基于拟范数正则化的稀疏投资组合选择

对于与最优性的小偏差，这些值可以用来近似最优解的任何光滑连续函数。接下来，让我们更多地关注沿基本可行方向的最佳步长。具体而言，根据ei的指示-e、 相应的最优步长ε*iis由ε给出*i=-f（x；ei- e） Li，（3.7），其直接来自（3.3）。在任何最佳点，方向导数为零，因此最佳步长为零；但如果我们考虑投影梯度的微小变化，ε*I通过采用方向ei估计最优解的变化- e、 通过将（3.1）和（3.6）代入（3.7），我们得到ε*i=φmi- \'m*Var[（ei- e） Tη]-Cov[xTη，（ei- e） Tη]Var[（ei- e） Tη]。这两部分可以很容易地与“投影相关性”和“投影夏普比”概念相关联，其中投影相关性为|ρi：=Cov[xTη，（ei- e） Tη]标准[xTη]* 标准[（ei- e） Tη]，（3.8），预计夏普比为？Si=mi- \'m*标准[（ei- e） Tη]。（3.9）则最佳步长可等效为：ε*i=\'SiφStd[（ei- e） Tη]- ρiStd[xTη]Std[（ei- e） Tη]（3.10）很明显，最优步长对成本中性投资组合的标准偏差的倒数（倒数）以及当前投资组合的标准偏差非常敏感。投影相关性和投影夏普比（以及φ）给出了这些关系的确切系数。3.3.1玩具示例在本节中，我们通过一些虚拟示例来说明之前的敏感性分析。考虑表1中的第一个示例，其中投资组合包括三支方差分布相同但预期回报不同的股票。由于预期回报的回报率很低（φ=0.01），低回报股票在最优投资组合中所占比例略小（32.33%对34.33%）。

根据我们的敏感性分析，由于股票1的RSC达到了三支股票的最低成本，投资者会直观地减少表1中的投资：玩具示例1平均方差x*（φ=0.01）LiOK下降RSC2 1 11 2 11 1 20.32330.33330.34330.66670.66670.6667Y埃斯诺诺0.26400.27220.2803进一步增加股票，从而从基础中移除第一只股票，形成稀疏的投资组合（随着λ的增加）。直接计算还表明，这是要删除的最低成本库存。考虑表2中的投资组合，其中两支股票正相关，雅达第三支股票是独立的；所有股票都有一个共同的均值和方差。L的较大值（见（3.4）中的MCS方程）表明，第一只股票可能不是一个很好的被剔除的候选者，这可以通过比较投资组合与两只股票的差异来清楚地看出。表2：玩具示例2平均方差x*（φ=0.01）LiOK下降RSC2 0 00 2 10 1 20.43550.28230.28231.55560.88890.8889NoY esY es公司0.54310.26610.2661表3列出了由三只股票组成的投资组合，其中第三只股票实际上是一只零成本共同基金，只需平均投资第一和第二只股票。这第三种库存产生了冗余，因此实际上有许多最佳解决方案是可能的（我们任意展示了一种）。如果我们放弃投资组合中的第二只股票或第三只股票（但不是同时放弃），那么我们仍然能够达到相同的最佳目标（对于这个小φ，股票1和股票2的组合比例分别为75%-25%，而更平衡的组合比例为大φ）。

此外，我们看到L=0，这一事实正确地预测了存在严格的稀疏最优投资组合。表3：玩具示例3平均方差x*（φ=0.01）LiOK下降RSC3 1 21 7 42 4 30.68750.19250.1200诺贝斯托克0.97220.27220.00作为最后一个例子，考虑表4，其中我们有一组股票，其中包括两个与大多数其他股票具有高方差和正相关的股票，彼此之间的负相关程度很高。仅这两支股票就构成了规模为2的优秀投资组合。在这里，我们可以看到，马科维茨投资组合中最小的投资不一定是要剔除的股票（为了达到最佳表4：玩具示例4平均方差x*（φ=0.01）LiOK下降RSC8 7 6 67 26 6 06 6 96 -686 0 -68 730.29130.11660.27140.32071.8113.8183.3174.81Y埃斯诺诺0.3920.4332.4772.773稀疏投资组合）。单一股票的最佳投资组合是股票1。尺寸2的最佳组合包括库存3和库存4。规模3的最佳投资组合不包括股票1。相对稀疏成本似乎暗示了许多选择。4计算结果4.1数据、参数和模型为了检验“p-范数正则化模型”，我们从CRSP数据库收集了2007年12月31日至2012年12月31日的历史每日股价数据inS&p 500指数。我们不包括任何公司，除非其在数据期间至少90%的交易日在市场上交易，也不包括任何未在整个时间范围内上市的公司。截至1259个交易日，该名单共有461家公司。

