“学海拾珠”系列之二百二十四：ETF的资产配置与再平衡，样本协方差对比EWMA与GARCH模型.docx

正文目录

TOC\o1-3\h\z\u引言 4

问题的引入 5

理论模型 6

非凸投资组合优化 6

波动率建模 7

样本协方差或等权模型 7

EWMA模型 7

GARCH模型 7

实证结果 8

5 结论 12

风险提示： 13

图表目录

图表1文章框架 4

图表2ETF介绍 8

图表3每只ETF的细节与特殊特征 9

图表4再平衡收益、总再平衡收益和买入持有收益 10

图表5再平衡收益 11

图表6每次再平衡的ETF数量 11

图表7风险调整后收益 12

引言

图表1文章框架

典型的单期投资组合选择问题的传统表述最初是一个非线性双准则优化过程，旨在最大化预期收益并最小化风险（Markowitz,1952）。基于经典讨论，风险被量化为投资组合回报的方差，从而产生了二次规划模型。该问题的帕累托最优解（即无法同时在两个目标上进一步改进的解决方案）的图形描绘，形成了所谓的有效前沿。计算整个有效前沿的算法（临界线算法）在Markowitz（1956）中得到了详细描述。显然，在有效前沿上选择最终投资组合是风险与收益之间的权衡过程，很大程度上取决于投资者的风险偏好。

尽管传统Markowitz模型具有吸引力和数学上的优雅性，但它也受到了多项质疑。波动率和相关性的计算就是其中之一（DeMiguel等，2009；Fabozzi等，2007），因为准确捕捉市场结构始终是至关重要的。此外，另一个大幅增加投资组合优化过

程复杂性的因素是需要同时评估一系列复杂的现实投资约束（Xidonas和Mavrotas，2014）。这些约束可能包括投资组合中可包含证券的最大数量、特定的买入门槛、交易成本规模或特定规则。

文献的目的是研究引入量化策略来估计投资组合方差-协方差矩阵的益处，期望能够有效捕捉资产回报的典型事实及其经济影响，处理的是时变波动率环境下ETF投资组合的优化与再平衡过程。分析旨在基于经济计量建模和回报协方差计算来构建最优投资组合。此外，我们的目标还包括应用三种流行的量化框架得出关键的对比见解：（a）样本协方差或等权重模型，（b）指数加权移动平均（EWMA）模型，以及（c）广义自回归条件异方差（GARCH）（1,1）模型。这一尝试的有效性通过对一个积极交易的低波动动量ETF基金（由150个ETF组成的多元化投资组合）进行的实证测试程序得到了验证。此外，还共同评估了一系列非凸投资政策限制，如买

入门槛和合规规范，将相应的投资组合选择过程建模为混合整数优化问题。所得出的定性和技术结论表明，使用EWMA和GARCH（1,1）经济计量模型构建的投资组合具有更高的样本外回报。

问题的引入

协方差矩阵包含波动率和相关性，即用于量化投资组合风险的指标。最简单的协方差矩阵类型是通过等权重移动平均或指数加权移动平均（EWMA）矩阵生成的

（Ledoit和Wolf，2003）。使用这些矩阵时，关于收益分布的两大假设固有存在：

（a）收益是由独立同分布（i.i.d.）过程产生的；（b）一组收益的联合分布是“椭圆”的。

自20世纪90年代以来，等权重移动平均或历史方法在估计和预测波动率和相关性方面一直受到从业者的欢迎。但如前所述，这种方法存在许多缺点，包括以下几点：由于模型的基本假设是收益是独立同分布的，因此对所有未来时段的波动率和相关性预测简单地采用了当前的波动率估计。在极端市场波动之后，波动率和相关性的预测将呈现出该极端波动的所谓“鬼影特征”，这将严重导致波动率和相关性预测向上偏差（Alexander，2008）。这种偏差的程度以及这种偏差影响结果的时间取决于数据窗口的大小。历史模型可能对未来几年平均波动率或相关性的预测提供有用信息，但它无法准确预测短期情况。事实上，使用这种方法可能获得的唯一有用信息是长期平均波动率或相关性的可能范围。

20世纪90年代中期，JPMorgan（1996年）推出了RiskMetrics?数据和软件套件。他们选择的波动率和相关性预测方法有助于推广指数加权移动平均（EWMA）的使用。这种方法为非常短期的波动率和相关性预测（如下一天或一周）提供了有用

的信息。然而，它对长期预测的作用有限。由于模型的基本假设是收益是独立同分布的，因此对所有未来时段的波动率和相关性预测简单地采用了当前的波动率估计。

Markowitz（1952）中提出的多元正态独立同分布收益假设没有得到实证支持。因此，许多投资组合经理利用广义自回归条件异方差（GARCH）模型，在该模型中，期限结构波动率估计收敛于长期平均波动率；此外，GARCH参数得到最优预测，GARCH协方差矩阵无偏差地表示