NearOpt稳健组合优化框架介绍 [page::1][page::2]

• 传统稳健优化方法包括限制权重、Black-Litterman模型及风险平价模型，但存在主观性强或效果一般等缺陷。

- NearOpt旨在提供近似最优组合域，允许投资者在域内结合定性信息选择投资组合，实现稳健最优解。

• 该模型降低收益预测误差带来的配置波动，提高模型适应性。

NearOpt模型优越性的实证验证 [page::3][page::4][page::5]

• NearOpt组合对权益权重波动的敏感性远低于均值方差模型，最高风险厌恶系数下权益配置波动不超过15%。

- 当权益预测收益率超过目标收益，NearOpt自动通过现金替代部分权益，强化风险控制。

• 实际策略年化波动率均低于目标波动率，表现出良好的风险控制能力和策略稳健性。

固收+$^{+}$策略设计与收益预测方法 [page::6][page::7]

• 股票收益率预测基于股息率、盈利增长及估值变化，估值部分使用两种均值回复模型加权预测。

- 债券收益率预测通过到期收益率和利率均值回复的结合模型实现。

• 结合动态调整机制保证目标收益动态可解，半年调仓，覆盖沪深300、国债和信用债等资产。

量化回测结果与策略表现 [page::8][page::9][page::10][page::11]

| 策略类型 | 年化收益 | 年化波动 | 收益风险比 | 最大回撤 |
|------------------|----------|----------|-----------|----------|
| 保守型NearOpt策略 | 5.63% | 1.72% | 3.26 | 3.05% |
| 风险平价策略 | 4.83% | 1.62% | 2.97 | 3.39% |
| 平衡型NearOpt策略 | 6.60% | 3.19% | 2.06 | 4.15% |

• 保守型策略超越风险平价80bp，最大回撤小24bp，表现稳健。

- 平衡型策略目标收益8%，实际收益略低，但回撤控制良好。

• 策略权重动态调整，灵活配置权益、国债、信用债及现金资产。

NearOpt算法详细介绍及数学表达 [page::12][page::13][page::14]

• 通过构建近似最优域R，将模型求解转为求解凸多胞体上的多个顶点组合权重。

- 利用支持向量机（SVM）简化最优化过程，求解权重间距离最远的点以覆盖近似最优组合域。

• 采用SLSQP算法高效求解凸多胞体质心，生成稳健最优组合，显著提升模型求解速度和实用性。

报告详细分析：《高预测误差下的组合优化和固收+策略设计》

---

一、元数据与报告概览

• 报告标题： 高预测误差下的组合优化和固收+策略设计

- 作者： 陈奥林、杨能

• 发布机构： 国泰君安证券研究所

- 发布时间： 2022年03月14日

• 核心议题：

该报告围绕在收益率预测误差较高情况下，如何设计稳健的组合优化算法，并基于NearOpt近似最优组合模型构建固收+策略。报告强调了传统均值方差模型和风险预算模型在高预测误差环境下的不足，提出NearOpt模型以更好地兼顾收益预测与风险控制。

• 核心论点与结论：

1. NearOpt模型兼顾了收益预测和风险波动控制，在存在较高预测误差时仍实现稳健组合配置。
2. NearOpt模型对收益预测的容错率较高，远优于传统均值方差模型及其扩展。
3. 基于NearOpt设计的固收+策略在回测中表现优于传统风险平价策略，收益提高80个基点，最大回撤降低24个基点。
4. 该策略适合中长期或稳健型资产配置，且允许动态调整收益和风险目标以保证模型可解。
[pagelabels::0,8]

---

二、逐节深度解读

2.1 引言与背景 (页0)

• 关键内容：

报告指出，随着量化选股策略扩容且频率降低（降频），导致更长预测周期下预测误差必然上升。此外，资产配置策略面临的黑天鹅事件增加，使得长期资产收益率的准确预测很难达到高水平。因此，传统均值方差模型及风险预算模型因对预测精度高度依赖，难以有效应用。
报告提出需发展容错率更高的组合优化算法，以应对收益预测误差较大和风险不确定性，这构成该报告的研究动机。

• 逻辑基础：

- 量化策略扩容降频 -> 更长时间窗预测 -> 预测误差增大
- “黑天鹅”事件频发导致资产价格波动更难预测
- 传统模型（均值方差、风险预算）存在固有限制
- NearOpt模型成为解决之道

• 数据与结论：

模拟回测显示，NearOpt基于固收+策略，相比风险平价策略收益多80bp，最大回撤低24bp，体现其有效性。
[pagelabels::0]

