【研报分享】海通量化——高相关资产配置中的因子降维与组合优化

组合优化
研报分享
海通量化
高相关资产配置
因子降维
标签: #<Tag:0x00007f4cdd8cd300> #<Tag:0x00007f4cdd8cd1c0> #<Tag:0x00007f4cdd8cd058> #<Tag:0x00007f4cdd8cce78> #<Tag:0x00007f4cdd8ccce8>

(daonaldo) #1

本文着重探讨了从因子视角实现高相关资产配置的一种方式——基于因子的Markowitz模型。传统的资产配置模型如Markowitz均值方差模型、Black-Litterman模型以及风险平价模型各有其优点和不足,适用于不同的情况,但它们有共同无法克服的缺陷,即处理高相关性资产时效果不佳(行业资产配置、同类基金的FOF配置、大类资产子类别配置)。因而越来越多的海外机构投资者尝试从因子的角度入手,实现高相关性资产的配置。(更多细节可参考专题报告《高相关资产配置中的因子降维与组合优化》)

传统资产配置方式的缺陷

常见的资产配置模型包括Markowitz均值方差模型、Black-Litterman模型以及海通金工团队曾重点介绍的风险平价模型。三大模型在处理高相关性资产时常常效果不佳。 Markowitz模型主要是基于历史收益率和方差进行预测,因此存在构建的投资组合对输入参数的敏感性较高、估计方差被放大以及样本外预测能力较弱等不足。Black-Litterman模型中,投资者的市场观点有时候较为主观和随意,很难将之量化。风险平价模型其缺点一方面在于仅考虑风险,而没有考虑收益,无法像Markowitz均值方差模型一样实现资产的选择。另外,在配置的对象之间相关性较高时,直接使用风险平价策略很难实现良好的风险分散功能。

为什么要基于因子实现资产配置

在越来越多的海外机构投资者眼里,因子是资产收益与风险真正的内在驱动。资产类别被视为是关于各类因子暴露的不同组合的载体。因子各自的特性和因子之间的互相影响决定了资产的变动,其收益风险特征在跨期之间具备更强的连贯性与稳定性,因而具有更强的预测能力。

基于因子的Markowitz均值-方差模型

在Markowitz均值-方差模型的优化目标函数中,先通过线性转换将资产的收益矩阵转型为因子的收益矩阵,再基于因子组合实现均值方差优化。组合在风险指标微降的同时大幅提升了收益,因而显著提升了夏普比率与Calmar比率。

作为该配置方式的实证,采用中信29个一级行业作为高相关资产配置对象。同时采用Carhart模型中的四因子作为解释因子。

image