投资组合理论与风险管理

*Major*

已于 2025-02-07 10:11:32 修改

阅读量950

点赞数 30

文章标签：算法人工智能

于 2025-02-06 09:27:59 首次发布

本文链接：https://blog.csdn.net/qq_41375318/article/details/145466300

版权

投资组合理论与风险管理

一、Markowitz 投资组合理论

1. 理论概述

目标
Markowitz 投资组合理论（均值—方差模型）旨在通过分散化投资实现风险与收益的最佳权衡。
基本概念
- 投资组合的预期收益：
  $E[R_p] = \sum_{i=1}^n w_i r_i$
  其中， $w_i$ 为第 $i$ 个资产的权重， $r_i$ 为其预期收益。
- 投资组合的风险（方差或标准差）：
  $\sigma_p^2 = \mathbf{w}^T \Sigma\, \mathbf{w}$
  其中， $\Sigma$ 为资产收益率的协方差矩阵。
有效前沿
在所有可能的投资组合中，有效前沿代表那些在给定风险水平下能实现最高预期收益的组合。
数学上，我们可以通过求解下面的最优化问题获得有效前沿：
$\min_{\mathbf{w}} \quad \mathbf{w}^T \Sigma\, \mathbf{w} \quad \text{（最小化风险）}$
约束条件：
$\sum_{i=1}^{n} w_i = 1,\quad \sum_{i=1}^{n} w_i r_i = R_{\text{target}},\quad w_i \ge 0 \quad (i=1,\ldots,n)$

2. 案例练习：二资产组合

假设有两只资产，其预期收益分别为 10% 和 20%，协方差矩阵为：
$\Sigma = \begin{pmatrix} 0.005 & 0.001 \\ 0.001 & 0.010 \end{pmatrix}$
令资产 1 的权重为 $w$ ，则资产 2 权重为 $1 - w$ ；组合预期收益为：
$E[R_p] = w \times 0.10 + (1-w) \times 0.20 = 0.20 - 0.10w$
组合方差为：
$\sigma_p^2 = w^2 \cdot 0.005 + (1-w)^2 \cdot 0.010 + 2w(1-w)\cdot 0.001$
通过对不同目标收益 $R_{\text{target}}$ 选择合适的 $w$ （或者直接利用数值方法求解），我们可以得到有效前沿上各组合的风险与收益关系。

二、CAPM 模型

1. 模型定义

资本资产定价模型（CAPM）描述了资产的预期收益与其系统性风险之间的关系。公式为：
$E[r_i] = r_f + \beta_i (E[r_m] - r_f)$
其中：

$E[r_i]$ ：资产 $i$ 的预期收益率
$r_f$ ：无风险利率
$E[r_m]$ ：市场投资组合的预期收益率
$\beta_i = \frac{\operatorname{Cov}(r_i, r_m)}{\operatorname{Var}(r_m)}$ ：衡量资产 $i$ 相对于市场波动的敏感度

2. 案例计算

例如：
假设 $r_f=3\%$ ，市场预期收益 $E[r_m]=8\%$ ，某股票的 $\beta=1.2$ 。则该股票的预期收益为：
$E[r_i] = 3\% + 1.2(8\%-3\%) = 3\% + 1.2 \times 5\% = 9\%$

三、VaR 与 CVaR

1. 定义

VaR（Value at Risk，风险价值）：在给定的置信水平下，预计投资组合在未来一段时间内最大可能出现的损失。例如，95% 的 VaR 表示有 95% 的概率损失不会超过该数值。
CVaR（Conditional VaR，条件风险价值）：在损失超过 VaR 水平时的预期损失，反映尾部风险。

2. 数学公式（基于正态分布假设）

假设投资组合收益率服从正态分布，平均收益为 $\mu_p$ 、标准差为 $\sigma_p$ ，置信水平为 $ \alpha $（例如 95%，则 $1-\alpha=5\%$ ），标准正态分布下分位数为 $z_\alpha$ （例如 $z_{0.05} \approx -1.645$ ）。

VaR（损失表示为正值）：
$\text{VaR}_{\alpha} = -\left(\mu_p + \sigma_p z_\alpha\right)$
注意：这里 $\mu_p + \sigma_p z_\alpha$ 往往为负，因此取负号使 VaR 为正，表示损失。
CVaR：
对于正态分布，其公式为：
$\text{CVaR}_{\alpha} = -\left(\mu_p + \sigma_p \frac{\phi(z_\alpha)}{1-\alpha}\right)$
其中 $\phi(z)$ 为标准正态概率密度函数。

