本报告基于条件风险价值(CVaR)作为资产组合优化目标函数,采用多种风险价值(VaR)估计方法,包括正态分布法、历史模拟法、GARCH调整法及EGARCH方法,进行多资产组合优化。样本外回测结果显示,运用EGARCH调整法构建的组合在年化回报、波动率及夏普比率等指标上表现优越,凸显了尾部风险控制的重要性,同时指出风险与收益的权衡关系。报告建议进一步采用高阶或灵活的风险模型提升资产配置效果。
| 方法 | 区间回报 | 最大回撤 | 年化回报 | 年化波动 | 夏普比率 |
|---|---|---|---|---|---|
| Norm_CVaR_0.99 | 96.60% | 8.99% | 9.83% | 5.60% | 0.874 |
| Hist_CVaR_0.99 | 99.07% | 8.54% | 10.02% | 5.60% | 0.907 |
| GARCH_CVaR_0.99 | 101.68% | 10.38% | 10.22% | 6.01% | 0.879 |
| EGARCH_CVaR_0.99 | 103.50% | 8.62% | 10.35% | 5.87% | 0.922 |
| 等权组合 | 80.52% | 12.35% | 8.54% | 7.34% | 0.491 |
| 沪深300 | 113.83% | 46.70% | 11.11% | 24.32% | 0.254 |
报告名称: 《不同风险价值估计下的条件风险价值资产配置方法》
发布机构: 爱建证券有限责任公司研究所
分析师: 张志鹏(执业编号:S0820510120010),联系人叶才伟
发布日期: 2019年11月19日
研究主题: 金融资产组合优化,聚焦于使用条件风险价值(CVaR)进行风险度量与资产配置方法。
核心信息: 本报告围绕量化资产配置中风险度量的创新展开,对比不同的风险价值估计方法(正态分布法、历史模拟法、GARCH调整法及扩展的EGARCH模型)对条件风险价值(CVaR)优化资产组合回测表现的影响,结论指出GARCH调整法下的CVaR优化组合整体表现更优,且CVaR较传统VaR能更有效将尾部风险计量纳入资产配置考量。报告没有直接给出买卖评级或目标价,但在资产配置策略层面提供了风险控制与收益平衡的详细研究。,,
报告首先指出传统以资产回报标准差衡量风险存在的不足,尤其标准差假设收益为正态分布,未能区分投资者对下行(风险)与上行(收益)的不同偏好差异。此背景下,风险价值(VaR)与条件风险价值(CVaR)因更准确捕捉下侧风险而被广泛采用,且成为巴塞尔协议监管框架的重要组成部分。
CVaR(又称期望损失)衡量的是尾部事件的平均损失,保证了风险度量的四大一致性特征(单调性、次可加性、平移不变性和正齐次性),而VaR并不满足次可加性,制约其作为风险度量的合理性。
资产配置即权重分配的过程,是以最小化组合风险(本报告以CVaR为标尺)实现风险与收益的权衡,本文将对不同VaR估计方法环境下CVaR的优化进行讨论。
CVaR总是大于或等于对应置信水平下的VaR。图表1和图表2图示了VaR和CVaR在连续和离散损失分布的表现及差异。,,
报告强调,VaR不满足次可加性,举例说明其潜在风险低估的可能性(表格1)。CVaR满足次可加性,是更合适的风险衡量指标。,
Rockafellar and Uryasev (1999)提出的CVaR优化框架:
基本思路是构造一个目标函数,目标为最小化CVaR值,通过调节组合权重w实现。CVaR的优化可以转换为线性规划问题,更适合实际应用。具体表达式涉及函数f(w,r)表示组合损失,累计分布函数Ψ(w,β),及相应的CVaR与VaR界定。
CVaR计算优化的关键是无须先求出VaR,用辅助函数Fα(w,β)进行近似,且可转化为线性规划模型,方便求解。导出权重限制(权重之和为1,单资产权重非负等)保证组合实际可执行性。,
