一、元数据与报告概览
报告标题: 基于风险角度的资产组合方法研究
分析师: 徐寅
机构: 兴业证券经济与金融研究院
发布日期: 2019年11月21日
研究主题: 本报告立足于风险视角,研究基于波动率及条件风险价值(CVaR)两种一致风险度量,构建不同投资组合模型,并在股票、行业、大类资产多维度展开实证测试,比较各模型在分散风险和风险最小化上下的表现差异。
核心观点:
- 投资组合构建的核心目标为风险分散化与风险最小化。基于此,构造七个投资组合模型涵盖两大类问题:风险最大分散和风险最小化。
- 模型包含(1)全局最小方差模型GlobalMinVaR、最小CVaR模型(风险最小化);(2)等权组合(EquallyWgted)、波动率倒数(InvVol)、风险平价(RiskParity)、最大分散化(MaxDiversification)、最小尾部相关性模型(MinTailDependence)(风险分散化)。
- 通过沪深300、中证500股票池、中信行业分类及多资产类别实证检验,发现GlobalMinVaR和MinCVaR模型在风险及收益表现均较优,尤其在多资产配置领域MinCVaR表现突出。大部分模型对权重约束的敏感性有限,但尾部相关性对权重约束敏感较弱。
- 投资组合构建及风险评估依托于历史数据,存在模型失效风险。
二、逐节详解
2.1 引言与风险视角(第1章)
报告回顾了投资组合理论的发展及风险度量的多样化。
- 历史上从马科维茨均值-方差模型出发,拓展到单一指数模型、均值-方差-偏度模型等;同时介绍了期望效用最大化和随机占优理论。
- 指出波动率、VaR、CVaR等风险度量在现实投资中的应用价值及其局限,凸显基于风险的组合构建与风险管理日益重要。
- 引入最大跌幅、风险跌幅等跌幅风险度量模型,拓展风险测量视角。
- 报告明确研究重点基于风险最大分散化与风险最小化两大目标开展。
2.2 基于风险的投资模型介绍(第2章)
风险定义及一致风险函数
- 借鉴Artzner(1999)对一致风险函数的定义,包括次可加性、正则齐次性、单调性及平移不变性。波动率作为传统风险度量符合前三项,VaR虽广为使用但不满足次可加性;CVaR 凸性好,能更好反映尾部风险,是一致风险度量的典范。
组合构建模型
- 风险最大分散类别:包括等权(EquallyWgted)、反向波动率(InvVol)、风险平价(RiskParity)、最大分散化(MaxDiversification)、最小尾部依赖(MinTailDependence)。
- 风险最小化类别:全局最小方差(GlobalMinVaR)、最小条件VaR(MinCVaR)。
算法中统一符号说明(资产权重、资产波动率、收益率、相关系数等),方便后续模型描述。
详细模型机制:
-
等权投资组合
- 权重均等,简便但不考虑资产风险大小,不是有效的风险分散手段。
-
反向波动率投资组合(InvVol)
- 权重与资产波动率倒数成比例,试图实现风险分布的均衡,但忽略资产间相关性。
-
风险平价投资组合(RiskParity)
- 扩展InvVol考虑资产间相关性,追求资产风险贡献均等。缺点为可能承担无回报的风险。
-
最大分散化投资组合(MaxDiversification)
- 目标最大化资产波动率加权平均与组合总波动率比。利用相关系数矩阵估计分散度,优化方案涉及中间变量ψ。
-
最小尾部依赖投资组合(MinTailDependence)
- 反对以Pearson相关系数度量风险,着眼尾部相关性(极端风险相关),特别关注左尾依赖。利用Copula模型(尤其是以捕捉下尾依赖特性的Clayton Copula)估计资产间尾部相关性矩阵T进行优化。
-
全局最小方差投资组合(GlobalMinVaR)
- 经典最小方差组合,优化目标是极小化组合波动率;劣势为对协方差矩阵敏感且易集中权重。
-
最小条件VaR投资组合(MinCVaR)
- 将CVaR作为优化目标,转为线性规划;优点是能量化极端风险表现,缺点是估计过程依赖历史数据及分布假设,估计误差较大。
评估指标简介(2.8节)
-
分散化率(DR):组合加权平均波动率与组合整体波动率比,衡量分散效果,越大越好。
-
投资组合加权尾部相关系数(WPTC):衡量尾部风险分散,计算方法类似分散率但替换为尾部相关系数λij。
-
极端风险度量:VaR和CVaR,衡量组合在极端负收益概率下的潜在损失。
报告列出了各模型目标及优缺点的总结表(图表2),明晰各方案适合场景。
3、实证分析之股票篇
- 测试沪深300和中证500股票池,不同权重限制(无约束及10%权重上限),均使用过去一年滚动数据计算协方差、相关及尾部相关矩阵,月度调仓。
沪深300股票池表现(3.1节)
-
无权重限制下
- 大部分模型收益、夏普率好于基准,MinCVaR和GlobalMinVaR表现最优,且在尾部相关性方面接近MinTailDependence模型。
- MinTailDependence表现也较好。
