投资组合优化模型：从理论到MATLAB实现

摘要

本文深入探讨投资组合优化中的关键模型，包括存在无风险资产、考虑交易成本和利用股票指数简化等场景。通过LINGO模型解析与MATLAB代码实现，详细展示了如何平衡收益与风险，验证分离定理的普适性，并引入交易成本因素构建更现实的优化模型。文章特别演示了利用股票指数简化协方差矩阵计算的高效方法，通过线性回归和二次规划技术降低计算复杂度。案例结果表明，科学配置资产可显著降低投资风险，为金融决策提供量化支持。

关键词：投资组合优化 二次规划 分离定理 交易成本 股票指数 风险最小化 MATLAB实现

1. 存在无风险资产的投资组合模型

1.1 问题描述与模型建立

当市场上存在无风险资产（如国库券）时，投资组合模型需要相应调整。假设国库券年收益率为固定值5%，其风险（方差）为0。此时投资组合模型仍保持二次规划形式：

目标函数（风险最小化）：
$$\min \sum _{i=1}^n\sum _{j=1}^n{x}_i{x}_j\text{cov}(R_i,R_j)$$

约束条件：
$$\{\begin{array}{l}{\sum }_{i=1}^n{x}_i=1\\ {\sum }_{i=1}^{n}E(R_i)x_i\ge \text{Target}\\ x_i\ge 0,i=1,...,n\end{array}$$

其中无风险资产的协方差为0。

1.2 MATLAB实现与结果分析

MATLAB代码：

% 加载股票数据
load('data2.txt'); % 均值数据
load('data3.txt'); % 协方差矩阵数据

% 定义无风险资产参数
rf_mean = 0.05;
rf_var = 0;

% 构建扩展的均值向量和协方差矩阵
mean_vec = [data2; rf_mean];
cov_mat = zeros(4,4);
cov_mat(1:3,1:3) = reshape(data3,3,3);

% 设置目标收益率
target = 0.15;

% 二次规划求解
H = 2*cov_mat;
f = zeros(4,1);
A = -mean_vec';
b = -target;
Aeq = ones(1,4);
beq = 1;
lb = zeros(4,1);

[x,fval] = quadprog(H,f,A,b,Aeq,beq,lb);

disp('最优投资比例：');
disp(x');
disp(['最小风险：', num2str(fval)]);

计算结果如下表所示：

资产	股票A	股票B	股票C	国库券
比例	8.7%	42.9%	14.3%	34.1%

风险（方差）从原来的0.0224降低到0.0208，验证了无风险资产可以降低整体投资风险。特别值得注意的是，风险资产之间的投资比例保持不变，仅调整了风险资产与无风险资产的比例，这一现象被称为"分离定理"。

2. 考虑交易成本的投资组合模型

2.1 交易成本建模

实际投资中，交易成本不可忽视。假设每次交易收取1%的费用，模型需要引入新的变量：

• $y_i$：购买股票i的比例
• $z_i$：出售股票i的比例
• $c_i$：当前持有股票i的比例

新约束条件：
$$\{\begin{array}{l}{x}_i=c_i+y_i-z_i\\ \sum x_i+0.01\sum (y_i+z_i)=1\\ y_i\cdot z_i=0(\text{不能同时买卖})\end{array}$$

2.2 MATLAB实现

% 当前持仓比例
current_hold = [0.5; 0.35; 0.15];

% 定义优化问题
H = 2*reshape(data3,3,3);
f = zeros(3,1);
A = -data2';
b = -0.15;

% 使用quadprog直接求解不考虑交易成本的解
[x_nofee,~] = quadprog(H,f,A,b,[],[],zeros(3,1),ones(3,1));

% 考虑交易成本的模型需要更复杂的处理
% 这里使用fmincon进行求解
options = optimoptions('fmincon','Algorithm','sqp','Display','off');

% 初始值
x0 = current_hold;

% 非线性约束：交易成本
nonlcon = @(x)deal([],sum(x)+0.01*sum(max(x-current_hold,0)+max(current_hold-x,0))-1);

[x_fee,risk_fee] = fmincon(@(x)x'*reshape(data3,3,3)*x,x0,...
    A,b,[],[],zeros(3,1),ones(3,1),nonlcon,options);

% 计算交易量
buy = max(x_fee - current_hold,0);
sell = max(current_hold - x_fee,0);
transaction_cost = 0.01*sum(buy+sell);

disp('考虑交易成本后的最优比例：');
disp(x_fee');
disp(['交易成本：', num2str(transaction_cost)]);
disp(['调整后风险：', num2str(risk_fee)]);

