论文部分内容阅读
自Markowitz提出经典的投资组合选择模型均值方差模型以来，投资组合选择模型的构建受到了业界和学术界的广泛关注和研究。然而传统的投资组合选模型均是建立在历史数据上的，假设股票收益的未来分布与过去是相同的，忽略了特定因子对股票收益的未来分布的影响。本文基于分位数回归和关联规则挖掘构建投资组合选择模型，突破了历史数据的局限，利用特定因子修正股票收益的未来分布,同时，在投资组合选择模型中引入股指期货对冲系统性风险构建alpha对冲模型，可以获得相对稳定的绝对收益。 针对投资组合选择相关问题的研究，首先是在文献综述中简要的介绍了投资组合选择理论中的基本模型、分位数回归模型、关联规则挖掘算法以及量化对冲模型。之后，阐述了特定因子下股票收益联合分布估计算法，主要根据分位数回归模型估计特定因子下股票收益的边缘分布，采用关联规则挖掘算法挖掘股票之间的相关性，考虑到经典的关联规则挖掘算法建立在离散变量的基础上，而股票的收益率却是连续变化的，采用单层或者多层RBM网络确定最优区间划分，从而将连续变量离散化，进而可以采用经典关联规则挖掘算法挖掘股票之间的相关性，最后是根据估计的股票收益边缘分布和股票之间的相关性采用蒙特卡罗模拟算法估计特定因子下股票收益的联合分布。根据估计的联合分布则可以构建均值方差等投资组合选择模型，进而修正传统的均值方差等投资组合选择模型，数值算例表明修正的投资组合选择模型优于传统的投资组合选择模型，其收益高，风险小。考虑到主动型投资组合无法规避系统性风险，在投资组合选择模型的构建中，通过引入股指期货对冲系统性风险构建alpha对冲模型，获取相对稳定的绝对收益。数值算例表明，alpha对冲模型的收益虽然不如主动型投资组合选择模型，但是最大回撤和波动远远低于主动型投资组合选择模型，无论市场表现如何，均能够获取较为稳定的收益。 基于分位数回归和关联规则挖掘算法估计特定因子下股票收益的联合分布，进而根据估计的联合分布构建投资组合选择模型修正传统的投资组合选择模型，突破了传统的投资组合选择模型假设的股票收益的未来分布与过去分布是相同的限制，其次引入股指期货对冲系统性风险，构建alpha对冲模型获取较为稳定的绝对收益。构建的alpha对冲模型可以满足不同的投资者的风险偏好，具有很好的应用价值和应用前景。