量化投资 现代投资组合理论(MPT)

量化投资 现代投资组合理论(MPT)

问题:构建投资组合,达到目标收益率的同时拥有最小的 risk exposure.

  • J J J 个可交易证券,期望收益率为 R = [ R 1 ,   ⋯   ,   R j ] T R=[R_1,\,\cdots,\,R_j]^T R=[R1,,Rj]T,无风险利率为 R f R^f Rf

  • μ ∈ R J \mu\in \mathbb{R}^J μRJ 为期望收益率, Σ \Sigma Σ 为期望收益率的协方差矩阵;

  • 投资组合 θ = [ θ 1 ,   ⋯   ,   θ J ] J \theta=[\theta_1,\,\cdots,\,\theta_J]^J θ=[θ1,,θJ]J ,满足 θ T e = 1 \theta^Te=1 θTe=1 θ i \theta_i θi 代表投资于第 j j j 个证券的资产比例;

  • 投资组合 θ \theta θ 的期望收益率为: μ [ θ ] = R θ = R f + θ T ( μ − R f e ) \mu[\theta]=R^{\theta}=R^f+\theta^T(\mu-R^fe) μ[θ]=Rθ=Rf+θT(μRfe) ,标准差为 σ [ θ ] = ( θ T Σ θ ) 1 2 \sigma[\theta]=(\theta^T\Sigma\theta)^{\frac{1}{2}} σ[θ]=(θTΣθ)21

  • 不同投资组合之间的协方差为: σ [ θ ,   θ ′ ] = θ T Σ θ ′ \sigma[\theta,\,\theta']=\theta^T\Sigma\theta' σ[θ,θ]=θTΣθ

有效投资组合 Efficient Portfolio:投资组合 θ 0 \theta_0 θ0 μ 0 \mu_0 μ0 处是 mean-variance efficient,若 θ 0 \theta_0 θ0 的期望收益为 μ 0 \mu_0 μ0 ,并且不存在其他达到同样期望收益率且拥有更小方差的投资组合。即:
θ 0 ∈ arg ⁡ min ⁡ { σ 2 [ θ ]   ∣   μ [ θ ] = μ 0 } \theta_0 \in \arg \min\{\sigma^2[\theta]\,|\,\mu[\theta]=\mu_0\} θ0argmin{σ2[θ]μ[θ]=μ0}
该问题可以写成最优化问题:
θ 0 = arg ⁡ min ⁡ { 1 2 θ 0 T Σ θ 0 :   θ T μ = μ 0  and  θ T e = 1 } \theta_0=\arg \min\{\frac{1}{2}\theta_0^T\Sigma\theta_0:\,\theta^T\mu=\mu_0\text{ and }\theta^Te=1\} θ0=argmin{21θ0TΣθ0:θTμ=μ0 and θTe=1}
其中的 1 2 \frac{1}{2} 21 是为了便于求导。构建 Lagrangian:
L = 1 2 θ T Σ θ + λ 1 ( θ T μ − μ 0 ) + λ 2 ( θ T e − 1 ) L=\frac{1}{2}\theta^T\Sigma\theta+\lambda_1(\theta^T\mu-\mu_0)+\lambda_2(\theta^Te-1) L=21θTΣθ+λ1(θTμμ0)+λ2(θTe1)
得到 FOC 为:
{ Σ θ + λ 1 μ + λ 2 e = 0 θ T μ = μ 0 θ T e = 1 \left\{ \begin{array}{l} \Sigma\theta+\lambda_1\mu+\lambda_2e=0 \\ \theta^T\mu=\mu_0 \\ \theta^Te=1 \end{array} \right. Σθ+λ1μ+λ2e=0θTμ=μ0θTe=1
由第一个式子,我们可以得到:
θ = − Σ − 1 [ μ ,   e ] [ λ 1 λ 2 ] \theta=-\Sigma^{-1}[\mu,\,e]\begin{bmatrix} \lambda_1 \\ \lambda_2 \end{bmatrix} θ=Σ1[μ,e][λ1λ2]
由第二个式子,我们可以得到:
[ μ ,   e ] T θ = [ μ 0 1 ] [\mu,\,e]^T\theta=\begin{bmatrix} \mu_0 \\ 1 \end{bmatrix} [μ,e]Tθ=[μ01]
两个式子联立得到:
− [ μ ,   e ] T Σ − 1 [ μ ,   e ] [ λ 1 λ 2 ] = [ μ 0 1 ] -[\mu,\,e]^T\Sigma^{-1}[\mu,\,e]\begin{bmatrix} \lambda_1 \\ \lambda_2 \end{bmatrix}=\begin{bmatrix} \mu_0 \\ 1 \end{bmatrix} [μ,e]TΣ1[μ,e][λ1λ2]=[μ01]
A = [ μ ,   e ] T Σ − 1 [ μ ,   e ] A=[\mu,\,e]^T\Sigma^{-1}[\mu,\,e] A=[μ,e]TΣ1[μ,e] A A A 是一个 2 × 2 2\times 2 2×2 的方阵),则:
[ λ 1 λ 2 ] = − A − 1 [ μ 0 1 ] \begin{bmatrix} \lambda_1 \\ \lambda_2 \end{bmatrix}=-A^{-1}\begin{bmatrix} \mu_0 \\ 1 \end{bmatrix} [λ1λ2]=A1[μ01]
再代回去,得到:
θ = Σ − 1 [ μ ,   e ] A − 1 [ μ 0 ,   1 ] \theta=\Sigma^{-1}[\mu,\,e]A^{-1}[\mu_0,\,1] θ=Σ1[μ,e]A1[μ0,1]
方差为:
σ 0 2 = θ T Σ θ = [ μ 0 ,   1 ] A − 1 [ μ 0 ,   1 ] T \sigma_0^2=\theta^T\Sigma\theta=[\mu_0,\,1]A^{-1}[\mu_0,\,1]^T σ02=θTΣθ=[μ0,1]A1[μ0,1]T
Markowitz’s MV Efficient Frontier:将上述解析解画出图像,可以得到:

请添加图片描述

最小方差投资组合:从图像中可以看出,投资组合中具有将 σ \sigma σ 最小化的点,对应的最优化问题为:
min ⁡ θ T Σ θ s . t .     θ T e = 1 \min \theta^T\Sigma\theta \quad s.t.\,\,\,\theta^Te=1 minθTΣθs.t.θTe=1
Lagrangian 为:
L ( θ ;   λ ) = θ T Σ θ + λ ( 1 − θ T e ) L(\theta;\,\lambda)=\theta^T\Sigma\theta+\lambda(1-\theta^T e) L(θ;λ)=θTΣθ+λ(1θTe)
FOC 为:
{ ∂ L ∂ θ = 2 Σ θ − λ e = 0 ∂ L ∂ λ = 1 − ∑ i = 1 n θ i = 0 \left\{ \begin{array}{l} \frac{\partial L}{\partial \theta}=2\Sigma\theta-\lambda e=0 \\ \frac{\partial L}{\partial \lambda}=1-\sum\limits_{i=1}^n\theta_i=0 \end{array} \right. θL=θλe=0λL=1i=1nθi=0
解得:
{ θ ‾ = Σ − 1 e e T Σ − 1 e λ = 2 e T Σ − 1 e \left\{ \begin{array}{l} \underline{\theta} = \frac{\Sigma^{-1}e}{e^T\Sigma^{-1}e} \\ \lambda = \frac{2}{{e^T\Sigma^{-1}e}} \end{array} \right. {θ=eTΣ1eΣ1eλ=eTΣ1e2
即最小方差和最小方差对应的期望收益率为:
μ ‾ =   μ T θ ‾ = μ T Σ − 1 e e T Σ − 1 e σ ‾ 2 =   θ ‾ T Σ θ ‾ = e T Σ − 1 T e ( e T Σ − 1 e ) 2 \begin{aligned} \underline{\mu}=&\,\mu^T\underline{\theta}=\frac{\mu^T\Sigma^{-1}e}{e^T\Sigma^{-1}e} \\ \underline{\sigma}^2=&\,\underline{\theta}^T\Sigma\underline{\theta}=\frac{e^T\Sigma^{-1T}e}{(e^T\Sigma^{-1}e)^2} \end{aligned} μ=σ2=μTθ=eTΣ1eμTΣ1eθTΣθ=(eTΣ1e)2eTΣ1Te
最大夏普率投资组合:以纵坐标上一点 ( 0 ,   R f ) (0,\,R^f) (0,Rf) 向 frontier 做上切线,可以知道切点对应的投资组合是曲线上夏普率最大的投资组合(称为 tangency portfolio),对应最优化问题为:
max ⁡ θ T μ − R f ( θ T Σ θ ) 1 2 s.t.    θ T e = 1 \max \frac{\theta^T \mu-R_f}{(\theta^T\Sigma\theta)^{\frac{1}{2}}}\quad \text{s.t.}\,\,\theta^Te=1 max(θTΣθ)21θTμRfs.t.θTe=1
Lagrangian 为:
L ( θ ;   λ ) = ( θ T μ − R f ) ( θ T Σ θ ) − 1 2 + λ ( 1 − θ T e ) L(\theta;\,\lambda)=(\theta^T \mu-R_f)(\theta^T\Sigma\theta)^{-\frac{1}{2}}+\lambda(1-\theta^Te) L(θ;λ)=(θTμRf)(θTΣθ)21+λ(1θTe)
FOC 为:
{ ∂ L ∂ θ = μ ( θ T Σ θ ) − 1 2 − ( θ T μ − R f ) ( θ T Σ θ ) − 3 2 Σ θ − λ e = 0 ∂ L ∂ λ = 1 − θ T e = 0 \left\{ \begin{array}{l} \frac{\partial L}{\partial \theta}=\mu(\theta^T\Sigma\theta)^{-\frac{1}{2}}-(\theta^T \mu-R_f)(\theta^T\Sigma\theta)^{-\frac{3}{2}}\Sigma\theta-\lambda e=0 \\ \frac{\partial L}{\partial \lambda}=1-\theta^Te=0 \end{array} \right. {θL=μ(θTΣθ)21(θTμRf)(θTΣθ)23Σθλe=0λL=1θTe=0
解得(这个没解出来。。。看的答案):
{ θ T = Σ − 1 ( μ − R f e ) e T Σ − 1 ( μ − R f e ) λ = R f ( θ T T Σ θ T ) − 1 \left\{ \begin{array}{l} \theta_T= \frac{\Sigma^{-1}(\mu-R_fe)}{e^T\Sigma^{-1}(\mu-R_fe)} \\ \lambda = R_f(\theta_T^T\Sigma\theta_T)^{-1} \end{array} \right. {θT=eTΣ1(μRfe)Σ1(μRfe)λ=Rf(θTTΣθT)1

