基于已实现协方差矩阵的高维金融资产投资组合应用

随着金融市场的发展,可配置金融资产种类不断增加,高维资产的投资组合应用引起了广泛的关注,因此高维协方差矩阵的建模及预测更加重要。基于已实现协方差矩阵,创新地将Elastic Net(弹性网)方法与向量自回归模型结合,对高维已实现协方差矩阵进行建模和预测。实证分析中模型取得了理想的预测精度,待估参数的数目显著下降;由于弹性网方法具备充分的变量选择功能和群组效应,得到的模型更加完善,因此资产之间动态相关结构也更加明晰;分析发现行业之间协方差变化比自身方差变化更加复杂,将VAR-LASSO、VAR-EN、DCC-MVGARCH、EWMA四种模型预测的协方差矩阵应用到投资组合中,结果表明VAR-EN优势明显。     

基于动态收缩法的大维协方差阵的估计及其应用

文章将单因子协方差阵和样本协方差阵相结合,通过对它们进行最优加权平均,提出了新的协方差阵估计方法——动态加权收缩估计量(DWS).该估计量一方面通过选择最优的权重来平衡协方差阵估计的偏差和误差;另一方面估计的是大维数据的动态协方差阵,在估计过程中考虑了前期信息的影响.通过模拟和实证研究发现:较传统的协方差阵估计方法而言,DWS估计量明显提高了大维协方差阵的估计效率;并且将其应用在投资组合时,投资者获得了更高的收益和经济福利.     

基于因素模型的协高阶矩矩阵估计及其应用研究

在高阶矩投资组合中,使用传统样本估计方法会产生较高估计误差和模型设定误差。本文在多因素模型的基础上,给出一种改进的协高阶矩估计方法,分析了基于多因素模型压缩估计量的渐进一致性。蒙特卡洛模拟表明,多因素压缩估计量在有限样本中具有更小的平均绝对误差、根均方误差以及更高的平均绝对改进百分比,有效提高了协高阶矩矩阵估计的精度;即使在样本观测量比资产数目少时,估计的协高阶矩矩阵精度都会有较大提高。基于2005年6月至2019年5月沪深300成分股的高阶矩投资组合实证发现,多因素压缩方法与其他估计方法相比,在年化收益率上可以获得4.7%～32.8%的提升,最大回撤能够下降3.7%～18.3%,表明使用多因素压缩估计方法构建的投资组合有更大的可能获得更多货币效用增益,以及面临亏损时,产生的最大亏损更小。该方法有助于金融机构或理性投资者在进行投资组合时减小投资损失,获得更好的投资回报。     

基于样本协方差的正弦波频率估计算法

文章讨论了乘性和加性噪声背景中的正弦波的频率估计.通过求解基于不同阶次样本协方差方程的根得到了所给模型的频率估计,并通过基于频率方差最小准则得到最优协方差阶次.同时从理论上证明了频率估计是渐进无偏估计,并给出了频率估计的渐近方差表达式.仿真实验证明了算法的有效性.     

正则化Beta回归及其应用

随着计算机的飞速发展,极大地便利了数据的获取和存储,很多企业积累了大量的数据,同时数据的维度也越来越高,噪声变量越来越多,因此在建模分析时面临的重要问题之一就是从高维的变量中筛选出少数的重要变量。针对因变量取值为(0,1)区间的比例数据提出了正则化Beta回归,研究了在LASSO、SCAD和MCP三种惩罚方法下的极大似然估计及其渐进性质。统计模拟表明MCP的方法会优于SCAD和LASSO,并且随着样本量的增大,SCAD的方法也将优于LASSO。最后,将该方法应用到中国上市公司股息率的影响因素研究中。     

大维数据的动态条件协方差阵的估计及其应用

大维数据给传统的协方差阵估计方法带来了巨大的挑战,数据维度和噪声的影响不容忽视。本文将主成分和门限方法有效的结合,应用到DCC模型的估计中,提出了基于主成分正交补门限方法的DCC模型（poetDCC）。poetDCC模型主要通过前K个主成分来刻画高维动态条件协方差阵的信息,然后将门限函数应用在矩阵的正交补中,有效的降低了数据的维度并剔除了噪声的影响。通过模拟和实证研究发现：较DCC模型而言,poetDCC模型明显提高了高维协方差阵的估计和预测效率;并且将其应用在投资组合时,投资者获得了更高的投资收益和经济福利。     

