本报告基于均值方差模型,在资产配置中引入协偏度和协峰度两个高阶矩变量,构建了考虑资产收益分布偏度和峰度特征的优化目标函数。通过对我国主要ETF资产的日周度数据进行滚动窗口样本内参数估计和样本外回测,发现高阶矩资产配置方法在回报和风险控制方面均优于传统等权配置和沪深300基准组合,夏普比率显著提升,最大回撤明显降低,体现了模型更好地捕捉极端事件风险的能力,为资产配置提供新的理论和实证支持.
| 指标 | 高阶矩配置 | 等权配置 | 沪深300 | 中证国债 |
|---|---|---|---|---|
| 区间回报 | 126.36% | 76.97% | 53.06% | 57.59% |
| 年化回报 | 7.04% | 4.87% | 3.61% | 3.86% |
| 年化波动率 | 6.65% | 8.14% | 27.31% | 2.80% |
| 夏普比率 | 0.56 | 0.19 | 0.01 | 0.20 |
| 最大回撤 | 12.85% | 26.26% | 71.00% | 5.37% |
| 亏损年数 | 3 | 4 | 6 | 4 |
报告标题:《量化资产配置专题报告——加入协偏度和协峰度的高阶矩资产配置方法》
发布机构:爱建证券有限责任公司研究所
分析师:张志鹏
发布日期:2018年12月12日
研究主题:基于现代资产组合理论,拓展传统均值-方差模型,引入高阶矩(协偏度和协峰度)优化资产配置策略。
核心论点:传统基于均值与方差的资产配置未充分考虑资产回报分布的偏态性及峰态表现,加入协偏度和协峰度等高阶矩变量,有望提升资产配置模型的风险控制与收益表现。
风险提示:虽然模型基于历史数据回测表现良好,但未来市场不确定性存在,策略可能失效,投资者需注意风险。
简介部分强调资产配置在现代组合理论中的核心地位。资产配置对投资组合波动贡献最大(约90%),远超市场择时及证券选择的影响。均值-方差模型自20世纪50年代提出以来仍广泛应用,且受到学术和产业界的持续改进和深化研究, 3]。
理论背景详细介绍资产回报概率分布的四阶矩:
图表1展示了正态分布与正偏、负偏、肥尾分布的形态对比,说明在实际金融数据中,资产回报经常偏离正态分布。作者进一步指出偏度与峰度对风险估计的影响:
协偏度与协峰度扩展对资产间高阶相关关系的描述,不再局限协方差矩阵。资产配置过程至少涉及两个资产,传统的协方差矩阵只能反映资产间线性相关,而协偏度、协峰度矩阵能捕捉更复杂的非对称共变关系。通过虚拟案例(资产1至资产4),演示了两个等权组合A和B尽管均值相同,但组合回报风险结构不同,原因正是协偏度、协峰度差异导致极端收益同时出现的概率不同,表明考虑高阶矩有助于捕捉组合潜在极端风险。图表2展示资产回报在坐标象限上的分布情况,凸显资产负相关中的极端事件聚集, 6, 7]。
资产组合的四个阶矩数学形式依次为:
其中,⊗ 表示克罗内克积,体现矩阵维度的指数增长,导致高阶矩矩阵维度庞大,计算复杂度巨大,依赖矩阵对称性降低独特元素数量,但仍然高于协方差矩阵数量级,给实际操作带来挑战, 9]。
传统均值-方差模型目标函数为:
w∈Cmaxw′μ−λw′Σw其中w为资产权重向量,λ为风险厌恶系数,C为权重约束集合。高阶矩模型引入三阶和四阶矩调整项,目标函数变为(Kim et al. 2014):
w∈Cmaxw′μ−λw′Σw+ϕ(w′ξ(w⊗w))−ψ(w′κ(w⊗w⊗w))参数ϕ,ψ≥0权衡对偏度和峰度的关注程度。
技术难点显著:
报告选取我国现有ETF市场作为投资标的,理由在于ETF成本低、流动性好以及跟踪误差小,适合进行资产配置。当前中国ETF市场仍处于发展阶段,仅5439亿元规模,主要分布在权益47%、货币46%、债券3%、商品(黄金)2%和QDII 2%。相比美国ETF市场(3.4万亿美元规模,占全球72%)仍有较大差距, 12]。
