基于集成学习的在线高维投资组合策略

文章结合机器学习中的交叉验证、在线学习和集成学习方法,对基于不同高维协方差估计量的投资策略权重进行动态组合,以获得优于传统投资组合策略的样本外表现.基于这一目标,文章对机器学习中比较前沿的在线加权集成(online weighted ensemble,OWE)算法的样本更新方式、学习模型和目标函数进行了替换和修改,改进后的mixed-OWE算法能够更好地适用于多组合的动态混合策略投资.通过数值模拟,文章将mixed-OWE应用在基于二次效用目标函数的投资问题上,结果表明其样本外表现优于传统静态方法.随后,文章进一步使用A股近10年的数据作为样本对mixed-OWE进行了全局最小方差组合投资,经过一定的参数调整后,mixed-OWE策略实现的组合方差优于其成分组合以及等权重组合.     

基于混合频率数据的大维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使得协方差阵的估计较为困难.在文章的研究中,将高频数据和低频数据相结合,提出了基于混合频率数据的协方差阵的估计和预测模型——MFD模型,MFD模型在解决了维数诅咒的同时还考虑了过去市场信息对协方差阵的影响,动态地估计和预测了未来的协方差阵.通过实证研究发现:较基于低频数据和高频数据的协方差阵估计和预测模型而言,MFD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.     

基于高频波动率模型与R-vine copula的行业资产组合风险测度研究

相较于低频波动率模型,高频波动率模型在单资产的波动和风险预测中均取得了更好效果,因此如何将高频波动率模型引入组合风险分析具有重要的理论和现实意义。本文以沪深300指数中的6种行业高频数据为例,运用滚动时间窗技术建立9类已实现波动率异质自回归(HAR-RV-type)模型刻画行业指数波动,同时使用R-vine copula模型描述行业资产间相依结构,进一步结合均值-CVaR模型优化行业资产组合投资比例,构建组合风险的预期损失模型,并通过返回测试比较不同风险模型的精度差异。研究结果表明:将HAR族高频波动率模型引入组合风险分析框架,能够有效预测行业资产组合风险状况;高频波动率预测的准确性将进而影响组合风险测度效果,跳跃、符号跳跃变差以及符号正向、负向跳跃变差均有助于提高行业组合风险的预测精度。     

离散时间投资组合保险策略CPPI及其实证分析

本文重点讨论了在离散时刻对投资组合进行调整的CPPI策略.给出了组合价值的过程表达式,并对其进行风险分析;引入二次期望效用函数,给出了确定CPPI策略中最优乘数的方法;讨论了借贷限制对CPPI策略的影响并将其与买入持有策略进行比较分析。最后,文章对CPPI策略的投资效果进行了实证分析.     

基于AdaBoost的投资组合优化

文章利用AdaBoost集成学习技术提升均值-方差(MV)策略的表现.首先,文章对二次期望效用损失函数进行了分歧分解,从理论上表明集成学习技术有助于提升投资组合策略的表现.其次,文章将收益率均值和协方差压缩估计量中的压缩强度设定为样本外绩效驱动,并利用迭代有效集法和梯度下降法最大化效用的值函数,从而构建了参数化的MV策...     

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.     

金融资产多分辨风险识别及投资组合策略

为有效地揭示金融市场微观结构、反映和分散金融风险,基于最大重复离散小波变换对高频数据进行了多分辨分析,利用小波方差和小波协方差给出多分辨Beta系数的计算方法,讨论了高频金融资产不同时间尺度下的风险组成。针对收益与风险的多分辨特征,提出多分辨投资组合策略,改进了Markowitz的静态投资组合方法。实证研究表明,同一金融资产在不同时间尺度下的收益与风险存在多分辨特征;CAPM的表现也具有多分辨特征;而多分辨的投资组合策略则将不同时间尺度下的投资风险降到了最低。     

基于轮换样本连续性调查的校准组合估计方法研究

校准估计是抽样调查中比较常用的一种利用辅助信息提高估计量精度的方法。回归组合估计量作为轮换样本连续性调查中使用的一种有效的估计量,是可以通过校准程序得到的。基于回归组合估计量和校准程序之间的关系,本文提出了轮换样本连续性抽样调查条件下的不同校准组合估计量及其方差估计。校准组合估计量的主要思想是在校准估计程序中将拼配样本和非拼配样本的辅助信息进行不同的组合利用。本文利用美国现时人口调查的微观数据进行数值模拟,来比较不同校准组合估计量的估计效率,模拟结果表明两步校准组合估计量和两步校准双组合估计量的表现相似,且估计精度都高于H-T估计量及回归组合估计量;而两步校准组合估计量由于其简便性更适合应用于实践中。最后以我国农村住户连续性抽样调查为例,设计一套符合我国实际的轮换样本连续性调查方案,并将提出的校准组合估计量运用于估计阶段,为中国政府统计调查提供一定的借鉴和参考.     

资产组合优化的多分形模型及实证分析

将马尔科夫转换多分形模型引入均值-CVaR框架,构建资产组合优化的多分形模型,并给出最优组合投资策略的求解步骤.实证分析结果表明,基于多分形模型的组合策略在描述性统计分析、风险调整收益分析、经济表现分析以及策略稳定性分析中的表现均优于基于CCC-GARCH模型的组合策略,考虑多分形性确实有助于改善资产组合策略.文章所构建的模型和实证结果为资产组合投资实践提供了有益的参考.     