基于高维数据的改进CCC-GARCH模型的估计及应用

高维数据给传统的协方差阵估计方法带来了巨大的挑战,数据维度和噪声的影响使传统的CCCGARCH模型估计起来较为困难。将主成分和门限方法有效结合,应用到CCC-GARCH模型的估计中,提出基于主成分正交补门限方法的CCC-GARCH模型(PTCCC-GARCH)。PTCCC模型主要通过前K个最优主成分来刻画大维协方差阵的信息,并通过门限函数以剔除噪声的影响。通过模拟和实证研究发现:较CCCGARCH模型而言,PTCCC-GARCH模型明显提高了高维协方差阵的估计和预测效率;并且将其应用在投资组合时,投资者获得了更高的投资收益和经济福利。     

证券投资组合的原理及其应用

随着人们金融意识和证券投资意识的日益增强，投资者更加注重规避投资风险。在传统的投资分析中，大都以定性的方法来说明证券组合的收益和风险。本文利用概率论原理对证券投资组合作一探讨，以便投资者从定量的角度对证券投资组合的风险大小有较深刻的了解。一、证券组合收街与风险的计葬在证券投资中，假定资金12OO元全部投资于证券甲或证券己或证券丙，收益正、负300元的概率分别为：二。”““”””—”—“—”“”“’”“”“‘”“7”且3”则证券甲、或证券乙、或证券丙的收益都是一随机变量，如用xl、x2、23表示，它们的平均收益…     

基于原对偶内点算法求解投资组合优化模型

研究了标准均值方差投资组合选择模型,针对目前求解方法不具有多项式算法复杂性,文章给出了求解均值方差投资组合优化模型的原对偶内点算法.该算法具有多项式复杂性,因此可以快速求解大规模的投资组合优化模型.仿真结果表明,原对偶内点算法可以较好地应用于投资组合问题,具有较广泛的应用空间和一定的推广价值.     

基于非参数协方差矩估计的相关产业集聚的考量方法

针对学界在研究产业集聚份额比例对经济产出影响时存在的不同观点,文章在分析城市产业集聚模式特征时,在产业集聚的份额比例之外加入反映相关产业集聚的相关关系系数.通过理论分析,指出一定程度相关性集聚对区域经济产出的作用是正向的,而在相关关系系数超过门槛后,其影响则是负向的,即该种影响是倒U型的,并以此为依据构建理论模型.以1998-2015年长江经济带109个地级以上城市为研究样本.通过数据检验,确定模型形式为个体固定效应,运用非参数协方差矩阵估计方法对样本城市进行经验分析,对理论模型的有效性进行了验证,验证了相关产业集聚对经济产出的“倒U型”影响.     

基于效用最大化的区间值投资组合模型及其应用

采用区间数测度投资收益,利用半绝对偏差作为投资风险的测度,并在考虑投资者效用的条件下提出一种新的基于效用最大化的区间值投资组合模型。为得到该模型的解,引入一个反映市场经济环境因素的系数,从而将区间值规划问题转化成为一个一般的线性规划问题,并结合实例说明该模型的应用。     

粒子群算法在投资组合决策中的应用

投资组合决策面临现实证券市场中大量数据,传统算法很难解决这一问题。本文将具有智能化且易于实现的粒子群算法应用到投资组合决策中,并通过上海证券交易所的实际数据进行计算机模拟,结果表明该算法在组合决策中是有效的,且易于实现。     

基于不确定性均值-方差模型的稳健静态资产组合选择

文章借助相对熵测度风险资产收益的一阶矩和前两阶矩的不确定性对资产组合终期财富期望效用的影响,基于极大极小化理论建立了模型参数不确定下的稳健静态资产组合模型,运用稳健控制方法获得了模型的最优解;根据最优解,以上证综指1997年1月至2009年6月的月收益数据构建了两个不同区间段的样本做实证研究。结果表明,参数不确定性导致资产组合中风险资产的比例降低,并随着投资者不确定性偏好程度增加降低得越多;历史数据或信息越少,参数不确定性影响越强;均值不确定性的影响强于方差不确定性的影响;即使投资者完全不相信方差的预测功能,但仍在一定程度上相信均值的预测功能。     

时间分层组合预测法的改进及其在进口贸易中的应用

针对现有时间分层组合预测法中协方差估计存在的不足,提出一种Shrinkage方法对协方差进行修正,以增强协方差估计的稳定性。Monte Carlo模拟结果表明:Shrinkage时间分层组合预测法的预测准确性较现有方法有所提高,且对季节因素不敏感;将该方法应用于中国进口贸易的预测中,结果显示新方法可显著提升各层预测效果,且对较高层序列的调整效果更佳;Shrinkage分层组合预测法能为海关等相关部门提供一种可针对不同时间维度进行同时性预测的新思路。     

