CQF笔记M2L2优化理论及其在资产组合选择中的应用

Module 2 Quantitative Risk & Return

Lecture 2 Fundamentals of Optimization and Application to Portfolio Selectio

2.2.1 优化理论

优化问题：寻找函数$f$满足一系列约束条件时的"最优可能值"

优化技术在金融领域有广泛应用：

• 计算债券收益的价值
• 求解资产组合选择问题（离散时间和连续时间）
• 衍生品估值（美式期权和Passport期权）

优化问题的形式多样，有的非常简单，有的极其复杂。

优化问题的一般形式：
$$\begin{array}{r}\underset{x_1,\cdots ,x_n}{\min }f(x_1,\cdots ,x_n)\end{array}$$

subject to :
$$\begin{array}{rlrl}& g_1(x_1,\cdots ,x_n)& \le & b_1\\ & ⋮& =& ⋮\\ & g_m(x_1,\cdots ,x_n)& \ge & b_m\end{array}$$

• $f$ 目标函数
• $x_1,\cdots ,x_n$ 决策变量(decision variables)
• $g_1,\cdots ,g_m$ 约束条件，约束条件可以是等式也可以是不等式

基本规则

• 转换最大值和最小值
  $\begin{array}{r}maxf(x)=-min(-f(x))\\ minf(x)=-max(-f(x))\end{array}$

• 仿射变换(Affine Transformation)
  $\begin{array}{r}max(a+bf(x))=a+bmax(f(x)),b>0\end{array}$

2.2.2 无约束条件的优化问题

无约束条件的优化问题退化为 $$\begin{array}{r}\underset{x_1,\cdots ,x_n}{\min }f(x_1,\cdots ,x_n)\end{array}$$

这是个标准的多元微积分问题，目标是找到一个向量${\vec{x}}^{\ast }=(x_1^{\ast },\cdots ,x_n^{\ast })$使得$f$为全局最小值

• 必要条件：$f$在${\vec{x}}^{\ast }$处的梯度(微分向量)，记做$\nabla f({\vec{x}}^{\ast })$，为0，表示在${\vec{x}}^{\ast }$处为极值，但是可能是极小值也可能是极大值
• 充分条件：$f$在${\vec{x}}^{\ast }$处的海森矩阵(Hessian, 二阶微分矩阵)，记做$Hf({\vec{x}}^{\ast })$，为正（为负表示极大值）

应用1 均值-方差优化准则

符号

单位向量

$$\vec{1}=\left(\begin{array}{c}1\\ ⋮\\ 1\\ ⋮\\ 1\end{array}\right)$$

收益的期望值（期望收益）

$$\vec{\mu }=\left(\begin{array}{c}{\mu }_1\\ ⋮\\ {\mu }_i\\ ⋮\\ {\mu }_n\end{array}\right)$$

期望的标准差（向量）

$$\vec{\sigma }=\left(\begin{array}{c}{\sigma }_1\\ ⋮\\ {\sigma }_i\\ ⋮\\ {\sigma }_n\end{array}\right)$$

期望的标准差（对角阵）

$$\vec{S}=D(\vec{\sigma })=\left(\begin{array}{cccc}{\sigma }_1& 0& \cdots & 0\\ 0& {\sigma }_2& \cdots & 0\\ ⋮& ⋮& \ddots & ⋮\\ 0& 0& \cdots & {\sigma }_n\end{array}\right)$$

期望的相关性矩阵（对称阵）

$$\vec{R}=\left(\begin{array}{cccc}1& {\rho }_{12}& \cdots & {\rho }_{1n}\\ {\rho }_{21}& 1& \cdots & {\rho }_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ {\rho }_{n1}& {\rho }_{n2}& \cdots & 1\end{array}\right)$$

