本报告基于期权隐含方差与历史方差信息的结合,提出了风险溢价修正的隐含方差预测方法,构建新的条件方差-协方差矩阵,实现对投资组合风险的更优预测。通过中美欧洲日股等多个市场的实证验证,隐含方差修正后在方差预测能力上显著优于传统历史方差,优化的最小方差投资组合风险调整表现更佳,并在国内基于50ETF期权数据的测试中得到印证,最终实现组合波动率和回撤的有效控制,提升风险调整后的收益水平 。
| 指标 | 历史方差 | 修正隐含方差 | 未修正隐含方差 |
|---|---|---|---|
| RMSPE (S&P500) | 0.0068 | 0.0065 | 0.0048 |
| MAPE (STOXX50) | 0.0026 | 0.0024 | 0.0022 |
| 指标 | 历史方差 | 修正隐含方差 | 未修正隐含方差 |
|---|---|---|---|
| 年化收益率 | 0.15% | 0.16% | 0.16% |
| 年化波动率 | 0.17% | 0.17% | 0.17% |
| 夏普比率 | -6.87% | -6.46% | -6.47% |
| 最大回撤 | -0.03% | -0.03% | -0.03% |
| 指标 | 历史波动率 | 隐含波动率 | 修正的隐含波动率 |
|---|---|---|---|
| RMSPE | 0.0837 | 0.0821 | 0.0784 |
| MAPE | 0.0506 | 0.0521 | 0.0496 |
| 投资组合策略 | 年化收益率 | 年化波动率 | 最大回撤 | 收益回撤比 |
|---|---|---|---|---|
| 基于修正VIX策略 | 9.35% | 10.88% | 16.13% | 0.58 |
| 基于VIX策略 | 8.97% | 9.94% | 14.63% | 0.61 |
| 基于历史波动率策略 | 9.57% | 11.30% | 18.19% | 0.53 |
报告标题: 结合隐含信息和历史信息的最优资产配置
作者与联系方式: 任瞳(首席分析师,定量研究团队负责人)、王武蕾(高级量化分析师)
发布机构: 招商证券股份有限公司
发布时间: 2021年7月29日
研究主题: 本报告将期权市场中隐含波动率(隐含方差)与历史波动率信息相结合,探索优化资产配置及投资组合表现的最优方案。重点关注如何利用期权价格隐含信息提升投资组合风险度量及配置效果。
核心论点与目标信息传达:
报告提出通过结合隐含方差和历史方差信息,特别是调整后的隐含方差(剔除方差风险溢价效率)能更准确地预测未来方差,进而帮助构建低波动、风险调整更优的投资组合。文中实证表明,不论是纯权益资产组合还是多资产类别组合,风险调整后的隐含方差在方差预测能力及提升组合表现方面均优于传统的仅基于历史信息的估计方式。国内50ETF实证研究进一步验证了隐含方差信息的实际应用价值。
风险提示: 报告依赖期权定价模型的隐含波动率估计,存在模型风险,所有观点仅供投资参考,非投资建议。
关键论点:
期权隐含波动率包含超越历史波动率的额外前瞻信息,有利于更准确的资产条件方差预测。考虑方差风险溢价(Variance Risk Premium, VRP)的调整,才能使隐含方差成为无偏未来方差的估计。
推理依据:
多项文献(如蒋和田,Kostakis,Baker以及DeMiguel 2013)支持隐含信息对未来波动性预测优于传统历史估计。报告继承了DeMiguel等关于VRP修正方法,结合历史风险溢价过滤,提炼出更有效的隐含方差度量。
涉及公式与概念解释:
该部分设计了基于均值-方差框架和最小方差的理论基础。
2.1 条件方差预测:
利用滑动滚动窗口,计算资产的历史协方差矩阵;引入芝加哥期权交易所的非参数波动率指数VIX的无模型隐含方差计算方法,克服Black-Scholes模型假设限制。
重要公式用于计算VIX平方的隐含方差公式基于多执行价格期权加权,体现了无风险利率、远期价格及执行价的权重贡献。
