In this report, we demonstrate the utility of inverse optimization in convex programming by applying it on estimating financial market beliefs and behaviors of portfolio investors. The inversion of the optimization  utilized the Karush–Kuhn–Tucker optimality conditions specified for the current situation. The investor situation was simulated using the Markowitz model for optimal portfolio selection. Three model-specific implementations of inverse optimization were evaluated and the estimates were assessed by applying them in a solution to a portfolio agent sorting problem. The solution was perturbed with noise to test the robustness of the model.

The work concludes that estimation by inverse optimization of Markowitz models is possible to a satisfactory degree but requires case-specific model design. 

I den här rapporten demonstreras användbarheten av invers optimering för konvexa problem genom att applicera det vid skattning av investerares beteenden och förväntningar av en finansiell marknad. Inverteringen av optimeringsproblemet gjordes med hjälp av   Karush–Kuhn–Tucker–villkor specifierade för det aktuella fallet.  Markowitz-modellen användes för att modellera en finansiell marknad och val av optimal portfölj av inversteringar.

Tre modell-specifika versioner av invers optimering tillämpades och deras skattningar utvärderades genom att applicera dem i lösning av ett problem där portföljägare skulle sorteras. Lösningsmetoden exponerades för brus för att testa modellens robusthet. Slutsatsen som görs är att tillfredsställande skattning med invers optimering av parametrar i Markowitz–modellen är möjligt, men kräver ändamålspecfik design av modellen.