基于DCC-MIDAS与参数化策略的时变组合投资决策

在经典的均值-方差模型中,组合投资效果往往受到协方差矩阵估计精度低与权重静态设置两个方面的不利影响.为此,文章提出了一种新的时变组合投资决策模型:一方面引入DCC-MIDAS模型,运用高频信息,提高金融资产间的动态关联关系估计精度;另一方面考虑金融资产时变特征对组合投资权重的影响,进行参数化设计,改善时变组合投资效果.对中国股市的个股以及行业板块进行了实证研究,结果表明:账面市值比、市盈率与组合投资权重呈正相关关系,市值与组合投资权重呈负相关关系;新模型在标准差风险、Sharpe比率和有效前沿等方面,都优于传统的组合投资模型.     

高维投资组合风险的估计

在大数据时代,如何估计高维投资组合的风险是金融机构面临的一大难题.针对这一难题,文章主要做了两方面研究:首先,将非线性收缩法和QuEST函数应用到BEKK模型中,提出BEKK-NS模型,以估计和预测在资产组合中扮演着重要角色的资产协方差阵.该模型同时适用于估计正态分布和厚尾分布数据的协方差阵,并且能够很好地解决维数诅咒问题,提高协方差阵的估计效率.其次,构造了基于循环分块bootstrap方法的极限误差U(α)来评价高维投资组合的风险.通过模拟和实证研究发现:BEKK-NS模型明显优于BEKK,将其应用在投资组合时,降低了组合风险,使得投资者获得了更高的收益;并且极限误差U(α)非常接近于真实的误差,由其构造的组合风险的置信区间较为精确.     

选择资产组合的EP-MV模型及最优解的解析表示

本文提出了存在无风险资产贷出或借入时的有效投资组合模型(EP-MV模型)，研究了不允许卖空(投资比例非负)约束条件下，EP-MV优化模型的算法，给出了有效投资组合投资比例的解析表示．在资产收益由多因素模型产生的基础上，得到了资产与有效投资组合的期望收益及风险的估计，便于实际应用．     

CVaR鲁棒均值-CVaR投资组合模型与求解

传统的均值-风险(包括方差、VaR、CVaR等)组合选择模型在计算最优投资组合时,常假定均值是已知的常值,但在实际资产配置中,收益的均值估计会有偏差,即存在着估计风险.在利用CVaR测度估计风险的基础上,研究了CVaR鲁棒均值-CVaR投资组合选择模型,给出了另外两种不同的求解方法,即对偶法和光滑优化方法,并探讨了它们的相关性质及特征,数值实验表明在求解大样本或者大规模投资组合选择问题上,对偶法和光滑优化方法在计算上是可行且有效的.     

考虑高频数据影响的BEKK模型的估计及其应用

多维资产的协方差阵在投资组合中扮演着重要角色,如何估计和预测资产的协方差阵是统计领域的一大热点问题.将基于高频数据的已实现协方差阵(RCOV)和双频已实现协方差阵(TSCOV)应用到BEKK模型的估计过程中,提出了考虑高频数据影响的BEKK-RCOV和BEKK-TSCOV模型,这两类模型将高频数据引入到协方差阵估计过程中的同时,还可以对协方差阵直接进行预测,避免了预测模型的选择困难问题,并且提高了协方差阵的估计效率.通过实证研究发现:BEKK-RCOV和BEKK-TSCOV模型估计和预测效果明显优于BEKK模型,将其应用在投资组合时,使投资者获得了更高的收益.     

基于POET方法的投资组合选择模型

Markowitz开创了现代投资组合理论的先河,他提出的均值方差模型为后来投资组合选择模型的研究奠定了基础.然而,许多学者的研究表明,均值方差模型对参数非常敏感,当模型参数的估计存在较大的误差时,模型并不是在配置风险和收益,而是在配置误差.模型的误差分别来自收益端和风险端,为了改善收益端的参数估计,学者们提出了更具有实际应用价值的Black-Litterman模型,而如何改善风险端的估计误差还有待进一步的研究.在实际应用中,有效的数据样本往往较少,当资产数量较大时,样本协方差矩阵存在很大的估计误差,因此,引入POET方法估计协方差矩阵提高协方差矩阵的估计精度,从风险端改善投资组合选择模型的配置效率.将构建的投资组合选择模型分别应用在申万一级行业指数和二级行业指数上,算例分析的结果表明,引入POET方法后模型有更好的表现.     

几种基于CAPM的最优投资组合构造方案及其比较

本文在William Sharpe的资本资产定价模型（简称CAPM）的基础上,考虑了条件CAPM,就条件CAPM中的β系数为常数和时变系数两种情况,在不同的假设下分别给出了描述真实市场的模型,利用此模型给出了条件CAPM中模型参数的估计方法。对每种不同的描述真实市场的模型,我们选用了上海股市的若干股票构造了最优投资组合,并进行投资组合评估分析,最后对这几种情况下的最优投资组合的表现进行了比较。     

价值风险的非参数估计方法*

价值风险(VaR)模型是当今最流行的金融资产风险管理和控制的工具之一\bd 本文提出了用局部分位数回归的方法来估计某一投资组合的VaR值\bd 该方法可用于计算投资组合多持续期的VaR, 使得人们可以了解到该投资组合在一定持续期内的动态风险\bd 本文通过模拟和美国三个月到期国债利率数据的分析说明了该方法的具体执行情况, 并与J.P. Morgan的时间开方规则作了比较\bd 结果表明我们的VaR估计有令人满意的效果.     

高维稀疏对角GARCH模型的估计及应用

高维数据背景下,数据维度和噪声的影响使得传统的GARCH模型不再适用.针对对角GARCH(goGARCH)模型的不足,将高维稀疏建模法应用到其估计过程中,提出了高维稀疏对角GARCH(HDS-goGARCH)模型.HDS-goGARCH模型通过引入惩罚函数,将一些不重要变量的回归系数压缩为零,来精简模型,达到降维的目的.通过模拟和实证研究发现:较传统的goGARCH模型而言,HDS-goGARCH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:在收益一定的情况下,由HDS-goGARCH模型所构造的投资组合的风险更小.     

模糊环境中带交易费用的投资组合策略问题

由于金融市场是波动的,风险资产的预期收益率由于很多不确定性是很难估计的,本文考虑预期收益率是可能性分布(模糊数),并且在此基础上用模糊数的可能性均值表示投资组合的收益,用模糊数的平均绝对偏差表示风险,考虑了交易费用后,得到投资组合模型,最后给出了数值计算的例子.