20211206-兴业证券-系统化资产配置系列之十三：动态协方差矩阵估计与组合构建.pdfVIP

定 量 研 证券研究报告 究 分析师： ＃title ＃ 郑兆磊 S0190520080006 系统化资产配置系列之十三：动态协方差矩阵 宫民 估计与组合构建 S0190521040001 专 题 ＃createTime1 ＃ 2021 年12 月06 日 报 告 报告关键点 投资要点 ＃summary ＃ ⚫ 协方差矩阵估计是组合风险优化的核心要素，在实际操作中常用的方法是 本文介绍了多种协方差矩阵的 预测方法，并比较了不同方法的 直接将历史协方差矩阵作为估计值，比如用过去 10 年的收益率计算。但 预测误差和样本外最小方差组 这种方法隐含假设了资产本身的波动率以及资产间相关性是恒定的，而实 合的构建准确度。测算结果显 示，相比传统的历史协方差方 际上它们往往是时变的。 法，指数移动平均法和两种 GARCH 方法均能够显著降低 ⚫ 本文介绍了多种协方差矩阵的预测方法，并比较了不同方法的预测误差和 协方差预测误差。我们将动态协 样本外最小方差组合的构建准确度。具体来说我们首先选取了中国大类资 方差预测方法应用于风险预算 组合的构建，发现协方差预测的 产组合、中国股票行业组合、全球大类资产组合和全球股票行业组合作为 越准确，组合表现越优异。 测算基准，然后测试了历史协方差法、收缩历史协方差、指数移动平均法、 DCC-GARCH 模型和GO-GARCH 模型的预测能力。 ＃relatedReport ＃ 相关报告 ⚫ 测算结果显示，相比传统的历史协方差方法，指数移动平均法和两种 《系统化资产配置系列之十二： 战略资产配置中的股票长期收 GARCH 方法均能够显著降低协方差预测误差。举例来说，对于中国大类 益率预测》202 1-02-19 资产组合，GO-GARCH 能够减少31%的协方差预测误差。对于全球大类 《系统化资产配置系列之十一： 资产组合，DCC-GARCH 也能够减少大约 15%的预测误差。 基于量化视角的利率债择时体 系研究》2020-12-20 ⚫ 我们将动态协方差预测方法应用于风险预算组合的构建，发现协方差预测 《系统化资产配置系列之十：利 用基金仓位信息对市场择时》 的越准确，组合表现越优异。以股、债和黄金构建的月度调仓风险预算组 2020-07-21 合为例，假设股票风险预算为75% ，债券和黄金等权分配剩余25%的预算。 《系统化资产配置系列之九：基 于保值、避险和投机因子的黄金 结果显示，历史协方差法只能实现7.15%的年化收益，1.90 的收益风险比， 择时模型》2020-07-09 最大回撤7.67%。假设理想情况下我们已知下月真实样本协方差，则基于 此构建的组合可以实现8.72%的年化收益，2.51 的收益风险比，最大回撤 仅有3.86%。而基于DCC-GARCH 的动态协方差预测方法可以实现8.21% 的年化收益，2.13 的收益风险比，最大回撤也降低到4.91%。我们仅仅通 过改进协方差矩阵