数据回归-利用非参数回归因子模型的方法估计资产回报率分布并进行投资组合优化的实证研究.pdf

《数据回归-利用非参数回归因子模型的方法估计资产回报率分布并进行投资组合优化的实证研究》探讨了在投资管理领域，如何通过非参数回归因子模型来改善传统的均值方差优化模型，以更准确地估计资产回报率分布，并优化投资组合。该研究针对Markowitz的均值方差模型存在的局限性，提出了新的风险度量指标，如VaR（Value at Risk）和CVaR（Conditional Value at Risk），以更好地反映投资风险。 Markowitz的均值方差模型是投资组合理论的基础，它以资产回报率的标准差作为风险度量，但这种方法忽视了收益的下行风险，即损失的可能性。为了解决这一问题，研究中提到了半方差（semi-variance）作为风险度量，它专注于负偏离均值的波动。然而，更广泛接受的风险度量是VaR，它表示在一定置信水平下，未来可能发生的最大损失。VaR更直观地反映了投资者对极端损失的关注，尤其适合处理非对称分布的回报率，如股票投资。 然而，VaR有两个主要缺点：一是其优化问题通常表现为混合整数规划问题，求解复杂；二是VaR不具有次可加性，即不具有一致性风险度量的性质。为克服这些缺点，Rockafellar和Uryasev提出了CVaR，它是超过VaR的损失的期望值，满足一致性风险度量的条件。对于有限离散分布的资产回报率，mean-CVaR问题可以通过线性规划有效地求解。 在实际应用中，非参数回归因子模型能更灵活地适应各种回报率分布，特别是在面对非正态分布或复杂结构的数据时。通过这种模型，研究者可以更精确地估计资产回报率的分布，从而在构建投资组合时，以VaR或CVaR作为风险控制目标，优化投资策略，提高样本外表现。 该研究强调了在投资组合优化中，利用非参数回归因子模型改进风险度量的重要性，尤其是对于VaR和CVaR的使用，旨在提高投资决策的效率和效果。通过这些先进的工具和方法，投资者可以更好地理解并管理投资风险，追求超越市场指数的收益。