金融次优理论核心观点 [page::0][page::3][page::5]

• 当期优化的最优解未必是未来最优，样本内最优相较于次优反而在样本外表现差。

- 传统运筹学中求得的最优组合在金融场景可能导致未来极端风险，次优组合反而风险收益均衡更优。

• 次优理论受福利经济学启发，强调在不完美约束下次优状态可能优于“强求”最优。[page::4][page::5]

差分进化算法简介与优势 [page::6][page::7][page::8][page::9][page::10][page::11]

• 差分进化是1995年提出的基于群体搜索的启发式算法，通过实数编码、差分变异和选择策略执行迭代优化。

- 相较遗传算法，DE算法编码为实数，进化迭代基于父代本身，淘汰后继劣解，收敛速度更快且鲁棒性强。

• DE算法适合解决非凸、不可导、高维以及连续空间中的复杂金融优化问题。

- 具体算法流程包括生成初代随机种群、基于差分变异产生新解，通过适应度比较选优，快速演化解空间。

• 该算法已在多个领域验证有效，金融定价、风险管理和组合优化等均有成功应用案例。[page::7][page::8][page::9][page::10][page::11][page::12][page::13]

组合构建及回测结果分析 [page::0][page::14][page::15][page::16][page::17][page::18][page::19]

• 设计两个组合：

1. 股票指数最小风险组合：基于最大回撤（MD）与条件风险价值（CVaR）最小化目标，通过季度调仓实现，覆盖上证50、沪深300、中证500等主流ETF。
2. 货币基金收益增强组合：采用货币基金、短债和一级债基资产构建，以年度和半年度调仓回测，保持低回撤的同时实现收益提升。

• 基金池一（7只ETF）回测结果：

| 指标 | 沪深300 | MDpool1 | CVaRpool1 |
|-------------|---------|----------|------------|
| 累计收益率 | 67.14% | 100.26% | 120.09% |
| 年化收益率 | 9.64% | 13.25% | 15.19% |
| 年化夏普比 | 0.40 | 0.51 | 0.61 |
| 最大回撤 | 46.70% | 46.01% | 47.86% |
| 超额收益 | - | 3.61% | 5.54% |

• 基金池二（15只ETF）回测结果：

| 指标 | 沪深300 | MDpool2 | CVaRpool2 |
|-------------|---------|----------|------------|
| 累计收益率 | 67.14% | 131.67% | 118.22% |
| 年化收益率 | 9.64% | 16.25% | 15.01% |
| 年化夏普比 | 0.40 | 0.67 | 0.64 |
| 最大回撤 | 46.70% | 46.21% | 46.10% |
| 超额收益 | - | 6.61% | 5.37% |

• 货币基金收益增强组合回测：

- 年度调仓年化收益4.44%，最大回撤控制在约2.2%以内
- 半年度调仓年化收益4.56%，最大回撤进一步下降至约1.9%
- 结合基金池具体权重变动，体现稳健配置和周期性调整优势

差分进化算法在金融中的应用价值 [page::12][page::13]

• 适合解决带有复杂约束、不可导、非线性多目标的资产优化问题，例如期权定价中构建局部波动率模型。

- 处理多目标金融组合优化时，DE可通过惩罚函数处理风险预算约束，实现最小化CVaR的组合权重分配。

• R语言DEoptim包在组合权重优化中表现优于传统基于梯度的方法。

报告分析：次优理论下的组合配置与策略构建 ——人工智能再出发

1. 元数据与概览

报告基本信息

• 报告标题：《次优理论下的组合配置与策略构建 ——人工智能再出发》

- 作者：包赞（联系方式：baozan@stocke.com.cn，电话：021-80108127）

• 发布机构：浙商证券研究所

- 发布日期：未明，但报告涉及数据截止2019年，推测为2020年前后

• 研究领域：金融组合优化、人工智能算法应用、次优理论、差分进化算法（DE）

报告主题

主要探讨金融优化中的“次优理论”概念及其价值，重点介绍一种适用性强的启发式进化算法——差分进化算法（DE），并结合实证案例说明该算法在金融组合配置问题上的运用优势。

