本文系统介绍了多种协方差矩阵预测方法(历史协方差、收缩法、指数移动平均法、DCC-GARCH及GO-GARCH),通过对多个中国和全球资产组合的实证测试,发现指数移动平均法和两种GARCH方法能够显著降低协方差预测误差,提升风险预算组合表现。在以股、债、黄金构建的动态协方差风险预算组合回测中,DCC-GARCH方法较传统历史法显著提升年化收益率和收益风险比,同时有效降低最大回撤,验证了动态协方差预测在低成本组合增强中的价值 .
资产波动率及相关性时变性显著:中国及美国股债资产的月度波动率和相关系数均表现出明显的时变特征,高波动期与低波动期交替出现,股债相关性在-0.8至0.6之间变动,表明直接采用历史协方差假设恒定性存在较大偏差 。
多种协方差预测方法介绍:涵盖传统的历史协方差、收缩估计、指数移动平均法(EWMA)、以及复杂的多元GARCH模型(VEC-GARCH、CCC-GARCH、DCC-GARCH、GO-GARCH)。其中递归加权的EWMA与动态条件相关DCC-GARCH和基于不可观测因子的GO-GARCH模型重点提升了预测性能 。
采用Python调用R语言实现复杂GARCH模型估计,有效整合两种编程环境优势,便于模型实际应用和测试 。
协方差矩阵预测准确度评价:采用协方差预测均方根误差(RMSE)和最小方差组合均方根跟踪误差(RMSTE)两指标量化评估预测模型性能,样本外回测体现方法稳定性 。
实证结果(多资产组合):
动态协方差在风险预算组合构建中的应用:
结论:协方差矩阵预测的时变特性不可忽视。EWMA及多元GARCH方法能有效提升预测精度。动态协方差预测方法在风险预算组合构建中体现出低成本提升收益与降低风险的潜力,是经典组合构建方法的有效增强途径 。
核心观点:报告对比了多种协方差矩阵预测方法,包括传统历史协方差法、收缩法、指数移动平均法(EWMA)、DCC-GARCH及GO-GARCH两种基于GARCH的模型。实证结果显示,动态协方差预测方法能够显著降低协方差预测误差,提升样本外最小方差组合权重准确性,并最终改善基于风险预算的资产配置组合表现,获得更高的收益、更优的风险控制与回撤水平。报告强调动态协方差估计在风险管理及资产配置中的核心价值,并警示模型依赖历史数据,可能在市场环境剧烈变动时失效。,22,23]
报告首先回顾了之前资产配置系列中的择时模型与收益率预测研究,指出协方差矩阵估计作为资产配置的另一关键输入尚未涉及,强调其在经典马科维茨框架及风险平价、最小方差组合构建中的核心作用。
利用Wind和彭博数据分析了中美股债资产的波动率与相关系数的时间变化特征,展现波动率波动巨大且相关性时变——如中国股票年内波动率峰值近80%,债券波动率及股债相关性也表现出显著的非稳定性,从而说明传统历史协方差法假设协方差矩阵静态的显著局限性。
报告系统介绍五种协方差矩阵估计方法:
报告详细列出了模型的数学表达和估计逻辑,阐述了各模型的优缺点及对时变协方差矩阵捕捉的能力。
整体来看,时变协方差模型普遍优于传统历史法和收缩法,表现稳定且符合理论预期。动态相关性的DCC-GARCH和GO-GARCH提供了更为准确的风险测度。
本报告属于资产配置与风险管理模型评估,不涉及直接股票或资产估值定价,不包含DCF或P/E等估值方法内容,故无估值分析部分。
报告未明确提出风险缓释措施,仅在风险提示部分中简要说明模型失效可能性。,23]
兴业证券经济与金融研究院发布的《系统化资产配置系列之十三》通过理论介绍和多组合实证系统比较了五大类协方差矩阵预测模型:传统历史法、收缩法、指数加权移动平均(EWMA)、DCC-GARCH和GO-GARCH。研究发现单纯依赖历史协方差矩阵假设资产波动率及相关性静态已不符合实际资产市场的时变风险特征。通过引入时变条件异方差模型,尤其是DCC-GARCH和GO-GARCH,能显著降低协方差预测的均方根误差,提升样本外最小方差组合权重的构建准确度。
实证阶段涵盖中国和全球股票、债券、商品及行业资产,均表明动态协方差估计的优越性:以中国大类资产组合为例,GO-GARCH方法减少协方差预测误差31%,而全球大类资产组合中DCC-GARCH方法减少15%误差。此外,对于样本外风险预算组合,动态协方差方法显著提升了收益、降低了最大回撤,优化了收益风险比。例如股票风险预算75%组合中,DCC-GARCH相较历史协方差实现8.21%的年化收益,最大回撤4.91%,而历史法收益仅7.15%,最大回撤7.67%。理想已知真实协方差矩阵的组合表现最佳,进一步验证协方差预测准确性对组合表现的关键驱动作用。
图表清晰展现了动用动态协方差矩阵在实际组合资产波动率控制和收益提升中的作用路径,提供了量化投资和风险管理的操作指南。报告强调该方法作为一种低成本、模型驱动的组合增强途径,其在系统化资产配置框架中有着不可或缺的地位,但同时警示因模型依赖历史数据,在市场环境剧烈改变时可能存在失效风险。
本报告原创性强,结合前沿多元GARCH技术与传统方法,提供实证数据支持,理论与实务结合紧密,具有较高的学术价值和投资指导意义。模型及数据框架详实,方法论介绍透明,适合机构投资者和量化研究者使用。建议未来研究围绕动态相关更复杂非线性结构建模及实盘考虑成本摩擦展开,可进一步提升模型应用的稳健性和实战价值。
该图显示2002年至2021年间中国股票的波动率呈明显时变特征,峰值出现在2015年超过80%,底部低于10%,验证了波动率非平稳性的重要结论。
显示历史协方差与收缩法误差偏高,EWMA和GO-GARCH大幅降低预测误差,GO-GARCH最优,后续实证也确认其组合表现领先。
反映稳定的趋势,DCC-GARCH继续领先,支持其在多资产策略中应用优势。
净值曲线显示通过动态协方差预测方法构建组合显著跑赢历史协方差法和收缩法,说明改进模型带来的实质收益提升。
【本分析基于《系统化资产配置系列之十三:动态协方差矩阵估计与组合构建》报告的全文内容,页码标注严格遵循引用规范,以便溯源和查证】
20211206-兴业证券-兴业证券系统化资产配置系列之十三:动态协方差矩阵估计与组合构建.pdf