期望的协方差矩阵（对称阵）

$$\vec{\Sigma }=\overrightarrow{SRS}=\left(\begin{array}{cccc}{\sigma }_1^2& {\rho }_{12}{\sigma }_1{\sigma }_2& \cdots & {\rho }_{1n}{\sigma }_1{\sigma }_n\\ {\rho }_{21}{\sigma }_2{\sigma }_1& {\sigma }_2^2& \cdots & {\rho }_{2n}{\sigma }_2{\sigma }_n\\ ⋮& ⋮& \ddots & ⋮\\ {\rho }_{n1}{\sigma }_2{\sigma }_n& {\rho }_{n2}{\sigma }_n{\sigma }_2& \cdots & {\sigma }_n^2\end{array}\right)$$

资产权重

$$\vec{w}=\left(\begin{array}{c}{w}_1\\ ⋮\\ w_i\\ ⋮\\ w_n\end{array}\right)$$

投资组合中有N个资产，资产收益的

• 期望值为$\vec{\mu }$
• 标准差为$\vec{\sigma }$
• 相关系数为$\vec{R}$
• 权重分别为$\vec{\omega }$

组合收益的期望值 $${\mu }_{\pi }={\vec{\mu }}^T\vec{w}$$
组合收益的方差 $${\sigma }_{\pi }^2={\vec{w}}^T\vec{\Sigma }\vec{w}$$
注：这里按一般习惯用上标T表示向量/矩阵的转置

分解协方差矩阵

由于协方差矩阵$\vec{S}$是对角阵, 有${\vec{S}}^T=\vec{S}$，相关性矩阵$\vec{R}$是对称阵，也有${\vec{R}}^T=\vec{R}$，所以$${\vec{\Sigma }}^T={\vec{S}}^T{\vec{R}}^T\vec{S}=\vec{S}\vec{R}{\vec{S}}^T=\vec{\Sigma }$$

加入无风险资产

无风险资产，收益的期望、收益的标准差和权重分别为$r,0,w_0$

维度为n的单位向量记做$\vec{1}$
$$\vec{1}=\left(\begin{array}{c}1\\ ⋮\\ 1\\ ⋮\\ 1\end{array}\right)$$

无风险资产的权重 $$w_0=1-{\vec{w}}^T\vec{1}$$

组合收益的期望值 $${\mu }_{\pi }={\vec{\mu }}^T\vec{w}+r(1-{\vec{w}}^T\vec{1})=r+{\vec{w}}^T(\vec{\mu }-r\vec{1})$$
引入无风险资产后，组合收益分为无风险收益$r$和风险溢价 $(\vec{\mu }-r\vec{1})$

组合收益的方差 $${\sigma }_{\pi }^2={\vec{w}}^T\vec{\Sigma }\vec{w}$$

资产组合优化的目标是找到权重向量$\vec{w}$，使得

• 收益一定时，风险（方差）最小
• 风险（方差）一定时，收益最大

马科维茨定义的目标函数（将风险和收益统一为效用函数）：
$$\begin{array}{r}\underset{w}{\max }{\mu }_p-\frac{\lambda }{2}{\sigma }_p^2\end{array}$$
其中$\lambda$表示风险厌恶程度
由于将剩余的财产投入到无风险资产，不需要约束项$w^T\vec{1}=1$

因此优化问题变为：$$\begin{array}{r}\underset{w}{\max }V(w)=[r+{\vec{w}}^T(\mu -r\vec{1})]-\frac{\lambda }{2}{\vec{w}}^T\vec{\Sigma }\vec{w}\end{array}$$

一阶条件（梯度）$$\begin{array}{r}\nabla V({\vec{w}}^{\ast })=\frac{\partial V}{\partial \vec{w}}({\vec{w}}^{\ast })=(\vec{\mu }-r\vec{1})-\lambda \vec{\Sigma }\vec{w}=0\end{array}$$
得到备选解 $$\begin{array}{r}{w}^{\ast }=\frac{1}{\lambda }{\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})\end{array}$$

海森矩阵 $$\begin{array}{r}HV(w^{\ast })=-\lambda \vec{\Sigma }<0\end{array}$$
因此备选解对应的是最大值

