系统化资产配置系列之十三：动态协方差矩阵估计与组合构建-20211206-兴业证券-25页_802kb

协方差矩阵预测与风险预算组合构建分析报告总结

核心内容

本文主要探讨了多种协方差矩阵的预测方法，并通过实证分析比较了不同方法在预测误差和构建样本外最小方差组合方面的表现。研究结果显示，相较于传统的历史协方差法，指数移动平均法（EWMA）和两种GARCH模型（DCC-GARCH和GO-GARCH）能够显著降低协方差预测误差，从而提升风险预算组合的表现。

主要观点

• 协方差矩阵的重要性：协方差矩阵是组合风险优化的核心要素，其准确性直接影响模型输出的最优权重和组合表现。
• 传统方法的局限性：历史协方差法假设资产波动率和相关性恒定，但实际上它们是时变的，这可能导致预测误差较大。
• 动态预测方法的优势：通过引入指数移动平均法和GARCH模型，能够更好地捕捉协方差的时变特征，显著减少预测误差。
• 实证结果：在多个资产组合测试中，EWMA和GARCH模型均表现出优于历史协方差法和收缩法的预测能力。
• 组合表现提升：基于更准确的协方差预测，构建的风险预算组合在年化收益、收益风险比和最大回撤方面均有显著改善。

关键信息

协方差估计方法

• 历史协方差法：直接使用过去数据计算协方差矩阵，假设波动率和相关性恒定。
• 收缩历史协方差法：通过加权平均历史协方差和一个收缩目标矩阵来减少预测误差。
• 指数移动平均法（EWMA）：给予近期样本更高的权重，以捕捉协方差的时变特征。
• GARCH类模型：
  • VEC-GARCH模型：直接对协方差矩阵建模，但参数过多，估计复杂。
  • CCC-GARCH模型：将协方差分解为方差和相关系数矩阵，假设相关系数为常数。
  • DCC-GARCH模型：动态估计相关系数矩阵，以捕捉时变相关性。
  • GO-GARCH模型：通过正交分解将协方差矩阵建模为独立因子的线性组合，参数较少，预测效果较好。

测算结果

中国大类资产组合

• 预测误差：GO-GARCH减少约31%的预测误差，DCC-GARCH减少约15%。
• 跟踪误差：EWMA和GARCH方法比历史法和收缩法表现更好，减少约10%的跟踪误差。

中国股票行业组合

• 预测误差：EWMA表现最好，减少约21%的预测误差。
• 跟踪误差：DCC-GARCH在可以做空的情况下表现最好，减少约10%的跟踪误差。

全球大类资产组合

• 预测误差：DCC-GARCH减少约15%的预测误差。
• 跟踪误差：DCC-GARCH在无法做空和可以做空的情况下均表现优异，减少约16%和11%的跟踪误差。

全球股票行业组合

• 预测误差：GO-GARCH表现最好，减少约12%的预测误差。
• 跟踪误差：EWMA在无法做空的情况下跟踪误差最小，DCC-GARCH在可以做空的情况下表现最好。

风险预算组合表现

• 风险预算组合构建：基于不同协方差预测方法构建风险预算组合，股票风险预算分别为50%、75%、80%和90%。
• 表现比较：
  • 年化收益率：DCC-GARCH和GO-GARCH方法均优于历史法，尤其是DCC-GARCH在股票风险预算75%、80%和90%的情况下表现更优。
  • 收益风险比：DCC-GARCH方法在股票风险预算75%时收益风险比达到2.13，高于历史法的1.90。
  • 最大回撤：DCC-GARCH方法在股票风险预算75%时最大回撤为4.91%，远低于历史法的7.67%。
  • 年均双边换手次数：DCC-GARCH和GO-GARCH方法的换手次数高于历史法，但提升了组合表现。

实证结果总结

风险提示

• 模型风险：模型结论基于历史数据，在市场环境变化时可能存在失效风险。
• 数据风险：数据来源被认为是可靠的，但未保证其准确性和完整性。
• 法律声明：本报告仅供客户参考，不构成买卖证券的建议或要约，且不承担因此产生的任何责任。

结论

本文通过实证分析表明，改进协方差矩阵的预测方法可以显著提升风险预算组合的表现。在多种资产组合测试中，指数移动平均法和两种GARCH模型（特别是DCC-GARCH）在预测误差和组合表现方面均优于传统的历史协方差法和收缩法。通过更准确的协方差预测，可以有效降低组合波动率和最大回撤，同时提升收益和收益风险比，是一种低成本的组合增强方法。