本文基于Black–Scholes市场与幂效用函数,利用对偶方法推导出含随机薪酬的最优投资策略的显式解,策略由无薪酬时最优配置加一项关于薪酬财富比率的时间衰减调整项构成,揭示了风险厌恶度、薪酬波动性与市场价格风险的交互影响,为随机薪酬场景下的投资组合构建提供理论指导。
报告标题:An Explicit Solution for the Problem of Optimal Investment with Random Endowment
作者:Michael Donisch, Christoph Knochenhauer
主题:基于黑-斯科尔斯模型下,带随机收入的最优投资问题的显式解
本报告由Michael Donisch和Christoph Knochenhauer撰写,聚焦于投资者在具有随机外生收入(随机年金)环境下的最优投资决策问题,基于经典的黑-斯科尔斯(Black-Scholes)金融市场模型。研究对象为具备常数相对风险厌恶(CRRA)效用函数的投资者,随机收入过程被建模为一个几何布朗运动。
本文的核心贡献是通过对偶法导出该问题的显式最优交易策略表达式,将策略分解为两部分:一是无随机收入情况下的最优策略,二是一个线性依赖于“随机收入与财富比例”且随剩余期限指数衰减的加性校正项。该结果在现有文献中尚属首次完整显式求解,解决了随机年金条件下市场完整模型中的最优投资难题。
作者对比了先前文献中动态规划与偏微分方程方法的分析局限,强调采用对偶论证的更大策略适用范围与更简洁论证流程。
报告结构包括:
总体而言,报告既提供了严谨的理论构建和证明,也通过显式公式极大提升了策略的理解与实际应用价值 。
关键论点:研究了带随机外生收入的最优投资问题,外生收入以几何布朗运动为模型。投资者偏好使用CRRA效用函数。
背景与文献差异:文献中多为存在性和抽象最优策略证明,缺少显式解。作者区别于近似策略或只能处理不完全市场的困难,专注于完全市场且噪声完全相关的情况实现全显式解。
技术路线:采用对偶方法而非复杂的动态规划,避免部分先前工作所需的严格技术假设和数学工具(如粘性解、非线性PDE正则性),从而获得更广泛的策略适用性且论证简洁。
市场描述:无风险资产 ( S_t^0 ) 和单一风险资产 ( S_t^1 ) ,满足经典黑-斯科尔斯动态:
[
\mathrm{d}S_t^0 = r S_t^0 \mathrm{d}t, \quad \mathrm{d}S_t^1 = (r + \lambda) S_t^1 \mathrm{d}t + \sigma S_t^1 \mathrm{d}W_t,
]
其中 ( r ) 为无风险利率,( \lambda ) 超额收益,( \sigma > 0 ) 波动率。
随机年金过程:随机收入 ( E_t ) 为几何布朗运动:
[
\mathrm{d}E_t = \mu E_t \mathrm{d}t + \eta E_t \mathrm{d}W_t,
]
且驱动力与风险资产完全相关(同一布朗运动)。
投资策略:以风险资产占财富比重的过程 ( \pi_t ) 表示,财富动态因自融资和随机收入叠加为
[
\mathrm{d}X_t^\pi = \big((r + \lambda \pi_t) X_t^\pi + E_t \big) \mathrm{d}t + \sigma \pi_t X_t^\pi \mathrm{d}W_t,
]
初始财富 ( X_0^{\pi} = x > 0 ),确保财富过程严格为正。
效用函数:采用CRRA形式幂效用:
[
U(x) = \frac{x^{1-\gamma}}{1-\gamma}, \quad \gamma \in (0,1)\cup (1,\infty),
]
其中 ( \gamma ) 是常数相对风险厌恶系数。
目标:在允许的策略集合 ( \mathcal{A} ) 中最大化期望终端效用
[
\max_{\pi \in \mathcal{A}} \mathbb{E}[U(X_T^\pi)].
]
这一市场结构保证了模型的完全市场性质,利用了对偶相关市场价格内核和状态价折现因子的构造,为后续对偶方法解决问题奠定基础 。
本节通过对偶技术,先使用拉格朗日方法构建约束最大化问题,得到随机末端财富的明确表达。
预备引理及预算约束:
给出随机年金的套利价格公式:
[
P_t := \mathbb{E}\left[\int_0^t E_s H_s \mathrm{d}s \right] = E_0 \frac{\exp{(\mu - r - \eta \theta) t} -1}{\mu - r - \eta \theta} < \infty,
]
该表达式量化了随机年金在折现的风险中性概率下的价格,明确其对整体财富的影响。这里 ( \theta = \lambda / \sigma ) 即市场价格风险 。
预算约束命题证明,显示
[
Y_t^\pi := X_t^\pi H_t - \int_0^t E_s H_s \mathrm{d}s
]
是超鞅,体现财富折价后的可行性条件,即:
[
\mathbb{E}[Y_t^\pi] \le x, \quad \forall t \in [0,T].
