精华内容
下载资源
问答
  • 投资组合管理

    千次阅读 2021-02-11 20:29:21
    第一部分:沪深300指数正态性检验 正态分布是金融学中的最重要的...有效市场假设:有效市场是指价格反映所有可用信息的市场,若假设成立,股票价格波动则是随机的,那么收益则呈现正态分布。 d.期权定价理论:著名的BS

    第一部分:沪深300指数正态性检验
    正态分布是金融学中的最重要的分布,也是金融学理论的主要统计学基础之一。

    a.投资组合理论:当股票收益率呈正态分布时,最优化投资组合可以在如下假设中选择:只有平均收益和收益的方差以及不同的股票之间的协方差与投资决策相关。
    b.资本性资产定价模型:当股票收益呈现正态分布时,单独证券的价格可以很好地以某种大规模市场指数的关系表示。
    c.有效市场假设:有效市场是指价格反映所有可用信息的市场,若假设成立,股票价格波动则是随机的,那么收益则呈现正态分布。
    d.期权定价理论:著名的BSM期权定价模型中一个重要的假设为股票收益呈正态分布。

    那么,在现实的资本市场中,正态性的假设不一定是成立的。
    为了验证,从以下几个方面对沪深300指数数据进行分析,数据时间为2015年1月5日到2021年2月10日。

    import math
    import numpy as np
    import pandas as pd
    import scipy.stats as scs
    import statsmodels.api as sm
    import matplotlib as mpl
    import matplotlib.pyplot as plt
    mpl.rcParams['font.family'] = 'serif'
    
    def dN(x, mu, sigma):
        ''' Probability density function of a normal random variable x.
    
        Parameters
        ==========
        mu : float
            expected value #平均值/期望值
        sigma : float
            standard deviation #标准差
    
        Returns
        =======
        pdf : float
            value of probability density function #概率密度函数
        '''
        z = (x - mu) / sigma #正态分布的标准化,z服从标准正态分布
        pdf = np.exp(-0.5 * z ** 2) / math.sqrt(2 * math.pi * sigma ** 2) #z的概率密度函数
        return pdf
    
    #引入数据
    import numpy as np
    import matplotlib as mpl
    import matplotlib.pyplot as plt
    import pandas as pd 
    import matplotlib.dates as mdates
    fig=plt.figure(figsize=(12,6)) 
    data = pd.read_csv('C:/Users/gws/Desktop/沪深300指数历史数据.csv')
    data['returns'] = np.log(data['price'] / data['price'].shift(1))
    times = pd.read_excel(r'C:/Users/gws/Desktop/time.xlsx')
    
    # 指数日报价
    import numpy as np
    import matplotlib as mpl
    import matplotlib.pyplot as plt
    import pandas as pd 
    import matplotlib.dates as mdates
    data = pd.read_csv('C:/Users/gws/Desktop/沪深300指数历史数据.csv')
    
    
    plt.figure(figsize=(9, 6)) 
    x_time=times
    y_index=data['price']
    plt.plot(x_time,y_index)
    plt.legend()
    plt.xlabel('time')
    
    ax=fig.add_subplot(111) 
    ax.xaxis.set_major_formatter(mdates.DateFormatter("%Y-%m-%d"))
    plt.ylabel('daily quotes')
    
    
    # 指数日对数价格波动率
    import numpy as np
    import matplotlib as mpl
    import matplotlib.pyplot as plt
    import pandas as pd 
    import matplotlib.dates as mdates
    
    data = pd.read_csv('C:/Users/gws/Desktop/沪深300指数历史数据.csv')
    data['returns'] = np.log(data['price'] / data['price'].shift(1))
    
    
    plt.plot(times,data['returns'],color='b',linewidth=3)
    
    plt.xlabel('TIME')
    ax=fig.add_subplot(111) 
    ax.xaxis.set_major_formatter(mdates.DateFormatter("%Y-%m-%d"))
    plt.ylabel('Daily log returns')
    plt.show()
    

    以上分析得到沪深300指数的日报价波动率和日对数收益率波动率。
    沪深
    在这里插入图片描述

    # 指数日对数收益率图
    def return_histogram(data):
        ''' Plots a histogram of the returns. '''
        plt.figure(figsize=(9, 5))
        x = np.linspace(min(data['returns']), max(data['returns']), 100)
        plt.hist(np.array(data['returns']), bins=50, density=True) #normed改成density
        y = dN(x, np.mean(data['returns']), np.std(data['returns'])) #求收益率的均值和方差
        plt.plot(x, y, linewidth=2)
        plt.xlabel('log returns')
        plt.ylabel('frequency/probability')
        plt.grid(True)
    return_histogram(data)
    

    以上分析得到日对数收益率的直方图。
    在这里插入图片描述

    # QQ图
    sm.qqplot(data['returns'].dropna(),line = 's')
    plt.grid(True)
    plt.xlabel('theoretical quantiles')
    plt.ylabel('sample quantiles')
    

    以上分析得到沪深300指数对数收益率的QQ图
    在这里插入图片描述
    以上的图形可以初步判断,沪深300指数的收益率不是正态分布的。

    接下来通过描述性统计来继续证明。

    # 描述性统计分析
    import numpy as np
    import matplotlib.pyplot as plt
    import math
    import numpy as np
    import quandl
    import scipy.stats as stats
    
    # print(data['returns'])
    print('均值:',np.mean(data['returns'])) #均值
    print('最小值:',np.min(data['returns'])) #最小值
    print('最大值:',np.max(data['returns'])) #最大值
    print('标准差:',np.std(data['returns'])) #标准差
    print('方差:',np.var(data['returns'])) #方差
    print('偏度:',pd.Series(data['returns']).skew())#偏度
    print('峰度:',pd.Series(data['returns']).kurt()) #峰度
    
    # J_B检验
    import numpy as np
    import scipy.stats as stats
    def self_JBtest(y):
        n = y.size
        y_ = y - y.mean()   
        """
        M2:二阶中心钜
        skew 偏度 = 三阶中心矩 与 M2^1.5的比
        krut 峰值 = 四阶中心钜 与 M2^2 的比
        """
        M2 = np.mean(y_**2)
        skew =  np.mean(y_**3)/M2**1.5
        krut = np.mean(y_**4)/M2**2
        """
        计算JB统计量,以及建立假设检验
        """
        JB = n*(skew**2/6 + (krut-3 )**2/24)
        pvalue = 1 - stats.chi2.cdf(JB,df=2)
        print("JB检验:",stats.jarque_bera(y))    
        return np.array([JB,pvalue])
    print(self_JBtest(data['returns']))
    
    

    以上的结果为:

    均值: 0.0003134864995930646
    最小值: -0.09154437253073909
    最大值: 0.06498873052235105
    标准差: 0.015329468087087158
    方差: 0.00023499259183302362
    偏度: -1.015554440888655
    峰度: 6.3043654925582535
    JB检验: Jarque_beraResult(statistic=nan, pvalue=nan)
    [2703.43766602    0.        ]
    

    以上数据中,样本峰度为6.304,可以看出样本分布存在厚尾现象。所以可以判断沪深300指数的收益率不呈现正态分布,所以市场收益率的正态假设不成立。

    第二部分:均值-方差投资组合理论

    a.马科维茨均值-方差模型为多目标优化问题,有效前沿即多目标优化问题的pareto解(风险一定,收益最大;收益一定,风险最小)
    b.马科维茨模型以预期收益率期望度量收益,以收益率方差度量风险

    一般用均值方差理论来研究股票投资组合,这里用来研究基金的投资组合。
    选取5只基金数据,时间从20191月1日年到2021年2月10日。

    1.5只基金的净值数据如图所示。
    在这里插入图片描述

    2.计算不同基金的均值、协方差

    2.1 基金收益率的均值
    每年252个交易日,用每日收益得到年化收益。

    returns1 = np.log(p1 / p1.shift(1))
    print('a005827的均值为:',returns1.mean()*252)
    returns2 = np.log(p2 / p2.shift(1))
    print('a118001的均值为:',returns2.mean()*252)
    returns3 = np.log(p3 / p3.shift(1))
    print('a003095的均值为:',returns3.mean()*252)
    returns4 = np.log(p4 / p4.shift(1))
    print('a002891的均值为:',returns4.mean()*252)
    returns5 = np.log(p5 / p5.shift(1))
    print('a260108的均值为:',returns5.mean()*252)
    

