论文部分内容阅读
本文是关于“行业配置中，如何基于风险规划进行组合构建”的文章。
在“行业配置”问题中，主要需要估计的是“行业间的相关关系”，该种关系包括两个方面:截面上(同时期)的相关性和时序上(跨时期)的相关性。而对行业间相关关系进行研究，通常有两个角度(方法类别):“经济逻辑”和“统计逻辑”。其中“经济逻辑”是指:从实体经济运行角度出发，分析经济周期的方法。而“统计逻辑”主要是指协方差矩阵中非对角元素的估计，即相关系数的估计(此处不仅仅指以方差作为风险度量的方法，还包括VaR，copula等风险度量方法)。
本文从“统计逻辑”角度进行研究，因此本文的第一个研究问题是:如何更加准确地估计(预测)协方差矩阵。从机器学习的角度出发，“预测”可以大致分为两步:“选择合适的样本内数据”和“选择合适的模型，对样本内数据进行学习”，而由于金融时间序列问题常面临“样本内外数据分布不一致的问题”，因此使用“短窗宽”(近期)数据，能够较好地捕捉当前市场结构，但是抽样误差较大(Variance)，而使用“长窗宽”数据，能够较好地降低抽样误差，但是不能够反映当前市场情况，因此偏差较大(Error)。
因此为了尽可能保持样本内外数据的分布一致而选择使用“短窗宽”数据，就需要从模型(此处指估计方法的选择)角度，尽可能地降低抽样误差，引入“高维协方差矩阵估计方法”正是为了解决这个问题。
本文使用的“高维协方差矩阵估计方法”主要包括两类:一类是“短窗宽”角度下，估计“截面相关性”时，降低抽样误差。另一类是“长窗宽”角度下，需要解决的两个问题:估计“截面相关性”时，更好地反映当前市场结构;以及对“截面相关性和时序相关性”同时进行估计，仍面临“抽样误差较大”的问题。在评价指标方面，本文使用“最小波动率组合的样本外方差”，并结合MCS(Model Confidence Set)方法，作为协方差矩阵估计准确性的衡量指标，通过回测发现:在“短窗宽”的模型中，压缩估计方法更适合于国内行业配置问题;“长窗宽”模型中，对日频数据使用多元波动率建模的作用并不明显。
由于“协方差矩阵估计”只是“组合构建”中的一个环节，因此仍需进一步研究“协方差矩阵估计”，“组合约束条件”以及“组合构建方法(风险规划方法)”之间的关系。
关于“协方差矩阵估计方法”和“组合构建方法”关系的讨论，使用基于“风险规划”的组合构建方法，其实质是探讨如何选择样本内的目标函数，以获得样本外的风险分散(不考虑收益项)。本文基于组合的净值序列，并结合MCS(Model confidence set)方法，构建相关的评价指标，通过回测发现:在国内行业配置问题中，“风险规划”角度出发的组合构建方法中，“风险平价”方法始终表现良好，但是在大多数时期，其他组合构建方法与风险平价也较为接近;并且窗宽的增加，协方差矩阵估计准确性的提升，都不能稳定地提升组合的夏普比率。改结果可能是由于卖空限制导致各个估计方法的准确性较为接近，且国内行业大多数时期是受到市场因子的驱动，各个行业的风险暴露较为接近，较难形成独立的行情，从而使得各种风险规划方法都难以更好地分散样本外的风险。
在“行业配置”问题中，主要需要估计的是“行业间的相关关系”，该种关系包括两个方面:截面上(同时期)的相关性和时序上(跨时期)的相关性。而对行业间相关关系进行研究，通常有两个角度(方法类别):“经济逻辑”和“统计逻辑”。其中“经济逻辑”是指:从实体经济运行角度出发，分析经济周期的方法。而“统计逻辑”主要是指协方差矩阵中非对角元素的估计，即相关系数的估计(此处不仅仅指以方差作为风险度量的方法，还包括VaR，copula等风险度量方法)。
本文从“统计逻辑”角度进行研究，因此本文的第一个研究问题是:如何更加准确地估计(预测)协方差矩阵。从机器学习的角度出发，“预测”可以大致分为两步:“选择合适的样本内数据”和“选择合适的模型，对样本内数据进行学习”，而由于金融时间序列问题常面临“样本内外数据分布不一致的问题”，因此使用“短窗宽”(近期)数据，能够较好地捕捉当前市场结构，但是抽样误差较大(Variance)，而使用“长窗宽”数据，能够较好地降低抽样误差，但是不能够反映当前市场情况，因此偏差较大(Error)。
因此为了尽可能保持样本内外数据的分布一致而选择使用“短窗宽”数据，就需要从模型(此处指估计方法的选择)角度，尽可能地降低抽样误差，引入“高维协方差矩阵估计方法”正是为了解决这个问题。
本文使用的“高维协方差矩阵估计方法”主要包括两类:一类是“短窗宽”角度下，估计“截面相关性”时，降低抽样误差。另一类是“长窗宽”角度下，需要解决的两个问题:估计“截面相关性”时，更好地反映当前市场结构;以及对“截面相关性和时序相关性”同时进行估计，仍面临“抽样误差较大”的问题。在评价指标方面，本文使用“最小波动率组合的样本外方差”，并结合MCS(Model Confidence Set)方法，作为协方差矩阵估计准确性的衡量指标，通过回测发现:在“短窗宽”的模型中，压缩估计方法更适合于国内行业配置问题;“长窗宽”模型中，对日频数据使用多元波动率建模的作用并不明显。
由于“协方差矩阵估计”只是“组合构建”中的一个环节，因此仍需进一步研究“协方差矩阵估计”，“组合约束条件”以及“组合构建方法(风险规划方法)”之间的关系。
关于“协方差矩阵估计方法”和“组合构建方法”关系的讨论，使用基于“风险规划”的组合构建方法，其实质是探讨如何选择样本内的目标函数，以获得样本外的风险分散(不考虑收益项)。本文基于组合的净值序列，并结合MCS(Model confidence set)方法，构建相关的评价指标，通过回测发现:在国内行业配置问题中，“风险规划”角度出发的组合构建方法中，“风险平价”方法始终表现良好，但是在大多数时期，其他组合构建方法与风险平价也较为接近;并且窗宽的增加，协方差矩阵估计准确性的提升，都不能稳定地提升组合的夏普比率。改结果可能是由于卖空限制导致各个估计方法的准确性较为接近，且国内行业大多数时期是受到市场因子的驱动，各个行业的风险暴露较为接近，较难形成独立的行情，从而使得各种风险规划方法都难以更好地分散样本外的风险。