MVO模型在资产配置中的应用.docx

《MVO模型在资产配置中的应用.docx》由会员分享，可在线阅读，更多相关《MVO模型在资产配置中的应用.docx（18页珍藏版）》请在第一文库网上搜索。

1、1.2.3.文献概述弓I IIMVO在实践中的应用3.1. 在资产配置过程中是否使用MVO模型？ 43.2. 应用MVO模型的主要局限性是什么？ 43.3. 在实践过程中如何解决MVO模型的局限性？ 43.4. 进行资产配置使用的其他方法54. MVO模型的缺陷55 .提高MVO模型稳健性的方法105.1, 添加资产配置权重的约束条件 1152使用GMV投资组合125.3, 使用投资组合重抽样方法136 .风险度量方法的改进147.结论151 .文献概述文献来源：Kim, Jang Ho, et al. HMean-Variance Optimization for Asset Allocat

2、ion1.The Journal of Portfolio Management. 47.5(2021): 24-40.文献摘要：MVO模型是一种广为人知的资产配置方法，它提供了通过权衡风险与收益来获得组合分散化收益的分析框架。尽管该模型存在一定的局限性,但投资者仍然将其作为资产配置的基本工具。本文梳理了 MVO模型的缺陷及其解决方法，并进行了相应的实证检验。同时，本文还纳入了投资经理的调研反馈来说明MVO模型在投资实践中的应用情况。文献评述：本文指出MVO模型存在参数敏感性高、假设过于严格(要求资产收益为正态分布)以及投资目标单一等缺陷，并通过实证分析验证了高参数敏感性对模型稳健性的影响。同

3、时，针对上述缺陷，本文梳理了一系列改进方法以提升模型稳健性，包括添加资产配置权重的约束条件、使用GMV优化目标或使用投资组合重抽样方法等，并进一步证实了这些方法能够有效降低参数敏感性、增强投资组合表现，为投资者在实践中更好地应用MVO模型提供了参考建议。2 .引言MVO ( Mean-Variance Optimization )模型作为现代投资组合理论(Modern Portfolio Theory - MPT )的奠基石，建立了风险收益的均衡分析框架，为构建优化组合、获取分散化收益提供了指引(Markowitz1952 )。如今，风险.收益均衡、分散化以及有效前沿等多个概念已经成为投资组合

4、理论的关键要素，在金融管理等各个领域中被广泛使用(Fabozzi, Gupta, and Markowitz 2002； Kolm, Tutihcii，and Fabozzi 2014)。资产配置一般是指对长期持有的各类资产进行比例分配的决策。Arnott( 1985)指出“没人能够否认资产配置的重要性”，这一观点也得到了大量实证文献的支持。在资产配置的过程中，MV0模型及其多种衍生模型被广泛使用。如今，在投资管理的自动化服务中，也采用了基于MVO模型进行投资组合资产配置的方法(Beketov, Lehmann, and Wittke2018)o尽管MVO模型具有广泛适用性，但其缺陷也十分明显

5、。例如，模型的输入参数需要估计，而资产配置结果对输入参数的变动十分敏感，这为实践中获取组合收益带来了一定挑战(DeMiguel, Garlappi, and Uppal2009)o本文后续章节将会对MVO模型的具体缺陷进行详细介绍。综上所述，本文讨论的内容主要围绕MVO模型及其改进方法，而关于MVO模型的数学公式不予以过多赘述。本文的核心目的在于比较几种改进方法的稳健性提升效果，为资产配置决策的优化方法提供改进建议。3 .MVO在实践中的应用本文首先阐述了投资经理们对于组合优化有效性的观点，并讨论了实际应用中具体使用的量化方法。为了解投资组合模型在实际资产配置中的应用情况，我们调研了多家知名资

6、产管理公司（包含 Amundi、BNY Mellon Investor Solutions CapitalGroup PGIM、State Street Global Advisors 和 Wells Fargo AssetManagement等）。由于投资经理的个人观点并不代表其资产管理公司，且投资经理之间回答的详细程度不尽相同，故本文仅提供观点总结，并不进行管理公司之间的比较。3.1. 在资产配置过程中是否使用MVO模型？在被调研的九家机构投资者中，六家在资产配置过程中使用MVO模型。尽管MVO模型一般应用于长期战略资产配置，但我们在调研中发现投资者在进行短期决策（投资期限小于一年，甚至为

7、单口）时也常常会使用MVO模型。MVO模型的分析框架有助于理解风险收益的权衡过程，然而，投资者通常不会将模型得出的最优资产配置结果直接应用于投资实践，而只是将其作为投资组合的参考建议。投资者会在MVO最优资产配置的基础上，根据自己的主观判断等进行人工调整，以得到最终的投资决策。32 应用MVO模型的主要局限性是什么？MVO模型最广为诟病的局限性是其具有很高的参数敏感性。模型的角点解会导致最优权重的极端分配，这个问题在无约束状态下会更为突出。此外，MVO模型未考虑输入参数估计的不确定性，而实际上资产收益均值和协方差矩阵通常具有区制转换（regime-switching）特性，会随时间发生变化。在

