高预测误差下的组合优化算法设计.docxVIP

在量化选股策略扩容降频的背景下，更长的预测周期意味着更多的不确定性，股票收益率预测误差必然上升；而资产配置策略面临的“黑天鹅” 事件也愈发频繁，中长期的大类资产收益率预测很难达到较高的准确性。因此，无论选股还是资产配置目前都需要一套容错率更高的组合优化算法。本篇报告是 AI 投资方法论的第四篇，讨论如何在较高的收益预测误差下进行稳健组合优化的问题，最后通过“固收+”策略设计和回测展示其优化效果。 稳健组合优化框架 传统稳健组合优化主要包括以下三个思路： 一、增加资产权重上限。此方法操作简单，但也导致了优化结果中大量资产权重为设置的权重上限，优化结果具有主观性。 二、降低预测估计的标准误，典型代表为 Black-Litterman 模型。此类方法基于 Shrinkage、Robust Statistics、Bayesian Optimisation 等技术融入市场均衡收益，降低主观预测收益率和方差的重要性，但在资金非自由流通的市场中，反推出合理的市场均衡收益并非易事，且模型本身未脱离参数过于敏感的均值方差优化框架。 三、改进最优化目标，典型代表为风险平价模型。风险平价模型直接放弃了收益的预测，以风险均摊为优化目标，更适用于保险类资金； DeMiguel（2009）则提出了正则化的改进思路，在优化中加入预测误差的惩罚项，从而达到稳健优化的目的。正则化思路虽然实现了理论上的稳健性，但实证效果表现一般。 我们认为，参数敏感性问题是最优化问题的内生性问题，无法通过过程优化完成。既然收益率预测存在比较高的预测误差，那么追求数学上的唯一最优解意义不大。在现实投资中，所有近似最优解都可看作“最优解”，理论最优解仅是现实近似最优解。因此，组合优化的最优解不能脱离资金需求，能够最大概率满足资金需求（例如目标收益率，可容忍的波动范围等）的配置方案是投资组合管理中的“最优解”。 基于上述理念，由以色列银行开发、VDS Martin 等学者完善的 NearOpt 近似最优组合是较为理想的组合优化模型。NearOpt 不是传统意义上的“最”优化算法，而是基于产品设计视角的投资组合管理框架。在此框架下，NearOpt 既可以给出最优域（近似最优组合域），投资者可以引入专家意见和其他非定量的信息来完成最优组合的选择，又能够给出最优解（稳健最优组合），纯定量地完成特定资金需求下的权重配置。 管理人定性决策若资金有目标组合收益和波动 管理人定性决策 若资金有目标组合收益和波动率，直接生成近 若没有目标组合收益和波动率，比例调整原始 似最优组合域和稳健最优组合 最优组合权重下的收益和波动率，其他不变 NearOpt定量辅助 若有定性观点，则综合现有组合权重、市场流动性等因素，在近似最优组合域内选择合适的组合优化方案  若没有定性观点，选择稳健最优组合作为组合 优化方案，适用于量化选股等场景 NearOpt 优化的实现原理 本节主要介绍 NearOpt 优化器的构建思路，详细算法可参考第五章附录。 NearOpt 优化器通过近似最优组合域和稳健最优组合确定资产权重。图 2 NearOpt 优化流程 近似最优组合域简介 通常组合优化模型的结果为有效前沿曲线（下图蓝线）以及最优组合（下图黄点），近似最优组合域为图中的灰色区域背后对应的投资组合空间。从空间几何角度来看，近似最优组合域对应高维空间的凸包（Convex Hull），灰色其区在域二是维空间上的映射。由均值-方差框架下可知，参 数的些许调整可能会导致组合权重的巨大变化，不难理解，近似最优组 合域内的投资组合权重、风险因子暴露度可能完全不同，但该范围内的投资组合均符合目标收益和目标风险，因此，投资者可以在其范围内根 据其他增量信息选择合适的投资组合。图 3 有效前沿曲线和近似最优区域 数据来源：《Robust Optimization by Constructing Near-Optimal Portfolios》 为了寻找近似最优组合域，首先需要确定该空间的 N 个顶点，对应 N 个权重向量w1,??2, ??3, … ???? ，则近似最优组合域可定义为： ?? ?? Conv(w1 ,w2 … , wn) ∶= {∑ ???????? |???? ≥ 0 , ∑ ???? = 1} ??=1 ??=1 可以证明，近似最优组合域Conv(w1,w2 … , wn)比最优组合w0更加稳健。近似最优组合域的背后逻辑十分直观：如果输入参数小幅改变，则近似最优组合域的形状也会发生微调，原来的最优组合将成为次优组合，原来的某个次优组合将成为新的最优组合，但整体来看，原来处于近似最优组合域内的投资组合大部分仍将是近似最优组合，因此，在新的参数下，近似最优模型的组合权重无需调整。 稳健最优组合简介 一旦近似最优组合域确定