核心论点与目标

作者提出：

• 传统金融组合优化追求“最优解”，但金融实际应用重视“样本外”的收益表现，样本内“次优解”可能在后期表现更佳，提出“金融次优理论”。

- 差分进化算法适合解决金融领域非凸、非连续、高维、约束较多的复杂组合优化问题，较传统方法更高效稳健。

• 实证部分通过最大回撤最小化与CVaR最小化目标构建两类组合，展现DE算法优异的投资表现，尤其是在宽基指数和货币基金收益增强组合中，取得超越市场的业绩。

- 强调AI与金融结合需“金融逻辑开道，AI辅助”，避免生搬硬套。

本报告未提供明确的评级和目标价，重在方法论与实证技巧分享。[page::0,3,4]

---

2. 逐节深度解读

2.1 引言

• 优化是金融领域的基础工具，相关问题尤其复杂（非凸、非线性、高维、随机等），传统数值方法难以高效求解。

- 作者引入“金融次优理论”：由于未来收益的不确定性，样本内“最优解”不一定是样本外最优，样本内“次优解”反而有可能表现更好，强调模拟和实证检验的重要性。

• 强调人工智能优化算法与金融逻辑有机融合，AI为金融建模赋能，但不能简单套用，金融逻辑是根基。

2.2 金融中的优化与人工智能

• AI加强版运筹学和统计学，适合分类和优化问题。

- 作者曾用AI的“稀疏优化”算法改进指数增强策略并取得成功，本报告选择继续研究AI优化，专注适配适合金融优化的算法。

• 强调金融问题需要依赖严谨金融理论支撑，AI算法作用是辅助而非替代金融学。

2.3 金融中的次优理论

• 对比福利经济学中的次优理论（图1展示了因约束限制产生的次优点R优于名义最优点Q），作者指出：在金融组合中，过于“极端”的样本内最优配置（例如对某股票配置过大）可能在未来带来大额回撤，样本内次优配置往往更稳健，且实际收益更优。

- 举例货币基金收益增强组合中，简单最大配置货币基金回撤小但收益差，反之，过激配置债券基金风险大；而DE算法给出的次优解能更好平衡回撤和收益，实现样本外收益增强。

