基于正则化均值VaR风险度量模型的投资组合优化..docVIP

基于正则化均值CVaR风险度量模型的投资组合优化 本文通过将1范数正则化引入到均值CVaR模型中，从而使最 优投资组合中非零权重的个数减少。最优解中非零权重的个数决定了交易 者的交易成本，而且1范数正则化能够将交易成本引入模型。 关键词：1范数正则化；非零权重；均值CVaR;交易成木 一、引言 国外对于正则化方法的研究比较深入，并且已将其引入到了投资组合 的优化屮。经过国外学者的研究发现1范数正则化能使解变稀疏。基于这 一优点，国内学者们逐渐重视1范数正则化并将其引入金融领域来刷选变 量或者用于构建最优投资组合。1范数正则化比较常见的运用是在线性模 型屮，通过变化可调系数来求得稀疏解，这种模型叫ASSO模型(套索模 型)。 Brodie (2009)在改进的MV模型的基础上引入1范数正则化。这一 模型不仅能提高投资组合的解稀疏性，而且解决了交易成本模型化的问 题，更重要的是他将非卖空交易头寸这一约束模型化。最后他通过对比夏 普率发现该模型的样本外表现显著优于等权重的投资组合。 B. Fastrich (2013)发现最小方差投资组合通过正则化方法能阻止协 方差矩阵屮的估计误差进入到分配向量从而使其表现被大幅提升。将 SCAD、 Logarithmic penalty、 q—penalty、 zhang—penalty 和 LASSO 对t匕, 结果表明这几种方法表现优于LASSO在大数据集的情况下。这些方法的成 功源于他们能维持重要的资产在投资组合中大的绝对值权重，同时减少那 些不重要的资产。他还表明正则化参数凭借10折交叉验证能有有效的确 定。 李熠熠，潘婉彬等(2010)通过将LAD-LASSO方法引入到三次样条函 数屮，从而对其变量进行选择，确定了样条行数的节点数量和位置，同时 估计参数，构建模型来拟合上海证券交易的国债利率期限结果，样本外预 测结果显示，与传统的方法相比，LAD-LASS0方法有以下有点：首先，它 通过最小一乘准则，有效地降低了样本中异常值的影响，提高了抗干扰能 力，增强了参数估计的稳健性。其次，LAD-LASSO方法通过数据来选择变 量，找到合适的节点，建立模型，避免人为给定节点可能带来的系统性偏 差。最后，新方法的优势还在于，它可以在参数估计的同时完成节点选择， 避免了传统的模型选择方法中大量繁复的计算步骤，大大提高了效率.可 以有效地选择合适的模型，增加参数估计的稳健性，提高预测的精度，增 强期限结构定价的准确度。 刘丛瑜(2011)分析屮应用LASSO方法对股指期货进行套利研究，从 300只成份股中选择出17只股票作为构建资产组合的标的股票，并且通过 实证分析证明应用于股票选择的效果很好，并且计算处理的时间极短，变 量系数的估计结果也十分稳定。 梁斌，陈敏(2011)等将多元线性回归选择变量的LASSO力*法引入到 指数跟踪和股指期货套利策略研究，提出运用LARS算法实现非负限制下 的LASSO选择现货组合问题，然后得到现货组合，在组合含有较少数量股 票的情况下，得到更小的跟踪误差。 刘遵雄，郑淑娟(2012)将1范数正则化Logistic回归模型用于上 市公司财务危机预报，结合沪深股市制造业ST公司和正常公司的财务数 据开展实证研究，对比Logistic回归和正则化Logistic回归模型进行对 比分析。 三、结论 首先，投资组合中如果微小权重过多则不利于投资者在我国股票市场 买入对应的股票头寸。这种情况对于中小投资者尤其严重，因为当中小投 资者如果按照微小权重的资金配比去购买股票可能连买入1手股票的资金 都不够，因而就不能按照最优投资组合去构建头寸。然而1范数正则化的 引入能够有效减少微小头寸的数量。当我们XI取一个合理的值后，最优 投资组合中非零权重的个数能够有效减少，这意味着很多微小权重在1范 数惩罚的情况被剔除。这样的最优投资组合就便于巾小投资者在现实的股 票市场屮构建。 其次，考虑了交易成本对最优投资组合的影响。Brodie (2009)指出 在实际投资屮，投资者构建最优投资组合不仅要考虑风险和收益，而且还 要考虑到交易成本对投资组合的影响。在证券交易中，交易成本分为两个 部分：一部分是固定交易成木，即无论交易多少证券都必须支付的成本。 这部分与证券的个数成正比，可以用II w II 0来衡量，其中II w || 0为w中 系数不为0的系数的个数。固定交易成本对于中小投资者是不可忽视的一 部分，甚至说这是他们唯一值得考虑的一部分。然而当随机变量増多时， 引入II w || 0正则化将大大增加计算的复杂程度。因此，引入1范数正则化 代替0范数正则化。因为1范数正则化能促进解稀疏，这与0范数正则化求解中不为0的系数的个数具有相似的效果，所以可以将1范数正则化代 替0范数正则化引入模型