2.2 稳健组合优化框架 (页0-1)

• 关键内容总结：

- 传统稳健组合优化方法分为三类：
1. 增加资产权重上限（主观性强，结果受限）
2. 降低预测估计标准误（代表为Black-Litterman模型，改良但敏感性依然存在）
3. 修改目标函数为风险平价（忽略收益预测，适合保险类资金）
- 正则化方法（DeMiguel 2009）引入预测误差惩罚，理论上稳健但实证表现平平。

• 作者观点与推理：

- 参数敏感性是优化问题的内生性问题，无法通过算法本身根本解决。
- 由于收益预测误差较高，追求唯一数学意义上最优解无意义。
- 投资组合最优解应是满足资金需求（目标收益、风险容忍等）概率最大的方案。

• NearOpt模型提出：

- 该模型非传统“最优解”算法，而是组合管理框架。
- 提供一个“近似最优组合域”和“稳健最优组合”，允许投资者结合定性信息选择组合，也可纯定量生成稳健组合。

• 图表解读（图1）:

展示NearOpt框架从量化计算到投资者定性决策的流程，体现了该模型的灵活性与实用性。
[pagelabels::0,1]

2.3 NearOpt优化实现原理 (页1-3)

• 关键内容总结：

NearOpt优化器输入包括：收益率预测、协方差估计、目标收益和目标波动率，输出资产权重。算法构建基于求解“近似最优组合域”（满足目标收益和波动区间），以及该域的“稳健最优组合”（质心）。

• 图表解读（图2）：

清晰展示输入、核心计算过程（近似最优组合域+稳健最优组合）到输出的资产权重路径。

• 空间几何解释（图3）:

- 有效前沿曲线（蓝线）和最优组合（黄点）在均值-方差空间中展现。
- 近似最优组合域为覆盖目标收益和波动范围的凸包（灰色区域）。
- 投资者可以在该域内自由选择股份组合，增加方案灵活性和容错度。

• 核心推断：

- 输入参数发生微调时，最优组合权重剧变风险大，但域内其他组合大体仍具备近似最优性质。
- 质心作为域内组合权重均值，为模型默认稳健解，受参数变化影响较小，更适合实际应用。

• 图表（图4） NearOpt权重敏感度比较：

近似最优组合权重对权益收益率预测变化的敏感度远低于均值方差模型（敏感性最高时波动低于15%，均值方差模型达50%），近似最优组合表现出良好稳健性。

• 收益预测容错：

当权益预期收益远高于目标收益时，NearOpt模型不会盲目超配权益，而是利用现金替代部分权重，强化风险控制。

• 风险控制能力（图5）：

回测中，策略实际波动率始终低于甚至接近目标波动率，验证NearOpt风险控制的准确性。
[pagelabels::1,2,3,4,5]

2.4 固收+策略设计 (页5-11)

• 背景与目标设定：

固收+产品有明确风险和收益目标，而大类资产预测误差较大，NearOpt模型的容错率正适合。
策略资产覆盖沪深300、国债、信用债及国债逆回购，简化资产池。

• 收益率预测：

- 沪深300预测：
依据股息率、盈利增长与估值变化三部分拆分，重点放在估值变化预测，利用FED股债利差均值回复特性，结合AR(1)模型及反转模型两种模型等权平均。
（图6显示预测与实际指数收益的半年年化对比，验证模型合理性，预测误差显著但趋势可捕捉）
- 国债与信用债预测：
同样运用收益率的均值回复假设，AR(1)及反转模型均权取平均，债券收益由到期收益率和利率变动久期收益构成。
（图7表显示预测债券收益与实际半年年化收益趋势吻合）

• 策略参数：

- 保守型：目标年化波动率2%，目标收益率6%
- 平衡型：目标年化波动率4%，目标收益率8%（设定动态调整目标收益，确保模型可解）
- 调仓频率半年，分别于5月与11月调仓。
- 权重由NearOpt模型稳健最优组合给出，允许根据近似组合域做适当调整。

• 回测表现（图8、图9及表1）：

- 保守型策略年化收益5.63%，高出风险平价策略0.8个百分点，年化波动率1.72%，最大回撤3.05%，均优于风险平价。
- 风险收益比为3.26，显示组合优秀的风险调整后收益。
- 历史权重图展现资产配置随市场环境变化动态调整。