应用2 最小二乘法线性回归

CAPM 模型 : $$\mathbb{E}[R^A-r]=\beta \mathbb{E}[R^M-r]$$

• $R^A$ 资产A的收益
• $r$ 无风险利率
• $\beta$ 对系统风险的敞口
• $R^M$ 整个金融市场的收益

变换形式：$$\mathbb{E}[R_A]=r+\beta \mathbb{E}[R_M-r]$$

用最小二乘法(Ordinary Least Square, OLS)拟合历史数据，得到斜率$\beta$的估计值$\hat{\beta }$

• 对于成熟的公司，用5年的月度数据（60个观察值）
• 对于快速变化的公司，用两年的周数据（104个观察值）

$$R_i^A-r=\beta (R_i^M-r)+{ϵ}_i$$

• 对所有的$i$, $r$和$\beta$都是相同的,
• ${ϵ}_i$是每个历史数据的残差项error term，具备以下性质（为了数学推导上的方便）
  • 均值为0：$\mathbb{E}[{ϵ}_i]=0$
  • 方差为有限值：$\mathbb{E}[{ϵ}_i^2]=s^2$
  • 协方差为0：$\mathbb{E}[{ϵ}_i{ϵ}_j]=0$

这里没有要求残差项服从正态分布，但是一般来说假设残差项服从正态分布会比较方便。

因变量
$$\vec{Y}=\left(\begin{array}{c}{Y}_1\\ ⋮\\ Y_i\\ ⋮\\ Y_n\end{array}\right)=\left(\begin{array}{c}{R}_1^A-r\\ ⋮\\ R_i^A-r\\ ⋮\\ R_n^A-r\end{array}\right)$$

自变量
$$\vec{X}=\left(\begin{array}{c}{X}_1\\ ⋮\\ X_i\\ ⋮\\ X_n\end{array}\right)=\left(\begin{array}{c}{R}_1^M-r\\ ⋮\\ R_i^M-r\\ ⋮\\ R_n^M-r\end{array}\right)$$

模型变为 $$\vec{Y}=\vec{X}\beta +\overrightarrow{ϵ}$$

$$\overrightarrow{ϵ}=\left(\begin{array}{c}{ϵ}_1\\ ⋮\\ {ϵ}_i\\ ⋮\\ {ϵ}_n\end{array}\right)$$

回归线方程$$\hat{\vec{Y}}=\vec{X}\hat{\beta }$$

• $\hat{\beta }$是斜率$\beta$的估计值
• $\hat{\vec{Y}}$是$\vec{Y}$的预测值

残差项 $$\overrightarrow{ϵ}=\vec{Y}-\vec{X}\hat{\beta }=\vec{Y}-\hat{\vec{Y}}$$

估计值$\hat{\beta }$应使得残差项最小，使用残差项的平方和作为目标函数

• 残差项项正可负，求平方可以消除负值的影响
• 求平方可以放大大的残差
• 求平方和可以累积所有观察值的影响

$$\underset{\beta }{\min }F(\beta )=\sum _{i=1}^n{ϵ}_i^2=\sum _{i=1}^n(Y_i-\widehat{Y_i}{)}^2=\sum _{i=1}^n(Y_i-X_i\beta {)}^2$$

矩阵表达形式
$$\begin{array}{rl}& \underset{\beta }{\min }F(\beta )\\ =& {\overrightarrow{ϵ}}^T\overrightarrow{ϵ}\\ =& (\vec{Y}-\hat{\vec{Y}}{)}^T(\vec{Y}-\hat{\vec{Y}})\\ =& (\vec{Y}-\vec{X}\beta {)}^T(\vec{Y}-\vec{X}\beta )\\ =& {\vec{Y}}^T\vec{Y}-2\beta {\vec{X}}^T\vec{Y}+{\beta }^2{\vec{X}}^T\vec{X}\end{array}$$

一阶导数 $$\begin{array}{r}\frac{\partial F}{\partial \beta }=-2{\vec{X}}^T\vec{Y}+2\beta {\vec{X}}^T\vec{X}\end{array}$$
二阶导数 $$\begin{array}{r}\frac{{\partial }^{2}F}{\partial {\beta }^2}=2{\vec{X}}^T\vec{X}\end{array}$$
当二阶导大于0时，由一阶导等于0得到 $$\hat{\beta }=({\vec{X}}^T\vec{X}{)}^{-1}{\vec{X}}^T\vec{Y}$$