由于CES&P 500股票的平均相关性较高，约为0.4516，为了在更不相关的数据下检验我们的模型，我们进一步考虑了一个更大的数据集，其中包含53个来自美国市场的商品ETF日数据，以及236个来自中国市场的沪深300指数股票数据。为了应对中美日历的不匹配，我们将两国因节假日而未交易的股票的回报率设定为零。我们采用滚动窗口法评估样本外性能，分别有500天和537天的应变窗口、21天和63天的估计窗口。从标准普尔数据和国际数据中获得的投资组合分别命名为标准普尔投资组合和国际投资组合。注意，正则化模型的线性目标项中的系数c=φm。为了求解p范数Markowitz模型，应相应地选择合适的φ值。为了实现这一目标，我们首先为最小目标收益率m设定合理的值，然后从模型的双变量中计算φ-值。我们之所以选择这一短时间区间，是因为需要大量的区间，并且普遍认为股价分布在几十年内会发生根本性的变化。该指数包含中国上海和深圳证券交易所上市股票市值的60%。考虑到计算时间，对于无卖空约束的情况和允许卖空的\'p-范数模型，`-范数球约束模型，我们使用36个滚动窗口，`-范数球约束的\'p-范数正则化模型和\'p- `-约束形式的范数双正则化模型。

我们使用均值、方差和夏普比率来评估样本外性能，此处计算的夏普比率使用与[DeMiguel等人（2009）]相同的方法。4.2无卖空约束酪蛋白【DeMiguel et al.（2009b）】，作者应用`-范数技术寻找sparseportfolios。然而，`-范数在没有短期约束的马科维茨模型中不起作用。然而，由于真实市场中不存在卖空环境和广泛的投资者，我们转向“p-范数正则化”，以寻求在这种情况下具有期望稀疏性的投资组合。正如我们稍后将看到的，与已经稀疏的Markowitz无卖空模型投资组合相比，无卖空约束的p-范数正则化模型（2.4）产生了极其稀疏的投资组合。在无卖空约束的Markowitz模型框架下，将` p-范数正则化模型与两个基准进行了比较。第一种是无正则化的Markowitz模型（λ=0），第二种是基数约束投资组合选择（CCPS）模型。通过求解以下问题（2.5）的整数公式，可以找到全局最优基数约束投资组合：minxTQx- cTxs。t、 eTx=1,0≤ x个≤ d、 eTd公司≤ K、 d∈ {0，1}n.4.2.1样本绩效表5报告了Markowitz投资组合的投资组合权重、平均值、方差和稀疏性，具体回报率从0.02%到0.12%。投资组合从19只到26只不等，约占全套投资组合的4.1%-5.6%。每个投资组合的预期回报等于或超过最低目标回报。表中显示了目标回报率较高的投资组合的估计方差也较高的趋势。表6列出了λ=5.5e的“p-范数正则化马科维茨模型”的结果-6通过我们的二阶内点算法。很明显，由此产生的投资组合具有低方差和较大稀疏性。

具体而言，积极头寸的数量从3到6不等，仅占马科维茨投资组合中股票数量的15-25%，占股票总数的0.5-1.5%。我们还发现，这些投资组合的构成与非零未经监管的投资组合相似。顶级公司是相同的（SO、K、KMB、GIS、AZO），非规范化和规范化模型之间存在完全重叠：在分析投资组合中，没有一家公司在非规范化投资组合中拥有0%的股份。