基于惩罚分位数回归的资产配置策略

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Asset Allocation Strategies Based on Penalized Quantile Regression》
---
作者：
Giovanni Bonaccolto, Massimiliano Caporin and Sandra Paterlini
---
最新提交年份：
2015
---
英文摘要：
  It is well known that quantile regression model minimizes the portfolio extreme risk, whenever the attention is placed on the estimation of the response variable left quantiles. We show that, by considering the entire conditional distribution of the dependent variable, it is possible to optimize different risk and performance indicators. In particular, we introduce a risk-adjusted profitability measure, useful in evaluating financial portfolios under a pessimistic perspective, since the reward contribution is net of the most favorable outcomes. Moreover, as we consider large portfolios, we also cope with the dimensionality issue by introducing an l1-norm penalty on the assets weights.
---
中文摘要：
众所周知，只要关注响应变量左分位数的估计，分位数回归模型就可以最小化投资组合的极端风险。我们表明，通过考虑因变量的整个条件分布，可以优化不同的风险和绩效指标。特别是，我们引入了一个风险调整后的盈利能力衡量指标，这有助于从悲观的角度评估金融投资组合，因为回报贡献是最有利结果的净值。此外，在考虑大型投资组合时，我们还通过对资产权重引入l1范数惩罚来应对维度问题。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--
一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--

---
PDF下载：
--> Asset_Allocation_Strategies_Based_on_Penalized_Quantile_Regression.pdf (982.04 KB)

2022-5-8 11:33:59 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：分位数回归 资产配置 分位数 Quantitative distribution

基于惩罚分位数回归的资产配置策略。波纳科尔托、M.卡波林和S.帕特林，帕多瓦大学统计科学系，途经意大利帕多瓦35121号C.Battisti 241。电子邮件：bonaccolto@stat.unipd.itDepartment“马可·范诺”经济与管理学院，经德尔桑托33号，35123帕多瓦，意大利。电子邮件：马西米利亚诺。caporin@unipd。德国威斯巴登Gustav Streemann Ring 3号欧洲商学院金融和会计系。电子邮件：桑德拉。paterlini@ebs.eduAbstractIt众所周知，分位数回归模型将投资组合的极端风险最小化，而不是将注意力放在响应变量左分位数的估计上。我们表明，通过考虑因变量的整个条件分布，可以优化不同的风险和绩效指标。特别是，我们引入了一种风险调整后的稳定性度量，这有助于从悲观的角度评估金融投资组合，因为回报贡献是最有利结果的净值。此外，当我们考虑大型投资组合时，我们还通过引入l-对驴和体重的标准惩罚。关键词：分位数回归，l-标准惩罚，悲观的设定分配。JEL代码：C58，G10。1简介从Markowitz（1952）对均值-方差投资组合理论的开创性贡献开始，投资组合估计和资产选择从从业者和研究角度都受到了越来越多的关注。在金融行业，资产配置和证券选择在为私人和机构投资者设计投资组合策略时起着核心作用。

不同的是，学术界关注马科维茨方法在不同研究领域的发展：将其与夏普（1964）、林特纳（1965b）、林特纳（1965a）和莫辛（1966）所做的市场均衡联系起来；当目标函数被设置为效用函数或采用性能度量时，修改目标函数（Alexander and Baptista，2002；Farinelli et al.，2008）；开发评估和预测马科维茨模型输入的工具，重点关注回报和风险。在各种方法上的进步中，我们关注的是那些与目标函数的变化有关的，或者更普遍地说，基于资产配置问题的替代表示。过去几十年中提出的一些不同的资产配置方法有一个共同特点：它们以回归模型的形式有一个伴随表示，其中系数对应或与投资组合中的资产权重相关联。通过资产超额收益率常数的线性回归估计有效投资组合权重（Britten Jones，1999）和通过特定回归模型的解决方案估计全球最小方差投资组合权重给出了两个例子，参见例如Fan等人（2012）。在前面提到的案例中，投资组合方差起着基础性作用。然而，即使我们同意方差（或波动性）与风险度量和管理的相关性，财务文献现在也包含了大量可能更合适的其他指标。例如，对于一个投资者来说，如果其对风险的偏好或态度是由一个效用函数总结的，并且存在极端风险，那么波动性可能会被尾部预期所取代。