拓展的均值——方差理论及其在投资组合中的应用

由于股票市场的交易是在一种随机环境下进行的,投资者不可能准确知道每只股票预期收益的概率分布,只能大概地知道它的一个区间估计(即区间数)。本文针对这种情况,基于数据集成技术,拓展了Markowitz的均值—方差理论,并用实例说明了其在选择投资组合中的应用.。     

基于CVaR方法的工程投资组合优化模型与实证

文章采用CVaR方法测算工程投资风险,建立了风险最小化的工程投资优化组合理论模型.以南京市房地产工程历史数据为例进行实证研究,研究结果表明:基于CVaR和非参数核估计量的风险优化能够应用于投资组合的选择,能够对工程类企业起到风险管理和投资决策方面的指导作用.     

基于Knockoff的分位数回归变量选择方法及其投资组合决策应用

在数据驱动时代,变量选择广泛应用于投资组合,如何从众多资产中挑选恰当的资产并进行配比,对稳定收益、控制风险非常关键。现有选择资产的方法未考虑到控制错误发现率（FDR）,不利于作出稳健的投资决策。为此,本文在Lasso分位数回归下基于Knockoff方法控制FDR,并用于求解条件风险价值（CVaR）投资组合决策模型。其中,用Lasso惩罚实现变量选择,用Knockoff方法通过模仿解释变量的相关结构构造Knockoff变量,将变量选择的FDR控制在给定水平。模型在两步迭代算法下采用线性规划求解,模拟分析从不同的误差分布、变量分布和维度下多角度展开。结果显示,与已有模型相比,基于Knockoff的Lasso分位数回归模型能良好地控制FDR且呈现出最好的预测效果。最后基于上证50指数成分股进行实证分析,利用滚动建模技术进行投资组合决策分析,发现新模型在收益指标和风险指标上均具有一定优势。     

收益率曲面预测及其在信用债投资组合管理中的应用

收益率曲线是信用债投资者的重要参考。在市场套利活动的作用下,跨期限和信用等级的债券收益率具有很强的内生联系,其变动规律具有整体性和连续性。以往研究将信用债收益率曲线拆分成无风险利率曲线和信用利差两个部分,前者关注期限的影响,后者关注信用等级的影响,但很少同时考虑两者的共同影响。本文在收益率曲线的基础上增加信用等级维度,将AAA+级到AA级收益率曲线视为一个相互关联的整体,定义为信用债的收益率曲面(Yield Surface)。相比收益率曲线,收益率曲面包含了跨等级的系统性预测信息,通过预测收益率曲面能够构建具有较高收益的投资管理策略。本文以中期票据市场为例,采用卷积神经网络模型预测1周后的收益率曲面,在此基础上计算债券的预测理论价格,发现该价格对未来交易价格的预测有显著作用。基于预测价差,本文提出了信用债投资管 理策略,应用该策略的投资组合能够获得显著的正收益。业绩归因分析发现,该策略取得的收益同时来 自投资组合在信用风险和久期风险上的暴露,预测价差可以刻画债券市场的“风险前沿”。本文采用了中债估值价格进行稳健性检验,主要结论均保持一致,具有较强的稳健性。     

海外资产配置与A股国际化是“双赢”之举吗——基于投资组合均值—方差张成检验的实证分析

资产配置效率是影响投资组合绩效的关键因素,如何衡量资产配置效率对于投资者构建与评价投资组合表现具有重要现实意义。基于改进后的均值—方差张成检验模型,分别研究A股市场投资组合引入国际资产以及国际投资组合引入A股指数后对原有投资组合表现的影响及成因,研究结果表明:在国内A股投资组合中引入发达市场股票指数可以有效控制A股投资组合的尾部风险,而在国际投资组合中引入A股指数则能够提升国际投资组合的夏普比率,并且目前A股指数尚不能够替代国际投资组合中的其他新兴市场指数;国际投资者应当引入A股资产以提升投资组合风险收益比,A股投资者应引入国际资产以有效控制投资组合尾部风险。     

多因子量化模型在投资组合中的应用——基于LASSO与Elastic Net的比较研究

多因子模型一直是量化投资领域的重要方法,而如何选择有效因子并确定因子权重从而构建有效的投资组合是研究者重点讨论的议题。在研究打分法和普通最小二乘法确定因子权重的基础上,引入LASSO和弹性网(Elastic Net)两类前沿方法进行因子筛选并确定因子权重,利用沪深300指数成份股进行回测,研究结果表明,Elastic Net方法比OLS和LASSO方法更能够筛选出有效因子,并构建出有效的投资组合,从而帮助投资者获得更高的超额收益。该模型对量化投资策略的设计具有重要的实际意义。