本报告提出了一种基于最大回撤的线性化投资组合优化新模型(MD模型),通过混合整数线性规划(MILP)显著提升了解决速度(较Markowitz模型快200倍)和鲁棒性。实证基于2020年COVID-19期间约400只美股数据,显示MD模型在减少最大回撤的同时,保持较高预期收益和合理波动率,尤其在样本外测试中表现优异,模型结构简单且易于扩展
| 模型 | 预期日收益 | 日波动率 | 最大回撤 | 持仓数量 | 运行时间(秒) |
|---|---|---|---|---|---|
| Markowitz | 0.18% | 0.6% | -2.0% | 16 | 0.02 |
| 反向Markowitz | 0.59% | 1.0% | -3.2% | 13 | 0.02 |
| 同时优化模型 | 0.70% | 1.4% | -4.8% | 12 | 0.02 |
| MD模型 | 0.22% | 0.8% | -0.9% | 9 | 0.003 |
| MD(带约束MILP) | 0.23% | 0.8% | -0.9% | 5 | 0.0001 |
| 模型 | 3个月收益 | 日均收益 | 日波动率 | 最大回撤 |
|---|---|---|---|---|
| Markowitz | 5.7% | 0.09% | 1.7% | -6.1% |
| 反向Markowitz | 5.3% | 0.08% | 1.7% | -7.2% |
| 同时优化模型 | 5.2% | 0.08% | 2.1% | -8.6% |
| MD模型 | 9.4% | 0.15% | 2.3% | -3.3% |
| MD(带约束MILP) | 8.5% | 0.13% | 2.0% | -3.3% |
| 模型 | 平均配置变动幅度 |
|---|---|
| Markowitz | 38.1% |
| 反向Markowitz | 39.8% |
| 同时优化模型 | 42.3% |
| 纯MD模型 | 47.1% |
| MD(带约束MILP) | 3.7% |
报告名称: Constrained Max Drawdown: a Fast and Robust Portfolio Optimization Approach
作者: Albert Dorador
发布机构: 威斯康辛大学麦迪逊统计系
主题: 投资组合优化理论与模型创新,特别是基于最大回撤的线性组合优化模型研究
发布日期: 报告未明示具体发布日,但数据涵盖2020年COVID-19时期
核心论点:
本论文旨在提出一种基于最大回撤(Max Drawdown, MD)的线性投资组合优化模型,作为经典马科维茨二次规划模型的替代方案。主要贡献为该线性模型在金融动荡时期(如COVID-19疫情期间)的优势表现——以最大回撤作为风险度量,相较于传统的方差(标准差)度量更能反映投资者的下行风险关注。此外,作者构建了该模型的混合整数线性规划(MILP)版本,实现了显著的运算速度提升(快约200倍)及稳健性增强。论文通过大量数值实验,验证了模型不仅计算效率高,而且在稳健性和收益风险平衡方面表现优越。
目标价与评级:
该报告为研究型论文,无涉及具体公司股票评级或目标价格。
主要信息传达:
摘要中,作者指明提出基于最大回撤的线性化投资组合优化方法,这种模型能在金融危机时期更有效地控制下行风险。核心是利用线性规划技术避免传统马科维茨模型的二次规划复杂性,显著加速解题时间(约快200倍)。
引言部分回顾了投资组合优化的意义,指出Markowitz模型为现代投资理论基础,但其存在参数敏感及计算复杂性等问题。
引用Dai和Wang(2019)强调对模型稳健性提出关注。
介绍Konno和Yamazaki(1991)提出基于均值绝对偏差的线性化模型,是传统马科维茨模型近年来的有效替代。
本文通过引入基于最大回撤的新线性化方法,针对金融动荡期的风险管理提供新思路。
| 模型 | 预期收益 | 标准差 | 最大回撤 | 持仓资产数 | 计算时间(s) |
|---|---|---|---|---|---|
| Markowitz | 0.18% | 0.6% | -2.0% | 16 | 0.02 |
| Markowitz (reverse) | 0.59% | 1.0% | -3.2% | 13 | 0.02 |
| Simultaneous | 0.70% | 1.4% | -4.8% | 12 | 0.02 |
| MD (最大回撤) | 0.22% | 0.8% | -0.9% | 9 | 0.003 |
| MD (constrained) | 0.23% | 0.8% | -0.9% | 5 | 0.0001 |
| 模型 | 三个月收益 | 日均收益 | 标准差 | 最大回撤 |
|---|---|---|---|---|
| Markowitz | 5.7% | 0.09% | 1.7% | -6.1% |
| Markowitz (reverse) | 5.3% | 0.08% | 1.7% | -7.2% |
| Simultaneous | 5.2% | 0.08% | 2.1% | -8.6% |
| MD | 9.4% | 0.15% | 2.3% | -3.3% |
| MD (constrained) | 8.5% | 0.13% | 2.0% | -3.3% |
| 模型 | 平均绝对分配变化率 |
|---|---|
| Markowitz | 38.1% |
| Markowitz (reverse) | 39.8% |
| Simultaneous | 42.3% |
| MD | 47.1% |
| MD (constrained) | 3.7% |
本报告不涉及单一股票或公司的估值,而是聚焦投资组合优化模型的设计、算法效率和风险收益表现。
常见的估值分析手段—如贴现现金流、可比估值倍数等—未被引用。
核心“估值”在此涉及模型的风险调整收益表现及最优资产权重配置,特别关注最大回撤作为风险度量的效用。
报告识别并分析了如下风险因素:
针对上述风险,作者提出缓解策略:
本文提供了对投资组合优化领域一个重要创新的深入探讨与方法论贡献:提出了基于最大回撤风险度量的线性及混合整数线性模型,该模型不仅在疫情等市场剧烈波动时期提供更符合投资者实际风险偏好的解决方案,而且计算效率相较经典马科维茨模型得到数百倍提升。
通过对比传统经典模型与提出的MD模型的样本内及样本外表现,在标准差风险略增的前提下,MD模型显著降低最大回撤,提升了三个月收益率(9% vs 5%)和风险调整回报,且更稳健,敏感度测试表明MILP约束版本通过减少微弱配置带来的噪声,有效避免过拟合。
图表1和图表2完整揭示了该创新模型实际性能优势,表3进一步佐证了其在参数扰动下的优越稳健性。作者合理解释了最新求解器优势、模型结构特点对提升求解速度的贡献。
结合直观解释(如疫情期间MD模型选出的股票组合合理性)和敏感性分析,报告为强化投资组合风险管理提供了切实可行的新途径。未来扩展多期投资、机器学习辅助参数预测和随机规划建模可望进一步完善研究体系。
总之,本文提出的最大回撤的混合整数线性规划投资组合模型在实践中具有潜在革命性意义,尤其适合需要快速、稳健反应极端风险的投资管理场景。
溯源标记全部启用,文中各处引述均标注对应页码。
2401.02601.pdf