选取四类资产代表:
此外,选取对应的规模最大的ETF基金作为投资标的基金,确保流动性和代表性, 13]。
描述性统计分析基于随机抽取沪深300中30只成分股,时间跨度约13年(2005年至2018年)。统计结果发现:
图表7和图表8进一步展示这30只股票回报分布明显偏离正态,且极值同时发生的现象较为常见,说明协偏度和协峰度在实际资产组合中的重要性不容忽视。
由于计算复杂度限制,使用周频数据进行50周滚动窗口样本内参数估计,样本时间2005年12月至2018年11月,权重限制为最低12.5%,避免调仓波动过大。
实证结果(图表9和表格6数据)显示:
| 指标 | 高阶矩配置 | 等权配置 | 沪深300 | 中证国债 |
|---|---|---|---|---|
| 区间累计回报 | 126.36% | 76.97% | 53.06% | 57.59% |
| 年化收益率 (CAGR) | 7.04% | 4.87% | 3.61% | 3.86% |
| 年化波动率 | 6.65% | 8.14% | 27.31% | 2.80% |
| 夏普比率 | 0.56 | 0.19 | 0.01 | 0.20 |
| 最大回撤 | 12.85% | 26.26% | 71.00% | 5.37% |
| 亏损年数 | 3 | 4 | 6 | 4 |
高阶矩策略回报和夏普比率显著优于等权和沪深300,且波动率较低,最大回撤远小于沪深300,风险控制效果明显提升,亏损年份较少,显示稳定性更强, 18]。
报告不涉及企业或行业估值,而是聚焦于资产配置的数学建模和策略实证,估值分析主要体现于资产组合的期望回报与风险调整收益的计算。本质上,报告提供了高阶矩目标函数的构建方式和实际优化结果,展示其风险调整后收益优于传统模型的潜力。
报告明确指出的风险因素包括:
报告未详细展开缓解策略,但通过权重限制和滚动窗口估计部分降低非稳定性风险,同时提醒投资者关注策略的统计性有效性和失效概率。
本报告系统阐述了基于均值-方差模型扩展的高阶矩资产配置框架,详细介绍四阶矩(均值、方差、偏度、峰度)如何通过协偏度和协峰度矩阵体现资产间非线性共变关系,以及如何将其纳入目标函数进行组合优化。理论结合生动的虚拟案例,阐明即使均值和方差相同,资产组合的偏度和峰度差异会对极端收益概率产生巨大影响,进而影响风险特征。
实证选取中国ETF市场主要资产类别作为投资标的,基于13年历史周频数据,采用50周滚动窗口方式进行高阶矩矩阵估计和样本外回测。结果显示,高阶矩资产配置策略相比等权配置和沪深300,获得更高的累计和年化回报,夏普比率显著优越,且波动率和最大回撤明显降低,投资组合表现更稳定、风险调整后收益更可靠。资产回报偏度和峰度的统计显著存在,支持纳入高阶矩的现实必要性。
图表7的成分股回报分布偏离正态,图表8的极端收益同步现象强化了高阶矩风控的价值。图表9的净值曲线及表格6的收益风险指标比较直观呈现策略优势。
尽管存在模型非凸难题、高阶矩估计不稳定、优化计算复杂、资产池范围局限等挑战,报告依然展现了高阶矩资产配置在提升资产组合风险管理及收益优化上的潜力。投资者和研究者可在此基础上,进一步深化算法优化,扩展资产类别,探索高阶资产配置的实际应用可能。
整体上,作者成功诠释了高阶矩资产配置的重要性和可行路径,兼顾理论严谨与实证分析,体现了现代量化资产管理的前沿探索。
本分析基于该报告原文内容和数据展开,力求客观详尽,不涉及任何非公开信息,不含投资建议。投资有风险,入市需谨慎。, 3-20]
量化资产配置专题报告:加入协偏度和协峰度的高阶矩资产配置方法.pdf