• 平衡型策略 (图10、图11、表2)：

- 目标8%收益，4%波动，实际年化收益6.6%，波动3.19%，回撤4.15%。
- 未达到收益目标，但表现出较强的风险控制。
- 权重配置则较保守型更偏股权，更具进攻性。

• 结论：

NearOpt固收+策略适合稳健资产配置，允许一定预测误差，使策略风险控制精准且收益稳健。未来将结合其他模型优化资产收益预测能力。
[pagelabels::5,6,7,8,9,10,11]

2.5 NearOpt算法详解（附录，页11-14）

• 构建过程描述（图12）：

1) 求原始最优组合
2) 设定收益率下限和波动率上限，形成目标集合R（灰色区域）
3) 计算组合域R内的最大收益和风险组合（右上顶点）
4) 找到权重距离最远的组合，扩充组合空间覆盖度
5) 迭代添加距离最远的新组合，形成凸多胞体逼近目标集
6) 当新点距离凸多胞体足够近，停止迭代，构成“近似最优组合域”
7) 计算该凸多胞体质心，为稳健最优组合

• 数学表达（均值方差模型下具体化）：

- 先求解传统均值方差最优化问题，带等式和不等式约束。
- 利用收益阈值和风险上限确定组合搜索空间。
- 利用距离最远点和凸多胞体距离定义，逐步搜索多维空间顶点。
- 采用ε阈值决定迭代终止精度，保证组合覆盖度足够。
- 计算凸包质心作为稳健解。

• 算法复杂性与优化：

- 第五步最优化问题复杂且难以直接求解。
- 采用支持向量机(SVM)技术简化该问题，设计超平面分割凸多胞体与选点，最大化距离，极大加快计算速度。（图13示意SVM超平面划分）
- 该问题转化为SLSQP约束优化问题，便于计算机高效求解。

• 总结：

NearOpt算法兼顾数学严谨性和实际可计算性，支持定制化目标，提升投资组合稳健性。
[pagelabels::11,12,13,14]

---

三、图表深度解读

• 图1 NearOpt组合优化框架（页1）：

展示整体框架，体现NearOpt连接量化输入与定性投资决策两端，突出其灵活应用和管理人的决策参与。

• 图2 NearOpt优化流程（页2）：

明确几个关键输入和NearOpt内部计算结构，以及输出，实现思路极为清晰。

• 图3 有效前沿与近似最优区域（页3）：

该图解释了为什么参数微小变动导致最优组合权重剧烈变化的现象，同时说明域内各组合均为有效解，给策略留出了操作空间。

• 图4 权重敏感度对比（页4）：

对比均值方差模型和NearOpt模型权益权重对收益预测变动的波动区间，清晰显示NearOpt显著减少模型敏感性，减少过度反应，增强稳健性。

• 图5 目标波动率 vs 实际组合波动率（页5）：

模拟中实际年化波动率严格受到目标约束，验证NearOpt在风险控制上的准确性和有效性。

• 图6 沪深300指数收益预测（页6）：

蓝线（预测）与红线（真实）走势大致吻合，策略预测收益虽然带误差但能捕捉趋势，佐证预测模型的合理性。

• 图7 国债总财富指数和信用债收益预测（页7）：

预测信用债和国债收益走势与真实收益时间序列大致匹配，验证债券收益模型稳定性。

• 图8 保守型策略净值走势（页8）：

近十多年净值曲线稳步上扬，超越风险平价策略，表现优异。

• 表1 保守型策略表现（页8）：

量化指标全面优于对标策略，特别在收益风险比和最大回撤方面表现突出。

• 图9 保守型策略权重历史变动（页9）：

展示权益、国债、信用债及现金的动态配置，随市场环境灵活调整。

• 图10 平衡型策略净值走势（页10）：

平衡型策略风险偏好更高，净值表现优于保守型。

• 表2 平衡型策略表现（页10）：

展现策略年化收益达6.6%，但未达到模型假设的8%目标，提示收益率预测仍有提升空间。

• 图11 平衡型策略权重历史变动（页11）：

类似保守型，权益配置比例明显更高，反应策略进攻性增强。

• 图12 NearOpt算法示意（页12）：

通过权重空间二维平面图示最优化顶点和质心，直观易懂。

• 图13 SVM算法示意（页14）：

利用支持向量机分类边界最大化原理，简化距离最远点求解问题。

---

四、估值分析

本报告不涉及具体企业估值分析，但在组合优化范畴内，对资产配置权重的估值相关可以理解为：

• 利用均值-方差框架计算收益期望和风险协方差，通过多目标约束优化资产权重。
• NearOpt基于凸多胞体构造近似最优解空间，兼顾收益和风险的约束（收益下限和波动上限），同时通过SVM优化算法有效求解，提高了估值过程的稳健度和灵活性。