请添加图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/28252.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

监控、审计和运行时安全

监控、审计和运行时安全 目录 文章目录 监控、审计和运行时安全目录1、分析容器系统调用:SysdigSysdig介绍安装sysdigsysdig常用参数sysdig常用命令Chisels(实用的工具箱)其它命令 2、监控容器运行时:FalcoFalco介绍Falco架构安装falco自定义扩展规则文件…

千万级入口服务[Gateway]框架设计(一)

本文将以技术调研模式编写,非技术同学可跳过。 文章目录 背景问题[不涉及具体业务]目标技术选型语言框架模式实现一:go 原生组件Demo 实现Benchwork 基准性能小结实现二:开源 go-plugin 附录入口服务演变 背景 在历史架构的迭代中&#xff…

Apache Kafka学习

目录 一、简介 1.概念: 2.kafka四大API: 3.Kafka消费模式 4.Kafka的基础架构 5.kafka文件存储方式 二、特性 三、优点 1.解耦 2.异步处理 3.流量削峰 4.数据持久化 5.顺序保证 6.可恢复性 四、名词解释 五、QA Q:如何保证数据高可靠、不…

从美颜算法到AI美颜SDK:美丽的背后隐藏着什么?

在年轻人的生活中,通过美颜SDK类型的美颜工具进行拍摄已经成为了一种全新的文化现象。时下,AI美颜、美颜SDK讨论热点极高,那么大家知道美颜算法和AI美颜到底有什么不同吗?它们背后隐藏着什么样的技术和思想? 一、美颜算…

在Windows11平台安装JDK11(双11)

目录 引言一、安装前说明1.系统要求2.多版本安装 二、JDK11安装三、安装成功验证1.验证2.Path环境变量 总结 引言 本文主要是详细讲解在 Windows 11 系统上安装 JDK 11,安装时有一些注意事项需要说明。与 JDK 8 的安装过程有少许不一样。 一、安装前说明 1.系统要…

Atair 柱状比例图

如何熟练掌握可视化库和应对使用过程的疑难问题? 基本用法不妨访问 GeeksforGeeks 疑难问题优先搜索 https://stackoverflow.com 尽量使用官方文档: numpy的学习访问 https://numpy.org/doc/stable/user/index.html 例如: 一则 altair 使用过…

小程序中半屏打开其他小程序,开发者工具调试半屏

前言: 有需要是在当前小程序中,点击操作时,如果他没有注册会员,则强制去另一个小程序去注册会员,注册成功在返回,在这期间,打开另一个小程序是半屏来展示的。 实现效果: 在a小程序中…

阿里4年测试经验分享 —— 测试外包干了3年后,我废了...

