投资组合构建事项

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：
《Portfolio Construction Matters》
---
作者：
Stefano Ciliberti and Stanislao Gualdi
---
最新提交年份：
2018
---
英文摘要：
  The role of portfolio construction in the implementation of equity market neutral factors is often underestimated. Taking the classical momentum strategy as an example, we show that one can significantly improve the main strategy\'s features by properly taking care of this key step. More precisely, an optimized portfolio construction algorithm allows one to significantly improve the Sharpe Ratio, reduce sector exposures and volatility fluctuations, and mitigate the strategy\'s skewness and tail correlation with the market. These results are supported by long-term, world-wide simulations and will be shown to be universal. Our findings are quite general and hold true for a number of other \"equity factors\". Finally, we discuss the details of a more realistic set-up where we also deal with transaction costs.
---
中文摘要：
投资组合构建在实施股票市场中性因素方面的作用往往被低估。以经典动量策略为例，我们表明，如果适当注意这一关键步骤，可以显著改善主要策略的特性。更准确地说，优化的投资组合构建算法可以显著提高夏普比率，减少部门风险敞口和波动性波动，并缓解策略的偏斜和与市场的尾部相关性。这些结果得到了全球长期模拟的支持，并将被证明具有普遍性。我们的调查结果相当普遍，适用于许多其他“公平因素”。最后，我们讨论了更现实的设置的细节，其中我们还处理交易成本。
---
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
--

---
PDF下载：
--> Portfolio_Construction_Matters.pdf (1.63 MB)

2022-6-14 02:49:14 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：投资组合 Construction Optimization Quantitative Fluctuations

投资组合构建材料Stefano Ciliberti和Stanislao Gualdical Fund Management 23 rue de l\'Universit\'e，75007 Paris，France（日期：2018年10月22日）摘要投资组合构建在实施股票市场中性因素方面的作用被低估了。以经典动量策略为例，我们表明，通过适当关注这一关键步骤，可以显著改善主要策略的特征。更准确地说，优化的投资组合构建算法可以显著提高夏普比率，减少部门风险敞口和波动性波动，并缓解策略的倾斜性和与市场的尾部相关性。这些结果得到了全球长期模拟的支持，并将被证明具有普遍性。我们的发现非常普遍，适用于许多其他“权益因素”。最后，我们讨论了一个更现实的设置的细节，在这里我们还处理交易成本。一、 简介负责实施系统性股票战略的投资组合经理面临许多挑战，包括阿尔法信号研究、分配、风险和成本管理以及投资组合构建。在本文中，我们假设阿尔法信号是可用的（例如，从有关股票因素的大量文献中获得），并且已经选择了某种加权方案。

然后，我们研究投资组合构建的作用：更准确地说，我们感兴趣的是因子中包含的信息（我们将其等效为预测或信号）如何转化为实际交易和头寸。众所周知，马科维茨（Markowitz）[17]于1952年首次以定量的方式解决了这个问题，这被认为是现代投资组合理论（MPT）[30]的第一块砖。从理论角度来看，这篇论文为夏普（Sharpe）[26]、特雷纳（Treynor）[27]、罗斯（Ross）[23]、罗尔（Roll）[11]、法玛（Fama）和弗伦奇（French）[10，16]、陈（Chen）[6]和其他许多人（3，18，19）]的研究工作奠定了基础，这导致了资本资产定价模型的发展，以及后来的轨道定价理论（22，23）和因子建模（5，9））。对于金融从业者来说，马科维茨提出的有趣的统计观察结果是，通过组合相关性小于1的资产，可以显著降低整个投资组合的风险。从更数学的角度来看，在风险预算约束下最大化预期收益的问题转化为均值方差投资组合构建算法。然而，当应用于现实世界的情况时，马科维茨的解决方案往往会加载到数量相对较少（据推测）的弱相关性股票上。在实践中，数学解是股票协方差矩阵倒数的函数，已知该矩阵非常嘈杂，即强烈依赖于测量协议。虽然已经提出了许多技术来“清理”协方差矩阵，并且证明了其相当有效（最近的一次审查参见[4]），但朴素的马科维茨解决方案缺乏稳健性可能是加权“1/N”方法在随后几十年中更受欢迎的主要原因。