类似地，我们可以很容易地确定奖励措施和绩效指标，区别于简单平均（或累计）回报和夏普比率。一方面，我们的目标是牢记这些元素，但另一方面，我们希望在分配方法中保持一致，权重可以与线性模型相关联。在这样一个框架中，可以证明，采用非标准方法估计线性模型参数（和组合权重）会产生相当于优化性能指标或风险指标的解决方案，与夏普比率和波动性不同。因此，脱离最小二乘回归方法来估计投资组合权重相当于优化非标准目标函数。巴塞特等人（2004年）给出了一个领先的例子，他们根据科恩克和巴塞特（1978年）提出的分位数回归方法，提出了一种悲观的资产配置策略。特别是，Bassett等人（2004年）从线性模型开始，其解提供了全局最小方差投资组合权重。然后，他们表明，通过分位数回归方法估计响应变量的低分位数（α-分位数），可以最小化他们称为α-风险的投资组合极值风险度量。因此，估计方法的改变允许从全局最小方差投资组合转移到最小α风险投资组合。α-风险的变体有多种名称，如“预期短缺”（Acerbi和Tasche，2002年）、“条件风险值”（Rockafellar和Uryasev，2000年）和“尾部条件预期”（Artzner等人，1999年）。因此，Bassett等人（2004年）的悲观资产配置策略对应于极端风险最小化方法。Bas sett等人的工作。

（2004年）也是我们贡献的起点。在分位数回归方法的基础上，我们的目标是引入创新的资产配置策略，使风险回报交易效果最大化。此外，我们将分位数回归与正则化方法相结合，如LASSO（Tibshirani，1996），以应对大投资组合维度带来的问题。我们的贡献回答了一些特殊的研究问题，在金融行业有潜在的应用。第一个研究问题源于Bassett等人（2004）的悲观资产配置方法的局限性，这是一种风险最小化驱动的策略。是否有可能像Bassett等人（2004）那样，保持对α-风险的关注，同时最大限度地提高绩效指标，从而同时考虑奖励？我们的第一个贡献在于表明，分位数回归模型不仅可以用于构建极端风险最小的金融投资组合，这在金融计量经济学文献中是众所周知的，而且还可以通过利用响应变量条件分布的整个支持中包含的信息来优化其他风险和绩效度量。我们关注线性模型表示，其系数与全局最小方差投资组合权重相关，如Bas sett等人（2004年），其中线性模型系数的分位数回归估计导致最小α风险投资组合。我们用两种方法推广了结果。首先，表明在合理的假设下，在中值水平上，线性模型的分位数回归解对应于组合车次平均绝对偏差的最小化。

其次，在高分位数水平上，分位数回归解决方案提供了投资组合权重，在可操作性和风险调整回报方面表现突出。这种解决方案对应于特定奖励措施的最大化，该措施作为最有利结果的条件预期回报净额给出；因此，这是一种悲观的分配，如Bassett等人（2004年）所述，但f焦点在右尾而不是左尾。作为副产品，我们引入了一种全新的性能度量；这是一个风险调整后的比率，它量化了所有负回报的幅度，由一部分正结果（扣除最有利的结果）平衡。第二个研究问题来自经验证据和从业者的需求。金融投资组合通常具有较大的横截面维度，即它们（可能）包含大量资产。假设我们有兴趣维持一种悲观的资产配置策略，可能与投资者偏好一致，我们面临一个明确的权衡：一方面，大的横截面维度允许利用多元化利益，即使在悲观的分配方法中，这种利益也具有相关性；另一方面，随着投资组合维度的增加，分位数回归方法估计的参数数量迅速增加。因此，估计误差的累积成为一个必须解决的问题。问题如下：我们能否通过保持对悲观资产分配方法的关注来控制估计误差？为了提供一个可能的解决方案，我们对l-Tibshirani（1996）在标准线性回归框架中引入的最小绝对收缩和选择算子（LASSO）沿线的分位数回归系数范数。

最近的研究表明，套索在均值-方差投资组合框架中的应用提供了投资组合的稀疏性（间接与多元化/集中度和营业额相关）和良好的样本外性质的好处，参见Brodie et al.（2009）、DeMiguel et al.（2009）、Fan et al.（2012）、Yen and Yen（2014）和Fastrich et al.（2014）。在统计文献中lpenaltybecame是一种广泛使用的工具，不仅适用于线性回归，也适用于分位数回归模型，如Koenker（2005）、Belloni和Chernozhukov（2011）、Li和Zhu（2008），但在资产定位方面的应用仍然很少。H"ardle等人（2014年）在指数跟踪框架中将惩罚分位数回归用作证券选择工具，而投资组合权重是通过优化目标函数Cornish Fisher风险值来估计的。不同的是，在我们介绍的方法中，分位数回归模型在一步中自动选择和估计相关资产权重。据我们所知，这种方法从未在金融计量经济学文献中进行过研究。因此，我们建议对Bassett等人（2004年）的悲观资产配置策略和本文介绍的悲观资产配置策略进行评估，对l资产权重的标准。我们通过广泛的实证分析来评估之前概述的两种方法学贡献，其中我们比较了在不同分位数水平上，从量子位回归模型构建的资产配置策略和普通最小二乘法的性能。与Bassett等人（2004年）不同，我们既使用模拟数据，也使用真实数据。