    结果为

    a005827的均值为: 0.6722697561451413
    a118001的均值为: 0.39795665784070866
    a003095的均值为: 0.6318566234567989
    a002891的均值为: 0.6283258141278733
    a260108的均值为: 0.6174217494140353
    

    2.2 基金收益率的协方差

    计算投资资产的协方差是构建资产组合过程的核心部分。运用pandas内置方法生产协方差矩阵。

    import pandas as pd
    df = pd.DataFrame({
        'returns1': list(returns1)[1:],
        'returns2': list(returns2)[1:],
        'returns3': list(returns3)[1:],
        'returns4':list(returns4)[1:],
        'returns5':list(returns5)[1:]})
    df_corr = df.corr()
    # 可视化
    import matplotlib.pyplot as mp, seaborn
    seaborn.heatmap(df_corr, center=0, annot=True, cmap='YlGnBu')
    mp.show()
    

    在这里插入图片描述

    2.3 给不同资产随机分配初始权重

    weights = np.random.random(5)
    weights /= np.sum(weights)
    weights
    

    比重如下

    array([0.19022422, 0.26289541, 0.2368989 , 0.1765832 , 0.13339827])
    

    2.4 .计算预期组合年化收益、组合方差和组合标准差

    np.sum(returns.mean()*weights)*252
    np.dot(weights.T, np.dot(df_corr,weights))
    np.sqrt(np.dot(weights.T, np.dot(df_corr,weights)))
    

    结果如下

    0.5895661201969116
    0.24679615559426255
    0.4967858246712184
    

    2.5 用蒙特卡洛模拟产生大量随机组合

    得到随机权重投资组合散点图如下:
    在这里插入图片描述

    2.6投资组合的优化

    2.6.1 得到夏普比率最大时的期望收益

    def statistics(weights):
        weights = np.array(weights)
        port_returns = np.sum(ret*weights)*252
        port_variance = np.sqrt(np.dot(weights.T, np.dot(df_corr,weights)))
        return np.array([port_returns, port_variance, port_returns/port_variance])
    #最优化投资组合的推导是一个约束最优化问题
    import scipy.optimize as sco
    
    #最小化夏普指数的负值
    def min_sharpe(weights):
        return -statistics(weights)[2]
    
    #约束是所有参数(权重)的总和为1。这可以用minimize函数的约定表达如下
    cons = ({'type':'eq', 'fun':lambda x: np.sum(x)-1})
    
    #我们还将参数值(权重)限制在0和1之间。这些值以多个元组组成的一个元组形式提供给最小化函数
    bnds = tuple((0,1) for x in range(noa))
    
    #优化函数调用中忽略的唯一输入是起始参数列表(对权重的初始猜测)。我们简单的使用平均分布。
    opts = sco.minimize(min_sharpe, noa*[1./noa,], method = 'SLSQP', bounds = bnds, constraints = cons)
    opts
    

    得到的结果如下:

    fun: -1.3002339742302418
         jac: array([-6.55651093e-07,  6.04987144e-06,  8.98540020e-06, -1.29044056e-05,
           -1.11758709e-06])
     message: 'Optimization terminated successfully'
        nfev: 47
         nit: 7
        njev: 7
      status: 0
     success: True
           x: array([0.2446469 , 0.09458952, 0.24748957, 0.18258173, 0.23069229])
    
    

    得到的最优权重组合为:

    array([0.245, 0.095, 0.247, 0.183, 0.231])
    

    使用最优化得到投资组合的权重,得到以下统计结果

    array([0.616, 0.473, 1.3  ])
    

    由此可知,预期收益率为61.6%,预期波动率为47.3%,得到的最优夏普指数为1.3

    2.6.2 投资组合优化-方差最小

    通过计算得到结果如下:

    fun: 0.4661049635012212
         jac: array([0.46630891, 0.46531815, 0.46595777, 0.46669132, 0.46624486])
     message: 'Optimization terminated successfully'
        nfev: 22
         nit: 3
        njev: 3
      status: 0
     success: True
           x: array([0.21494791, 0.17201182, 0.23323061, 0.16222558, 0.21758409])
    

    可以得到绝对方差最小投资组合

    array([0.215, 0.172, 0.233, 0.162, 0.218])
    

    得到的预期收益率、波动率和夏普指数为:

    array([0.597, 0.466, 1.28 ])
    

    可知,预期收益率为59.7%,预期波动率为46.6%,预期夏普指数为1.28

    2.7 组合的有效边界

    所谓最优投资组合,即目标收益率水平下波动率最小。

    下图是最优化结果的展示:

    叉号:构成的曲线是有效前沿(目标收益率下最优的投资组合)

    红星:sharpe最大的投资组合

    黄星:方差最小的投资组合

    在这里插入图片描述

    有效边界由所有收益率高于绝对最小方差的投资组合的最优投资组合构成,这些投资组合在给定某一风险水平的预期收益率上优于其他投资组合。

    2.8 投资组合回测

    通过模拟得到组合投资权重为:
    a005827的权重为: 0.245
    a118001的权重为: 0.095
    a003095的权重为: 0.247
    a002891的权重为: 0.182
    a260108的权重为: 0.231

    回测结果为:

    第一列为夏普比率,第二列为波动率,第三列为最大回撤。一般认为夏普比率越高挣钱效应越好,波动率和最大回测越大风险越大。
    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • 西方投资组合理论及其新发展综述

    千次阅读 2009-04-28 08:54:00
    狭义的投资组合理论马柯维茨投资组合理论;而广义的投资组合理论除了经典的投资组理论以及该理论的各种替代投资组合理论外,还包括由资本资产定价模型和证券市场有效理论构成的资本市场理论。同时,由于传统的...

    西方投资组合理论及其新发展综述

    投资组合理论有狭义和广义之分。狭义的投资组合理论指的是马柯维茨投资组合理论;而广义的投资组合理论除了经典的投资组理论以及该理论的各种替代投资组合理论外,还包括由资本资产定价模型和证券市场有效理论构成的资本市场理论。同时,由于传统的EMH不能解释市场异常现象,在投资组合理论又受到行为金融理论的挑战。

    一、50年代以前的投资组合理论

        在马柯维茨投资组合理论提出以前,分散投资的理念已经存在。Hicks(1935)提出了“分离定理”,并解释了由于投资者有获得高收益低风险的期望,因而有对货币的需要;同时他认为和现存的价值理论一样,应构建起“货币理论”,并将风险引入分析中,因为风险将影响投资的绩效,将影响期望净收入。Kenes(1936)Hicks(1939)提出了风险补偿的概念,认为由于不确定性的存在,应该对不同金融产品在利率之外附加一定的风险补偿,Hicks还提出资产选择问题,认为风险可以分散。Marschak(1938)提出了不确定条件下的序数选择理论,

    时也注意到了人们往往倾向于高收益低风险等现象。Williams(1938)提出了“分散折价模型”(dividend dis-count model),认为通过投资于足够多的证券,就可以消除风险,并假设总存在一个满足收益最大化和风险最小化的组合,同时能通过法律保证使得组合的事实收益和期

    望收益一致。Leavens(1945)论证了分散化的好处。随后Von Neumann(1947)应用预期效用的概念提出不确定性条件下的决策选择方法。

    二、马柯维茨投资组合理论及其扩展

        美国经济学家Markowitz1952)发表论文《资产组合的选择》,标志着现代投资组合理论的开端。他利用均值--方差模型分析得出通过投资组合可以有效降低风险的结论。

        同时,Roy(1952)提出了“安全首要模型”(Safety-First Portfolio Theory),将投资组合的均值和方差作为一个整体来选择,尤其是他提出以极小化投资组合收益小于给定的“灾险水平”的概率作为模型的决策准则,为后来的VaR(Value at Risk)等方法提供了思路。

