(risk, iniciatl_capital, inflows))
result = optiser.run()
prosta optymalizacja
jesli wrost bedzie wokol mediany, to porfolio zostaje na glide path, jesli bedzie spadek, to trzeba bedzie zwiekszyc rysyko jak wrost, to zmniejszyc
jesli by zalozyc stale ryzyko, a zmniejszac na pozniejszych etapach, to przy wrostach wiekszych niz oczekiwane, nie ma problemu
natomiast przy mniejszych, lub takich samych, jak w przyszlosci bedzie sie ccialo zmniejszych ryzyko (glide path), to srodki moga byc niewystarczajace
dopracowac glide path na podstawie czasu porfolio nie schodza rownomiernie
okres inwestycji | 10 | 20 | .. |
zwykle
deffered
[ ] tabela glide paths
| ryzyko |
sprawdzić glide path z wpłatami i bez
poprawić crossover function - dodac crossover probability
dodac jit compilation
wybrać utility function
symulacja z wygenerowanymi esg (edo i akcje)
zrefaktorowac kod
crossoveprob dodac do crossover function
simulation
multigoal optimisat z plug in:
Dylemat:
na razie wybieram msci
TODO problem: glide path sa neistabilne dla roznych zainwestowanych kwot i inputow niskie stopy zwrotu, czyli moze cos nie tak zrobic refactor optymizacja glide path dla roznych czasów i ryzyk 5,10,20 lat 5,15,25,35,45
zrobic wlasciwa symulacje
Analiza wrażliwośći
TODO