华泰证券-解决资产收益率分布尖峰厚尾与假设不符的问题：引入高阶矩改进马科维茨组合表现-200525

《华泰证券-解决资产收益率分布尖峰厚尾与假设不符的问题：引入高阶矩改进马科维茨组合表现-200525（29页）.pdf》由会员分享，可在线阅读，更多相关《华泰证券-解决资产收益率分布尖峰厚尾与假设不符的问题：引入高阶矩改进马科维茨组合表现-200525（29页）.pdf（29页精品完整版）》请在悟空智库报告文库上搜索。

　　通过多项式目标优化法引入高阶矩到马科维茨模型中，提升组合夏普率
　　本篇报告介绍了资产配置中经典的有效前沿理论和马科维茨模型的数学原理和应用方法，并分析马科维茨模型中对收益和风险的假设与实际市场不符的情况，从而考虑引入高阶矩来拓展模型在资产配置中的适用性。通过测试多项式优化方法（PGP）在原模型基础上加入偏度和峰度的影响，我们发现加入三阶中心矩偏度后的模型能够有效地提高组合夏普比率，并且更换底层资产和回测区间后，模型的提升依旧可靠。
　　马科维茨模型构建出以均值方差为基础的有效前沿，明确了组合投资目标
　　马科维茨模型固定资产组合的收益率，通过资产组合方差最小化的方式构建了有效前沿。当组合中不含无风险资产时，有效前沿为双曲线的一部分，前沿上的资产组合收益率变化区间在取决于单一资产收益率的上下界。当组合中包含无风险资产时，有效前沿为一条直线。通过效用函数得到的“无差异曲线”与有效前沿的切点即为理论上的效用最大化组合。
　　马科维茨模型收益与风险的假设过于理想化，可引入高阶矩进行改进
　　以方差作为风险的衡量指标来自于对效用函数的泰勒展开的二阶形式，该方法的一个基本假设是每种资产的收益率呈正态分布，而实际市场中的资产收益率分布通常会呈现尖峰厚尾的特征，这导致使用均值方差方法进行资产配置时结果与预期会产生一定误差。我们通过引入收益分布的高阶矩来更精准地刻画资产的实际收益分布，这一过程可以使用多项式目标优化的方法来实现。
　　通过多项式目标优化方法，在模型中考虑偏度可以提升模型的配置表现
　　多项式目标优化方法可对最大化收益均值、最小化方差、最大化偏度和最小化峰度等多个目标设定不同权重得到目标优化函数，相比于以收益率均值和方差为双目标的基础模型，将收益均值、方差和偏度设定为目标的偏度模型的夏普比率有明显提升。这一提升在更换股票和商品等底层资产，以及在不同的时间段内测试都依然有效。但由于峰度在刻画收益分布的极端情况时具有双向性，因此在偏度模型的基础上再加入峰度后的模型提升并不明显。
　　风险提示：马科维茨模型和改进后的模型都是基于历史经验的总结，如果市场规律改变，存在失效的可能性；报告中的各类指数只是作为常见指数，并不能完全代表A股或全球市场，请投资者谨慎、理性地看待。