正如故事所说，哈里·马科维茨本人不会将有效的边界标准应用于他的个人投资组合，而是采用最简单的1/N规则。自那时以来，学术研究更多地致力于定义和识别股权因素，而不是投资组合的构建。从广义上讲，权益因素可分为三个不同的类别：o宏观经济（外生）因素，如油价、工业生产、通货膨胀或收益率曲线中的波动【7】；o统计因子，可通过主成分分析（PCA）等统计技术从经验协方差矩阵中提取；以及o微观经济或基本（内生）因素，构建为长期-短期股权投资组合，旨在捕捉基本比率、基于价格的指标、甚至行业或国家成员等特征。后者是目前为止最受欢迎的因素，我们将专门关注它们。其中包括众所周知的价值、规模、动量、低波动率和质量因素等（参见[13，25]）。在本文的最后部分，我们将特别关注动量因子[8,14,20,24]。简而言之，动量策略包括买入过去的赢家，卖出过去的输家。它是金融市场中最古老、最流行的策略之一，已被证明在不同的资产类别、地理位置和时间段都是成功的。股票市场中性动量策略在单名股票空间中实施，它对应于一个长期-短期相对价值投资组合，该投资组合对整个市场没有净敞口。信号通常被定义为过去12个月内股票的累积表现，其中最后一个月被剔除。

换言之，动量信号需要滞后（至少）一个月，以消除在该时间尺度上非常强烈的平均反转效应，从而恶化趋势跟踪表现。由于我们的重点是投资组合构建的作用，信号的精确定义在我们的研究中并不重要，我们将坚持上述经典学术定义。我们的主要结果可以概括如下：为了获得统计上显著的结果、跨地区和跨时代的稳健性以及更好的绩效，投资组合构建步骤起着至关重要的作用。在我们所考虑的几乎所有情况下，当正确处理相关清洁时，马科维茨解决方案会为主要公平因子带来更好的结果。二、设置阶段：数据、信号、风险和方法我们将在以下地理区域使用1996-2018年期间的每日股票数据（来源：彭博社和路透社）：o美国：罗素3000指数中流动性最强的1000只股票。更详细地说，我们计算了3个月内的日均（美元）总成交量，并将1000只最具流动性的股票作为下一季度的投资池。这使我们处于一个现实的、因果关系的环境中。同样的基于流动性的程序适用于以下池。o加拿大：我们首先从Bloomberg收集有关公司基本面的季度数据，然后选择500只最大市值的股票，从中提取200只流动性最强的股票欧洲：除了欧洲大陆的发达市场外，该区域还包括英国。

在这里，我们也首先选择2000只最大市值股票，然后从中选择1000只流动性最强的股票日本：TOPIX指数中流动性最强的500只股票。o澳大利亚：我们选取500只市值最大的股票，然后从中选出200只流动性最强的股票。我们还对CRSP数据（即1927年以来的美国每日数据）独立进行了回测，以获得更高水平的统计显著性。在这里，我们还建立了一个拥有1000支流动性最强的股票的池（需要注意的是，在1950年之前，CRSP数据库中的股票不到1000支，但从那个时起，这个数字总是大于1000支）。业绩的年化波动率将被选为风险指标，但特别关注尾部事件和与市场的尾部相关性。我们假设有一个标准化的、排名的预测π介子存量i，它均匀分布在[-并将测试以下（已知）技术。FF：继Fama和French（FF）之后，我们将前30%的股票放在买入名单上，将后30%的股票放在卖出名单上，并相应地采取多头或空头头寸。这些头寸与市值成比例。中立：我们对所有股票i持有头寸，与预测因子xi成比例∝ 圆周率。由此产生的投资组合是现金中性的。该投资组合应该比FF更加多样化，头寸也会随着时间的推移不断变化。贝塔系数：在前面的两个例子中，不一定确保市场中立，因为单个股票对市场的敏感性（即贝塔系数）可能不同。处理这个问题的一个简单方法是分别计算长腿和短腿的总β，并重新缩放它们，使总β为零。

这里，β是通过单因素模型的一年简单统计回归计算得出的，其中驱动因素与市值加权指数相同。Betaopt：实现β中立性的另一种方法是解决以下优化问题：min{x}（p- x） TC（p- x） 以β·x=0（1）为准，其中Cijis是股票收益的协方差矩阵，所有内容均采用向量表示法，因此（x）i=xi。（1）中优化问题背后的基本原理是，我们正在寻找一个尽可能接近xi=Pi的投资组合，同时尊重Beta中立性。上述问题的解由x=p给出-β·pβTC-1βC-1β（2），通过替换β∝ Cw（其中w是索引中的权重向量），可以方便地重写为x=p-wTCpwTCww（3），其中不需要矩阵求逆[31]。请注意，如果β与协方差矩阵C的Firstiegenvector一致，则投资组合仅构建为预测值，其对β向量的投影被移除。马科维茨：投资组合构建问题的经典解决方案（至少在形式上）由马科维茨解决方案给出，即xi∝ C-1磅。正如引言中已经提到的，经验协方差矩阵非常嘈杂，必须在反演之前“清理”。这里，我们只保留协方差矩阵的k个最大特征向量，这对应于所谓的统计因子。协方差矩阵是根据单个股票收益率进行经验计算的，通常需要至少两年的历史收盘日收益率（有关特定规模股票池的时间序列应持续多长的讨论，请参见[4]）。