]
其推导利用Itô乘积法则和局部鞅性质,保证市场无套利及适当策略集合内的可行性 。
复制命题:
给定可衡量随机终端财富 (\xi \ge 0) 且满足预算约束条件,即
[
x_\xi := \mathbb{E}\left[\xi H_T - \int_0^T E_t H_t \mathrm{d}t\right] < \infty,
]
则存在策略 ( \pi \in \mathcal{A}_0 ) 完全复制该终端财富。
该结果证明了本模型的完备市场特性,并提供了构造欲求策略的步骤。技术上使用了鞅表示定理和解相应SDE得到 。
对偶问题构造与求解:
将原问题转换为对偶问题:
[
\sup_{\pi \in \mathcal{A}} \mathbb{E}[U(X_T^\pi)] = \sup_{\xi \in \mathcal{C}(x)} \mathbb{E}[U(\xi)] \le \inf_{\lambda > 0} \left{ \mathbb{E}[\tilde{U}(\lambda H_T)] + \lambda (x + P_T) \right},
]
其中,(\tilde{U})为效用函数的共轭函数,解决的是静态优化限制问题。
利用CRRA效用的解析性质,求解共轭函数及其逆边际效用函数(I(y) = y^{-1/\gamma}),从而变问题为找到满足
[
\mathbb{E}[H_T I(\lambda^* H_T)] = x + P_T
]
的拉格朗日乘子 (\lambda^) 。挖掘其中矩母函数封闭表达,最终求得
[
\lambda^ = \exp\left{(1-\gamma)\left(r + \frac{\theta^2}{2 \gamma}\right) T\right} (x + P_T)^{-\gamma}.
]
最优终端财富以显式形式给出为
[
\xi^* = I(\lambda^* H_T) = \exp\left{-\frac{1-\gamma}{\gamma} \left(r + \frac{\theta^2}{2\gamma}\right) T \right} (x + P_T) H_T^{-1/\gamma}.
]
验证最优性:使用凹性效用函性质,预算约束满足等式,并利用鞅性质严格证明,此终端财富确为最优解,存在最优策略 (\pi^) 使得对应财富进程实现 (\xi^) 。
策略构造:根据复制证明,最优策略由终端财富的马丁格尔表示给出。定义过程 (K_t^) 为满足
[
x + \int_0^t K_s^ \mathrm{d}W_s = \mathbb{E}\left[\xi^* H_T - \int_0^T E_s H_s \mathrm{d}s \middle|\mathcal{F}_t \right],
]
则对应最优策略为
[
\pi_t^* = \frac{1}{\sigma}\left(\frac{K_t^}{X_t^ H_t} + \theta \right).
]
通过计算分解条件期望,得出
[
\mathbb{E}[\xi^* H_T - \int_0^T E_s H_s \mathrm{d}s | \mathcal{F}_t] = \alpha(t) H_t^{-(1-\gamma)/\gamma} - \int_0^t E_s H_s \mathrm{d}s - \beta(t) E_t H_t,
]
其中
[
\alpha(t) = (x + P_T) \exp\left{-\frac{1-\gamma}{\gamma}\left(r + \frac{\theta^2}{2 \gamma}\right) t \right},
]
[
\beta(t) = \frac{\exp\left{(\mu - r - \eta \theta)(T - t)\right} - 1}{\mu - r - \eta \theta}.
]
利用Itô公式和相应随机微分表达,明确了 (K_t^) 的表达为
[
K_t^ = (\theta - \eta) \beta(t) E_t H_t + \frac{1-\gamma}{\gamma} \theta \alpha(t) H_t^{-(1-\gamma)/\gamma}.
]
最终策略表达式精简为
[ \boxed{ \pi_t^* = \pi_M + \beta(t)\left(\pi_M - \frac{\eta}{\sigma}\right) \frac{E_t}{X_t^*}, } ]
其中无随机收入的“马科维茨比例”是
[
\pi_M := \frac{\theta}{\gamma \sigma}.
