Энтропийное объединение (Entropy Pooling): интеграция ненормальных распределений и копул в теорию Блэка-Литтермана

Математический аппарат Entropy Pooling полностью отказывается от аналитических ограничений нормального распределения. Меуччи предложил представлять рыночную информацию (Prior Distribution) в виде огромной дискретной матрицы сценариев Монте-Карло, сгенерированных из любого сложного совместного распределения, будь то многомерное распределение Стьюдента или распределение, склеенное с помощью копулы Гумбеля (для моделирования панических распродаж). Каждый из $J$ сгенерированных сценариев рынка имеет априорную вероятность $p_j$ (обычно $p_j = 1/J$). Это формирует сверхгибкое непараметрическое распределение (Market Prior), способное впитать любые эконометрические сложности, включая авторегрессию и GARCH-кластеризацию.

Взгляды инвестора (Views) в модели Меуччи формулируются как произвольные математические ограничения на искомое Апостериорное распределение вероятностей $q_j$ (Posterior). Например, инвестор может заявить не только ожидаемую среднюю доходность, но и задать ограничения на квантили убытков (VaR) или нелинейные соотношения между активами. Эти взгляды формируют выпуклое множество допустимых апостериорных распределений. Задача квант-аналитика — найти "наилучший" вектор новых вероятностей $q$, который удовлетворяет всем субъективным взглядам, но при этом минимально искажает исходные объективные рыночные данные $p$.

Ядром алгоритма является минимизация Относительной энтропии (Расстояния Кульбака-Лейблера) между апостериорным и априорным распределениями: $min_{q} sum_{j=1}^J q_j ln(q_j / p_j)$, при соблюдении линейных и нелинейных ограничений, наложенных взглядами. Эта задача представляет собой классическую проблему выпуклой стохастической оптимизации. Благодаря свойствам функции энтропии, решение этой задачи гарантированно существует, уникально и обладает феноменальным свойством: если ограничения линейны (как в классическом BL), то новые вероятности $q_j$ вычисляются через экспоненциальное взвешивание исходных вероятностей $p_j$ (изменение меры Радона-Никодима). Алгоритмы двойственного программирования находят множители Лагранжа за миллисекунды даже для миллионов Монте-Карло сценариев.

Полученное апостериорное распределение (в виде матрицы сценариев с новыми весами $q_j$) загружается в алгоритм максимизации ожидаемой полезности (например, CVaR-оптимизацию). Entropy Pooling является триумфом междисциплинарной математики, позволяя хедж-фондам алгоритмически "вплетать" дискретные инсайты управляющих (например, "шанс дефолта корпорации А превышает 20%") в стохастическую канву глобального рынка, не нарушая при этом сложнейшую сеть ковариаций и хвостовых зависимостей, сгенерированную нейросетями из терабайтов исторических данных.

Список литературы:
1. Meucci A. Fully Flexible Views: Theory and Practice. — Risk, 2008.
2. Meucci A. Risk and Asset Allocation. — Springer, 2005.
3. Meucci A. Historical Scenarios with Fully Flexible Probabilities. — GARP Risk Professional, 2010.
Эксперты: Аттилио Меуччи, Фишер Блэк, Роберт Литтерман.