3. 案例计算

假设某投资组合的年预期收益 $\mu_p=8\%$ （即0.08），标准差 $\sigma_p=15\%$ （即0.15），置信水平 95%，则 $z_{0.05} \approx -1.645$ ，并设 $\phi(-1.645)\approx0.103$ 。

VaR：
$\text{VaR}_{95\%} = -\left(0.08 + 0.15 \times (-1.645)\right) = -\left(0.08 - 0.24675\right) = 0.16675 \quad (\approx16.68\%)$
CVaR：
$\text{CVaR}_{95\%} = -\left(0.08 + 0.15 \times \frac{0.103}{0.05}\right) = -\left(0.08 + 0.15 \times 2.06\right) = -\left(0.08 + 0.309\right) = 0.389 \quad (\approx38.9\%)$

说明在 95% 置信水平下，该组合有 5% 的概率损失超过 16.68%，而在超过该值的情况下，平均损失约为 38.9%。

四、课堂活动

活动目标

投资组合优化
- 利用编程实现 Markowitz 投资组合优化，计算并绘制出有效前沿。
风险指标计算
- 计算给定投资组合的 VaR 与 CVaR，讨论其在风险管理中的意义。

活动安排

案例 1：投资组合优化
- 学生使用 Python 编写代码，利用历史数据或假设数据构建 4–5 个资产的预期收益率和协方差矩阵，求解不同目标收益下的最优组合，绘制出有效前沿图。
- 计算过程示例：
  见下文“Python 代码实现示例 1”。
案例 2：风险指标计算
- 设定某投资组合的年收益率和波动率（例如 $\mu_p=8\%$ ， $\sigma_p=15\%$ ），计算 95% 置信水平下的 VaR 与 CVaR，比较并讨论其风险含义。
- 计算过程示例：
  见下文“Python 代码实现示例 2”。

五、Python 代码实现示例

示例 1：投资组合优化与有效前沿

以下代码利用 cvxpy 求解 Markowitz 投资组合优化问题，并绘制有效前沿图（示例中设定 4 个资产的假设数据）。

import numpy as np
import matplotlib.pyplot as plt
import cvxpy as cp

# 假设数据：4 个资产的预期收益率和协方差矩阵
mu = np.array([0.10, 0.12, 0.14, 0.09])
Sigma = np.array([[0.005, -0.010, 0.004, -0.002],
                  [-0.010, 0.040, -0.002, 0.004],
                  [0.004, -0.002, 0.023, 0.002],
                  [-0.002, 0.004, 0.002, 0.010]])
n = len(mu)

# 设定目标收益率范围
target_returns = np.linspace(np.min(mu), np.max(mu), 50)
portfolio_risks = []
portfolio_weights = []

for target in target_returns:
    w = cp.Variable(n)
    portfolio_variance = cp.quad_form(w, Sigma)
    objective = cp.Minimize(portfolio_variance)
    constraints = [cp.sum(w) == 1,
                   mu @ w == target,
                   w >= 0]
    prob = cp.Problem(objective, constraints)
    prob.solve()
    portfolio_risks.append(np.sqrt(portfolio_variance.value))
    portfolio_weights.append(w.value)

# 绘制有效前沿图
plt.figure(figsize=(8, 6))
plt.plot(portfolio_risks, target_returns, 'b-', label="有效前沿")
plt.xlabel("组合风险（标准差）")
plt.ylabel("组合预期收益")
plt.title("Markowitz 有效前沿")
plt.legend()
plt.grid(True)
plt.show()

示例 2：VaR 与 CVaR 计算

以下代码利用正态分布假设计算某投资组合的 VaR 与 CVaR。

import scipy.stats as stats

def calculate_var_cvar(mu_p, sigma_p, confidence=0.95):
    # 对于置信水平 (1 - confidence) 在左侧的分位数
    z = stats.norm.ppf(1 - confidence)  # 此值为负
    VaR = - (mu_p + sigma_p * z)        # 换算为正的损失值
    CVaR = - (mu_p + sigma_p * stats.norm.pdf(z) / (1 - confidence))
    return VaR, CVaR

# 假设投资组合参数：年预期收益 8%，年波动率 15%
mu_p = 0.08
sigma_p = 0.15
VaR, CVaR = calculate_var_cvar(mu_p, sigma_p, confidence=0.95)

print(f"投资组合 95% 置信水平 VaR = {VaR:.2%}")
print(f"投资组合 95% 置信水平 CVaR = {CVaR:.2%}")