優化
重新平衡的黑人垃圾
我在回測中註意到，將預期回報向量“縮小”到零往往會提高性能。這使我研究了預測/預期收益向量的收縮方法與應用於風險/共變異數矩陣估計的傳統“收縮”。
一種結構化的方法是貝氏方法——這似乎導致了 Black Litterman。這裡有一些關於縮小預期回報向量的建議
在均值變異數框架中建構投資組合時，您使用哪些方法來改進預期收益估計？
但我想知道人們是否傾向於線上上執行 Black Litterman，如投資組合再平衡。
例如，這意味著使用您之前的權重/投資組合頭寸作為您的先驗，並在下一個時間步用您的新預期回報預測更新您的先驗。
這是 Black Litterman 的常見方法/案例嗎？
使用之前的權重作為先驗存在一些技術問題（也就是說，它們是點測量），但是是的，Black-Litterman 框架適用於此。您基本上可以在模型中包含您在市場上的任何觀點，並讓它影響您的頭寸規模。這還包括對交易成本的看法（基於市場影響、平均交易量、頭寸規模等）。
如果您使用簡單的對角線模型（忽略共變異數），我發現將權重縮小到前一周期值是有效的。
關於點測量問題，假設正態分佈的平均值等於您之前的權重（或市值權重）和足夠小的變異數是一個合理的建模假設。這使得模型在分析上易於處理。