20230313-国金证券-Beta猎手系列之二_熵池模型_如何将纯主动观点纳入量化配置模型_28页_2mb

熵池模型：如何将纯主动观点纳入量化配置模型

核心内容

本文介绍了熵池模型（Entropy Pooling）作为一种改进的资产配置模型，能够更有效地整合多种类型的投资观点，包括排序型、波动率型、外部因子型等，并且适用于非正态分布的市场环境。熵池模型是对Black-Litterman（BL）模型的扩展，它通过非参数方法估计分布，使用相对熵最小化算法进行优化，并引入观点池化机制来融合不同置信度的观点，从而提升配置模型的实用性与表现。

主要观点

1. 模型背景与优势：

   • 熵池模型是BL模型的延展，能够处理多样化的观点类型，包括排序、波动率、外部因子等，相较于BL模型具有更高的灵活性。
   • 熵池模型不依赖正态分布假设，采用非参数方法，能够更准确地反映实际资产收益率的分布特征（如尖峰厚尾、偏态等）。
   • 熵池模型允许投资者输入模糊观点，如“某行业收益率高于另一行业”，从而更贴近主观投资的实际情况。

2. 模型应用场景：

   • 适用于主观投资者难以准确预测预期收益率的情况，如行业轮动、股债配置、宏观因子影响等。
   • 多样化的观点输入，包括不完全观点和非线性观点，使模型更具普适性。

3. 模型原理：

   • 熵池模型通过模拟样本扩容、相对熵最小化和观点池化三个核心方法实现配置优化。
   • 模型允许投资者设定观点的置信度，并在优化过程中对这些观点进行加权处理。

关键信息

1. 模型输入变量

• 先验信息输入：包括历史风险因子（如行业收益率）和定价函数，用于生成资产收益率的先验分布。
• 观点输入：投资者可以输入多种类型的观点，如排序型、波动率型、外部因子型等，且观点可以是模糊或不完全的。
• 优化函数：可选择最大化夏普比、最小化风险、风险平价等效用函数，以实现不同的投资目标。

2. 模型流程

• 模拟样本扩容：使用Kernel-Bootstrap方法生成模拟样本，以提升对先验分布的估计精度。
• 相对熵最小化：寻找满足观点约束的后验分布，使它尽可能接近先验分布，从而保留更多信息。
• 观点池化：根据观点的置信度对不同观点进行加权，以融合多个观点的信息。

3. 模型检验与应用

• 行业轮动配置策略：
  • 基准策略：前5行业等权配置，年化收益率为12.45%，夏普比率为0.364。
  • 熵池模型（非参数）：年化收益率提高至16.50%，夏普比率提升至0.464。
• 股债配置方案：
  • 基准策略：年化收益率为21.97%，夏普比率为1.631。
  • 熵池模型（非参数）：
    • 仅排序型观点：年化收益率23.82%，夏普比率为1.624。
    • 排序型+波动率观点：年化收益率24.52%，夏普比率为1.677。
    • 排序型+波动率+外部因子观点：年化收益率24.47%，夏普比率达到1.737。

4. 模型效果分析

• 与BL模型对比：熵池模型在年化收益、夏普比率、换手率控制等方面表现更优。
• 观点类型对比：排序型、波动率型、外部因子型观点的融合提升了模型表现，尤其是非参数方法在回撤和换手控制上更具优势。
• 效用函数对比：最大化夏普比和风险平价效果较好，而最小化风险则带来收益与波动的折中。
• 重抽样对比：适当重抽样（如100次或1000次）提升了模型的稳健性，但过多可能偏向正态分布。
• 时间长度对比：输入3年数据的模型表现优于1年或2年，但需根据实际投资情况选择。
• 输入优化样本分离：使用3年数据生成后验分布，再用其中最近1年数据进行优化，提升模型效果。

总结与展望

• 熵池模型在观点融合、分布估计、优化算法等方面展现出显著优势，尤其在非参数方法下表现更为稳定。
• 该模型在实际投资中的应用表明，它能够有效提升行业轮动与股债配置策略的表现，具有较强的实用性。
• 未来可以进一步探索观点相关性、模型参数敏感性、外部因子与定价因子的交互影响等，以进一步提升模型的稳健性与灵活性。

风险提示

• 模型结果基于历史数据，存在因市场环境或政策变化导致失效的风险。
• 需要结合实际情况，合理设置输入参数，如置信度、时间长度等，以确保模型的有效性。