2.4 次优的数学讨论

• 以最大回撤最小化组合为例，定义样本内收益时间区间$T1$和样本外$T2$，最优权重分别为$\omega^i$和$\omega^j$。

- 作者关注$\|\omega^i-\omega^j\| \leq \varepsilon$的性质，强调本报告为经验总结和实证验证，尚缺乏严格理论证明。

• 该思想表明，次优解在样本外可能更贴近真正的最优解。

---

3. 差分进化算法（DE）

3.1 DE算法选择原因

• 启发式算法侧重用经验规则快速寻找好的可行解，不保证理论上的最优，但计算效率高，适应复杂非凸金融问题。

- DE算法不是为了故意找次优，而是在寻找最优的过程中，自然会得到较优的“次优解”，且该解满足实证需求。

• 作者强调实验和经验驱动，鼓励后续研究优于本文的算法。

3.2 DE算法简介

• DE是1995年由Storn等提出模拟生物进化的启发式启发式算法，核心是基于差分的变异操作和一对一竞争策略。

- DE算法以种群方式进行全局搜索，动态调整策略，具有记忆能力，适合高维非凸复杂问题，无需问题特征信息。

• DE已广泛应用于神经网络训练、电磁学、经济学与机器学习复杂模型。

3.3 DE与遗传算法区别（表1）

• DE使用实数编码，遗传算法二进制编码；

- DE基于父代本身进化，遗传算法基于DNA信息交叉；

• DE淘汰劣者绝对淘汰，遗传算法劣者概率淘汰；

- DE核心操作为变异，遗传算法为交叉；

• DE鲁棒性及收敛速度更优，但可能受局部最优影响；

- 遗传算法全局搜索能力强，收敛慢。

3.4 DE算法流程（图2，图3等说明）

• 使用Ackley函数作为数值难题示范，展示初代种群随机分布。

- 变异：构造差分向量$F\times(P{r2}^{(0)}-P{r3}^{(0)})$。

• 交叉：用变异解与当前解依据交叉概率（CR）组合生成候选解。

- 选择：新种群中保留更优者。

• 迭代上述过程直到收敛。

3.5 DE金融领域应用

• 期权定价复杂参数优化中，DE能有效处理非凸、不可导、高维、局部极值问题。

- 对投资组合CVaR优化：通过惩罚函数加权多约束，DE能够搜索不可行解集，并逐步逼近可行且优化目标最优解。

• 解决财务实际问题中多目标、非凸约束的投资组合优化，DE表现优于传统基于梯度的算法。

- 结合期权定价和组合优化实例，阐述DE具备广泛适用性和实际价值。

---

4. 各种股票指数下的最小风险组合

4.1 目标函数介绍

• 使用最大回撤最小化（MD）和条件风险价值最小化（CVaR）两个风险指标。

- 组合权重约束为$w_i \in [0,1]$,总和为1。

• 具体计算最大回撤用累计收益序列和其历史最高点比较，CVaR用基于风险贡献度的协方差矩阵数值表达。

- CVaR定义为损失超过VaR情况下的平均损失。

4.2 宽基指数组合回测（基金池一）

• 选择7只规模及上市日期较大的宽基ETF，包括沪深300、上证50、创业板指等。

- 图4显示2014-2019年MD最小化和CVaR最小化组合累计收益均显著优于沪深300基准。

• 表3：

- 累计收益率：MD组合100.26%，CVaR组合120.09%，沪深300仅67.14%；
- 年化收益率：MD组合13.25%，CVaR组合15.19%，沪深300 9.64%；
- 年化夏普比提升明显；
- 最大回撤幅度接近，但组合稳定性相对更优；
- 超额收益和信息比率优势突出；
- 月胜率约54%，表现稳健。

4.3 各类代表性股票ETF组合回测（基金池二）

• 选取15只各类股票类ETF，涵盖策略和行业ETF。

- 图5显示组合累计收益明显优于沪深300。

• 表5：

- 累计收益率：MD组合131.67%，CVaR组合118.22%，基准67.14%；
- 年化收益率分别为16.25%和15.01%；
- 夏普比和最大回撤均优于基准。

---

5. 货币基金收益增强组合

5.1 样本介绍

• 选取货币基金、短债、一级债基等基金构成池，追求在低回撤情境下尽可能增加组合收益。

- 策略基于最大回撤最小化算法，控制组合波动。

• 表6列出各基金近几年收益数据，收益率普遍稳定适中。

5.2 年度调仓回测

• 调仓频率为年度，回测窗口250交易日，时间跨度2015-2019。

- 图6呈现组合累计收益稳健上升趋势，波动和回撤较小。

• 表7统计数据：

- 总累积收益率达27.47%，2019年前9月收益约3.69%；
- 年化收益率约4.44%；
- 最大回撤非常低，均保持在2%以下，表明风险控制良好。

• 表8给出不同时期组合权重，动态调整配置，体现DE算法的灵活调度能力。

5.3 半年度调仓回测

• 调仓窗口减半为125交易日，回测结果（图7）显示收益稳定小幅提升。

- 年化收益率4.56%，最大回撤降低至1.91%；

• 表9、表10分别详细展示年度收益、回撤数据与调仓权重，持续动态调整基金配置以维持风险收益平衡。

---

3. 图表深度解读

图1：福利经济学中“次优”演示（页4）

• 该图通过生产可能性边界(PPF)及约束线(NewCC)展示了约束下的次优态，点R优于技术有效的点Q，说明放弃全约束的最优而接受部分约束能获得更优结果。

- 支撑作者“次优理论”借鉴，强化了金融优化次优优于样本内最优的逻辑。

图2、3：Ackley函数及初代种群示意（页8-9）

• 三维Ackley函数复杂多峰面，展示DE初代解散布（红点），说明算法从随机群体开始探索搜索空间。

- 强调DE算法适合峰谷众多、高维复杂的函数优化。

图4（页15）、图5（页16）：宽基指数与代表性股票指数下组合累计收益曲线

• 两图均展示MD最小化和CVaR最小化组合收益远超沪深300基准，且稳健性良好。

- 图4中CVaR池一组合表现最佳，收益最高，波动适中。

• 图5在基金池二时MD最小化略优于CVaR组合，但均大幅领先基准。

表2、表4（页15、16）：ETF基金池构成

• 详细列出ETF代码、名称、跟踪指数、规模和上市日期，基金池覆盖主要市场指数且规模充足，保证样本代表性。

表3、表5（页15、17）：各组合绩效数据

• 量化体现组合优势，超额收益、信息比率、夏普比均显著改善，最大回撤控制良好，支持算法效果。

图6、图7（页18、19）：货币基金收益增强组合回测累计收益及回撤曲线

• 稳健、连续上升趋势，显示组合在低风险前提下获得稳定收益增长。

- 半年度调仓（图7）进一步降低回撤，提升整体表现。

表7至表10（页18~19）：FOF组合收益与权重

• 具体展现不同调仓频率下每期资金分配，组合动态调仓有效控制风险，提高收益。

---

4. 估值分析

报告未涉及传统意义上的股票或资产估值分析，而是集中于算法优化的有效性及组合策略构建的实证回测，所用的数学模型和目标函数主要为最大回撤最小化和CVaR最小化两大类别，通过差分进化算法求解组合权重，从而实现组合风险收益的优化。