VaR估计方法多样:
从图表3可见不同资产的波动存在明显异方差性,统计检验支持采用GARCH模型修正波动估计。
总体来看,采用GARCH及其扩展模型估计的CVaR优化组合,在控制尾部风险的同时实现了较优的风险调整后收益,且模型估计期的选择对结果显著影响。,,,
展示了不同CVaR估计方法(正态CVaR, 历史模拟CVaR, GARCH调整CVaR 以及EGARCH CVaR)的长期资产组合回报走势(2009-2020)。可以看出GARCH与历史模拟方法构建的组合整体表现优于普通正态法,且EGARCH进一步带来更为稳健的收益曲线,尤其是在2015年左右市场波动剧烈时期展现更稳定的下跌控制能力。曲线趋势突显了尾部风险动态调整对于资产配置的重要作用。
分别通过累计分布函数(CDF)图展示VaR在连续和离散回报分布下的界定与计算,以及CVaR作为VaR阈值以下损失的期望,明确阐释了为何CVaR更全面度量尾部风险。
四类资产(日收益率时间序列)展示资产价格波动的异方差性,为选择GARCH模型合理性提供了实证支持。股市和商品沉重波动,债券及货币稳健波动,显示多样风险动态。
分别绘制36个月滚动窗口和递归窗口的估计及回测样本调取窗口结构,便于理解回测数据周期及时间序列的构造。
提供了不同估计窗口、估计模型下的样本外回测主要指标,包括区间回报、最大回撤、年化回报、年化波动和夏普比率,直观对比模型优劣,突出EGARCH模型在风险调整收益上的优势。沪深300指数代表市场基准表现,最大波动和回撤表明直接市场投资风险大。
分别对应滚动窗口、递归窗口和EGARCH模型的样本外组合净值曲线,清楚显示不同模型与方法的走势差异,支持表格中的数值解读。
对应24个月估计窗口下滚动及递归窗口回测结果,辅助验证估计期对最终结果影响的稳定性分析。
报告本质为资产配置与风险优化专题,未涉及对单一资产或公司进行估值,故无市盈率、DCF等传统股票估值模型。其重点在风险度量的选择及优化算法设计,不同VaR估计方法作为参数输入对最终组合表现影响的实证研究。优化模型约束及线性规划解决方案技术保障了模型的灵活性和实际可执行性。
风险提示已在报告前言详细书写,本报告强调历史数据分析仅具统计意义,投资需注意策略可能失效的风险。,,
总体报告严谨,理论与实证结合恰当,适合专业量化团队与机构投资者阅读,但对于普通投资者或缺少实盘检验的建议需谨慎采纳。
本报告系统探讨了在资产配置中采用条件风险价值(CVaR)作为风险度量指标时,基于不同风险价值(VaR)估计方法进行组合优化的效果。研究主要结论包括:
结合全文,报告的主旨是突出CVaR作为风险度量指标在资产配置领域的优势,利用GARCH家族的动态波动模型优化风险估计,提升尾部风险管理能力,为量化资产配置提供实证基础和模型参考。报告中图表和数据详实,方法论严谨,具备较强的学术与实务参考价值。
爱建证券的本报告通过严谨的理论推导与实证回测,深入剖析了条件风险价值(CVaR)在资产配置中的应用优势及不同风险估计方法的影响。对量化投资策略设计及资产组合风险管理具有重要启示和引领作用。投资者应关注尾部风险的动态变化,通过灵活的模型调整与科学的资产配置策略,平衡风险与收益,提升组合的抗风险能力和稳健回报水平。,,,,,,,,,,,,,,,,
附件主要图表示例:
图表0 展示不同风险估计方法下的组合净值走势,GARCH和EGARCH曲线明显优于其它方法。
图表1 显示VaR在连续和离散回报分布下的累积分布函数形态。
图表3 四类资产的日收益波动趋势,体现出异方差特征。
表格2 36个月滚动窗口样本外回测结果,GARCH_CVaR表现优秀。
图表6 36个月滚动窗口回测净值曲线。
(所有引用均来自报告原文,标注页码如上)
量化资产配置专题报告:不同风险价值估计下的条件风险价值资产配置方法.pdf