真实值$\beta$是常量，估计量$\hat{\beta }$是随机变量。样本量越大，$\hat{\beta }$越接近$\beta$
均值 $$\mathbb{E}(\hat{\beta })=\beta$$
方差（注意其中$\vec{X}$是已知的，残差项$\overrightarrow{ϵ}$是随机变量，且均值为0，方差为$s^2$）
$$\begin{array}{rl}& \mathbb{E}[(\hat{\beta }-\beta {)}^2]\\ =& \mathbb{E}[(\beta -({\vec{X}}^T\vec{X}{)}^{-1}{\vec{X}}^T\vec{Y})((\beta -({\vec{X}}^T\vec{X}{)}^{-1}{\vec{X}}^T\vec{Y}{)}^T]\\ =& \mathbb{E}[(\beta -({\vec{X}}^T\vec{X}{)}^{-1}{\vec{X}}^T(\vec{X}\beta +\overrightarrow{ϵ}))((\beta -({\vec{X}}^T\vec{X}{)}^{-1}{\vec{X}}^T(\vec{X}\beta +\overrightarrow{ϵ}){)}^T]\\ =& \mathbb{E}[({\vec{X}}^T\vec{X}{)}^{-1}{X}^T\overrightarrow{ϵ}{\overrightarrow{ϵ}}^{T}X({\vec{X}}^T\vec{X}{)}^{-1}]\\ =& \mathbb{E}[({\vec{X}}^T\vec{X}{)}^{-1}{X}^T\overrightarrow{ϵ}{\overrightarrow{ϵ}}^{T}X({\vec{X}}^T\vec{X}{)}^{-1}]\\ =& ({\vec{X}}^T\vec{X}{)}^{-1}{X}^T\mathbb{E}[\overrightarrow{ϵ}{\overrightarrow{ϵ}}^T]X({\vec{X}}^T\vec{X}{)}^{-1}\\ =& ({\vec{X}}^T\vec{X}{)}^{-1}{X}^T{s}^2\vec{I}X({\vec{X}}^T\vec{X}{)}^{-1}\\ =& s^2({\vec{X}}^T\vec{X}{)}^{-1}\end{array}$$

多因子模型

$$R^A=\alpha +\sum _{j=1}^m{\beta }^j\times F^j+ϵ$$

• $\alpha$是截距项
• $F^1,\cdots ,F^m$是m个因子，对应的斜率系数为${\beta }^1,\cdots ,{\beta }^m$

总共需要估计$m+1$个参数

模型仍然是 $$\vec{Y}=\vec{X}\beta +\overrightarrow{ϵ}$$

因变量
$$\vec{Y}=\left(\begin{array}{c}{Y}_1\\ ⋮\\ Y_i\\ ⋮\\ Y_n\end{array}\right)=\left(\begin{array}{c}{R}_1^A\\ ⋮\\ R_i^A\\ ⋮\\ R_n^A\end{array}\right)$$

自变量
$$\vec{X}=\left(\begin{array}{cccccc}{F}_1^1& \cdots & F_1^j& \cdots & F_1^m& 1\\ ⋮& ⋮& ⋮& ⋮& ⋮& ⋮\\ F_i^1& \cdots & F_i^j& \cdots & F_i^m& 1\\ ⋮& ⋮& ⋮& ⋮& ⋮& ⋮\\ F_n^1& \cdots & F_n^j& \cdots & F_n^m& 1\end{array}\right)$$

系数
$$\vec{\beta }=\left(\begin{array}{c}{\beta }^1\\ ⋮\\ {\beta }^i\\ ⋮\\ {\beta }^m\\ \alpha \end{array}\right)$$

估计值仍然是 $$\hat{\vec{\beta }}=({\vec{X}}^T\vec{X}{)}^{-1}{\vec{X}}^T\vec{Y}$$

协方差矩阵 $$\mathbb{E}[(\hat{\vec{\beta }}-\vec{\beta })(\hat{\vec{\beta }}-\vec{\beta }{)}^T]=s^2({\vec{X}}^T\vec{X}{)}^{-1}$$