---

五、风险因素评估

报告强调以下风险因素及限制：

• 收益预测误差较大：

即使采用了均值回复及AR模型，预测误差无法忽视，特别是估值部分。

• 模型假设限制：

采用均值-方差和协方差矩阵估计，协方差估计错误或极端市场情况可能影响最终优化结果。

• 标的资产池有限：

仅覆盖股票、国债、信用债和逆回购，未涉及其他资产类别，限制了策略的多样性。

• 动态调整目标具体执行风险：

动态调节目标收益率保证模型可解，但如果调整过度，投资者预期回报可能无法达成。

• 数据与算法复杂性风险：

NearOpt算法较为复杂，实际应用中可能面临计算量大、对数据质量需求高等挑战。

报告并未详细展开缓解策略，但通过动态调整目标收益率和采用稳健组合解质心，部分缓解了参数不确定性带来的风险。
[pagelabels::0,5,6,7]

---

六、批判性视角与细微差别

• 收益预测方法仍较为简单：

主要基于AR(1)和反转模型等传统均值回复方法，未充分利用机器学习、基本面分析等多维度信息，造成预测误差依旧较大。作者虽承认此点，且未来有进一步优化预测模型计划。

• 风险估计依赖历史数据，忽视极端事件非线性影响：

均值-方差体系难以捕捉尾部风险，对于“黑天鹅”事件防范能力有限。

• 模型适用范围受限：

主要面向稳健型资产配置，难以满足激进型投资需求。

• 现实操作中组合权重调整可能受限：

近似最优组合域理论较好，但实际交易成本、流动性限制等未考虑，可能导致组合权重难以灵活调整。

• 说明中存在部分公式显示异常或排版问题（如页6收益率公式），需结合上下文理解。

总体上，报告基于数学逻辑严谨、算法创新，但对收益预测精度限制的依赖依然是核心约束。
[pagelabels::6,12,13]

---

七、结论性综合

本报告系统地提出了NearOpt近似最优组合模型，以解决传统均值方差等模型在收益率预测误差较大情况下的稳健性不足。NearOpt模型通过构建近似最优组合域，结合定性与定量信息，提供更灵活和容错的组合优化方案。其中，稳健最优组合定义为近似最优组合域的质心，对参数扰动具有较高稳定性。

图表和实证结果证实了NearOpt模型：

• 极大降低了对权益预期收益率等参数的敏感性，权益权重波动区间显著收窄（近15%对比传统50%）。

- 有效实现组合风险控制，确保组合实际年化波动率稳定在预设目标以下，降低未来风险暴露。

• 将该框架应用于固收+策略构建，设计了明确目标风险与收益的保守型与平衡型策略。

- 回测显示保守型策略年化收益优于风险平价策略80bp，最大回撤减少24bp，收益风险比提升明显。

• 平衡型策略目标收益尚未完全达成，但表现出较好风险控制。资产收益预测模型较简单，存在拟提升空间。

NearOpt的算法创新包括基于凸多胞体近似组合域构建、利用支持向量机优化求解分割超平面的思路，极大提升模型解算效率和组合稳定性。

该策略适合面临较大预测误差和市场不确定性的中长期稳健型资产配置需求，并为后续进一步集成更多资产类别及复杂收益预测模型提供了可行框架。

整体来看，报告提出了一种创新且实用性强的组合优化模型，较好地解决了收益预测不确定性给组合优化带来的挑战，具有重要理论和实战价值。
[pagelabels::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14]

---

附：重要图表示例

• 报告封面，标明研究主题。

- NearOpt组合优化框架示意图。

• NearOpt优化器的输入输出流程。

- 有效前沿及近似最优组合域图，显示组合的收益与风险空间。

• 权益权重敏感度对比图，NearOpt较传统模型波动更小。

- 目标波动率与实际波动率对比图，NearOpt实现精准风险控制。

• 沪深300指数收益预测效果图。

- 国债和信用债指数收益预测效果图。

• 保守型策略净值走势。

- 保守型策略历史资产权重分布。

• 平衡型策略净值走势。

- 平衡型策略资产权重分布。

• NearOpt算法流程示意。

- 支持向量机(SVM)算法示意，简化优化问题。

---

以上为该金融工程研究报告的全面详细解读和分析。

报告