比较CVaR最优投资组合与均值-方差投资组合以及其他模型，包括全局最小方差（GMVP）和市场投资组合（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

摘要：我们的研究基于 Pavlo Krokhmal、Jonas Palmquist 和 Stanislav Uryasev 的论文《Portfolio optimization with conditional Value-at-Risk objective and constraints》。因此，我们遵循了他们关于优化条件风险价值（CVaR）以在回报和对大幅下跌（或潜在损失）的保护之间取得最佳投资组合的建议。在 Krokhmal 等人的论文中，他们将自己的模型，即在 CVaR 约束下最大化回报，与均值方差最优投资组合进行了对比。在此基础上，我们通过创建另外两个模型，包括 CVaR 和论文中的一个模型，来扩展研究。然后，我们将它们与几种最优投资组合进行对比，如全局最小方差投资组合、市场投资组合和均值方差投资组合。最后，我们的案例研究是 Fama 和 French 的 17 个行业投资组合。

自马科维茨（1952年）以来，投资组合优化理论已经有了很大的改进。大量论文提出了新的方法和改进，这些基本方法仍然被广泛使用。事实上，马科维茨提出的经典优化理论使用了一些限制性假设。在实际世界的实施中，这些假设往往明显被违反，比如收益的iid特性和正态性。此外，投资者可能不仅关心平均值和方差，还可能偏好不对称度量。经典优化方法没有考虑到收益尾部分布中的大事件。如今，人们可能对构建考虑这些极端风险的投资组合非常感兴趣。

本报告旨在展示在下行风险度量约束下的投资组合优化实施。我们使用条件风险价值构建了一个围绕该度量的投资组合。在这项研究中，我们对收益分布不做任何假设，因此不假设正态性。

至于我们的研究，我们将首先介绍用于执行模型的选择数据。然后，我们将转向使用的不同模型参数和约束。接下来，与论文中一样，我们将比较CVaR最优投资组合与均值-方差投资组合以及其他模型。其中包括全局最小方差（GMVP）和市场投资组合。之后，我们将对我们的三个CVaR模型进行敏感性分析。

风险值（VaR）是在一定时间内可能达到的最大损失。这个阈值由百分位数α表示。例如，95%的VaR是超过这个阈值的损失的上限估计，其发生概率为5%。在金融行业中，VaR是用来衡量金融衰退风险的最常用基准。

条件风险价值（CVaR）也是一种极端负收益的度量。事实上，它是严格高于VaR的损失的加权平均值。与VaR相反，CVaR在保险业广泛使用（CVaR在金融界并非标准）。事实上，CVaR代表的是预期的损失值。因此，CVaR和VaR都是潜在下行收益的度量。

然后，Krokhmal等人的论文方法是将CVaR约束应用于投资组合优化过程。然后，他们选择将结果与标准的马科维茨均值-方差（MV）最优投资组合进行比较。比较它们的一个挑战是，均值-方差投资组合包含负值和正值，而CVaR最优投资组合通过总结不同时间范围的结果来重新塑造其分布，以使所有可能的值都在可能收益值的负区域内。

总的来说，在论文中，他们发现均值-方差最优投资组合的有效前沿比CVaR最优投资组合更高，从这个意义上说，前者表现更好。不过，值得一提的是，在更低的显著性水平下，MV最优投资组合与CVaR最优投资组合之间的差距会扩大。

📚2 运行结果

部分代码：

%% Performance
%cumulative performance
modeltest.cumperf=cumprod(1+modeltest.perf);
modeltest3.cumperf=cumprod(1+modeltest3.perf);
modeltest5.cumperf=cumprod(1+modeltest5.perf);
GMVP.cumperf=cumprod(1+GMVP.perf);
MV.cumperf=cumprod(1+MV.perf);