8、投资实践中应用MVO模型还存在着如下局限性：（1）无法对收益非正态分布的资产进行建模；（2）除收益和风险外，没有考虑其他的投资目标（如流动性需求等）；（3） MVO为单期模型且参数敏感性高，导致再平衡操作时换手率很高。3.3.在实践过程中如何解决MVO模型的局限性？1、改进输入参数的估计方法。在估计输入参数时，除了考虑各类资产的历史收益数据外，还可以纳入宏观经济数据、主观观点和因子模型。例如，经济周期会对协方差矩阵的估计产生影响。同时值得注意的是，对参数的估计需要与投资期限相匹配，这是因为其短期分布与长期分布往往差异较大。受访者还提到，关注市场当前状况与过去的相似性比单纯扩展估计窗口或使用指数

9、加权方法更加有效。2、使用模拟分析方法、BL模型和贝叶斯方法等解决MVO模型的参数敏感性问题。除了能够降低MVO模型的参数敏感性，模拟分析方法(simulation- based approach)还允许预设不同的机制与情景(包括市场崩盘、经济危机等)，BL模型和贝叶斯方法还允许投资者在模型中加入主观观点。此外，投资者还通过最小化条件在险价值(CVaR)等方法来规避MVO模型对资产收益正态分布的要求。34进行资产配置使用的其他方法1、超过一半的受访者使用了模拟情景分析的方法。如前文所述，情景分析允许投资者考察投资组合在不同市场环境中的业绩表现。这些市场环境可以根据宏观经济预期、市场机制(mar

10、ket regimes )经济周期以及对各类资产的表现预期来设定。2 部分受访者使用了收缩估计量(shrinkage estimators )。收缩估计量一般应用于协方差矩阵、稳健最优化以及包括BL模型在内的贝叶斯方法。3 其他方法包括最小化下行风险(optimization minimizing downsiderisk ) 多目标优化(multi-objective optimization )以及随机规划(stochastic programming )等 0通过调查结果来看，并不存在一个所有投资者普遍使用的量化配置模型。投资者通常需要根据自己的投资目标、投资约束等，结合使用不同的量化模

11、型来得到有效的配置策略。4 . MVO模型的缺陷在投资实践中，较高的参数敏感性是MVO模型最大的缺陷(Best andGrauer, 1991 ； Chopra and Ziemba, 1993)。MVO 模型输出的最优资产配置权重对于输入参数(资产收益率、波动性和相关性)的微小变动具有很高的敏感性，同时输入参数本身也是估计的结果，这就为在实践中应用MVO模型带来了一定挑战。为了检验MVO模型的参数敏感性，我们选用不同长度的滚动窗口来估计输入参数，可以发现据此得到的最优资产配置结果显著不同。具体来说，我们构造了一个全球资产投资组合，包含的资产类别和投资标的如表1所示，资产标的的业绩表现如表2所

12、示。表1:待配置资产及其代表标的Asset Classes1. US Large Cap (Vanguard 500 Index Fund)2. US Small Cap (Vanguard Small Cap Index Fund)3. International Developed ex-US Market (Vanguard DevelopedMarkets Index Fund)4. Emerging Markets (Vanguard Emerging Markets Stock IndexFund)5. Total US Bond Market (Vanguard Total Bo

13、nd MarketIndex Fund)6. High Yield Corporate Bonds (Vanguard High YieldCorporate Fund)数据来源：Kim等(2021)表2 :待配置资产标的特征(统计区间为2000年至2020年)CompoundAnnualGrowth RateSt DevBestYearWorstYearMax.DrawdownSharpeRatioUS Large Cap6.50%15.18%32.18%-37.02%-50.97%0.39US Small Cap8.91%19.94%45.63%-36.07%-53.95%0.45Inti

14、 Developed ex-US Market3.78%17.14%38.67%-41.27%-57.06%0.21Emerging Markets6.89%21.80%75.98%-52.81%-62.70%0.34Total US Bond Market4.94%3.44%11.39%-2.26%-3.99%0.96High-Yield Corporate Bonds6.04%7.82%39.09%-21.29%-28.90%0.58数据来源:Kim等(2021)我们使用MV0模型构建最大化夏普比率的投资组合，基于2000年至2020年的月度收益数据进行滚动回测(滚动窗口长度分别设置为24

15、个月、36个月和48个月)，结果如图1所示。从图1中可以看到，尽管MVO模型的优化目标相同，但是不同的滚动周期得到的最优资产配置权重差异巨大。例如，在2000年，24个月滚动窗口得到的最优投发组合主要配置国际发达市场资产，而48个月滚动窗口的优化结果则建议全部配置美国大盘股。2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020Time Period2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020Time Period