楼主: 量化菜鸟
1520 1

[程序化交易] Classical Markowitz portfolio optimization [推广有奖]

  • 0关注
  • 19粉丝

本科生

70%

还不是VIP/贵宾

-

威望
0
论坛币
548 个
通用积分
5.2730
学术水平
13 点
热心指数
14 点
信用等级
8 点
经验
1829 点
帖子
81
精华
0
在线时间
34 小时
注册时间
2015-8-17
最后登录
2017-3-7

楼主
量化菜鸟 发表于 2016-1-23 13:20:43 |AI写论文

+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~ !

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
Classical Markowitz portfolio optimization作者:聚宽用户 |  韭菜Hulk
原文见
https://www.joinquant.com/post/353
https://www.joinquant.com/post/389
--------------------------------------------------------------------------------------------------------------
Markowitz动态再平衡策略是Harry markowitz在1952年发表的资产组合的方法
原论文见 http://www.jstor.org/stable/2975974?seq=1#pag
中心思想是资产的配比需要满足两个相互矛盾的目标:
1) 最大化资产组合的回报
2)最小化资产的风险

最大化回报很好理解,就是知道每个资产的回报,写成向量形式r,如果资产配比权重是w,他们的总回报就是w'r。我们要调整w的值使得w'r最大。

资产的风险一般使用资产回报的波动方差来表示的,但在一组资产中,某些资产回报的波动具有相关性,所以需要使用协方差C来计算资产的总风险w'Cw,目的是尽可能的把资金投在不相关的资产上来分散风险。

在回报和风险相权衡的时候,一般使用夏普率来评估风险回报比,希望在尽可能小的风险下获得最大的回报。在可以做多也可以做空的市场中,最优化夏普率的资产配置方法具有解析解,但是如果限定只能做多的话,需要用凸优化的方式求解资产配比的权重w。

凸优化的表达式是
min tau w' C w - w'r
given sum_i=1^n w_i=1
w_i in [0,1] for i=1,...,n

这里tau的值会影响目标函数对回报和风险的态度。tau值越大,越倾向于低风险,tau值越小,越倾向于高回报。我们选择一组tau的可能取值,分别做优化,然后取夏普率最高的结果。

tau的设置见Convex Optimization by Boyd and Vandenberghe的第四章186页的例子
http://stanford.edu/~boyd/cvxbook/bv_cvxbook.

现在给定一组资产,根据历史数据我们可以获得当前他们的配比结果。但资产随着时间的变动,他们的回报会发生变动,所以隔一段时间,需要重新计算配比w,也就是做rebalance。一般可以设置成固定每月的月末进行rebalance。

我自己对固定时间的Rebalance不太喜欢,所以按照别人推荐的Larry Swedroe的5/25规则进行rebalance。这个规则是说:
1)当某个资产的position变动超过5%,做一次rebalance
2) 当某个资产相对于资产组合中其他资产的配比变动超过25%,做一次rebalance
先看第一条规则,假设我们有两个资产A和B,我持有A的position是100元,当position变成105元或95元时,就做一次rebalance。

第二条规则是说如果当前A和B的position是90元和10元,那他们的权重是90%和10%。如果此时A的position变成92.5元,B的position变成7.5元,虽然他们自身的变动未达到5%,但是他们的权重变成了92.5%和7.5%。变动幅度超过了25%。所以需要rebalance。

在资产配比均衡的时候容易触发第一条规则,在资产配比悬殊较大时,容易触发第二条规则。

总的来说,Markowitz资产配置方式比较简单,在计算回报和风险时都是取比较长的历史数据,对市场的反应会比较慢。比较适合长期投资ETF的时候使用。

[backcolor=rgba(136, 136, 136, 0.498039)]
1.jpg

结果回报和benchmark差别不是很明显,问题就出在该模型在估计收益和风险时全都是用历史数据来计算的,并没有向前的预测功能,导致策略对市场的判断滞后。ETF的投资周期一般相对较长,我们可以认为其收益率大致符合高斯分布,而收益组成的时间序列是一个稳态高斯过程(短期来看这个假设并不成立,因为短期的收益走势是随机游走)。

这个稳态过程的假设会带来如下的好处:
1 在股价跌入底部和爬上顶部的时候,预测的收益率会向均值偏移,这会使模型早早得知股价拐点的到来。
2 在使用50 300 500的大中小ETF时,不断回归均值的预测能有效抓住二八转换的节奏

为了防止短期随机游走对长期趋势的影响,我们选用稳态高斯过程来作预测,并刻意选择比较平滑的核函数做计算。对高斯过程有兴趣的话可以参考这个链接 http://www.gaussianprocess.org/gpml/

解释下稳态,稳态是相对于趋势来说的,用趋势做预测,如果收益上涨,预测结果会是一直上涨,用稳态做预测,如果收益上涨,短期预测上涨,长期预测下跌,而且一直回绕均值波动。

我们使用稳态假设下预测出的收益率,带入Markowitz模型求资产配置权重,rebalance和之前文章一样,也是5/25规则。结果总收益从75%直接翻倍到160%,改善了两倍多。可以明显看到该策略能及时对市场的变化做出判断。

2.jpg

二维码

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

关键词:Optimization Portfolio Classical Markowitz Portfoli 动态 韭菜 论文 矛盾 平衡

已有 1 人评分经验 论坛币 收起 理由
fantuanxiaot + 16 + 16 精彩帖子

总评分: 经验 + 16  论坛币 + 16   查看全部评分

沙发
量化菜鸟 发表于 2016-1-29 14:35:58
没人看。。。

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
加好友,备注jr
拉您进交流群
GMT+8, 2026-1-8 15:52