ASSIGNMENT

Operational Research – Assigment 6 Unit 6

Show by:

Teacher:

SILVIO TRACANELLI

MAT360 - Operational Research - Fall 2018

UNAD Florida

Bogotá D.C.

November 19th, 2018

El Bank Hapoalim Group es el grupo bancario más grande de Israel, una

de las líneas más importante es asesorar en inversión, en 1995, una

serie de factores, entre ellos el aumento de la competencia, la falta de

herramientas para apoyar los consejos financieros y la introducción de

nuevas regulaciones, los llevo a revisar su proceso de asesoramiento

con tal de seguir siendo uno de los más importantes y poder luchar con

sus competidores.

Un equipo IO concluyó que necesitaba desarrollar un sistema flexible

de apoyo a las decisiones para los asesores de inversión que pudiera

adaptarse para satisfacer las diversas necesidades de cada cliente.

Recabo información de las necesidades de clientes, que alternativas de

inversión podían ofrecer (horizonte de inversión), el índice que

buscaban para superar la expectativa de liquidez de los clientes, los

riegos de inversión y su clasificación.

El modelo de apoyo a la decisión resultado de la IO fue llamado Opti-

Money, estaba basado en la programación no lineal, con algunas

modificaciones que permitía integrar toda la información sobre las

necesidades particulares del cliente, por ello se basó en el método ma

temático no lineal restringida con funciones continuas o derivadas

discontinuas en función de la medida de riesgo seleccionada por el

cliente. El objetivo es elegir una cartera que minimice el "riesgo" entre

todas las carteras con un rendimiento esperado fijo.

Opti-Money le permite al inversionista elegir entre cuatro medidas de

riesgo, a saber, variabilidad de retorno simétrica, asimétrica del riesgo

a la baja, variabilidad de retorno asimétrica alrededor de más de un

punto de referencia, y el riesgo de una cartera clásica de Markowitz.

Una vez que la medida de riesgo y la (s) referencia (s) son especificada,

la función objetivo se formula como una suma ponderada de esta

medida de riesgo y un término de seguimiento de la cartera de mercado.

El modelo toma como punto de partida las variables de decisión xj (j =

1, 2, ..., n) número de acciones (j) que se incluirán al modelo. Dejemos

que J.j y ujj sean la media (estimada) y la varianza, respectivamente,

del rendimiento de cada acción de la acción j, donde ujj mide el riesgo

de esta acción. Para i = 1, 2,. . . , n (i * j), sea uij la covarianza de la

rentabilidad de una acción cada una de las acciones i y las acciones j.

(Debido a que sería difícil estimar todos los valores uij, el enfoque
habitual es hacer ciertas suposiciones sobre el comportamiento del

mercado que nos permiten calcular uij directamente a partir de uii y ujj).

Luego, el valor esperado R (x) y la varianza V (x) del rendimiento total

de toda la cartera son

donde L es el rendimiento mínimo aceptable aceptable, Pj es el precio

por cada acción de stock j, y B es la cantidad de dinero presupuestada

para la cartera.

Un inconveniente de esta formulación es que es relativamente difícil

elegir un valor apropiado para L para obtener la mejor compensación

entre R(x) y V(x). Por lo tanto, en lugar de detenerse con una opción de

L, es común utilizar un enfoque de programación paramétrica (no lineal)

para generar la solución óptima en función de L en un amplio rango de

valores de L. El siguiente paso es examinar los valores de R(x) y V(x)

para estas soluciones que son óptimos para algún valor de L y luego

para elegir la solución que parece dar la mejor compensación entre

estas dos cantidades; se usa en estos casos una generación de

soluciones en la frontera eficiente de la gráfica bidimensional de (R(x),

V(x)) puntos para (x) factible. La razón es que el punto (R(x), V(x))

para un (x) óptimo para algunas L, dentro de la frontera (límite) de

los puntos factibles. Además, cada (x) óptimo es eficiente en el

sentido de que ninguna otra solución viable es al menos igualmente

buena con una medida (R o V) y estrictamente mejor con la otra medida

(V más pequeña o R más grande). Esta este caso el uso de

programación no lineal es particularmente importante, si queremos una

optimización de la cartera teniendo en cuenta las necesidades

particulares de cada cliente.

El modelo genero una ponderación óptima de 60 posibles clases de

activos de acciones y bonos en la cartera, y asesorías en inversión para

elegir las acciones y bonos específicos dentro de todas clases según el

cliente. Durante el primer año de implementación total, los asesores de

inversión del banco realizaron unas 133,000 sesiones de consulta con

63,000 clientes mientras utilizaban este sistema de apoyo a la decisión.

Las ganancias anuales sobre los puntos de referencia para clientes que

siguen los consejos de inversión proporcionados por el sistema suman

aproximadamente US $ 244 millones, mientras que agregan más de US

$ 31 millones a los ingresos anuales del banco.

Ahora este modelo se encuentra como un referente de apoyo de

decisiones en el centro del análisis financiero moderno, este tipo de

aplicación de La programación no lineal está teniendo un tremendo

impacto en la práctica. También se sigue investigando mucho sobre las

propiedades y la aplicación del modelo anterior y los modelos de

programación no lineal relacionados con los tipos sofisticados de

análisis de cartera.
 BIBLIOGRAPHY

Mordecai Avriel — INFORMS, Opti-Money at Bank Hapoalim: A Model-

Based Investment Decision-SupportSystem for Individual Customers

[Online Article]. Retrieved February 2004 from

https://pdfs.semanticscholar.org/e1a4/a946e2317dbfbcd2f2a80b06df5

b67c4108e.pdf?_ga=2.50056421.252191910.1542545543-

2137639836.1542545543

FREDERICK S. HILLIER– GERALD J. LIEBERMAN. (2010).

Introduction to Operations Research – Ninth Edition – Capitulo 1, 13 (pp.

01-07, 608 -647), McGraw-Hill.