        Tobin1958)提出了著名的“二基金分离定理”:在允许卖空的证券组合选择问题中,每一种有效证券组合都是一种无风险资产与一种特殊的风险资产的组合。

        Markowitz等人的基础上,Hicks(1962)的“组合投资的纯理论”指出,在包含现金的资产组合中,组合期望值和标准差之间有线形关系,并且风险资产的比例仍然沿着这条线形的有效边界这部分上,这就解释了Tobin的分离定理的内容。Wiliam.F.Sharpe(1963)提出“单一指数模型”,该模型假定资产收益只与市场总体收益有关,从而大大简化了马柯维茨理论中所用到的复杂计算。

        马柯维茨的模型中以方差刻画风险,并且收益分布对称,许多学者对此提出了各自不同的见解。

        Mao(1970)Markowitz1959);orter(1974)HoganWarren(1974)Harlow(1991)等认为下半方差更能准确刻画风险,因此讨论了均值一下半方差模型。

        KonnoSuzuki(1995)研究了收益不对称情况下的均值--方差--偏度模型,该模型在收益率分布不对称的情况下具有价值,因为具有相同均值和方差的资产组合很可能具有不同的偏度,偏度大的资产组合获得较大收益率的可能性也相应增加。AthaydeFlores2002)考虑了非对称分布条件下的资产配置情况:在前两阶奇数矩限定的情况下,分别最小化方差与峰度并将其推广到最小化任一奇数矩;JondeauRockinger2002)在投资者效用函数为常数相对风险厌恶(CRRA)效用函数的假定下将期末期望收益Taylor展开取前4阶高阶矩,运用一阶条件来最优化资产配置;JondeauRockinger2005)考虑收益率的联合非正态分布和时变特征,包括了波动聚集性、非对称和肥尾特征。将期末期望收益Taylor展开并取前4阶高阶矩,运用一阶条件来最优化资产配置;Sahu等(20012003)提出偏正态分布来衡量高阶矩的影响,能充分考虑偏度与协偏度,同时处理“肥尾”的影响;Campbell R等(2004偏正态分布估计高阶矩的影响,贝叶斯方法处理收益分布的参数不确定性情况,在上述基础之上处理最优化问题。

        KonnoYamazaki(1991)用期望绝对偏差刻画风险,建立了一个资产组合选择的线性规划模型,被称为均值-绝对偏差模型。该模型如同均值-方差模型那样也发展成均-下半绝对偏差模型;Young1998)以资产组合收益的最小顺序统计量作为风险度量利用极大极小规则建立了一个资产组合选择的线性规划模型;Cai2000用资产组合项资产收益中的最大期望绝对偏差来刻画风险,建立了一个资产组合选择的线性规划模型并给出了解析解。

    三、资本资产定价模型及其扩展

        马柯维茨投资组合理论之后,Sharpe1964)Lintner(1965)Mossin1966)分别提出了各自的资本资产定价模型(CAPM)。这些模型是在不确定条件下探讨资产定价的理论,对投资实践具有重要的指导意义。

        资本资产定价模型提出之后,研究者进一步扩展了该研究。

       Jensen Michael1969)提出以CAPM中的证券市场线为基准来分析投资组合绩效的非常规收益率资本资产定价模型,但由于在非系统风险不能完全剔除的情况下,该模型对投资组合绩效的评价结果不如CAPM的评价结果,因此该模型在实际中应用不多。

        Brennan1970)提出了考虑税率对证券投资报酬影响的资本资产定价模型;Vasicek,(1971)Black1972)分别研究了不存在无风险借贷时的资本资产定价模型;Mayers1972)提出了考虑存在退休金、社会保险等非市场化资产情况下的资产定价模型的建立;Merton1973)提出了多因素的ICAPM (Intertemporal CAPM)模型,为后来的长期投资理论奠定了基础。E.Linderberg9761979)研究了存在价格影响者时的资本市场均衡和投资者的组合选择问题。结果发现所有投资者(包括价格影响者)都持有市场组合和无风险资产的某个组合,故仍可得到形式简单的CAPM,只不过此时的单位风险价格低于所有投资者都是价格接收者时的单位风险价格。他还证明了通过兼并或合伙,个体或机构投资者可以增加他们的效用,这就是大型金融机构存在的原因之一。

        Sharpe1970)E.Fama1976)J.Lintler1970)N.J.Gonedes1976)等分别研究了投资者对资产将来的期望收益、收益的方差、协方差期望不一致时资本市场的均衡,他们得到了形式于标准CAPM类似的CAPM

        由于资本资产定价模型的假设条件过于严格,使其在应用中受到一定局限。因此,对于CAPM的突破成为必然。

        Stephen.A.Ross1976)提出了套利定价理论(APT)APT不需要像CAPM那样作出很强的假定,从而突破性地发展了CAPM

        Black,Scholes1973)推导出期权定价公式,即BS模型;Merton1973)对该定价公式发展和深化。针对BS模型假定股票价格满足几何--布朗运动在大多数情况下不符合实际价格变化的问题,ScholesRoss(1976)在假定股票价格为对数泊松发布情况下推导出了纯跳空期权定价模型(Pure Jump Model)Merton(1976)提出了扩散--跳空方程(Diffusion-Jump Model);格利斯特和李(1984)研究了基础证券交易成本对期权价值的影响:当存在交易成本时,连续时间无套利定价会因为高昂的交易成本而无法实现;Merton(1990)运用了离散时间模型提出了交易成本与基础证券价格成比例的单阶段期权定价公式;波耶勒和沃尔斯特(1992)Merton的方法推广到了多阶段情形。

        拉马斯瓦米,桑达瑞森(1985)Brenner;科塔顿,萨布拉曼·彦(1985)以及贝尔和托罗斯(1986)的研究指出,美式期货期权在利率为正的条件下比美式现货期权更易于执行;Lieu(1990)应用连续时间定价方法推出了期货纯期权的定价公式;陈,斯科特(1993)进一步研究指出,即使利率是随机的,期货纯期权价值也不受利率的影响;ChaudhurgWei(1994)研究了常规期货期权与纯期权的价值关系,指出期货纯期权的价值高于美式期货期权的价值。HarrisonKrep1979)发展了证券定价的轶理论(theory of martingale pricing),该理论目前仍是金融研究的前沿课题。

    四、投资组合理论的新发展

    (一)基于交易费用和流动性的投资组合理论

        如果市场是无效的和存在摩擦的,就会导致交易成本的存在,而开放式基金的流动性直接与交易成本相关。关于市场摩擦的投资组合问题,是由MagilConstantinides首先提出来的,之后DavisNorman对此做了进一步研究。Davis(1990)等人利用随机控制方法分析了在存在市场摩擦的情况下与证券流动性相关的交易成本问题,发现保持在一定风险区间内并且在接近区间的边界时作最小交易是合理的。ShreveAkian(1995)等人利用粘度理论研究了具有交易成本的多维资产组合问题,并利用有限差分法求解了一个三资产的期终财富最大化问题。但是,Davis,Shreve,Akian等提出的方法忽略了固定成本所导致的较大交易成本,后来的EasthamHastings使用脉冲控制方法有效地解决了这一问题。MortonPliska(1995)也研究了固定交易成本下的最优组合管理问题,尽管他们建立的模型中的交易成本不是真实的交易成本,但是他们的方法在解决相应的组合问题时具有一定的指导作用。

        最近的研究认为证券的流动性是证券价值的决定性因素,相对于流动性证券来说,非流动性证券的定价总是存在一定的折扣。例如AmihudMendelson(1991),Kamara(1994)就证实在非流动性的中期债券和流动性的国债间存在超过35个基本点的收益差距;Whitelaw(1991)等也证实过类似现象。Brito(1977),Subrahanyam (1979),AmihudMendelson(1986),Duma,和Luciano(1991),BoudoukhWhitelaw(1993),ConstantinidesMehra(1998)等关于资产组合的流动性作用的研究成果,集中在外生的交易成本和借入或卖出的限定上,而后来Longstaf(2001)的研究则是集中于交易策略和证券价值内生的非流动性作用上。Longstaf解决了投资者受限于流动性限制的跨期组合问题。

