海外文献推荐系列之五十三：西学东渐-20191205-兴业证券-19页_1mb

协方差矩阵预测方法比较研究报告总结

核心内容

本报告由分析师徐寅撰写，旨在比较5种协方差矩阵预测方法在金融资产配置与风险管理中的表现。这些方法包括滚动历史协方差法、滚动收缩历史协方差法、指数移动平均法（EWMA）、DCC-GARCH模型法以及GO-GARCH模型法。研究通过统计学和实际应用两个角度评估这些方法的优劣，并为实际投资决策提供参考。

主要观点

• 协方差预测的重要性：协方差矩阵的预测在资产配置、风险管理等金融领域中具有核心地位，准确的预测有助于构建更优的风险组合。
• 方法比较结果：
  • 基于GARCH模型的两种方法（DCC-GARCH和GO-GARCH）表现最好，尤其在减少协方差预测误差和最小方差组合跟踪误差方面。
  • EWMA方法次之，虽然不如GARCH模型精确，但因其计算简单、快速，适合实际应用。
  • 滚动历史协方差法和滚动收缩历史协方差法表现最差，后者虽引入收缩估计法以减少误差，但效果有限。
• 建议：在实际应用中，若认为GARCH模型过于复杂，可优先选择EWMA方法。

关键信息

1. 数据与方法说明

• 数据来源：使用了9个不同的数据集，涵盖多种资产类别，包括股票、债券、商品等。
• 预测方法：
  • 滚动历史协方差法：直接使用历史数据计算协方差矩阵作为未来预测。
  • 滚动收缩历史协方差法：通过收缩估计法减少协方差预测误差，但效果有限。
  • 指数移动平均法（EWMA）：基于RiskMetrics集团的模型，使用递归计算。
  • DCC-GARCH模型：一种多元GARCH模型，用于动态条件相关性预测。
  • GO-GARCH模型：另一种多元GARCH模型，基于广义正交GARCH结构。

2. 实证分析

• 样本外预测区间：1995年1月至2013年12月。
• 评估指标：
  • 均方预测误差（MSFE）：衡量协方差预测的准确性。
  • 均方跟踪误差（MSTE）：衡量最小方差组合和目标波动率组合的波动率跟踪误差。
• 主要发现：
  • DCC-GARCH模型在所有数据集上表现最佳，显著降低MSFE和MSTE。
  • GO-GARCH模型次之，略逊于DCC-GARCH。
  • EWMA方法表现良好，且计算简便。
  • 滚动历史和滚动收缩历史协方差法表现不佳，收缩估计法未能显著改善预测效果。

3. 实际应用建议

• 推荐方法：DCC-GARCH和GO-GARCH在预测准确性和跟踪误差控制方面表现优异，适合需要高精度的金融应用。
• 替代方案：EWMA方法虽然在预测精度上略逊于GARCH模型，但因其计算简单，适合实际应用中对计算效率有要求的场景。

图表总结

• 图表1：展示了美国股票和债券指数的月度收益率波动率和相关系数的历史变动。
• 图表2：列出了9个数据集及其包含的资产组合数量。
• 图表3：展示了来自Thomson Reuters Datastream数据库的7大类资产数据。
• 图表4：展示了不同协方差预测方法在1995-2013年期间的样本外预测准确度。
• 图表5：展示了不同方法在9个数据集上的平均预测误差。
• 图表6：展示了不同方法构建的最小方差组合波动率的均方跟踪误差。
• 图表7：展示了不同方法在9个数据集上的平均最小方差组合波动率跟踪误差。
• 图表8：展示了不同方法构建的目标波动率组合的均方跟踪误差。
• 图表9：展示了不同方法在9个数据集上的平均目标波动率组合均方跟踪误差。

风险提示

• 文献中的结果基于历史数据统计、建模和测算完成，在政策和市场环境发生变化时，模型可能存在失效风险。

结论

• 不同协方差预测方法在实际应用中的表现差异显著。
• DCC-GARCH模型在预测准确性和跟踪误差控制方面表现最佳。
• EWMA方法虽然略逊于GARCH模型，但因其计算简便，是实际应用中的良好选择。
• 收缩估计法未能显著提升协方差预测效果，因此不推荐作为主要方法。