基于Block Bootstrap抽样投资组合保险绩效评价.docVIP

基于Block Bootstrap抽样投资组合保险绩效评价 　　◆ 中图分类号：F813 文献标识码：A 　　内容摘要：本文采用不固定区组长度的Block Bootstrap数据挖掘技术，以上证180作为风险资产进行抽样，对投资组合保险策略进行仿真。从一般意义上揭示了上证180作为风险资产的投资组合保险策略CPPI、TIPP和OBPI的绩效，并与BH和CM策略对比，实证结果表明：由于我国证券市场趋势明显，在不考虑交易成本情况下，投资组合保险策略的绩效均好于投资组合BH和CM策略，而且，OBPI的表现要比CPPI更好。 　　关键词：投资组合保险策略 波动聚集性 Block Bootstrap 绩效 　　 　　投资组合保险绩效的评价多数采用历史数据模拟法。但是历史数据模拟法通常针对某种情况只提供一条路径，采用历史数据模拟时截取证券交易的一段时间，如牛市、熊市或震荡时期，具有特殊性，不能从一般意义上说明投资组合保险策略的绩效。文献表明证券市场收益率的复杂性是难以用特定的分布就能完全描述。因此本文采用不依赖任何分布假设的Block Bootstrap数据挖掘技术仿真证券收益率分布，从一般意义上考察投资组合保险策略的绩效。 　　 　　Block Bootstrap数据挖掘方法 　　 　　Bootstrap方法是Efron（1979）提出来的，它的思想非常简单，就是进行有放回的重复抽样。假设数据是独立同分布的，如果原始数据较少，就可以通过有放回抽样获得足够多的数据，计算每个Bootstrap样本数据的统计量，根据中心极限定理，就自动得到感兴趣的统计量的标准误。 　　证券市场的收益率属于时间序列数据，并不是独立同分布的，简单的Bootstrap方法虽能保持原始数据的尖峰肥尾特征，但是破坏收益率序列的聚集性和自相关性。因此采用能保留这种特征的Block Bootstrasp（区组自助）方法。 　　区组自助分为交叠和非交叠，都是将n个观测值分为长度为l的区组，通过有放回的抽取区组而得到自助样本，然后计算统计量。假设样本观测值为Y=（y1，y2，……，yn）。对于非交叠区组，为简单起见，假设n=bl，有：Y1=（y1，y2，……，yl），Y2=（yl+1，yl+2，……，y2l），……，Ym=（ym+1，ym+2，……，ym+l），……，Yb=（yn-（b-1）l+1，yn-（b-1）l+2，……，yn）等b??区组；对于交叠区组，则有n-l+1个区组，即Y1=（y1，y2，……，yl），Y2=（y2，y3，……，yl+1），……，Ym=（ym，ym+l，……，ym+l-1），……，Yn-l+1=（yn-l+1，yn-l+2，……，yn）。抽样时对b个区组（非交叠时）或n-l+1个区组（交叠时）进行有放回的抽样。显见，在n不变的情况下，非交叠方式的区组自助抽样中某一区组不被抽中的概率较大，因此，在进行区组自助抽样时一般采用交叠方式的自助抽样方法。 　　无论是交叠式还是非交叠式区组自助，区组长度l是确定的。实际应用中，l也可以是不确定的，如服从参数为p的几何分布。在实践中，区组长度不确定的区组自助更好。区组长度的选择与初始样本n有关，随着n的增加，区组长度也应该增加。如果区组长度太小，那么就不能很好地模拟初始样本，因为无法保持初始数据的相关关系，如果区组长度太大，自助样本的随机性就不够，因此选择合适的区组长度是一个关键问题。 　　 　　投资组合保险策略的实证设计 　　 　　（一）基本假设 　　投资组合保险中风险资产收益率以1997年7月1日到2008年6月30日上证180的收益率数据作为原始样本（数据来源：国泰君安数据库），采用Block Bootstrap抽样得到。考虑到我国短期国债品种较少，无风险资产收益率采用一年期定期存款利率，即2.25%，连续复利计息。本文风险资产的调整采用定期调整法则，每天调整一次，以接近连续调整。在OBPI模型中波动率是一个重要参数，直接影响OBPI的绩效。本实证研究采用固定波动率，其数值是根据每一次仿真开始日期之前一年的上证180日收益数据计算而得到。交易成本包括印花税、佣金等，设为交易额的0.5%。CPPI和TIPP策略的交易成本直接在无风险资产中扣除，对于OBPI策略的交易成本，本文采用Lerand（1985）的方法，通过调整波动率进行处理。如式（1） 　　（1） 　　式（1）中，为调整后的波动率，c为相对交易成本，取值为0.5%，t为调整间隔期。 　　（二）实证流程 　　我国证券市场历史短，可提供的数据非常有限，为了更好地仿真各种可能情况，模拟时首先有放回地抽取任意日期，然后以此日期为实施投资组合保险策略的开始日期，根据此日期之后一年的收益率情况调整投资组合保险策略，