    (二)基于风格投资的投资组合理论

        风格投资始于1992年威廉·夏普的论文《资产配置:风格管理与业绩评价》。风格投资在国外的研究主要集中在以下几方面:

        第一,投资风格的分析。目前普遍接受的风格分析方法主要有和基于组合的风格分析。前者是由Sharp提出基于收益的风格分析,他认为通过比较基金的收益和所选择的风格指数收益之间的关系可以判定基金管理人在过去一段时间的投资风格;后者主要是根据基金实际持有的股票特征来划分基金的投资风格。Kahn(1996)发现对于小样本基金,基于组合分析来预测风险比基于收益的分析方法具有更高的相关性;Kaplan(2003)研究发现对于大盘价值型组合,两种风格分析方法所得结果相似,而对于中小盘和成长型组合,两种分析方法则存在显著差异。

        第二,风格投资的表现及形成原因研究。风格投资常常表现出小市值效应(投资于小规模公司股票所获得的收益要高于投资于大规模公司股票)BV/MV(净资产/市值)效应。Banz1981)最早发现,最小一类公司股票的平均收益率要高出最大一类股票19.8%Reinganum (1981)也发现类似现象。对于BV/MV效应,Stattman (1980)发现美国公司股票的平均收益与其BV/MV呈正相关关系;FamaFrench(1992)也证明美国市场的BV/MV效应明显。对此,有这样几种解释:其一,FamaFrench(1993,1995),Johnson(1997)等人认为风格投资的超额收益是对风险的补偿,而这些风险被正统的资本资产定价模型所遗漏;其二,Lakonishok,ShleiferVishny(1994)认为超额收益是由于投资者对某种股票过去表现的过度反应所致;其三,DanielTitman(1997)认为由于具有某种相同属性的公司分享着某些共同特征,因而有可能同时出现一些经营上的问题而导致上述两种效应;其四认为是计算方法的选择以及数据处理等人为原因造成的。

        第三,风格投资的周期性以及风格转换策略研究。从价值型/成长型或大盘股刊、盘股等角度来看,风格投资在不同时期有着不同表现,存在周期性。弗兰克等(2002)研究表明,美国、日本股票市场中小盘股/大盘股总是间隔表现较差或优良。David,RobertChristopher (1997)通过美国、加拿大等国数据分析发现,价值型/成长型组合的收益率存在较为明显的周期型。由于风格投资具有周期性,因而投资者可以通过风格转换以获取更好收益。Levi,和Liodakis(1999)通过对英国股市的研究认为,当两种相对风格的收益率差异不显著时,投资者有机会通过风格转换增进组合绩效;另外一些学者如KevinQ .W ang(2003)Georgi(2003)等也分别对此现象进行了研究。

        第四,风格投资对证券市场的影响研究。LeeAndrei(1991)用风格投资的理论解释了为什么在同一证券市场挂牌的基金虽持有完全不同的股票,但却同涨同跌;Froot(1999)同样运用风格投资的概念解释了在不同交易所上市的同种股票却有着不同表现的原因;SorensenLazzara(1995),Anderrson(1997)Fochtman(1995)也先后就某种风格与某种具体影响因素(如宏观经济因素、价格趋势等)之间的关系进行了研究。

    (三)基于连续时间的长期投资组合理论

        长久以来,马柯维茨的均值--方差理论在指导人们短期投资中占有重要地位。但事实上,长期投资和短期投资的最优资产组合不尽相同。

        Samuelson19631969)等最早描述了长期投资者与短期投资者作出相同决策的限制条件;Merton19691971,1973)也对此进行了长期、深人的研究。他们的研究告诉人们,投资机会会随时间变化,长期投资者总是关心长期中投资机会所受到的冲击,并希望从中套利。KimOmberg(1996)BalduzziLynch(1999)Barberis(2000)等人建立了长期投资者资产组合选择的实证模型,这些模型是建立在Samuelson(19631969)Mossin(1968)Merton196919711973);Stiglitz1979);Rubinstein1976a,b);Breeden1979)等文献的基础上,并且最终完成了早期理论文献的实证检验。他们假设一个生命有限的投资者具有期末财富的HARA (hyperbolic absolute risk aversion)效用,结果发现没有用到任何近似,最优的组合权重是线性的。BalduzziLynch通过对那些忽视投资长期性的投资者的效用检验得出,忽略现实的交易成本将导致效用成本增加0.8%16.9%Barberis研究发现即使将许多参数的不确定性包含进模型之后,还有足够的收益期望使长期投资者总能在股票上分配更多资产。

        对于利率在长期的影响,Morton(1973)提出了套期保值效应,当投资者的风险厌恶系数大于1时,对风险资产的需求不仅受到资产风险溢价的影响,还受到预期收益率与预期远期利率调整的协方差的影响;对于跨期理论中的跨期预算约束条件,Campbel(1993)认为当消费--财富比率不变或变动不大时,投资者的跨期预算约束条件为近似线形;Tepla(2000)在允许借入和卖空的约束条件下,将静态投资组合的选择标准结果扩展到动态的跨期模型。CampbellViceira(2001)对这部分结论也有详细的阐述。

        对长期投资的资产组合选择和风险控制问题,Jeremy Siegel(1994)通过分析认为在长期投资中,股票的风险低于债券甚至国库券,在长期股票是最安全的投资资产。CampbelViceira(1999,2000)证明对最优投资策略中市场择机的忽略,会导致更大的效用损失。Campbell,ChanViceira (2001)等用VaR(一阶向量自回归)模型来分析长期投资者的消费和资产组合选择问题。研究表明,股票收益的可预测性增加了投资者对于股票投资的需要,并且长期通货膨胀债券能够增加稳健投资者的效用; John Y.Campbell,George ChackoJorge Rodriguez(2004)的研究也展示,保守的长期投资者有一个积极的股票跨期套利需求。这些研究对长期资产组合框架的建立作出了卓越贡献。

         对长期投资的资产配置问题,用连续时间数学来分析动态资产组合选择,至少可以追溯到Robert Merton(1969--1973)的研讨工作。Duffle(1996)KaratzasShreve(1998)Morton(1990)给出了连续时间中资产组合选择的一般方法。ChackoViceira(1999)探讨了时变风险对投资的影响。CoxHuang(1989)CoxLeland(1982)Pliska(1996)等提出跨期消费与资产组合选择的“鞍方法”,利用完全市场中的SDF(随机贴现因子)属性,把动态问题转换为静态问题,使得结果更容易求解。CampbellViceira(2002)在他们合著的《战略资产配置:长期投资者的资产组合选择》中第一次系统地讨论了长期资产组合选择问题。他们创立了一个可以与均值方差分析相媲美的跨期实证分析方法;证明了长期通货膨胀指数化债券是对于长期投资者的无风险资产;揭示了股票作为对长期投资者比短期投资者更为安全资产的条件;证明了劳动收入怎样影响资产组合选择。

    (四)基于VaR的投资组合理论

        VaR方法在20世纪50年代才得到研究证券投资组合理论的学者们关注,它原先被人们用于测度一些金融公司交易证券的市场风险。VaR方法的引人在一定程度上弥补了原先投资组合理论对证券投资组合风险度量的不足。

        国外学者先后给VaR从不同角度进行定义。

        Joroin1996)认为是给定概率置信水平内最坏情况下的损失;SironiResti1997)认为是在定义期间内,在一定的概率条件下,潜在的最大损失。

        Luciano1998)认为是在一定的概率条件下,单个头寸或整个组合可能产生的损失;在给定资产(组合)价值变动分布的前提下,风险按照价值变动超过某一临界点的可能性来界定。

