债券收益率预测模型_协方差矩阵预测方法的比较

导读

1、 作为西学东渐--海外文献推荐系列报告第五十三篇，本文推荐了Valeriy Zakamulin于2015年发表的论文《A Test of Covariance-Matrix Forecasting Methods》。

2、 金融资产收益率协方差矩阵的估计和预测在金融众多领域如资产配置、风险管理等中具有核心地位。目前关于不同协方差矩阵预测方法的比较研究还较少，本篇论文从统计学和实际应用两个角度评估了5种不同方法的优劣，包括滚动历史协方差法、滚动收缩历史协方差法、指数移动平均法(EWMA)、DCC-GARCH模型法以及GO-GARCH模型法。

3、 实证结果表明，基于GARCH模型的两种协方差预测方法表现最好，EWMA方法其次，而滚动历史协方差和滚动收缩历史协方差法表现最差。考虑到EWMA方法的预测准确度已经较高，且相比GARCH模型计算更简单、快速，文章建议实践中选用EWMA方法。总体来说，这篇论文为我们在实践中选择协方差矩阵预测方法提供了重要的依据和参考。

风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。

1、引言

Markowitz [1952]提出的均值方差组合优化框架具有重要的理论意义，但在实践中由于资产期望收益率难以被准确预测而未得到广泛应用。实际上，大多数共同基金经理专注于通过寻找低估值证券来获得潜在的高收益率。

21世纪的第一个10年里市场波动巨大，引起了大家对组合优化特别是基于风险的组合优化技术的兴趣。这些新的基于风险的组合优化方法只需要资产收益率协方差作为模型输入，省去了对资产期望收益率的预测。最流行的组合风险优化方法包括最小方差组合(Clarke等[2006]；Clarke等[2011])、最大分散化组合(Choueifaty和Coignard[2008])、风险平价组合(Maillard等[2012]；Chaves等[2011]；Asness等[2012])以及目标波动率组合(Busse[1999]；Collie等[2011]；Butler和Philbrick[2012]；Albeverio等[2013])。这些组合优化方法都经过了大量实际历史数据的回测检验，相比均值方差组合和等权组合有更优秀的表现。

协方差矩阵是组合风险优化方法中的核心要素，本文将专注于研究收益率协方差矩阵的预测。我们通常认为资产收益率非常难以预测，而收益率协方差可以通过历史协方差进行预测。一个标准的做法是利用过去5至20年左右的资产月度收益率计算历史协方差并将其作为未来协方差的预测值(Chan[1999]；DeMiguel[2009]；Duchin和Levy[2009]；Kritzman[2010])。不过这种做法只有在协方差矩阵不随时间变动或者变动缓慢的假设下才是有效的。而实际上，很多研究表明金融资产收益率具有异方差性和波动率聚集的特点，资产间收益率相关性也似乎不是一成不变的。图表1给出了美国股票和债券指数的月度收益率波动率和相关系数随时间变动的示意图。我们可以看到，不管是资产波动率还是资产间相关系数都可能在短短几年的时间内出现大幅改变。实际上从2006到2008年，股票市场的波动率水平上升了10倍，债券市场的波动率上升了4倍，它们的相关系数也从0附近变成显著负值。因此，我们在预测协方差矩阵的时候需要考虑到它可能具有时变性。

组合风险优化方法的表现依赖于协方差矩阵预测的准确性，但目前关于不同协方差矩阵预测方法的比较研究还比较少，本文的目标就是通过比较不同预测方法的表现来填补这个空白。我们将从统计学和实际应用两个角度出发来评估不同方法的优劣。具体来说，我们有三种研究方式。第一种研究方式中，我们直接通过样本外预测准确性来评估不同协方差矩阵预测方法的优劣，预测准确性用均方预测误差度量。第二种研究方式中，我们关注不同预测方法在样本外构建最小方差组合的能力，预测准确性用构建的最小方差组合与实际最小方差组合的波动率均方跟踪误差(MSTE)度量。第三种研究方式中，我们关注不同预测方法在样本外构建基于最小方差组合的目标波动率组合的能力，预测准确性用构建的目标波动率组合与实际目标波动率组合的波动率均方跟踪误差(MSTE)度量。

在本文的研究中，我们使用5种不同的方法来滚动预测协方差矩阵，滚动窗口设定为10年。第一种预测方法是实践中最常用的，它直接利用滚动计算的历史协方差矩阵作为对其未来的预测。为了减少预测误差，第二种方法使用了Ledoit and Wolf [2004]提出的协方差收缩估计法。这种方法应用了Stein [1956]率先提出的收缩估计的理念。第三种方法是指数移动平均法(EWMA)，这种方法曾因RiskMetrics集团而流行起来。其余两种方法基于多变量广义自回归条件异方差模型(GARCH)而构建。单变量GARCH模型由Bloo