2.2.3 等式约束条件的优化问题

等式约束条件的优化问题的一般形式：
$$\begin{array}{r}\underset{x_1,\cdots ,x_n}{\min }f(x_1,\cdots ,x_n)\end{array}$$
subject to :
$$\begin{array}{rlrl}& g_1(x_1,\cdots ,x_n)& =& b_1\\ & & ⋮& \\ & g_m(x_1,\cdots ,x_n)& =& b_m\end{array}$$

这类问题无法使用标准微积分方法求解。

拉格朗日方法和拉格朗日乘子
$$L(\vec{x},\vec{\lambda })=f(\vec{x})+\sum _{j=1}^m{\lambda }_j(g_j(\vec{x})-b_j)$$

符号 $$\vec{x}=(x_1,\cdots ,x_n),\vec{\lambda }=({\lambda }_1,\cdots ,{\lambda }_m)$$

拉格朗日方程将n变量m个等式约束条件的问题变换为n+m变量无约束条件的优化问题
$$\underset{\vec{x},\vec{\lambda }}{\min }L(\vec{x},\vec{\lambda })$$

一阶条件
$$\begin{array}{rl}& \frac{\partial L}{\partial x_i}(x)=\frac{\partial f}{\partial x_i}(x)+\sum _{j=1}^m{\lambda }_j\frac{\partial g_j}{\partial x_i}(x)=0,i=1,\cdots ,n\\ & \frac{\partial L}{\partial {\lambda }_j}(x)=g_j(x)-b_j=0,j=1,\cdots ,m\end{array}$$

通过一阶条件求解之后，还需要检查海森条件（二阶条件）

最小化包含N的风险资产的资产组合的风险

要求解的问题：在给定回报的情况下，最小化组合风险
目标函数$$\begin{array}{r}\underset{\vec{w}}{\min }=\frac{1}{2}{\sigma }_{\pi }^2=\frac{1}{2}{\vec{w}}^T\vec{\Sigma }\vec{w}\end{array}$$
约束条件

• ${\mu }_{\pi }={\vec{\mu }}^T\vec{w}={\vec{w}}^T\vec{\mu }=m$
• ${\vec{1}}^T\vec{w}={\vec{w}}^T\vec{1}=1$

使用拉格朗日方法，引入拉格朗日乘子
$$L(\vec{w},\lambda ,\gamma )=\frac{1}{2}{\vec{w}}^T\vec{\Sigma }\vec{w}+\lambda (m-{\vec{w}}^T\mu )+\gamma (1-{\vec{w}}^T\vec{1})$$

一阶条件
$$\frac{\partial L}{\partial w}(w,\lambda ,\gamma )=\vec{\Sigma }\vec{w}-\lambda \vec{\mu }-\gamma \vec{1}$$
求解得到
$${\vec{w}}^{\ast }={\vec{\Sigma }}^{-1}(\lambda \vec{\mu }+\gamma \vec{1})$$

带入到约束条件
$$\begin{gathered} m={\vec{\mu }}^T\vec{w}={\vec{\mu }}^T{\vec{\Sigma }}^{-1}(\lambda \vec{\mu }+\gamma \vec{1})=\lambda {\vec{\mu }}^T{\vec{\Sigma }}^{-1}\vec{\mu }+\gamma {\vec{\mu }}^T{\vec{\Sigma }}^{-1}\vec{1} \\ 1={\vec{1}}^T\vec{w}={\vec{1}}^T{\vec{\Sigma }}^{-1}(\lambda \vec{\mu }+\gamma \vec{1})=\lambda {\vec{1}}^T{\vec{\Sigma }}^{-1}\vec{\mu }+\gamma {\vec{1}}^T{\vec{\Sigma }}^{-1}\vec{1} \end{gathered}$$

