20210823-华宝证券-金融工程专题报告_如何优化均值方差模型_Min-Max最优化方法探索_17页_2mb

如何优化均值方差模型？Min-Max最优化方法探索

核心内容

本报告探讨了如何优化传统的均值方差模型（MV模型），通过引入风险预算模型和Min-Max最优化方法，提升组合在实际应用中的稳健性和收益风险比。报告还尝试在中观行业层面进行配置优化，并结合自助抽样法进一步增强模型的鲁棒性。

主要观点

• 均值方差模型的局限性：MV模型依赖资产预期收益率和协方差矩阵，但这些参数在现实中难以准确估计，导致模型在实际应用中表现不稳定，且对输入参数敏感。
• 风险预算模型的优势：风险预算模型通过仅使用波动率作为输入参数，降低了对预期收益的依赖，提升了模型的样本外表现。它更适用于固收+策略，因为其权重倾向于债券资产。
• Min-Max最优化模型：该模型通过考虑多种收益/风险情景，优化最差情况下的组合表现，从而增强模型的稳健性。它更适用于风险厌恶型投资者。
• 自助抽样法的补充作用：通过随机抽样生成多个情景，减少权重集中度，提高组合的分散性，进一步改善模型的稳定性。
• 中观配置的扩展应用：在大类资产配置基础上，引入中观行业ETF，提升模型在行业层面的风险分散能力。

关键信息

1. 风险预算模型

• 适用范围：用于大类资产配置，尤其适用于股债配置。
• 配置比例：测试了股债1:1、2:1、3:1三种比例，其中1:1组合表现最佳。
• 回测结果：
  • 年化收益率：4.51%
  • 最大回撤：-5.23%
  • Calmar比率：2.21
  • 相较于中债总财富指数，年化收益率增厚0.55%，最大回撤仅增加0.26%。
• 平均权益仓位：
  • 风险预算1:1：7.67%
  • 风险预算2:1：10.26%
  • 风险预算3:1：12.11%

2. 传统均值方差模型

• 优化目标：最大化收益/最小化风险，通过设定风险厌恶系数λ=3。
• 局限性：
  • 对预期收益和协方差矩阵高度敏感。
  • 样本外表现不稳定。
  • 回撤高于风险预算模型。
• 回测结果：
  • 年化收益率：4.06%
  • 最大回撤：-5.79%
  • Calmar比率：1.75
  • 夏普比率：0.98

3. Min-Max最优化模型

• 优化逻辑：在多种情景下优化最差情况，提高组合的稳健性。
• 情景构建：基于沪深300市净率分位数，分为高估值（95%）、中估值（50%）、低估值（5%）三种情景。
• 权重生成：当前市净率分位数与情景平均分位数的倒数比作为情景权重。
• 回测结果：
  • 年化收益率：4.26%
  • 最大回撤：-5.09%
  • Calmar比率：2.76
  • 夏普比率：1.42
  • 相较于传统MV模型，最大回撤缩小0.14%，收益风险比显著提升。

4. Min-Max最优化+中观行业配置

• 行业遴选：通过相关性分析，选取相互之间相关性较低的行业ETF，如汽车、家用电器、计算机、电气设备、医药生物、房地产、有色金属、国防军工、非银金融、食品饮料等。
• 回测结果：
  • 年化收益率：4.70%
  • 最大回撤：-4.53%
  • Calmar比率：2.30
  • 夏普比率：1.37
  • 相较于基准，最大回撤缩小0.56%，收益风险比进一步提升。

5. 自助抽样法

• 方法目的：减少权重集中，提高组合的分散性。
• 操作方式：对每个情景生成100个样本，基于不同样本计算最优权重，再对权重求平均。
• 回测结果：
  • 年化收益率：4.88%
  • 最大回撤：-4.97%
  • Calmar比率：2.70
  • 夏普比率：1.44
  • 组合收益进一步提升，最大回撤略高于Min-Max模型，但优于传统MV模型。

总结

本报告提出了一种基于风险预算模型与Min-Max最优化方法的量化资产配置框架，并将其应用于股债配置与中观行业配置。通过引入情景构建和自助抽样法，提升了组合的稳健性和收益风险比。尽管Min-Max模型在优化最差情景方面表现出色，但其有效性仍依赖于情景选择的准确性。因此，该模型更适合作为构建投资组合的框架，而非直接替代MV模型的输入参数。整体来看，该组合在风险控制与收益提升之间取得了较好的平衡，尤其适合风险厌恶型投资者。