去年国庆,我分享了一次一位阿里朋友的技术生涯,大家反响爆蓬,感觉十分有意思,今天我来分享一下我另一位朋友的真实经历,是不是很想听? 没错,我这位朋友是曾经外包公司的测试开发,而…

React新版扩展特性

目录 Hooks 三个常用的Hook State Hook Effect Hook Ref Hook Context Router 6 声明式路由 编程式路由导航 Hooks (1) Hook是react 18.8.0版本新增的特性/语法 (2) 可以让我们在函数式组件中使用state以及其他的react特性 三个常用的Hook (1) State Hook: React.useSt…

使用javacv中的ffmpeg实现录屏

今天突发奇想,想自己写一个录屏的软件,上次写了一个专门录音的Demo,但是要把声音和视频放到一起合成一个mp4文件,着实有一点艰难,所以就打算使用ffmpeg来写一个,而这篇博客中会顺便谈一谈我碰到的各种坑。 …

HarmonyOS学习路之开发篇—Java UI框架(StackLayout)

StackLayout StackLayout直接在屏幕上开辟出一块空白的区域,添加到这个布局中的视图都是以层叠的方式显示,而它会把这些视图默认放到这块区域的左上角,第一个添加到布局中的视图显示在最底层,最后一个被放在最顶层。上一层的视图…

数据湖仓一体化架构:探究新一代数据处理的可能性

一、引言 随着大数据的快速发展,企业不断寻求高效、灵活和经济的方法来处理和管理海量数据。在这种背景下,数据湖和数据仓库这两种不同的架构模式各自展现出其独特的优势。而数据湖仓一体化架构,是对这两种模式优势的综合,为企业…

wenda+fess问答系统

1 安装conda 2 创建环境 conda activate --name wenda python3.8 3 安装依赖工具包 pip install -r requirements/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple pip install torch BeautifulSoup4 torchvision torchaudio pdfminer.six -i https://pypi.t…

【乐观锁与悲观锁】—— 每天一点小知识

💧 乐观锁与悲观锁 \color{#FF1493}{乐观锁与悲观锁} 乐观锁与悲观锁💧 🌷 仰望天空,妳我亦是行人.✨ 🦄 个人主页——微风撞见云的博客🎐 🐳 《数据结构与算法》专栏的文章图文并茂&…

美团买菜基于 Flink 的实时数仓建设

摘要:本文整理自美团买菜实时数仓技术负责人严书,在 Flink Forward Asia 2022 实时湖仓专场的分享。本篇内容主要分为四个部分: 背景介绍 技术愿景和架构设计 典型场景、挑战与应对 未来规划 点击查看原文视频 & 演讲PPT 一、背景介绍…

设置全局loading

为什么要设置全局loading? 在项目开发过程中,请求接口的时候延迟没有数据,页面感觉狠卡顿,这个时候就要用loading来做一个延迟界面。 但是每个界面都写loading的话就会很复杂,所以今天给大家带来了一个全局loading的…

JMeter+Ant+jenkins搭建接口自动化测试环境

目录 前言: 1.ant简介 2. 构建ant环境 3.JMeter与Ant集成 4. 报告优化 5.jenkins持续集成 前言: JMeter是一个开源的性能测试工具,可以用于测试Web应用程序或API接口的性能,支持多种通信协议和数据格式。Ant是一个构建工具&…

基于卫星星历计算卫星在CGCS2000大地坐标系中的坐标

目录 一、北斗系统概述 1.空间星座 2.坐标系统 3.时间系统 二、实验目的 三、实验内容 四、实验过程 五、实验结果 一、北斗系统概述 1.空间星座 北斗卫星导航系统简称北斗系统,英文缩写为 BDS,其空间星座由 5 颗地球静止轨道(GEO&…

学会使用这些Lumion照片级渲染技巧,秒出大片

Lumion 是一种渲染软件,可帮助建筑师以清晰、感性的方式传达他们的设计。十年来,人们发现 Lumion 的每个新版本都有新的功能、工作流程和控制方法。他们可以在 Revit、SketchUp 或其他 BIM 程序等软件中建模,并将模型导入 Lumion 进行渲染&am…

基于stm32作品设计:多功能氛围灯、手机APP无线控制ws2812,MCU无线升级程序

文章目录 一、作品背景二、功能设计与实现过程三、实现基础功能(一)、首先是要选材(二)、原理图设计(二)、第一版本PCB设计(三)、焊接PCB板(四)编写单片机程序…