        MauserRosenJorion(2001)分别利用历史模拟法或蒙特卡罗模拟法估算了VaR条件下的资产组合选择最优化问题。但VaR仍然存在有很多的缺陷。

        Artzner等(1999)提出了一致性风险度量的概念(CoherentMeasures of Risk),其中一致性以四条公理假设条件作为判别标准,由于VaR不满足四个条件中的次可加性(Sub-Additivity),意味着在某些条件下拒绝资产组合风险分散化原理,认为VaR不是一个Coherent风险度量。

        基于此,PflugRockafellarUryasev2000,2002);AcerbiTasche2002)先后提出了条件风险价值(ConditionalValue-at-Risk,CVaR)作为风险的度量来对VaR进行修正。CvaR被定义为损失超过VaR部分的条件期望,只考虑下跌风险(Downside Risk)。如果VaR对应的置信区间为(1-α),则α-CVAR就是超过α-VAR的平均损失;针对VaR无法比较来自不同市场的风险暴露,Giuseppe Tardivo2002)提出Benchmark-VaR的概念,即在一定的时间段内,在一定的置信区间内,基金或者组合偏离基准(Benchmark)的最大离差;Emmer等(2001)引入了在险资本的概念(Capital at Risk,CaR)的概念,用以代替方差来衡量风险;鉴于VaR仅测度了市场常态下的资产组合的风险,Embrechts等(1997)将测度极端情况的极值理论与VaR相结合提出了测度市场极端风险的方法,McNeilFrey2000)运用极值理论研究了瑞士金融市场时间序列的尾部特征,结论认为极值方法比VaR更为稳健和精确。

        在界定了VaRCVaR等风险测度指标后,以其为基础研究资产组合选择的工作相应展开。  

        Rockafellar等(2000),Anderson等(2001)考虑了CVaR作为风险测度时的资产组合优化问题,证明了CVaR是凸函数,可以用来构建有效的优化方法,而且Rockafellar等还提出了一种线性规划方法,可以同时最小化VaRCVaREmmer等在引入了在险资本的概念(Capital at Risk,CaR)后,建立了资产组合选择的“均值-CaR”模型,推导出解析形式的最优解和有效边界;Young1998)提出了一个极大极小收益的资产组合模型(MMR):在保证资产组合平均收益率超过某一最低收益水平约束下,极大化其任一时期的极小收益,决策目标是考虑在最不利收益中取最优收益。风险度量指标采用的是最小的可能收益而不是方差。

        另外Bogentoft等(2001);Topaloglou等(2002);CastellacciSiclari2003)也研究了基于VaRCVaR的资产组合选择问题。

    (五)基于非效用最大化的投资组合理论

        Cover是较早非效用最大化投资组合理论的学者之一,他提出了在离散时间条件下的泛组合模型。该模型的突出优点是构建它不需要知道市场参数及有关统计信息,如利率、价格波动率,甚至不需要详细描述离散时间条件下价格变动的动力学机制,只要通过跟踪不同证券权重的绩效加权变动情况便可达到最优恒定组合。Cover还描述了泛组合的渐近行为,并引用实例说明了泛组合具有较好的解释力。

        Hellwing提出了一种普遍适用的经济资源定价方法---价值维持原理(Value Preserving Principle),即资源的内在价值(将来收益价值)不随时间变化而变化。Helwing利用该方法考察了在离散时间、有限状态空间条件下证券市场的组合最优化问题,并表现出较好的解释力。

        BuckleyKorn从考察随机现金流下的指数跟踪误差的角度认为:对于那些消极跟踪指数的投资者来说,其理想状况的证券组合总是由进人指数的所有证券持有组成。这必然导致资本资产投资者持有的现金账户绩效与指数绩效的偏离(即导致跟踪误差的产生)。据此,BuckleyKorn给出了这种情形下的相关模型(即基于半鞍的一般连续时间模型),分析了投资者导致的脉冲控制问题,并给出了其存在最优控制策略的一般条件。除此之外,他们还探讨了某些扩散类型市场价值维持策略的存在性和惟一性,解决了来自于非完全市场中的期权套期保值理论的惟一价值维持测度问题(即最小鞍测度问题),并考察了附加约束对组合策略的影响。

    (六)行为金融和行为投资组合理论

        20年来的金融实证研究不断发现股票收益率具有可预测性的证据,EMH的理论基础和实证检验都受到了强有力的挑战。证券市场上实证研究发现了许多无法由EMH和资本资产定价模型加以合理解释的异常现象。面对一系列金融异象,人们开始质疑以有效市场假说为核心的传统金融理论。由于行为金融学能够较好地解释这些现象,因此原先不受重视的行为金融学开始受到越来越多学者的关注。

        行为金融学的发展可分为三个阶段:

        第一,萌芽阶段。

        行为金融学的起源可追溯到19世纪Gustave LebonMackey[1]在其著作中就已经开始研究投资市场行为了。凯恩斯(1936年)的“空中楼阁理论”开始关注投资者自身的心理影响。该理论主要从心理因素角度出发,强调心理预期在人们投资决策中的重要性。他认为决定投资者行为的主要因素是心理因素,投资者是非理性的,其投资行为是建立在所谓“空中楼阁”之上,证券的价格决定于投资者心理预期所形成的合力,投资者的交易行为充满了“动物精神”(animal spirit)

        Burrel1951)发表《投资战略的实验方法的可能性研究》一文,标志着行为金融学的真正产生,该文首次将行为心理学结合在经济学中来解释金融现象。

        第二,基础理论确立阶段。

        BurrelBauman1969)发表《科学投资方法:科学还是幻想》认为,金融学新的研究领域应该重点考虑数量模型和传统行为方法的结合,这样会更贴近实际。

        SlovicBauman教授(1972)发表了《人类决策的心理学研究》,这篇文章为行为金融学理论作出了开创性的贡献。

         Daniel KahnemanAmos Tversky1974)在《科学》杂志中,讨论了直觉驱动偏差(Heuristic-driven error)

         TverskyKahneman1979)发表了《展望理论:风险决策分析》,正式提出了展望理论。该理论以其更加贴近现实的假设,严重冲击并动摇了传统金融学所依赖的期望效用理论,并为行为金融学奠定了坚实的理论基础。

         同时,TverskyKahneman1979)在《经济计量学杂志》讨论了框架依赖(Frame dependence)

        第三,发展繁荣阶段。

        预期理论的提出大大推动了行为金融学的发展,一大批研究成果相继取得。

        DebondtThaler1985)发表了题为《股票市场过度反应了吗?》一文,引发了行为金融理论研究的复兴。

        De BondtThaler19851987)发现的逆向投资策略以及JegadeeshTitmann199320012002)发现的动量投资策略,更是引起市场的广泛关注。而Robert Shearer2000)发表的《非理性繁荣》却标志行为金融学的兴起。

        De Bondt2000)实证研究发现除了美国之外,英国、加拿大、德国、瑞士、瑞典、荷兰、西班牙、马来西亚、澳大利亚、巴西等国家都存在过度反应现象。与过度反应情况相反,JegadeeshTitman1993)发现,根据过去3--12个月的市场表现,买进表现较好的公司股票,同时卖出表现较差的公司股票,所构造的这个零投资组合在下一年度平均每月有1%的收益。Rouwenhorst1998)采用1978--1995年间欧盟12国的2190家公司作为样本构造国际投资组合。在考虑了风险、公司规模、不同国家差异后,实证研究结果表明,过去赢家在未来1年内的表现优于过去的输家大约每月1%。这个结果与JegadeeshTitman1993)关于美国市场的结果是一致的。

        针对上述问题,出现了许多解释性的研究结果。

        Zarowin1990)认为逆向效应可能是季节效应造成的。ConradKaul1998)将动量投资策略和逆向投资策略的获利性完全归因于期望收益率的截面方差,而不是任何收益率可测的时间序列方差。BarberisShleiferVishny1998);DanielHirshleiferSburamanyam1998);Hong Stein1999);HuangBarberis2001)认为行为金融理论所描述的投资者解读信息方式的内在偏差或信息缓慢扩散也可能导致所谓股价反应不足和过度反应,从而产生逆向效应和动量效应。MoskowitzGrinblatt1999)认为个股动量效应可以由行业动量效应来解释。