定义以下标量
$$\{\begin{array}{rl}A& ={\vec{1}}^T{\vec{\Sigma }}^{-1}\vec{1}\\ B& ={\vec{1}}^T{\vec{\Sigma }}^{-1}\vec{\mu }={\vec{\mu }}^T{\vec{\Sigma }}^{-1}\vec{1}\\ C& ={\vec{\mu }}^T{\vec{\Sigma }}^{-1}\vec{\mu }\end{array}$$
存在$$AC-B^2>0$$

$$\begin{array}{r}C\lambda +B\gamma =m\\ B\lambda +A\gamma =1\end{array}$$

求解得到
$$\{\begin{array}{rl}\lambda & =\frac{Am-B}{AC-B^2}\\ \gamma & =\frac{C-Bm}{AC-B^2}\end{array}$$
代入可得到${\vec{w}}^{\ast }$的解析式

最小方差组合

将权重带入后，将方差表示为$m$的函数 $${\sigma }_{\pi }^2(m)=\frac{A{m}^2-2Bm+C}{AC-B^2}$$

求解最小方差组合就是求解$$\underset{m}{\min }{\sigma }_{\pi }^2(m)$$

对m求导得到 $$m_g=\frac{B}{A}$$

代入得到
权重 $$\begin{array}{r}{w}_g=\frac{{\vec{\Sigma }}^{-1}\vec{1}}{A}\end{array}$$

方差 $$\begin{array}{r}{\sigma }_g^2=\frac{1}{A}\end{array}$$

N个风险资产和无风险资产

优化问题变为：
目标函数 $$\begin{array}{r}\underset{\vec{w}}{\min }=\frac{1}{2}{\sigma }_{\pi }^2=\frac{1}{2}{\vec{w}}^T\vec{\Sigma }\vec{w}\end{array}$$
约束条件

• $r+{\vec{w}}^T(\vec{\mu }-r\vec{1})=m$

拉格朗日方程 $\begin{array}{r}V(\vec{\omega },\lambda )=\frac{1}{2}{\vec{\omega }}^T\vec{\Sigma }\vec{\omega }+\lambda (r+{\vec{\omega }}^T(\vec{\mu }-r\vec{1})-m)\end{array}$

一阶导（梯度）

$\begin{array}{rl}& \frac{\partial V}{\partial \vec{\omega }}({\vec{\omega }}^{\ast },\lambda )=\vec{\Sigma }{\vec{\omega }}^{\ast }+\lambda (\vec{\mu }-r\vec{1})=0\\ \to & {\vec{\omega }}^{\ast }=\lambda {\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})\end{array}$

将${\vec{\omega }}^{\ast }$代入到约束条件

$\begin{array}{rl}& r+[\lambda {\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1}){]}^T(\vec{\mu }-r\vec{1})=m\\ \to & \lambda (\vec{\mu }-r\vec{1}{)}^T{\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})=m-r\\ \to & \lambda =\frac{m-r}{(\vec{\mu }-r\vec{1}{)}^T{\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1}）}\\ \to & {\vec{\omega }}^{\ast }=\lambda {\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})=\frac{(m-r){\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})}{(\vec{\mu }-r\vec{1}{)}^T{\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})}\end{array}$

夏普比率

$\begin{array}{rl}D=& (\vec{\mu }-r\vec{1}{)}^T{\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})\\ =& {\vec{\mu }}^T{\vec{\Sigma }}^{-1}\vec{\mu }-r{\vec{1}}^T{\vec{\Sigma }}^{-1}\vec{\mu }-r{\vec{\mu }}^T{\vec{\Sigma }}^{-1}\vec{1}+r^2{\vec{1}}^T{\vec{\Sigma }}^{-1}\vec{1}\\ =& C-2rB+r^2{A}^2\\ & \\ {\vec{\omega }}^{\ast }=& \frac{({\mu }_{\pi }-r){\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})}{D}\\ & \\ {\sigma }_{\pi }=& {\vec{\omega }}^{\ast T}\vec{\Sigma }{\vec{\omega }}^{\ast }\\ =& \frac{({\mu }_{\pi }-r{)}^2}{D^2}[{\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1}){]}^T\vec{\Sigma }[{\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})]\\ =& \frac{({\mu }_{\pi }-r{)}^2}{D^2}(\vec{\mu }-r\vec{1}{)}^T{\vec{\Sigma }}^{-1}\vec{\Sigma }{\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})\\ =& \frac{({\mu }_{\pi }-r{)}^2}{D^2}(\vec{\mu }-r\vec{1}{)}^T{\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})\\ =& \frac{({\mu }_{\pi }-r{)}^2}{D}\\ & \\ SR=& \frac{{\mu }_{\pi }-r}{{\sigma }_{\pi }}\\ =& \sqrt{D}\\ =& \sqrt{(\vec{\mu }-r\vec{1}{)}^T{\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})}\end{array}$