%Comparative table
Names_ESportfolio={'Model 1','Model 2','Model 3'};
ReturnAllPortfolio=[modeltest.perf,modeltest3.perf,modeltest5.perf];
SumStat_ESp=Portfoliostatistics(ReturnAllPortfolio,RF,Const.conflvl95,Names_ESportfolio);
SumStat_ESp=table([SumStat_ESp;TOmodel]);

Names_M1={'Model 1','Market','GMVP','MV'};
ReturnModel1=[modeltest.perf,marketportfolio.perf,GMVP.perf,MV.perf];
SumStat_M1=Portfoliostatistics(ReturnModel1,RF,Const.conflvl95,Names_M1);
TOM1=[Model1TO,'-',GMVP.TO,MV.TO];

Names_M2={'Model 2','Market','GMVP','MV'};
ReturnModel2=[modeltest3.perf,marketportfolio.perf,GMVP.perf,MV.perf];
SumStat_M2=Portfoliostatistics(ReturnModel2,RF,Const.conflvl95,Names_M2);
TOM2=[Model2TO,'-',GMVP.TO,MV.TO];

Names_M3={'Model 3','Market','GMVP','MV'};
ReturnModel3=[modeltest5.perf,marketportfolio.perf,GMVP.perf,MV.perf];
SumStat_M3=Portfoliostatistics(ReturnModel3,RF,Const.conflvl95,Names_M3);
TOM3=[Model3TO,'-',GMVP.TO,MV.TO];
%% Weights
modeltest.avgweight=mean(modeltest.W(1:N),1); % take the mean over time for each asset class of the weight
modeltest3.avgweight=mean(modeltest3.W(1:N),1);
modeltest5.avgweight=mean(modeltest5.W(1:N),1);

p1=figure; %show it as the a pie graph
pie(modeltest.avgweight)
legend(names,'Location','northwest')
title('Average weights Model 1 at 95%')
saveas(p1,'results/Average weights Model 1 at 95','png');

p2=figure;
pie(modeltest3.avgweight)
legend(names,'Location','northwest')
title('Average weights Model 2 at 95%')
saveas(p2,'results/Average weights Model 2 at 95','png');

p3=figure;
pie(modeltest5.avgweight)
legend(names,'Location','northwest')
title('Average weights Model 3 at 95%')
saveas(p3,'results/Average weights Model 3 at 95','png');

%% graph
%we represent the evolution of the weight over time for each portfolio
%max return st ES<9.5%
f1=figure;
area(date((1+rollingwindow):end),modeltest.W(1:N,:)','FaceColor','flat');
ylim([0,1])
legend(names)
title('max return st ES<9.5%')
saveas(f1,'results/max return st ES','png');

%max SR st ES<9.5%
f2=figure;
area(date((1+rollingwindow):end),modeltest3.W(1:N,:)','FaceColor','flat');
ylim([0,1])
legend(names)
title('max SR st ES<9.5%')
saveas(f2,'results/max SR st ES','png');

%max expected return -ES
f3=figure;
area(date((1+rollingwindow):end),modeltest5.W(1:N,:)','FaceColor','flat');
ylim([0,1])
legend(names)
title('max expected return -ES')
saveas(f3,'results/max expected return -ES','png');

%MV
f4=figure;
area(date((1+rollingwindow):end),MV.W','FaceColor','flat');
ylim([0,1])
legend(names)
title('MV')
saveas(f4,'results/MV','png');

%GMVP
f5=figure;
area(date((1+rollingwindow):end),GMVP.W','FaceColor','flat');
ylim([0,1])
legend(names)
title('GMVP')
saveas(f5,'results/GMVP','png');

%Expected Shortfall illustration
f6=figure;
Varhist=quantile(modeltest.perf,0.05);
mask=modeltest.perf < Varhist;
histogram(modeltest.perf(mask),25,'FaceColor','r')
hold on
histogram(modeltest.perf(~mask),35,'FaceColor','b')
xline(Varhist,'--r');
xline(mean(modeltest.perf(modeltest.perf<Varhist)),'--r');
title('Expected Shortfall illustration')

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、数据、文章