资产配置系列：目标日期基金动态资产配置策略~离散时间下随机最优控制方法-20181130-浙商证券-20页-1mb

资产配置系列：目标日期基金动态资产配置策略——离散时间下随机最优控制方法

核心内容

本文探讨了离散时间下的随机最优控制方法在目标日期基金动态资产配置中的应用。随着公募基金养老目标产品和银行理财资金入市，对大类资产配置的需求日益增加。资产配置能力直接影响产品业绩，因此研究动态资产配置策略对于投资者决策具有重要意义。

文章提出了基于投资比例和投资金额的两种动态资产配置模型，并介绍了如何利用情景树算法和模拟方法求解这些模型。模型通过优化目标效用函数，最大化预期财富并最小化未达目标的惩罚项，从而在不确定性下做出最优配置决策。

主要观点

• 传统方法的局限性：传统的Markowitz均值方差框架虽然广泛应用，但无法有效处理动态调整和不确定性路径的问题。
• 随机最优控制理论：自2003年起，随机最优控制理论和随机动态规划技术逐渐应用于资产配置，为投资者提供了更灵活的决策工具。
• 离散时间模型：离散时间下的模型不需要严格的随机微分方程建模，而是通过构建动态规划模型和模拟方法，对资产路径进行估计，从而获得配置方案。
• 情景树算法：情景树算法是一种对连续情况的离散化方法，通过模拟未来资产路径，将不确定性路径表示为情景树，从而进行多阶段决策。
• 线性规划模型：基于投资金额的模型可表示为线性规划模型，便于求解大规模问题并能获得全局最优解。
• 非可预测性约束：为了确保决策的合理性，模型需要满足非可预测性约束，即决策不能依赖未来信息。

关键信息

模型构建

• 投资比例模型：以投资比例为决策变量，约束函数为非线性和非凸，因此难以求得全局最优解。
• 投资金额模型：以投资金额为决策变量，模型为线性规划形式，易于求解并能获得全局最优解。
• 模型变量：
  • $W_t^{(i)}$：路径 $i$ 在时刻 $t$ 的财富
  • $q^{(i)}$：路径 $i$ 下的财富缺口
  • $x_{jt}$：资产 $j$ 在时刻 $t$ 的投资价值
  • $v_t^{(i)}$：路径 $i$ 在时刻 $t$ 的现金价值

数值方法

• 情景树算法：通过将连续情况分解为离散状态，构建情景树，从而进行多阶段决策。
• 动态规划流程：
  1. 初始设置：模拟最优财富路径。
  2. 解方程：将每组路径的财富值和效用函数进行回归，得到方程。
  3. 更新权重：在每组路径中选择具有较小效用的权重。
  4. 重复步骤：不断迭代以获得最优配置方案。
• 模拟路径：使用带漂移的扩散过程模拟股票和债券指数的未来路径，使用欧拉方法进行离散化。

参数估计与情景模拟

• 参数估计：基于2015年11月25日至2018年11月25日的上证指数和中债总财富指数日数据，使用Ozaki方法估计模型参数。
• 情景树：构建了包含12种情景的情景树，分别对应不同的目标收益和资产收益情景。
• 情景模拟：通过模拟路径生成未来资产收益，用于构建情景树并进行数值计算。

数值计算结果

• 不同情景下的配置方案：
  • 按金额的配置方案：见表3，列出了在不同情景下各阶段的债券和股票投资金额。
  • 按比例的配置方案：见表4，列出了在不同情景下各阶段的债券和股票投资比例。

模型特点

• 灵活性：模型支持基于历史数据和投资者预期的混合情景生成方式。
• 非线性效用函数：使用分段线性凹型效用函数，通过惩罚未达目标收益来优化配置。
• 求解工具：使用AMPL等数学编程软件进行求解，也可以使用Julia、MATLAB等工具。
• 风险控制：通过非可预测性约束，确保决策基于已知信息，避免对未来信息的依赖。

结论

本文介绍了离散时间下的随机最优控制方法在动态资产配置中的应用，构建了基于投资比例和投资金额的两种模型，并通过情景树算法和模拟方法进行求解。该方法在不确定性路径下提供了一种可行的动态配置方案，能够帮助投资者在不同情景下做出最优决策。未来还将推出连续时间下的模型，以提供更深入的分析和更小的权重跳跃幅度。