• 矩阵运算满足结合律
• $\vec{\Sigma }$是对称阵，${\vec{\Sigma }}^{-1}$也是对称阵

加入无风险资产后，投资组合的有限前沿变为直线，斜率为夏普比率SR

切线组合

切线组合全部投资在风险资产上，即 ${\overrightarrow{w_t}}^T\vec{1}=1$
$$\overrightarrow{w_t}=\frac{{\vec{\Sigma }}^{-1}(\vec{\mu }-r\vec{1})}{B-Ar}$$

均值 $$m_t={\overrightarrow{w_t}}^T\vec{\mu }=\frac{C-Br}{B-Ar}$$

方差 $${\sigma }_t={\overrightarrow{w_t}}^T\vec{\Sigma }\overrightarrow{w_t}=\frac{C-2rB+r^{2}A}{(B-Ar{)}^2}$$

2.2.4 Black-Litterman模型

动态资产选择模型，关注超额收益

超额收益$$\tilde{R}=R-r\vec{1},\tilde{R}\sim N(\tilde{\mu },\Sigma )$$

其中$\tilde{\mu }=\vec{\mu }-r\vec{1}$, $\Sigma$是协方差矩阵

Black-Litterman模型认为：真实的超额回报均值$\tilde{\mu }$无法直接计算或观测到，因此依赖于估计量$\pi$
$$\pi \sim N(\tilde{\mu },{\Sigma }_{\pi })$$

$\pi$是围绕$\tilde{\mu }$波动的噪声项（随机项）
$$\pi =\tilde{\mu }+ϵ,ϵ\sim N(0,{\Sigma }_{\pi })$$

假设$ϵ$与$\tilde{\mu }$不相关，则
$$\tilde{R}\sim N(\tilde{\mu },{\Sigma }_r),{\Sigma }_r=\Sigma +{\Sigma }_{\pi }$$

Black-Litterman公式有两种推导方法：

• Theil’s mixed estimation model：使用generalised least squares regression (GLS)方法，GLS是OLS的扩展
• Bayes’s Formula：用获得的新信息优化资产配置，可以用贝叶斯统计方法解释（贝叶斯公式用新条件更新先验概率，得到后验概率）

贝叶斯方法的内容：

• Step 0: Introducing Bayes’ Formula;
• Step 1: Reverse optimization to get the prior;
• Step 2: Inputing the view;
• Step 3: Combining to get the posterior distribution;
• Step 4: Asset allocation.

Step 0: Introducing Bayes’ Formula

$$P(E|I)=\frac{P(I|E)}{P(I)}\times P(E)$$

其中:

• $E$是事件
• $I$是新信息
• $P(E)$是先验概率，没有信息$I$之前的概率
• $P(E|I)$是后验概率，知道信息$I$之后的概率（主观概率）
• $P(I)$是归一化常量

Step 1: Reverse optimization to get the prior

可能的先验条件：

• 平均分配（每个资产$1/N$）
• 全局最小方差组合
• any other `neutral and uninformed’ portfolio

这些选择都不理想：

• 得到全局最小方差，隐含了要估计超额收益。如果使用历史收益，可能不能反映未来期望，导致不切实际的组合
• 平均分配不能建立超额回报的先验视角（用均价分配表示什么都没有知道，没有先验知识）

