用组合优化构建更精确多样的投资组合-东方证券-20160219
由qxiao创建，最终由qxiao 被浏览 165 用户
研究结论
多因子选股模型的整个投资流程包括alpha模型的构建，风险模型的构建，交易成本模型的构建，投资组合优化过程以及组合业绩的归因分析。从国内市场上已公开的量化模型看，采取的大多是打分法选股或者行业、市值分层构建组合，这种组合构建方式缺乏对风险和alpha的精确控制，最终组合可能偏离预定的投资目标。
多因子结构化风险模型(如Barra, Axioma)目前仍然是市场上的主流风险模型。股票收益率的样本协方差矩阵面临的主要问题是：在股票数量N超过时间样本区间T时，协方差矩阵不可逆，并且包含着较大的估计误差，这些都会严重影响到投资组合优化，使得优化器给出错误的权重分配。
根据Ledoit and Wolf (2003)的方法，我们在国内首次提出了一种具有实用性的风险模型构建方式：协方差矩阵的压缩估计量(Shrinkage Estimator)。它解决了当股票数量N超过样本个数T时样本协方差矩阵不可逆的问题，同时降低了协方差矩阵中的估计误差。同多因子风险模型相比，该风险模型的构建和维护过程相对简单，不需要针对不同市场和不同的alpha模型做调整，并且具有较好的风险预测能力。
我们同时构建了alpha模型和交易成本模型，并且在不同的样本空间内进行投资组合优化回溯测试，实证检验表明基于压缩估计量风险模型构建的组合能够获得比采用简单分层方法构建的组合更高的风险调整后收益和更低的换手率，同时，投资组合的优化过程也提供了对组合的权重分配、换手率进行动态微调的机会。
对于指数增强基金，我们检验得出传统上的行业中性处理已经能够把组合的跟踪误差控制在一个相对较小的范围内，而基于压缩估计量构建的风险模型能够更加精确地控制组合事后跟踪误差，这可以满足指数增强基金经理对组合主动风险进行精确控制的要求。风险提示研究成果基于历史数据，如未来风格发生重大变化，部分规律可能失效。
市场极端情况会导致模型
正文
/wiki/static/upload/7f/7f944da7-e084-4d51-be57-afef561b565a.pdf
\