        LoMackinlay1990a)以及JegadeeshTitman1995)认为股价对信息反应不足或者反应过度是导致投资组合内个股自身及彼此间收益率时间序列可预测性的原因,也是动量投资策略和逆向投资策略获利性的重要来源。Barberis(1998)提供了可解释反应过度和反应不足的模型。Hersh Shefrin(2000)提出情绪测度的概念,以情绪测度资产价格和基本价值之间的总体偏差。异质能解释期权定价的“波动性微笑”和均值方差组合的“皱眉”。MehraSah(2002)BeckerMulligan(1997)建立的主观贴现因子内生决定的理论框架基础上将主观贴现因子的波动称为情绪波动,并进一步研究了主观贴现因子的波动对均衡股票价格的定量影响。他们通过计算发现,主观贴现因子的1个百分点的波动可以导致股票价格高达几十个百分点的波动。也就是说,投资者情绪的较小波动,可以引起股票价格的很大波动。从而解释了股票市场的过度波动性。

        在行为金融繁荣发展的过程中,行为金融学有关理论和行为资产组合理论(BPT)及行为资产定价模型(BAPT)也在迅速发展。

        Shiller(1989)从证券市场的波动性角度,揭示出投资者具有非理性特征,同时他在羊群效应、投机价格和流行心态的关系等方面也做出了卓著的贡献。

        Odean(1998)考察了行为金融的处置效应---持有劣质东西而卖出优质东西的倾向。

        Poterba(1998)说明终身捐赠是和行为金融直接相关的。

        Thaler(1987,1999)研究了股票回报率的时间序列、投资者“心理账户”以及“行为生命周期假说”等问题。

        Rabin2001)将人的心理行为因素引入经济学的分析模型,他关注在自我约束的局限下,人们会出现“拖延”和“偏好反转”等行为,这些有趣的研究成果对储蓄、就业等问题都具有一些有意义的启示。

        BelskyGilovich(1999)Shefrin(2000)很好地介绍了行为金融,后者更加翔实。

        Barber,Odean,Zheng(2005)透视了共同基金投资者支出的重要性和行为金融概念的框架,强调了如何传递信息才能使信息和其内容一样重要。

        DelongShleife(1990)研究了不可预测的随机交易的结果,说明噪音交易者的随大流买卖导致了溢价的波动。

        ShefrinStatman(1994)构造了一个关于异质交易者的对数效用函数模型,他们分析了代表人怎样利用不同交易者的异质理念,指出异质造成短期利率是随机而非固定的。CabralesHoshi(1996)给出一个关于异质理念的动态定价模型。

         ShefrinStatman1994)以Roy(1952)的安全第一模型和Lopes(1987)SP/A理论为基础,将投资者行为的研究成果与资产组合选择模型结合起来,提出单一心理账户行为资产组合理论(BPT-SA)。该理论建模类似于均值-方差模型,目标函数也是期末财富期望值最大化,不同在于它的约束条件:期末财富低于最低财富的概率水平低于事前设定值。Shefrin,Statman还进一步提出多心理账户行为资产组合选择理论(BPT-MA)。

        Gul(1991)建立一个考虑投资者失望厌恶效用函数模型,并进行了公理性的证明工作;利用他的研究工作,Epstein,Wang(1994)Bekaert(1997)研究均衡资产定价问题;Ang(2000)分析了失望厌恶偏好投资者的资产组合选择问题,得出一些定性的结论。Hwang,Satchell(2001)利用Benartzi,Thaler(1995)的损失厌恶效用函数模型分析了资产组合选择问题。他们的研究表明由于失望厌恶和损失厌恶的存在,投资者在面临不利投资环境和事实损失时将更加趋向于风险厌恶,从而资产配置向无风险资产倾斜。

        Daniel(2001)研究了过度自信的投资者和风险厌恶的理性套利者相互交易的多种风险证券的过度自信模型。

        在行为资产定价理论方面,EpsteinZin(1989,1991)Weil(1989,1990)KrepsPorteus(1978)的理论框架基础之上提出了更加灵活的递归效用函数,推广了传统的时间可分、状态可分效用函数。而Weil(1989)Campbell1999)在研究股票溢价之谜和无风险利率之谜时;Smith2001);Seckin2000);Campbell1993);RestoyWeil1998);DuffieEpstein1992)研究资产定价模型时;Svensson1989);Weil1990);DumasUppalWang2000);SchroderSkiadas1999)时将递归效用函数应用到资产定价领域的研究工作中。

        Constantinides(1990)Merton(1969,1971)基础之上求解了引入习惯的消费-投资组合模型,并使用最优解解释了股票溢价之谜和消费平滑之谜。Sundaresan(1989)研究了基于习惯形成的资本资产定价模型。Abel(1990)使用习惯形成解释了股票溢价之谜。Carroll(2000)CampbellCochrane(1999)Campbell(2000)研究了习惯形成对资产定价的影响。Ferson,Constantinides(1991)BoldrinChristianoFisher(1997)Haug(2001)Li(2001)也研究了习惯形成对资产价格的影响。

        Abel(1990)研究了基于追赶时髦的资产定价模型。Gali(1994)Gollier(2003)研究了基于嫉妒的资产定价模型。Abel(1999)构造了一个基于嫉妒和追赶时髦的消费外在性基础上的效用函数,并研究了一般均衡下资产的风险溢价和期限溢价。

        Bakshi,Chen(1996a)首次研究基于财富偏好的资产定价理论,Merton(1969,1971)基础之上求解了基于消费偏好的消费-投资组合模型,并得到了相应的资产定价模型。

        Barberis,HuangSantos(2001)Lucas(1978)基础上,将投资者的效用函数定义在消费和财富的波动之上,从而投资者不但规避消费风险,还规避财富的损失

        Brunel(20052006,2006),Chhabra(2005),Nevin(2004)研究了行为资产配置。

     

    展开全文
  • 采用 EGARCH模型对资产组合中的每一资产...以上证综指与深证成数据为样本,选用广义误差分布拟合误差分布并选取 BB1 Copula进行实 证分析,实证结果表明所建模型合理有效的,所估计时变风险价值具有良好的估计精度。
  • 投资组合的资产联合违约概率(joint probability of default,JPoD)一种有效的系统风险测度工具.基于JPoD分析,提出了一种新的资产组合选择优化方法,即通过计算资产...
  • ​ 指数增强策略并不是被动的跟踪某个指数波动,而是采用量化增强模型,利用多因子alpha模型预测股票超额回报,同时力求进行有效的风险控制、降低交易成本、优化投资组合。指数增强策略不会对跟踪标的成分股进行完全...

    原 什么是指数增强?股票指数增强策略(附源码)

    指数增强

    指数增强是什么意思?