此外，我们还通过实现一个滚动窗口程序来分析样本内和样本外的性能。最后，我们关注的投资组合具有相当大的横截面维度，因此接近金融行业的实际需求。对真实数据和模拟数据的样本内结果表明，每种策略的表现都与预期一致，优化了各自的目标函数、α-风险、平均绝对偏差或基于上尾的奖励度量。事实上，在低概率水平下应用的量化回归在极端风险方面优于其他策略。最小二乘和中值回归模型被证明是波动性方面的最佳策略，因为前者使投资组合方差最小化，而后者使投资组合收益的平均绝对偏差最小化。最后，高概率水平的分位数回归在稳定性和风险调整回报方面提供了最佳结果。样本外结果表明，分位数回归模型保持其样本内性质，但仅在高概率水平上。尽管从从业者的角度来看，这样的结果可能很有趣，但从方法论的角度来看，这是相当令人惊讶的。我们研究了这一现象，并提供了一种与模型截获作用相关的解释。最后，我们强调了规范化分位数回归问题对于改善具有大截面维度特征的投资组合的样本外绩效的关键重要性。这项工作的结构如下。在第2节中，我们展示了如何使用分位数回归模型来构建资产配置策略，在不同的分位数水平上优化不同的目标函数。

在第3节中，我们提供了有关数据集、性能指标、rollingwindow程序和经验集的详细信息。在第4节中，我们讨论了实证结果，第5节得出结论。2基于分位数回归的资产配置2。1.投资组合绩效作为分位数水平的函数几种资产配置策略通过优化标准函数来估计投资组合权重。后者可以采取效用函数、风险度量、绩效度量或不同度量组合的形式。这些资产配置方法的一个子集具有回归模型形式的公司表示，其中估计系数对应于投资组合权重。最主要的例子是全球最小方差投资组合（GMV P），它是普通最小二乘回归模型的解。对于由n只股票组成的金融投资组合，R=[R，…，Rn]是资产收益的行向量，协方差矩阵V[R]=∑∑∑，而权重的行向量用w=[w，…，wn]表示；给定行向量1，长度n，元素等于1，1w′=1，以满足预算约束。投资组合的回报率为Rp=Rw′，但我们也可以使用一个伴随的表示来包含预算约束。首先是t，我们设定R*i=Rn- Ri，fori=1。。。，N- 1，然后使用这些偏差来计算投资组合回报率，即Rp=Rn- wR公司*- ... - wn-1R*N-1，n在哪里-资产权重确保权重总和为1。从这样的表示出发，可以证明Portfolioviance的最小化可以表示为minw∈Rnw∑∑∑w′=min（w-n、 ξ）∈罗恩Rw′- ξ= min（w）-n、 ξ）∈罗恩注册护士- wR公司*- ...

- wn-1R*N-1.- ξ, （1） 式中，ξ是线性回归模型的截距，w-n忽略权重向量，不包括wn和wn=1-Pn-1i=1wi，以满足预算约束。在方程（1）中，投资组合方差w∑∑∑w′被改写为E[Rn- wR公司*- ... - wn-1R*N-1.-ξ].后者对应于资产n收益Rn与R的线性回归误差方差*i、 因此，通过最小化线性回归模型的平方误差之和，以及响应变量RN和协变量R，可以最小化w∑∑∑w′*, ..., R*N-1.因此，估算系数w。。。，wn-1和截距ξ相当于确定GMV P权重（Fan等人，2012年）。在模型（1）中，响应变量等于第n个资产回报率Rn。然而，结果并不取决于基准资产的选择。尽管投资组合差异是一个相关的风险衡量指标，但财务文献提供了大量其他指标，可用于可行性和风险分析。如果我们不再使用前面提到的标准线性回归框架，就有可能通过优化其他性能指标来估计PortfolioCompanies。例如，Bassett et al.（2004）提出了一种基于分位数回归的悲观资产配置策略，以最小化简化符号，从而抑制回报对时间的依赖性。风险度量：所谓的α-危险通过从单调递增的效用函数u（·）开始，将货币结果转化为效用项，Bassett等人。