然后将该矩阵对角化，并提取顶部特征向量（即对应于顶部特征值的特征向量）：这些被称为“模式”或“统计因子”。更详细地阐述统计因素在马科维茨解发展中的作用是很有意思的。k=1因子，也称为“市场模式”，可以被视为一种投资组合，其中大多数股票（如果不是所有股票）都朝着同一方向排列（或多或少，取决于它们对宏观经济波动的敏感性，即各自的β）。因此，相应的马科维茨解接近于上述β-中性情况。fork>1的因素不太普遍，通常与行业部门或推动当地经济的集团有关[21，28]。例如，澳大利亚股票池的k=2统计因子通常表现出对基本材料和/或能源股的大量（比如）正面敞口，对金融股的负面敞口。另一个池中的k=2统计因子通常是不同的（例如，可能是英国股票与欧洲大陆股票，或者是日本消费者非周期性股票与消费者周期性股票）。特征值法背后的思想是，可以让协方差数据说话，并确定任何股票池的主要风险驱动因素，这些股票本身可能会随着时间的推移而变化。然后，马科维茨解决方案将相应地自动减少投资组合对这些风险驱动因素的敞口。

k的选择可以通过不同的方式进行优化【4】，但我们将测试几个k=5的值，以便更好地了解其在本研究中的作用。在更正式的术语中，我们将进行以下近似：Cij’σiσjkXα=1λαvαivαj+εδij（4） 其中σiI股票的波动率i、λα和vα分别是相关矩阵的特征值和特征向量，选择对角线方差项ε以使投资组合的总方差保持不变，即TrC=Piσi。在上述任何设置中，投资组合每天都会重新平衡。全球投资组合是建立在各种本地投资组合的平均水平上的【32】。为了比较不同的投资组合构建方法，对每个全球投资组合进行了重新调整，以便在整个回测期间具有相同的平均风险。图1：左图：动量策略在不同组合构建技术下的全球表现。右：与左面板中的相同，但自1927年起在CRSP美国池中。三、 动量策略的结果在本节中，我们分析动量策略的结果。图1的左面板显示了与前一节中描述的不同投资组合构造算法相对应的全球损益。FF构造的性能最差，夏普比为0.34，而马科维茨解在矩阵求逆之前保持协方差矩阵的k=5统计因子，夏普比最高（1.19）。所有其他方案都介于这两个极端之间。就统计意义而言，马科维茨解的损益统计远远高于通常的接受阈值（即t-stat大于3）。现金中性和β中性的解决方案具有临界重要性，而FF低于（t-stat=1.8）。

这些汇总数据与从1927年到2016年（右图）的更长时间的回测数据非常接近，我们在回测中使用了CRSPdata来计算美国股票。为了更好地理解为什么马科维茨解决方案比基于分数的经典方法更有效，我们研究了风险文件的细节。图2左面板显示了不同损益表的1年滚动波动率。对于所有实现，平均值（此处设置为1）周围的波动都相当大，但马科维茨值似乎控制得更好。如右图所示，可以从与市值加权指数的滚动相关性中推断出更多关于风险控制的见解。在这里，FF方法再次导致非常大的波动在零左右，在oddswith与其他投资组合构建技术。从风险控制的角度来看，全球和行业风险也很有趣（参见图2：左图：图1中不同损益表的1年滚动波动率。所有损益表的时间平均值设置为1，波动率在系数2范围内。右图：绩效与市值加权指数之间的1年滚动相关性。这些曲线的时间平均值始终与零一致，但在某些时间段内，波动率可能相当大。图。3：平均净市值敞口（左：全球；右：行业）图3）。作为时间函数的净市值与总市值之比绘制在左面板中。中性溶液的净值通过构造等于零，而所有其他溶液的电导率都在零左右。再一次，马科维茨投资组合的波动率低于平均水平。右侧面板重点关注不同投资组合的经典行业部门的平均风险敞口。结果按池显示。