VRP定义为隐含方差与已实现方差的差异,利用时间序列方法预测未来已实现方差期望,从而构造无偏估计。
2.2 新的方差-协方差矩阵设计:
由于并非所有资产均有期权数据,设计结合隐含波动率(对角线上)与历史波动率(剩余资产)混合矩阵结构。
通过历史均值估计历史风险溢价,校正隐含波动率,形成修正隐含方差σ~ivc,t,核心得到更准确的条件方差。
2.3 绩效指标定义:
设计包括绝对误差(如RMSPE,MAPE)、组合加权误差various预测性能测度,评估基于隐含与历史波动率估计的有效性。
组合绩效包括样本外回报率、波动率、夏普比率、最大回撤等常用衡量指标,并基于动态滚动窗口重新平衡权重。
本部分建立严谨的建模、预测与绩效评测体系。
3.1 数据介绍:
以美、欧、英、日股票、债券、高收益债、商品及现金共九类资产为研究对象,数据跨2001年至2017年。月度频率滚动估计,涵盖隐含与历史波动率数据,基准为彭博英国镑计价指数。
3.2 方差预测表现:
图表2-4数据显示,修正隐含方差在绝对及相对误差指标(RMSPE、MAPE)中均优于历史方差。尤其在日经225市场修正隐含方差表现卓越。整体组合误差指标反映加权预测误差之和,隐含方差显示出稳健优势。
3.3 样本外投资组合表现:
分析两种组合:纯股票组合与多资产组合,均基于最小方差目标函数(有无约束)。
投资组合权重变动(图表6、7)反映,基于隐含波动率的组合更倾向于动态调整权益资产配比,兼顾风险分散。
这为期权隐含信息在中国市场的应用提供了实证支持,体现出修正隐含方差度量的适用性和有效性。
整体说明期权隐含信息提供更准确的风险预测,支持组合优化。
本报告侧重资产组合配置与风险预测,未直接涉及公司估值模型、目标价或买卖推荐。因此不存在传统意义上的估值方法解读,比如DCF或市盈率倍数等。
报告虽未详细针对风险缓解策略展开,但结合风险溢价修正方法即为降低偏差的一种措施。
隐含方差优势的前提条件:
修正风险溢价后的隐含方差优势依赖于VRP的合理估计与稳定性。忽略这一点,隐含估计可能带来偏误或风险。
历史波动率的优势未被充分否定:
在实际投资组合回报中,历史方差估计获得的绝对回报多数情况下高于隐含方差,这意味着短期内历史数据仍为投资决策提供重要信息。
多资产配置权重结构极端:
图表7中整体投资组合存在现金占比长期极高现象,表明在实际约束或市场条件下隐含信息影响有限,配置未能充分发挥多样化优势。
统计显著性有局限:
虽多处p值显示隐含方差组合更优,但多数在10%左右,属于较弱统计显著,需谨慎对待。
样本选择和时间截面效应:
数据时间截面虽然长期,但偏重发达市场,国内实证较单一,可能影响推广性。
隐含波动率估计依赖市场流动性:
期权市场活跃度决定隐含数据质量,流动性不足期权隐含信息的预测价值下降,报告未详述该点。
本报告系统分析了结合期权隐含信息与传统历史信息进行资产方差预测的新方法,并通过风险溢价修正获得无偏的隐含方差估计,最终用于资产组合的风险管理优化。从理论框架设计、实证数据分析到国内市场实证,均展现出隐含方差信息在提高条件方差预测精度及优化投资组合风险调整收益表现方面的积极作用。
核心发现包括:
结合丰富的图表(图表2-11),作者展现了隐含方差的预测能力提升和投资组合优化效果。图表6-7中资产配置动态调整尤为引人注目,揭示风险管理层面的深刻变革。
考虑到实际投资中模型风险、市场环境不确定性及资产约束,隐含方差信息代表了一个重要的补充而非替代方案,协同应用历史信息方能获得稳健的资产配置与投资组合绩效。
总的而言,报告是对期权市场隐含信息应用于资产配置领域的创新实践,其深入严谨的理论与实证结合,为投资组合风险管理提供了有价值的洞察。
本分析基于报告原文内容,所有引述均带页码标识,确保溯源清晰,方便后续检索和验证。
(全文共计约2900字)
“琢璞”系列报告之三十九:结合隐含信息和历史信息的最优资产配置.pdf