在 Idzorek 版本的 Black-Litterman 中獲得視圖可信度的一些定量方法是什麼？
我正在使用 Idzorek 的 Black-Litterman 模型版本來估計資產回報。Idzorek 的版本繞過了直接估計共變異數矩陣的需要 $ \Omega $ 通過允許投資者為每個觀點指定置信水平，從而消除各種觀點中的錯誤。中的條目 $ \Omega $ 然後可以從這些置信水平計算。
信心 $ C_k $ 在視野中 $ k $ 表示為之間的百分比 $ 0% $ 和 $ 100% $ . 因此，例如，投資者可以說她是 $ 50% $ 相信國際債券的表現將優於美國債券 25 個基點。這種間接獲得的方式 $ \Omega $ 對個人投資者來說具有直覺的優勢，但它也相當主觀，因為 $ C_k $ 真的只是投資者的意見。
有哪些更定量的方法可以獲得這些可信度 $ C_k $ ?
貝氏主觀機率的主要替代方法是頻率論方法。這將涉及衡量國際債券在市場歷史相關時期內的表現優於美國債券 25 個基點的次數百分比，並將其用作您的置信水平。
貝氏和常客方法之間的定量觀點是回歸模型，該模型使用一些宏觀因素（例如利率差異、收益率曲線水平和扭曲差異、增長預測、國際收支平衡）預測國際債券與美國國債的利差數據、貨幣政策立場虛擬變數、貨幣互換利率等）。獲得預測價差後，您可以對預測值進行 z 評分，並在給定預測標準誤差的情況下測量預測高於 25 個基點的機率。
或者，您可以創建一個二元邏輯模型或機率模型，以計算出價差大於 25 bps 的可能性。在速度和簡單性方面，我會選擇邏輯模型作為起點，因為您不必擔心序列相關性和異變異數性。
有時，固定收益利差具有長期均值回復水平或表現出適合時間序列分析的模式。例如，查看這張EMEA 債券利差在美國國債即期曲線上的圖表。似乎存在 3-4% 範圍內的長期平均價差（自回歸效應）和衝擊（移動平均線）效應。ARIMA模型可能會幫助您預測（也許是定向的）下一個時期的價差。這是最簡單的測試方法，但未來您預測的周期越多，性能就會越差，並且可能不會比隨機遊走更好。
一個更（也許過於）複雜的方法是開發一個馬爾可夫狀態轉換模型。這些制度可能與您感興趣的結果相對應，或與推動您感興趣的結果的世界狀態相對應（即全球衰退/避險與增長/對通貨膨脹的擔憂）。政權切換模型返回各種狀態為真的機率，以及這些狀態之間的轉換機率。有利於您的 25 個基點價差的狀態的機率總和可被視為可信度。
另一種技術是圍繞利率波動和利差變化定義一些假設，並執行蒙特卡羅模擬來衡量國際債券跑贏大盤 25 個基點的次數百分比。您可以根據自己的假設或使用歷史分佈來校準 Monte Carlo 假設。除非您可以訪問國際和國內利率波動模型，否則這種方法很困難。