    ​ 指数增强策略并不是被动的跟踪某个指数波动,而是采用量化增强模型,利用多因子alpha模型预测股票超额回报,同时力求进行有效的风险控制、降低交易成本、优化投资组合。指数增强策略不会对跟踪标的成分股进行完全复制,而是会对部分看好的股票增加权重,不看好的股票则减少权重,甚至完全去掉。通过对交易成本模型的不断监测,尽可能让交易成本降到最小。综合来看,就是既做到超额收益,又控制主动风险。

    策略实现(基于掘金量化平台

    策略思想

    • 本策略以0.8为初始权重跟踪指数标的沪深300中权重大于0.35%的成份股。

    • 个股所占的百分比为:(0.8 X 成份股权重) /选择的成分股权重总和 X 100%。

    • 然后根据个股是否连续上涨5天;连续下跌5天,来判定个股是否为强势股/弱势股,并对其把权重由0.8调至1.0或0.6

    策略主要步骤实现

    获取沪深300成分股及信息

    stock300 = get_history_constituents(index='SHSE.000300', start_date=last_day,end_date=last_day)[0]['constituents'] = get_history_constituents(index='SHSE.000300', start_date=last_day,end_date=last_day)[0]['constituents']

    ​ 获取指数成分股可调用函数get_history_constituents或者get_constituents,返回值类型为list[dict],字典的键为股票代码,值为所占权重。这里调用get_history_constituents是因为再回测时需要获取上一交易日的成分股,而get_constituents只能获取最新的成分股:

    • index需要设置获取指数的代码。

    • start_dateend_date需设置获取成分股的开始与结束日期。

    订阅数据

    subscribe(symbols=stock300_symbol, frequency='1d', count=5, wait_group=True)(symbols=stock300_symbol, frequency='1d', count=5, wait_group=True)

    ​ 订阅数据需要在定义init函数里面设置,并调用subscribe函数,这里注意,我们需要通过计算前三十根bars来作为开平仓的标准,并在当前bar上做出开平仓操作,所以需要获取31根bar:

    • symbols 需要设置订阅的标的代码。

    • frequency需设置订阅数据的周期级别,这里设置1d 表示以一天为周期。

    • count需要设置获取的bar的数量

    数据获取

    recent_data = context.data(symbol=symbol, frequency='1d', count=5, fields='close')['close'].tolist() = context.data(symbol=symbol, frequency='1d', count=5, fields='close')['close'].tolist()

    ​ 订阅数据之后,需要获取已经订阅的数据来进行操作,这时需调用context.data函数:

    • symbols 需要设置订阅的标的代码。

    • frequency需设置订阅数据的周期级别,这里设置1d表示以一天为周期。

    • count需要设置获取的bar的数量

    • fields需要设置返回值的种类

    获取持仓信息

    position = context.account().position(symbol=symbol, side=PositionSide_Long) = context.account().position(symbol=symbol, side=PositionSide_Long)

    ​ 在判断平仓或者加仓条件时,需要获取持仓信息,这就需要调用context.account().position函数:

    • symbols 需要设置订阅的标的代码。

    • side需要设置持仓方向,有PositionSide_LongPositionSide_Short两个选择。

    回测报告

    分析

    ​ 我们选取了2017年10月至2017年12月作为回测周期,可以看出:

    • 胜率(具有盈利的平仓次数与总平仓次数之比)达到了66%。

    • 卡玛比率(年化收益率与历史最大回撤之比)是使用最大回撤率来衡量风险。采用最大回撤率来衡量风险,关注的是最极端的情况。卡玛比率越高表示策略承受每单位最大损失获得的报酬越高。在这里卡玛比率达到了6.7。

    • 夏普比率(年化收益率减无风险收益率的差收益波动率之比)达到2.77。

    • 策略收益曲线与沪深三百指数具有很大相关性,指数增强策略的关键点在于选出成分股中优质的股票,以达到增强指数收益的目的。

    指数增强策略源码(股票):

     
    1. # coding=utf-8
    2. from __future__ import print_function, absolute_import, unicode_literals
    3. import numpy as np
    4. from gm.api import *
    5. from pandas import DataFrame
    6.  
    7. '''
    8. 本策略以0.8为初始权重跟踪指数标的沪深300中权重大于0.35%的成份股.
    9. 个股所占的百分比为(0.8*成份股权重)*100%.然后根据个股是否:
    10. 1.连续上涨5天 2.连续下跌5天
    11. 来判定个股是否为强势股/弱势股,并对其把权重由0.8调至1.0或0.6
    12. 回测时间为:2017-07-01 08:50:00到2017-10-01 17:00:00
    13. '''
    14.  
    15.  
    16. def init(context):
    17. # 资产配置的初始权重,配比为0.6-0.8-1.0
    18. context.ratio = 0.8
    19. # 获取沪深300当时的成份股和相关数据
    20. stock300 = get_history_constituents(index='SHSE.000300', start_date='2017-06-30', end_date='2017-06-30')[0][
    21. 'constituents']
    22. stock300_symbol = []
    23. stock300_weight = []
    24.  
    25. for key in stock300:
    26. # 保留权重大于0.35%的成份股
    27. if (stock300[key] / 100) > 0.0035:
    28. stock300_symbol.append(key)
    29. stock300_weight.append(stock300[key] / 100)
    30.  
    31. context.stock300 = DataFrame([stock300_weight], columns=stock300_symbol, index=['weight']).T
    32. print('选择的成分股权重总和为: ', np.sum(stock300_weight))
    33. subscribe(symbols=stock300_symbol, frequency='1d', count=5, wait_group=True)
    34.  
    35.  
    36. def on_bar(context, bars):
    37. # 若没有仓位则按照初始权重开仓
    38. for bar in bars:
    39. symbol = bar['symbol']
    40. position = context.account().position(symbol=symbol, side=PositionSide_Long)
    41. if not position:
    42. buy_percent = context.stock300['weight'][symbol] * context.ratio
    43. order_target_percent(symbol=symbol, percent=buy_percent, order_type=OrderType_Market,
    44. position_side=PositionSide_Long)
    45. print(symbol, '以市价单开多仓至仓位:', buy_percent)
    46. else:
    47. # 获取过去5天的价格数据,若连续上涨则为强势股,权重+0.2;若连续下跌则为弱势股,权重-0.2
    48. recent_data = context.data(symbol=symbol, frequency='1d', count=5, fields='close')['close'].tolist()
    49. if all(np.diff(recent_data) > 0):
    50. buy_percent = context.stock300['weight'][symbol] * (context.ratio + 0.2)
    51. order_target_percent(symbol=symbol, percent=buy_percent, order_type=OrderType_Market,
    52. position_side=PositionSide_Long)
    53. print('强势股', symbol, '以市价单调多仓至仓位:', buy_percent)
    54. elif all(np.diff(recent_data) < 0):
    55. buy_percent = context.stock300['weight'][symbol] * (context.ratio - 0.2)
    56. order_target_percent(symbol=symbol, percent=buy_percent, order_type=OrderType_Market,
    57. position_side=PositionSide_Long)
    58. print('弱势股', symbol, '以市价单调多仓至仓位:', buy_percent)
    59.  
    60.  
    61. if __name__ == '__main__':
    62. '''
    63. strategy_id策略ID,由系统生成
    64. filename文件名,请与本文件名保持一致
    65. mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST
    66. token绑定计算机的ID,可在系统设置-密钥管理中生成
    67. backtest_start_time回测开始时间
    68. backtest_end_time回测结束时间
    69. backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST
    70. backtest_initial_cash回测初始资金
    71. backtest_commission_ratio回测佣金比例
    72. backtest_slippage_ratio回测滑点比例
    73. '''
    74. run(strategy_id='strategy_id',
    75. filename='main.py',
    76. mode=MODE_BACKTEST,
    77. token='token_id',
    78. backtest_start_time='2017-07-01 08:50:00',
    79. backtest_end_time='2017-10-01 17:00:00',
    80. backtest_adjust=ADJUST_PREV,
    81. backtest_initial_cash=10000000,
    82. backtest_commission_ratio=0.0001,
    83. backtest_slippage_ratio=0.0001)

    指数增强(股票)

    文章来源:掘金量化交易平台 ;转载请注明出处!

    ----------------------------------------------------------------------------------------------------------------------------------------------------------

    更多经典股票/期货量化策略源码查看:

    1 双均线策略(期货)  量化策略源码 https://www.myquant.cn/docs/python_strategyies/153
    2 alpha对冲(股票+期货)  量化策略源码 https://www.myquant.cn/docs/python_strategyies/101
    3 集合竞价选股(股票) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/102
    4 多因子选股(股票)  量化策略源码 https://www.myquant.cn/docs/python_strategyies/103
    5 网格交易(期货)  量化策略源码 https://www.myquant.cn/docs/python_strategyies/104
    6 指数增强(股票)  量化策略源码 https://www.myquant.cn/docs/python_strategyies/105
    7 跨品种套利(期货)量化策略源码 https://www.myquant.cn/docs/python_strategyies/106
    8 跨期套利(期货) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/107
    9 日内回转交易(股票)量化策略源码 https://www.myquant.cn/docs/python_strategyies/108
    10 做市商交易(期货) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/109
    11 海龟交易法(期货) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/110
    12 行业轮动(股票) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/111
    13 机器学习(股票) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/112

    《算法导论 第三版英文版》_高清中文版

    《深度学习入门:基于Python的理论与实现》_高清中文版

    《深入浅出数据分析》_高清中文版

    《Python编程:从入门到实践》_高清中文版

    《Python科学计算》_高清中文版

    《深度学习入门:基于Python的理论与实现》_高清中文版

    《深入浅出数据分析》_高清中文版

    《Python编程:从入门到实践》_高清中文版


    展开全文
  • 资本市场线(Capital Market Line,简称CML)是指表明有效组合的期望收益率和标准差之间的一种简单的线性关系的一条射线。它是沿着投资组合有效边界,由风险资产和无风险资产构成的投资组合。 资本资产定价模型...

