量化交易基础 - 004 - 投资组合优化技术

投资组合优化技术

1. 无约束条件的优化方法

无约束条件的优化方法是优化方法中最基本的一种，如果愿意的话，该方法可以把所有的资金投入单一金融产品。

2. 带约束条件的优化方法

为解决这一问题，宽客们指出如何在优化过程中添加约束条件和惩罚项，从而得到更加“合理的”结果。约束包括头寸规模限制（如分配给某一头寸的占比不能超过整个投资组合的3%）或对产品组的头寸加以限制（如在任何板块的投资不能超过投资组合的20%）。
约束条件推动了投资组合构建，而不是优化方法。

一个简单的途径是修正相关系数矩阵，使同一板块的所有股票间具有很高的正相关系数，之后优化方法便在修正后的相关系数矩阵基础上寻找最优解。

交易成本也可以用多种方式加以处理。宽客可以建立每只股票的市场冲击函数的经验模型，并让这些市场冲击模型作为输入变量进入优化工具。

在设计搜索最优解的算法时，需要在搜索的全局性和搜索速度间进行平衡。搜索范围并不那么彻底的快速搜索算法可能会找到曲面上的一个局部极值点就停止搜索，即使在投资组合可能的范围内还存在更好的投资组合方式。

3. 布莱克-李特曼优化方法

布莱克-李特曼优化方法解决了优化工具的输入变量带有测量误差的一些相关问题。最为重要的是，他们提出了一种方法，在投资者期望中融入了置信度的概念，并把这些与历史数据结合了起来。

布莱克-李特曼优化方法利用投资者对不同金融产品收益的预测来调整真实观测到的产品间的相关系数。进一步讲，如果在某种程度上投资者对某些预测很有信心而对另一些不太有信心，可以将二者结合起来。如果投资者预测两种产品间会出现显著的偏离但预测的置信度不高，而历史上二者间相关性很强，那么就应该使用更接近历史相关性水平的一些指标方法。

4. 格里诺德-卡恩方法：优化要素投资组合

这种方法的主要思想是建立因素投资组合群，其中每个投资组合都是基于规则（实际上通常都是等权重或等风险权重）考虑单一种类的阿尔法预测而构建的。

这个方法的一个优势在于，投资组合的数量更加易于管理，根据在阿尔法模型中所使用的单个因素的数量，通常不会超过20个。因此在进行优化时，并不是优化含有几千种金融产品的投资组合，而是优化几种要素投资组合的混合。

5. 重新取样效率

他提出的重新取样效率（resampled efficiency）相关方法解决了针对估计误差的过度敏感性问题。

米肖提出使用蒙特卡罗模拟（Monte Carlo simulation）的方法对数据进行重新取样，以减小优化工具输入变量的估计误差。蒙特卡罗模拟方法会对历史数据进行多次重新组合，基于真实观测得到多个时间序列。

有意思的是，在这些抽样得到的“历史数据”中，平均收益和收益波动率会维持不变，因为这些数据是基于同样的收益分布得到的。现在我们可以看出在各种假设情形下我们的策略表现好或者坏的频率有多高，因此也可以知道如果未来和过去的情形不完全一样，这个策略在未来表现好坏的可能性大小。与只是简单利用产品观测到的收益序列数据相比，这种方法被认为可以提供更加稳健的预测结果，因为宽客可以从更多层面把握产品的表现。这种直觉正是蒙特卡罗模拟方法的要义所在。

有一点值得注意：只有当有足够的信心认为所使用的历史样本数据能很好地代表整个分布时，这种重构历史分布的方法才真的有用。

6. 基于数据挖掘的最优化方法

一些宽客使用机器学习方法，如监督学习或遗传算法等来解决优化问题。支持在投资组合构建中使用机器学习方法的观点认为，均值方差优化方法是一种数据挖掘类方法，通过在各种可能的投资组合中进行搜索，寻找表现出最好特征（通过优化工具的目标函数得以体现）的一类。机器学习领域差不多也在做基本相同的事情，这一领域已经受到了学界不同学科的关注，而不只是投资组合优化，投资组合优化仅仅是个金融领域的一个主题。所以，有充足的理由相信，使用机器学习类方法寻找最优投资组合的质量，比其他算法尤其是均值方差优化技术的质量要更好一些。