- 在分散度方面,MinCVaR、GlobalMinVaR和MinTailDependence较弱。
-
权重限制10%下
- 多数模型表现仍优于基准,收益和夏普率略下降,风险指标变化有限,尾部风险变化小,表明权重限制影响有限。
中证500股票池表现(3.2节)
-
无权重限制
- 多数模型表现优于基准,GlobalMinVaR综合表现最佳。
- GlobalMinVaR尾部风险分散有待加强,尾部风险相关性较沪深300高,可能反映中小盘股系统性风险不可规避的问题。
-
权重限制10%下
4、实证分析之行业篇
- 包含中信一级与二级行业,同样测试无权重和10%权重限制(主要关注无约束结果)。
中信一级行业
- GlobalMinVaR、MinCVaR、MaxDiversification表现优于等权基准,收益和夏普率较好。
- 分散度接近,无明显差异。
- MinTailDependence反而未表现出预期优势,尾部相关性反而较高。
中信二级行业
- 结果分化更大,只有GlobalMinVaR表现明显优于基准。
- 其他模型并无明显优势。
- GlobalMinVaR、MinCVaR、MaxDiversification的VaR和CVaR指标较优,风险控制较好。
5、实证分析之多资产篇
- 资产包括沪深300、中证500、中证企业债、中证国债、黄金指数、原油指数、标普500及恒生指数,共8个品种。数据区间自2009年7月起。
无权重限制
- 除MinTailDependence和RiskParity,其他模型表现均优于等权基准。
- GlobalMinVaR、MinCVaR、MaxDiversification表现最优,收益、夏普率和风险均领先。
- InvVol表现亦较优。
- 最大分散化模型MaxDiversification分散率最高,InvVol其次;MinCVaR和GlobalMinVaR因偏好债券配置,分散率较低。
50%权重限制
- 除RiskParity外多数模型表现优于基准,收益提升有限且夏普率略有下降。
- 尾部相关性有所上升,由于股票权重增加带来较高相关性。
30%权重限制
- 模型整体收益和风险表现好转,MinTailDependence夏普率提升明显。
- MinCVaR、RiskParity、MinTailDependence的分散度显著提升。
- MaxDiversification的分散度有所下降。
- 尾部相关性变化不大,权重限制对尾部相关性影响较弱。
权重限制影响总结
- 多资产配置中,由于资产数量有限,权重限制对模型表现影响较大。
- 随着权重限制放松,收益提升伴随风险增加,夏普比下降。
- 尾部相关性指标对权重限制变化敏感性较低。
- MinCVaR表现最为稳定且受益于权重限制放松,在风险、收益、夏普比及分散度均有提升,体现其对多资产配置的有效性。
6、总结与模型评价
- 报告总结定位于基于波动率和CVaR的两种一致风险测度,搭建了七个投资组合模型,覆盖风险最大分散及风险最小化两大目标。
- 在股票、行业、资产配置三大领域均做了充分实证检验,验证各模型特色及优劣。
- GlobalMinVaR与MinCVaR整体表现突出,尤其在极端风险表现和收益风险权衡方面领先。
- MaxDiversification模型在分散性指标上表现优异,但承担一定额外风险。
- MinTailDependence模型有效降低尾部相关性,但其整体表现依赖于具体资产类别和市场环境。
- 权重约束对模型的影响整体有限,主要影响收益和夏普率,尾部风险和分散度影响较小。
报告通过综合指标图(图表49)列出各模型在不同资产类别和指标下的优异表现,方便策略选择。
三、图表深度解读
图表1(第10页):
- 描述: 沪深300无权重限制条件下,使用Clayton Copula与经验Copula估计的MinTailDependence模型净值曲线对比。
- 解读: 两者走势基本一致,Clayton Copula估计净值略高,说明使用Clayton Copula更有效地捕捉尾部相关性,提高模型表现。
- 联系文本: 支持文中使用Clayton Copula替代经验Copula进行尾部相关性估计的合理性。
图表37(第1516页):沪深300无权重限制时不同模型表现
- 净值曲线(图3): MinCVaR最高,其次GlobalMinVaR,均显著优于基准。MaxDiversification、RiskParity分散表现明显。
- 夏普比、收益、波动率(图4): MinCVaR夏普最高,收益与波动率均较优,GlobalMinVaR紧随其后。等权及风险平价波动率较高。
- 风险指标VaR、CVaR、最大回撤(图5): MinCVaR、GlobalMinVaR明显优于其他模型和基准,说明极端风险控制能力强。
- 分散度(图6): MaxDiversification表现最佳,MinCVaR和GlobalMinVaR相对较弱。