]
策略含义详解:
本报告不包含传统意义的图表或图形,因其为理论推导性质较强的数学金融论文。但从公式表达式中获取的关键量化关系等同于图表数据:
公式表达中的动态函数 (\beta(t)) 类似于风险调整随时间变化的时间函数曲线,其严格正值且递减特性说明风险对策略的影响随接近终期逐渐消退。
终端财富的表达式体现了财富价值在风险因素 (H_T) 下的幂函数依赖和基准调整因子 (\alpha(t)),可视作风险调整收益的动态曲面。
风险资产比例策略 (\pi_t^*) 包含了乘数 (\frac{E_t}{X_t^*}) ,这在高收入权重条件下放大风险偏好,数学上的线性因子便是对冲或放大风险敞口的时间渐进函数。
整体看,这些引入的函数和表达式构成了多维动态模型中风险、时间和战略权重的量化图谱,具有高度可解释性和数学严谨性。
本文不涉及传统意义上的公司估值,主要估值成分在于随机年金的无套利定价:
[ P_T = \mathbb{E}\left[\int_0^T E_t H_t \mathrm{d}t \right] = E_0 \frac{\exp{(\mu - r - \eta \theta) T} - 1}{\mu - r - \eta \theta}, ]
这是随机年金的终期价值折现,根据市场价格风险参数生成的风险中性概率计算。
该价格直接影响投资者的起始财富有效资本,进而影响最优策略。
通过对偶定理及拉格朗日乘子法,隐含风险调整后的价值评估对策略选择起决定作用。
报告中识别的关键风险元素包括:
随机年金的参数风险:随机年金收益率 (\mu) 、波动率 (\eta) 以及与市场风险驱动的相关性,直接影响引入的功能 (\beta(t)) 和调整比例。
市场价格风险 (\theta) :影响无随机收入基础策略和加权差异,若市场风险失衡则策略偏离较大。
风险厌恶参数 (\gamma) :风险厌恶偏好调节风险资产加载程度及对随机收入风险的敏感度,定位于策略调整的核心。
模型假设风险:市场完备、驱动力完全相关等假设限制了现实应用的普适性和稳健性。
整体上,这些风险因素影响策略权重调节的大小和方向,投资者需同时关注模型收益与风险真实表现的匹配性。
报告未特别给出缓解措施,但对偶解法本质即对市场价格和风险进行动态补偿。
模型假设的局限性:
投资模型假定风险资产和随机年金的驱动布朗运动完全相关,实现市场完备性,这在现实世界中较少见,很多真实市场环境下相关性不完全,市场存在不完全性或异质性,此时显式解或不适用。
随机年金为几何布朗运动模型,代表收益波动呈对数正态分布,忽略了跳跃风险、极端事件或非标准分布特征。
风险厌恶参数约束与解敏感性:
技术方法优势与隐含假设:
策略表达的依赖性:
总之,报告的新颖贡献在于数学理论上的严明和清晰,但实际应用时需警惕模型假设对市场特性的强依赖可能导致偏差。
本报告系统建立并解析了基于Black-Scholes市场的带有随机外生收入的最优投资问题,并且成功应用对偶法导出了:
随机年金的套利无套利定价公式,清晰量化了随机收入的折现价值 (P_T)。
问题的对偶解框架,通过拉格朗日乘子变换,将动态最优控制问题转化为静态凸优化。
显式最优终端财富公式,明确定义为风险折现因子 (H_T) 的幂函数,乘以加权调整变量。
显式最优风险资产比例策略表达式
[
\pi_t^* = \pi_M + \beta(t)\left(\pi_M - \frac{\eta}{\sigma}\right) \frac{E_t}{X_t^*},
]
体现出随机年金对标准马科维茨无随机收入策略的动态加权修正。
策略适用性条件和性质分析,揭示了时间、风险偏好、市场风险价格、随机年金波动率对最优投资比重的共同影响。
该式子的创新在于:
整体,研究加强了随机外生收入条件下投资决策理论的前沿,填补了显式最优解决方案的空白,对于长期生命周期财富管理、养老金和保险产品设计等领域具备高度指导价值。
所有论点和表达均严格依据报告正文推导,具体见对应页码标注,确保内容可追溯性。引用的主要理论和方法均系报告原创贡献,并对比过相关文献[1-9]。
【完】
2506.20506.pdf