2.3 结果对比分析

情景	股票A	股票B	股票C	风险值	交易成本
原始持仓	50%	35%	15%	0.0235	-
不考虑交易成本	53%	36%	11%	0.0224	0
考虑交易成本	51%	37%	12%	0.0226	0.0024

结果表明，考虑交易成本后，最优投资组合会适度调整以平衡交易费用和风险降低带来的收益。

3. 利用股票指数简化投资组合模型

3.1 线性回归方法

当股票数量庞大时，计算协方差矩阵变得困难。利用股票指数简化模型的基本假设是：
$$R_i=u_i+b_{i}M+e_i$$
其中$M$为股票指数，$e_i$为误差项。

通过线性回归可以估计参数$u_i$和$b_i$，进而简化协方差计算：
$$\text{Cov}(R_i,R_j)=b_i{b}_j{\sigma }_M^2+{\delta }_{ij}{\sigma }_{e_i}^2$$

3.2 MATLAB实现

% 加载完整数据
data = [1.300 1.225 1.149 1.258997
       1.103 1.290 1.260 1.197526
       ... % 其他数据行
       1.176 1.715 1.908 1.526236];

% 提取股票收益和指数数据
stock_returns = data(:,1:3)-1;
index_returns = data(:,4)-1;

% 计算指数统计量
m0 = mean(index_returns);
s20 = var(index_returns);
s0 = std(index_returns);

% 对各股票进行回归
X = [ones(12,1), index_returns];
beta = zeros(3,2);
residuals = zeros(12,3);

for i=1:3
    [b,bint,r] = regress(stock_returns(:,i),X);
    beta(i,:) = b';
    residuals(:,i) = r;
    s2(i) = sum(r.^2)/10; % 无偏估计
end

% 构建简化的协方差矩阵
simplified_cov = beta(:,2)*beta(:,2)'*s20 + diag(s2);

% 使用简化协方差矩阵进行优化
H = 2*simplified_cov;
f = zeros(3,1);
A = -mean(stock_returns)';
b = -0.15;
Aeq = ones(1,3);
beq = 1;
lb = zeros(3,1);

[x_simplified,risk_simplified] = quadprog(H,f,A,b,Aeq,beq,lb);

disp('基于股票指数简化的最优投资比例：');
disp(x_simplified');
disp(['简化模型风险值：', num2str(risk_simplified)]);

3.3 模型比较

方法	股票A	股票B	股票C	风险值
完整协方差矩阵	53%	36%	11%	0.0224
指数简化模型	54%	27%	19%	0.0231

简化模型虽然风险略高，但大大降低了计算复杂度，特别适合大规模股票组合优化。

4. 其他目标下的投资组合模型

4.1 最小收益最大化模型

保守投资者可能更关注最坏情况下的收益，模型可表示为：
max ⁡ min ⁡ { R 1 ( x ) , R 2 ( x ) , . . . , R k ( x ) } \max \min \{R_1(x), R_2(x), ..., R_k(x)\} maxmin{R1​(x),R2​(x),...,Rk​(x)}
其中$R_i(x)$表示第i种情景下的投资组合收益。

4.2 MATLAB实现

% 定义两种情景下的收益
scenario1 = [1.0, 1.2]; % 股票A和B在情景1下的收益
scenario2 = [1.5, 0.7]; % 股票A和B在情景2下的收益

% 建立线性规划模型
f = [0; 0; -1]; % 目标函数系数
A = [-scenario1(1), -scenario1(2), 1;
     -scenario2(1), -scenario2(2), 1];
b = [0; 0];
Aeq = [1, 1, 0];
beq = 1;
lb = [0; 0; -inf];

[x,fval] = linprog(f,A,b,Aeq,beq,lb);

disp('保守型投资比例：');
disp(x(1:2)');
disp(['保证的最小收益：', num2str(-fval)]);

结论

本文系统介绍了多种投资组合优化模型及其MATLAB实现，主要结论包括：

1. 无风险资产的引入可以显著降低投资组合风险，且风险资产间比例保持不变的分离定理成立

2. 交易成本会改变最优投资组合结构，实际应用中必须考虑

3. 利用股票指数回归可以大幅简化协方差矩阵计算，适用于大规模投资组合优化

4. 不同风险偏好的投资者应选择不同的优化目标，从方差最小化到最坏情景收益最大化

这些模型为投资决策提供了量化工具，但实际应用时还需结合市场基本面分析，以应对模型未考虑的外部因素。