算法方面：

• 差分进化算法通过种群进化机制求解连续函数优化问题，无需计算梯度，适应复杂约束和非凸目标函数。

- 通过生成随机初始解群体，利用差分变异和交叉生成候选解，再依据目标函数筛选出更优个体，逐步逼近全局最优。

• 针对多约束优化，采用惩罚函数方式处理，使搜索空间即使包含不可行解，算法依然能有效探索最优解区域。

这一过程有别于市盈率、现金流折现等传统估值方法，属于定量投资组合优化，强调算法效率和稳健性。

---

5. 风险因素评估

报告中虽未专门列出风险因素章节，但隐含的风险点包括：

• 模型风险：次优理论和DE算法虽有实证背书，但缺乏严格理论证明，未来表现和鲁棒性存在不确定。

- 算法风险：DE算法属于启发式算法，可能陷入局部最优，且对参数设定敏感。

• 样本偏差风险：实际表现依赖历史数据，市场结构变化和极端事件可能导致样本外失效。

- 市场风险：组合仍受整体市场波动影响，最大回撤和CVaR虽受控，但极端市场环境或流动性风险不可排除。

• 实施风险：频繁调仓产生交易成本，实际净收益可能低于模型预期。

报告对这些潜在风险并未详细展开讨论，也未给出缓解策略，读者应结合自身实际，谨慎使用。

---

6. 批判性视角与细微差别

• 报告创新点是将“次优思想”引入金融组合优化领域，与传统追求样本内最优的方法不同，但该理论尚缺乏系统数学证明，主要以经验和实证支撑，适合探索阶段，后续还需深入研究。

- 差分进化算法的优越性通过回测得到验证，但未与更多主流算法（如粒子群、模拟退火、传统凸优化算法）直接比较，缺乏更全面对比。

• 样本选择集中于沪深市场ETF及债券基金，能否推广至其他市场和资产类别仍待观察。

- 报告中对组合交易成本、资金流动性限制等现实因素考虑不足，实际应用时需补充完善。

• AI算法与金融逻辑的融合论述理想且明确，但具体实现策略较弱，读者需结合实际需求细化。

- 报告表述中使用大量数学符号和公式，说明严谨但部分关键公式表述稍显繁杂，非专业人士阅读门槛稍高。

---

7. 结论性综合

本报告从“金融次优理论”思想出发，提出金融组合优化中样本外表现优于样本内极值的思路，挑战传统运筹学追求样本内最优的范式。作者引入差分进化（DE）算法，一种基于种群启发式搜索的全局优化方法，既解决了金融中的非凸、高维、约束复杂问题，又能有效避免过度拟合样本内数据。

报告中的实证验证表明，利用DE算法进行最大回撤和CVaR最小化的组合优化：

• 在宽基指数ETF池和多类别股票ETF池设定的两个目标函数下，构建的组合年化收益率显著超过沪深300基准3%-6%以上，夏普比和信息比率均有明显提升；

- 在货币基金增强组合的设计中，通过年度及半年度调仓，组合年化收益稳定在4%-4.5%以上，且回撤极低，符合货币基金收益增强的低风险需求；

• 图表和数据全面展现了DE算法在动态权重调整中的灵活表现及稳健收益，印证了理论所述的“样本内次优，样本外最优”思想。

同时，报告秉持“金融逻辑开道，人工智能辅助”的原则，强调两者融合的必要性和可能性。差分进化算法作为一种高效启发式搜索工具，兼具易用性和稳健性，对实务投资组合优化、FOF配置及智能投顾平台的算法设计具备重要参考价值。

然而，报告也存在理论深度不足、风险讨论有限、实际交易因素简化等瑕疵，未来研究可拓宽算法比较，深入理论证明，拓展资产类别，强化交易成本考量。

综上，报告提供了金融优化领域一个颇具启发和可操作性的“次优”新视角和有效算法途径，适合对金融量化建模和智能算法应用有兴趣的研究者和投资从业人员深入学习和借鉴。[page::0,3,4,5,6,7,8,15,16,18,19]

---

主要引用页码

- 0,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19

报告