從經驗收益分佈優化投資組合

我想對一組 ETF 進行投資組合優化，但希望避免收益等方面的正態假設等傳統問題。

是否有技術可以讓我從經驗分佈中“抽取”樣本並將其應用於蒙特卡羅風格的優化？

我回顧了關於從預測分佈中進行蒙特卡羅抽樣的問題——這個問題是不同的——我沒有預測分佈，也不想假設高斯分佈。

您可以使用經驗分佈並使用 Mean-CVaR 作為目標函式。如果我們偏離輕尾正態分佈，則 CVar（“預期缺口”）被認為是比 VaR 更好的風險指標。

下面的程式碼在 R 中，取自 Diethelm Wuertz、Yohan Chalabi、William Chen、Andrew Ellis 所著的“使用 R/Rmetrics 進行投資組合優化”一書。它使用開源 Rmetrics 包在沒有任何分佈假設的情況下進行平均 CVaR 優化。

library(fPortfolio)

#use indicies LPP2005 see http://www.pictet.com/en/home/lpp_indices.html
lppData  <-  100*LPP2005.RET[,1:6]

#create a portfolio description
frontierSpec  <- portfolioSpec();

#optimization type - CVaR
setType(frontierSpec)  <- "CVAR"

#optimization solver
setSolver(frontierSpec)  <- "solveRglpk"

#confidence level for CVaR
setAlpha(frontierSpec)  <- 0.05

#number of portfolios in efficient frontier
setNFrontierPoints(frontierSpec)  <- 25

#optimize with long only constraints
frontier <- portfolioFrontier(data = lppData, spec = frontierSpec, constraints="LongOnly");

#plot the graphs
tailoredFrontierPlot(object=frontier,mText="Mean-CVaR Frontier (Long only)",risk="CVaR");
weightedReturnsPlot(frontier)

我確定從您的經驗分佈中取樣是否是個好主意。通過這樣做，您最終可能會得到經典 MV重採樣技術的類似物。這可以提高優化的穩定性，並為不同風險級別的投資組合提供平穩過渡。

R 的 Portfolio Analytics 包是一個出色的包，可以執行非參數投資組合優化：

https://r-forge.r-project.org/R/?group_id=579

引用自：https://quant.stackexchange.com/questions/4574