優化
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: