To be submitted on Moodle by 24th  Mar 2023.

Please read the following guidelines before starting the work.

Guidelines

-      You need to provide all MATLAB, Python or equivalent code that you have developed as part of your submission to Turnitin. This is compulsory. Include clarifications/comments in your code whenever you feel appropriate.

-      You need to submit one version of the code that is executable. Unless the code is executable locally reaching the same results as those in your report, it will not receive full marks.

o One option is to have the code in the submitted document in a state where we can copy it off your submission and execute. A few tips to assist you in the process: Please note that line numbers left in the code often creates an issue with executability. Python codes embedded in LaTeX can also create problems with executability. Please ensure that prior to submission, you can copy the code back   from the document you plan to submit and execute it, just to double check.

o If you do not want to worry about the Turnitin version being executable or not, you can additionally choose to use Datalore as suggested. A detailed video on how to use it is available in Moodle. Please note that submitting via Datalore is optional.

-      Your submission (excluding the space taken up by your code) should be no more than 15   pages and contain no more than 15 Figures. Clarity is expected in the Text, in your Figures, and in your codes. A single figure/image cannot comprise of 10 illegible plots, please use   your reasoning when preparing your report.

-      Please make sure that you address the answer for each section or question at its respective slot, e.g., a correct answer to section (a) provided as response to section (b) will not be considered for marking.

-      You need to develop your own code. You are not allowed to use pre-existing toolboxes to conduct stochastic simulations, for example. However, the use of standard Python packages such as pandas or NumPy are acceptable. Regarding random number generators (r.n.g.), you are only allowed to use a/the uniform r.n.g. available in the programming language you chose (MATLAB, Python etc.). Uniqueness of your scripts will be assessed and will contribute to your mark.

-      To achieve full marks in each question, your methodology needs to be correctly implemented and your code needs to be original (i.e., your own work).

-      You will be allowed to submit your work multiple times until the deadline. The Turnitin       submission will be made available weeks before the deadline. Please note that it is your     responsibility to ensure that the submission is made on time. Late submissions, SORAs and ECs will be handled by the Admin Team, not your tutors.

Problem Statement

Trading in the stock market is subject to significant and unavoidable risk. Hence, the key question that arises is how a risk-averse investor can construct a portfolio that yields the desired returns at the lowest possible risk. Efficient frontier theory, pioneered by Nobel Laureate Harry Markowitz, provides an answer to this question, and allows us to identify investment portfolios that strike the best balance between risk and return. While this theory makes certain assumptions that are probably oversimplifications (notably, assuming that past performance is an indicator of future trends and that asset returns are normally distributed), the theory is extremely important in understanding the effect of diversification in investing and has been extended in attempts to better  capture the real market behaviour (e.g., post-modern portfolio theory, Black– Litterman model, etc.).

In this coursework, we will explore the main concepts of modern portfolio theory and we will try to come up with efficient portfolios of stocks of three fictitious companies:

Elysium Investment Forecasting   (abbreviated as EIF)

Centurion Energy Solutions   (abbreviated as CES)

Quantum Nanomaterials Technologies   (abbreviated as QNT)

Data analysis of the stock prices of these companies in the past 10 years has shown that the daily closing prices of EIF adhere to the following stochastic process:

SEIF  = 7.78

Sn(EIF)  =  (1 + Xn ) . S                    n = 1,2, ..., nmax

where Xn , n = 1,2, ... are i.i.d. that follow the Laplace distribution, Xn  ~Laplace (μ, b) , n denotes the day, and nmax the maximum number of days we want to predict the stock price for . The Laplace          distribution is continuous with two parameters, b and , and has the following probability density:

1        (   x −μ  

From the data analysis we know that Xn  ~Laplace (0.00031, 0.0097)

The prices of the stocks of CES and QNT can be expressed as follows:

SCES  = 31.03

Sn(CES)  =  (1 + 0.3Xn  + 0.8Yn ) . S   n = 1,2, ...

SQNT  = 25.09

Sn(QNT)  =  (1 + 0.2Yn  + 0.9Zn ) . S   n = 1,2, ...

where  n(Y)  ~Laplace (0.00048,0.0108) i.i.d. and Zn  ~Laplace (0.00012,0.0077) i.i.d. for n = 1,2,3,…

Note also that the sequencies of Xn , Yn   and Zn   are independent with respect to each other, e.g. X1   is independent of all  Yn   and Zn , n = 1,2, ... , etc.

Things to do

1.    We will first do some preliminary work that will enable us to simulate stochastic realisations of the prices of the stocks of interest.

(a)    Derive an explicit mathematical formula for the cumulative distribution function of the Laplace distribution.  [2]

(b)    Describe a simple approach for the generation of random deviates from the Laplace distribution.  [4]

(c)    Write a program that generates 100000 samples from the Laplace distribution with  = 1.5   and b = 0.8 (use the approach you developed in the previous question; do not use built-in functions for this). To verify that your method works correctly, show a histogram of these samples and a line-graph of the probability density function (both in the same plot).          [6]

2.    We are now able to perform the stochastic simulations of the prices of the three stocks of interest. We will assume that each year contains 260 days of trading (roughly 52 weeks of 5 working days each), and we will simulate stock prices for a 5-year window, i.e. nmax  = 1300 days.

(a)    Write a program that simulates the stock price sequencies  Sn(EIF) , Sn(CES) , S n = 0,1,2, ..., nmax  .

To do this, first generate three random streams, one for Xn , n = 1,2, ..., nmax , one for Yn   and  similarly, one for Zn , using the method you developed in Question1. Thus, you are allowed to use only a uniform random number generator available for the programming language of your choice (MATLAB, Python etc.), initialised with a seed value of your choice. Subsequently, use these sequences in the application of the equations that give the stock     price per day, e.g. for EIF, you will evaluate the expression Sn(CES)  =  (1 + 0.3Xn  + 0.8n(Y) ) . S

recursively. Present graphs of the stock prices per day in the same plot.       [12]

(b)    Repeat the procedures of Question2(a)with two more different random seeds and

produce plots of the stock prices ped day. You will present two separate plots, one for each random seed. Each of these plots will contain three line-graphs, one for each stock (EIF, CES, and QNT). Comment on the observed behaviour in the three “scenarios” that you simulated and plotted in Questions2(a)and2(b). For instance, how does the magnitude of the fluctuations (volatility) compare with the overall “average” behaviour of a stock (drift)   in the three different scenarios? Which stock(s) would you pick for your portfolio if you were an investor?                                                    [10]

3.    We will continue with the calculation of certain quantities that will allow us to apply the efficient frontier approach to the data we generated for the prices of the three stocks over time.

(a)    Pick one of the three scenarios you simulated (whichever you want), and for each of the

stock price sequencies, calculate the daily returns as follows:

DRn(ABC)  =  −1             n = 1,2, ..., nmax

where ABC will be each one of the stocks in discussion (EIF, CES, QNT). Present, in three   separate plots, one for each stock, histograms of the daily returns you calculated. Discuss the appearance of these histograms with reference to the plots of the stock price

movements you plotted earlier.                                                       [10]