    CFA一级组合管理中就是充斥着各种曲线、各种直线,名字看似相似,但各不相同。各个理论也看似相似,但是又完全不一样。

    内容介绍:

    资本市场线(Capital Market Line,简称CML)是指表明有效组合的期望收益率和标准差之间的一种简单的线性关系的一条射线。它是沿着投资组合的有效边界,由风险资产和无风险资产构成的投资组合。

    资本资产定价模型(CAPM)的图示形式称为证券市场线(SML)。它主要用来说明投资组合报酬率与系统风险程度β系数之间的关系,以及市场上所有风险性资产的均衡期望收益率与风险之间的关系。
    证券市场线方程对任意证券或组合的期望收益率和风险之间的关系提供十分完整的阐述,其方程为E(rP)=rF+[E(rM)-rF]βP。任意证券或组合的期望收益率由两部分构成:一部分是无风险利率rF,它是由时间创造的,是对放弃即期消费的补偿;另一部分[E(rM)-rF]βp是对承担风险的补偿,称为“风险溢价”,它与承担的系统风险β系数的大小成正比。 [1] [E(rM)-rF]其中的代表了对单位风险的补偿,通常称之为风险的价格。

    课程精选:

    jc单晨玮2020课程:
    链接:https://pan.baidu.com/s/1XEAppqVbO4sPm2x2Sur4hA
    提取码:z7wh

    何旋2015
    链接:https://pan.baidu.com/s/1bkNtHgLg5lw4B1jY-a4o5Q
    提取码:zv9k

    展开全文
  • 这项工作提出了一种新颖的方法,通过使用机器学习(ML)技术来识别那些更有助于构建有效投资组合的指标,从而克服ESG评分中当前的不一致之处。 机器学习可以实现此结果,而无需基于模型的方法论,这现代投资组合...
  • 构建投资组合的第一步定义并挑选资产类别。 资产类别和投资风格变迁 资产类别的定义 5%-10%:配置比例过低,此类投资无法影响组合的整体业绩; >25%-30%:产生过度集中的风险; 资产类别的合适数量大概...
  • "中国投资者想要走出国门,第一步应该考虑 数化投资『这也是投资海外市场最便捷、最有效的方式. 锐联资产管理有限公司(Research Affiliates)资深合伙人 兼投资研究部负责人、掌管360亿美元投资的许仲翔直 截了
  • 什么增股指数强策略(附源码)

    千次阅读 2019-05-08 12:49:33
    ​ 指数增强策略并不是被动的跟踪某个指数波动,而是采用量化增强模型,利用多因子alpha模型预测股票超额回报,同时力求进行有效的风险控制、降低交易成本、优化投资组合。指数增强策略不会对跟踪标的成分股进行完全...
  • 1、资本市场线是根据马科维茨的有效投资组合理论得出来的。它的资产一定是指有效市场组合的资产,即持有一定比例的无风险资产和一定比例的风险资产,该风险资产一定要求是切点组合。资本市场线的公式直接可以通过...
  • 什么VLAN

    2013-10-23 09:59:12
     基于用户定义、非用户授权来划分VLAN,是指为了适应特别的VLAN网络,根据具体的网络用户的特别要求来定义和设计VLAN,而且可以让非VLAN群体用户访问VLAN,但是需要提供用户密码,在得到VLAN管理的认证后才可以加入...
  • 跟踪误差(Tracking Error)

    千次阅读 2020-02-28 23:26:13
    跟踪误差是指组合收益率与基准收益率(大盘指数收益率)之间的差异的收益率标准差,反映了基金管理的风险。Ronaldj·Ryan(1998)认为,跟踪误差可以对组合在实现投资者真实投资目标方面的相对风险作出衡量,因此是一个...
  • VaR(value at risk)在险价值

    万次阅读 2018-04-09 15:35:40
    在险价值是指在一定概率下,某种投资组合在某段时间 内的最大损失。VaR的方法有:历史模拟方法,正态方法,蒙特卡洛方法,压力测试法。VaR方法可以有效测算出金融市场正常波动下资产组合的市场风险,但金融市场极端...
  • 聆听混沌的窃窃私语:用于新闻导向的股票趋势预测的深度学习框架 ... 顺序上下文依存关系是指人类投资者在做出决定之前将单个股票上的各种新闻源实现并组合到统一上下文中的能力。 因此,为了模仿这种人类的分析过
  • 软件工程知识点

    2012-12-02 21:34:25
    需求有效性验证是指对已经产生的需求结论所要进行的检查与评价。一般需要对需求文档草稿从有效性、一致性、完整性、现实性、可检验性等几个方面进行有效性验证。比较常用的需求有效性验证方法与工具包括:需求评审、...
  • 9 多目标Pareto最优解搜索算法(胡斐) 多目标优化是指在约束条件下有两个或两个以上的优化目标,而且这些目标之间相互矛盾,不能同时达 到最优,也就是说,一个目标的最优往往是以牺牲其它目标作为代价的,因此多...
  • 超旺软件最新单机版

    2019-04-13 01:06:33
    若您选中了“开单时输入有效期”,则可在【库存管理—商品有效期查询】中查询。 ※ 在商品名称栏双击鼠标可弹出商品选择窗口,如下图,在右边可看到当前点击栏商品的仓库及库存数量,在右下角将列出已选择的商品的...
  • LINGO软件的学习

    2009-08-08 22:36:50
    注意如果派生集B的父集另外的派生集A,那么上面所说的原始父集集A向前回溯到最终的原始集,其顺序保持不变,并且派生集A的过滤器对派生集B仍然有效。因此,派生集的索引个数最终原始父集的个数,索引的取值...
  • 系统合约 系统合约是指区块链系统在启动时预先部署的,可升级、可治理的合约,提供如权限控制、资源租赁、代币质押等基础服务。系统合约通常有以下三个特点: 公开透明,无暗箱操作。 可通过Env_api被用户合约调用...
  • 所谓前台网上销售模块,就是客户在浏览器中所看到的直接与客户面对面的销售程序,包括:浏览商品,订购商品,查询定购,购物车等功能。 后台数据录入前台模块所销售商品所有数据,其来源都后台所录入的数据。 ...
  • 9、电子邮件是指由计算机编制而成并经网络传递、收发的信息文件。 10、答复和转发邮件时,主题将自动打上Re和Fw标记。 三、上机操作题 1、现有一个名为888的拨号连接,要求配置如下属性:电话号码从163改为8888,...
  • 多媒体教室

    2013-06-14 08:10:31
    绑定地址是指在学生机存在多个网卡时选择绑定哪个网卡的 IP 地址。检测周期可以指定学生机与教师机检测连接的最大时延,默认为 10 ,即在 10 秒内学生机与教师机未检测到有任何连接则认为该学生机断线。  3.3 ...
  • 本书采用理论与实践相结合的方式,提供了457 个案例,涉及多个行业,读者可以根据书中的案例举一反三,将其直接应用到实际工作中,有效提高学习效果与实际应用能力。 本书既可以作为函数速查工具手册,又可以作为...

空空如也

空空如也

1 2
收藏数 27
精华内容 10
关键字:

有效投资组合是指