Black-Litterman使用equilibrium CAPM portfolio也就是求解：
$$\underset{\vec{w}}{\max }{\vec{w}}^T\tilde{R}-\frac{\lambda }{2}{\vec{w}}^T\Sigma \vec{w}$$

$\Sigma$是超额回报的协方差矩阵

求解得到$${\vec{w}}^{\ast }=\frac{1}{\lambda }{\Sigma }^{-1}\tilde{R}$$

现在的问题：不知道超额回报向量

对于市场组合有(这里的意思似乎是用市场组合的超额收益$\vec{\Pi }$代替$\tilde{R}$)：
$$\begin{gathered} {\vec{w}}_M=\frac{1}{\lambda }{\Sigma }^{-1}\vec{\Pi } \\ \vec{\Pi }=\lambda \Sigma {\vec{w}}_M \end{gathered}$$

风险厌恶因子

$${\vec{w}}^T\vec{\Pi }=\lambda {\vec{w}}^T\Sigma {\vec{w}}_M=\lambda {\sigma }_M^2$$

$$\lambda =\frac{{\vec{w}}^T\vec{\Pi }}{{\sigma }_M^2}=\frac{1}{{\sigma }_M}{S}_M$$

夏普比率
$$S_M=\frac{{\vec{w}}^T\vec{\Pi }}{{\sigma }_M}$$

在模型中，夏普比例取0.5

假设$${\Sigma }_{\Pi }=\tau \Sigma$$

得到先验概率分布
$$P(E)\sim N(\Pi ,\tau \Sigma )$$

参数$\tau$

通常$\tau$接近于0，取值位于0.01到0.05之间
如果估计长度为T的时间序列的历史数据，取 $\tau \approx T^{-1}$

Step 2: Inputing the views

• Relative view：用资产之间的收益差衡量
• Absolute view：用资产的绝对收益衡量

$$P(I|E)\sim N(Q,\Omega )$$

$Q$是收益率向量
$\Omega$是置信度协方差矩阵

确定协方差矩阵$\Omega$
$$\Omega :=Diag(P(\tau \Sigma )P^T)$$

Diag是对角化函数

Step 3: Combining to get the posterior distribution

$$\begin{array}{rl}\mu =& [(\tau \Sigma {)}^{-1}+P^T{\Omega }^{-1}P{]}^{-1}[(\tau \Sigma {)}^{-1}\Pi +P^T{\Omega }^{-1}Q]\\ {\sigma }^2=& [(\tau \Sigma {)}^{-1}+P^T{\Omega }^{-1}P{]}^{-1}\\ P(E|I)\sim & N(\mu ,{\sigma }^2)\\ {\hat{R}}_I:=& \mathbb{E}[\tilde{R}|I]=\mu \end{array}$$

Step 4: Asset allocation

$$\underset{\vec{w}}{\max }[r+w^T{\hat{R}}_I]-{\frac{\lambda }{w}}^T\Sigma w$$

求解得到
$$w^{\ast }=\frac{1}{\lambda }{\Sigma }^{-1}{\hat{R}}_I$$

2.2.5 不等式约束条件：Kuhn-Tucker条件

不等式约束条件的优化问题的一般形式：
$$\begin{array}{r}\underset{x_1,\cdots ,x_n}{\min }f(x_1,\cdots ,x_n)\end{array}$$
subject to :
$$\begin{array}{rlrl}& g_1(x_1,\cdots ,x_n)& \le & b_1\\ & & ⋮& \\ & g_m(x_1,\cdots ,x_n)& \le & b_m\end{array}$$

Kuhn-Tucker条件

$$\begin{array}{rl}{\lambda }_0\frac{\partial f(x)}{\partial x_i}+\sum _{j=1}^m{\lambda }_j\frac{\partial (g_j(x)-b_j)}{\partial x_i}& =0i=1,\cdots ,n\\ {\lambda }_j(g_j(x)-b_j)& =0j=1,\cdots ,m\\ {\lambda }_j& \ge 0j=0,\cdots ,m\end{array}$$

Kuhn-Tucker条件在目标函数是凸函数且约束条件为线性时才是充分必要条件。