基于确定性等价进行等权重调整的组合投资策略研究

由于估计误差的存在,均值方差投资策略的样本外表现并不尽如人意,与此同时,等权重投资策略由于没有估计误差和良好的样本外表现而逐渐被关注,且在策略组合中发挥重要作用.因此文章引入等权重投资策略对原有的均值方差资产配置进行调整,基于确定性等价衡量不同投资策略样本外表现的优劣,确定子策略的加权系数,构建组合投资策略.研究结果表...     

非平稳市场中适应性在线投资组合策略设计与分析

考虑到股票市场的表现往往是非平稳的, 过去较长时间的股票价格对当前的投资决策影响较小, 因此基于近期股票价格数据设计在线投资组合策略. 首先, 将上一期的策略与固定长度的股票价格近期数据对应的最优定常再调整策略加权平均, 设计了一个在线投资组合策略. 其次, 进一步采用在线学习的方法选择加权平均的权重, 设计了一个适应性的在线投资组合策略. 利用实际股票价格数据对构造的策略进行数值分析, 结果表明与基准策略和已有的在线投资组合策略相比, 设计的策略具有较好的性能.     

非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法及其应用

提出非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法.首先利用Mallat算法对非平稳时间序列进行小波分解;然后采用能量阈值选择策略对高频系数进行处理,并将其与低频系数进行小波重构;最后运用改进的GM(1,1)方法预测.该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.实验结果证明,该方法比传统的非平稳时间序列预测方法具有更高的预测精度.     

双辅助信息随机化回答模型的两种估计量

随机化回答技术是进行敏感性问题调查和推算总体特征比例的一种有效方法.通过在随机化回答技术中使用辅助信息,可以提高估计量的精度,从而得到更为合理的调查结果.在随机化回答技术中引入两个辅助信息,提出比方法和比方法与回归方法组合的两种估计量,计算了这两种估计量的均方误差,并通过数值计算验证了两种估计量的合理性.     

多维金融高频协方差阵预测模型的比较分析

现代投资组合理论大部分是从组合风险控制的角度展开,协方差矩阵扮演着非常重要的角色.将高频协方差阵应用在投资组合或风险管理时,就需要考虑采用何种预测模型来对高频协方差阵进行预测,较好的预测模型能够更加准确的对资产的波动性进行预测.高频协方差阵预测模型的建立较为复杂,目前还没有一种广泛被认可的模型.采用MCS检验法来选择最优的预测模型,研究发现高频协方差阵预测模型LOG-HAR模型在所有的损失函数下预测能力最好,并且高频协方差阵预测模型的预测能力要优于低频协方差阵预测模型.     

极值理论在高频数据中的VaR和CVaR风险价值研究

高频数据具有与低频数据明显不同的特征。本文引入广义帕雷托分布代替传统的正态分布等,精确描述金融高频数据收益的厚尾特征;并且计算高频数据下的VaR和CVaR,然后利用深成A指数据进行返回检验。两种返回检验方法的结果表明,极值理论方法可以比较精确地度量VaR和CVaR。     

高频数据连续部分杠杆效应的估计

对股票价格与其波动率之间的负相关性的发现,引发了对高频金融数据杠杆效应的研究热潮.对于高频数据连续时间条件下满足伊藤半鞅模型的对数价格过程和波动率过程,定义了连续部分杠杆效应(CLE),并用临近窗口和向下截断方法,采用二次变差来构造相应的估计量,进一步研究了该估计量的相合性和渐近正态性,最后给出了定理证明.     

基于线性反馈策略的多阶段均值-方差投资组合优化

现有的多阶段投资组合优化问题普遍利用动态规划方法来进行求解,然而对于较为复杂的优化问题而言,该方法并不适用.针对此类复杂投资组合优化问题,文章首先在广义的多阶段均值一方差理论框架下,构建一类存在凸锥约束的投资组合优化模型.进而提出了一种有效的线性反馈策略,通过计算投资组合在各阶段财富值的收益和风险值,可将该动态随机控制问题转化为一个传统的凸优化问题.最后,在开环和闭环两种策略形式下通过数值仿真验证文章所提出反馈策略的有效性.结果表明,所提出的开环策略占优于已有的开环策略,且能够有效地拟合由动态规划所得精确投资策略.     

基于DEA交叉效率的投资组合优化策略

以风险报酬比指标中的风险和收益因子作为投入产出,利用BCC模型计算投资效率.然后引入交叉效率模型,在均值方差框架下计算最优投资组合,将其形成投资策略在A股市场中回测.以传统的全局最小方差模型、纯交叉效率模型、等权模型和大盘指数作为业绩比较基准,回测结果发现不论是否放开卖空约束,投资组合策略均可以跑赢所有基准.稳定性测试表明,在不同调仓周期和不同的指数成分股中,投资组合策略仍然表现稳健,可以跑赢基准.     

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.     

不同风险度量方法的投资组合比较研究

为了验证投资组合理论在中国证券市场的有效性,在不允许卖空情况,针对不同风险度量方法,文章运用旋转算法或结合序列二次规划法分别求解均值-方差、均值-下半方差投资组合模型、均值-半绝对偏差、均值-平均绝对偏差和均值-VaR.文章选取三年沪市六只业绩比较好的股票,依据前两年的数据作为样本数据,分别求出五个模型在不同期望收益率下的最优投资策略,将得出的最优投资策略应用到最后一年,进行模拟投资,从而计算出各模型的总收益率.以等比例投资为标准,比较五个模型的绩效.最后,证明了两个模型对于中国证券市场是适用.