- 尾部相关性(图7): MinTailDependence最低,紧随其后为MinCVaR和GlobalMinVaR,表明有效控制极端联动风险。
图表812(第1718页):沪深300权重10%限制下模型表现
- 整体净值曲线趋于收敛,MinCVaR|GlobalMinVaR仍领先。
- 夏普比和收益率略下降,波动率变化小,风险指标VaR、CVaR及尾部相关性基本稳定,反映权重限制影响有限。
图表1317(第1920页):中证500无权重限制模型表现
- 净值曲线显示GlobalMinVaR领先,夏普比、收益率及最大回撤明显好于其他模型。
- 风险衡量指标表明GlobalMinVaR在极端风险控制上具优势,但尾部相关性相对较高,可能因中小盘股对系统性风险敞口较大。
- 分散度指标中MaxDiversification领先,但收益及风险兼顾下GlobalMinVaR更优。
图表1822(第2122页):中证500权重10%限制模型表现
- 与无权重限制表现相近,无明显变化,验证权重限制影响有限,模型稳定。
行业模型表现(第23~27页)
- 一级行业表现优于二级行业,GlobalMinVaR、MinCVaR及MaxDiversification在收益与夏普率表现优秀。
- 分散度指标相近,无显著差异。
- 尾部相关性一级行业中MinTailDependence未显优势,反映尾部依赖模型表现受行业结构影响较大。
- 二级行业表现不及一级,模型差异更明显,整体收益及风险表现下降。
多资产配置(第28~34页)
- 无权重限制下,GlobalMinVaR、MinCVaR、MaxDiversification领跑,InvVol紧随;MinTailDependence表现较弱。
- 权重限制(50%和30%)下,收益与波动率均有所上升,权重限制强化收益风险权衡,MinCVaR尤其受益明显。
- 分散度表现受权重限制显著影响,尾部相关性变化较小。
- 图表47显示不同权重限制下MinCVaR和MaxDiversification分散度变化趋势,为模型稳定性提供佐证。
四、估值分析
本报告不涉及具体企业估值或目标价,主要聚焦投资组合构建及风险管理策略分析。
五、风险因素评估
- 本报告风险提示明确指出现有模型与结论基于历史数据,潜在存在市场环境改变导致模型失效的风险。
- 报告未详细展开具体风险缓解策略,但模型多样化设计本身即为风险对冲手段之一。
六、批判性视角与细微差别
- 报告客观描述不同模型在各个维度的表现优势及劣势,未显著偏向任何单一模型。
- 模型均依赖历史数据与统计假设(如收益正态假设,Copula模型选择),可能在极端市场环境失效。
- MinTailDependence模型的表现受限于尾部相关性的估计准确性及样本有效性,某些行业或资产表现不佳。
- 权重约束的影响在多资产配置中显著,对收益与风险权衡构成挑战,但报告未涉及交易成本或流动性风险,可能高估策略实际表现。
- 全局最小方差模型虽风险最低但分散度较弱,实际应用时需权衡集中风险带来的表现波动。
七、结论性综合
本报告系统性地评估和对比了以风险视角构建资产组合的七大模型,基于波动率和一致风险度量CVaR开展风险最小化与风险分散化理念的组合优化。通过多维数据集(股票、行业及大类资产配置)实证分析,报告主要收获如下:
-
GlobalMinVaR与MinCVaR模型表现最为稳健,能够显著降低组合整体风险及极端风险(VaR、CVaR指标),并在收益及夏普比方面领先,特别是在多资产配置中MinCVaR优势明显。
-
MaxDiversification模型在分散度指标(DR)上表现最佳,但承担的一定风险导致收益风险权衡稍逊。
-
MinTailDependence模型有效降低尾部风险相关性(WPTC指标),尤其在股票市场表现亮眼,但其效果受行业类别与资产结构影响明显,在行业一级和多资产中相对逊色。
-
传统风险分散模型如等权、风险平价和反向波动率虽简单易行,但在风险调整收益表现上逊色于前述先进模型。
-
权重约束普遍对收益和夏普比有轻微负面影响,但尾部风险和风险分散度影响不大,提示组合构建在实际限制条件下依然稳健。
-
投资组合构建基于历史统计数据及特定假设,存在模型失效风险,投资者应谨慎应用并考虑市场环境变化对组合表现的影响。
报告附录详实,引用了丰富风险管理及组合理论文献,确保分析的科学性和系统性。
总体而言,徐寅分析师通过严谨的数学建模与广泛的实证分析,从风险一致性度量出发,提出多种资产组合构建模型,评估其在实际A股及大类资产配置中的表现特点,为投资者提供了科学的风险管理和资产配置策略参考。
参考图表示例
图表3(沪深300无权重限制-净值曲线)示意:
图表7(沪深300无权重限制-尾部相关性指标)示意:
图表13(中证500无权重限制-净值曲线)示意:
图表33(大类资产无权重限制-净值曲线)示意:
图表49(不同模型在不同资产范围内测试有效性统计摘要)截图见页35。
,1,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35]