2010年第4期总第100期
上海金融学院学报
Joumal
ofShanghai
FinanceUniversity
No.4,2010AprNo.100
马科维茨均值方差准则的应用
白志东,李华,黄永强
(新加坡国立大学,新加坡119077;长春大学,长春130022;香港浸会大学,香港)
摘要:原先对马科维茨均值方差准则的预估.已被证明是严重背离了其最优投资组合的理论。近年人们对于这个问题不断尝试了一些新的方法。本文针对最优投资组合的问题,阐释了新修正过的b00tstrap方法预估和其资产分配形式,并证明这些修正过的b(,otstrap方法预估,是与其理论相一致的。本文所做的模拟测试显示,我们提出的方法可以涵盖到投资组合分析问题的本质:该模拟测试也进一步证实了我们的理论。
关键词:最优投资组合;均值方差准则;大维随机矩阵;bootstrap方法
中图分类号:F840.6
文献标识码:A
文章编号:1673—680x(2010)04一0042一09
◆-●-●。◆-◆-◆・●-●‘
1引言
使用均值一方差分析方法进行优化投资组合是由美国经济学家马科维茨(Markowitz,1952,1959)最先提出来的。现在它已成为优化投资结构,资产配置和投资多样化等领域里的一个里程碑。在这一方法中.最优投资组合是指在不确定条件下选择在一定风险标准下使得收益最大化的组合,或等价的在一定预期收益的标准下使得风险最小化的组合(Markowitz,1952,1959,1991;Merton,1972;KroU,Levy粕dMarkowitz,1984)。
根据马科维茨(MV)理论一些方法被用来计算相应的估计(见Sharp(1967,1971),Stone(1973),Elton,Gmber和Padberg(1976,1978),Markowitz和Perold(1981),及Perold(1984)中的例子),近几十年这些估计在投资界已经进行了大量的实验,但是其表现始终让人存有疑虑。例如,Fmnkfurther,Philips和Seagle(1971)年发现根据马科维茨MV准则选择的投资组合可能还不如平均加权组合有效,而Zellner和Chetty(1965),Brown(1978),Kan和Zhou(2007)指出在扩散先验下贝叶斯决策规则优于MV优化方法。
1.1马科维茨均值一方差理论
假设这里有p个资产,S=(S,,…,S。)7,相应回报为仁(rl’.”,rp)7,其中均值为斗=(斗1,.”,h)7,方差为∑=(仉.i)。另外,我们假设一位投资者将投资资金C到这p个资产S中,希望合理的分配他的资金以便获得如下两者之一:
l:在一个给定风险标准下回报最大化,或2:在给定预期收益条件下风险最小化。
因为以上两个问题等价,在这里我们仅就第一个问题求解。不失一般性,我们假设C≤l,他(她)的
收稿日期:20lO-07—10
作者简介:白志东(1943一),男,河北省乐亭县人,新加坡国立大学概率与统计系教授。
李
华(1977一)。男.吉林省通化市人。长春大学概率与统计系教授。
黄永强(1955一)。男,广东省中山市人,香港漫会大学经济系教授。
一42—
马科维茨均值方差准则的应用
投资计划为c=(c。,…,c,)t。那么,我们有∑c产c51。并且其对应的回报R为ct斗风险为c’∑c。在这
一篇文章里我们进一步假设卖空是被允许的,也就是说c中的任意元素可以为负。因此,上面的问题可以重新被整理为如下的最优化问题:
R:ma)【c~,这里ctlsl,ct∑c≤《。
问题下的优化组合方案。通过扩展分离定理(Cass们从下面的问题可以获得(1.1)式的分析解。
命题l:对于(1.1)式中的最优化问题
and
(1)
这里为由1组成的p维向量,仃:是一个给定的风险标准。我们称满足(1)R为最优回报,称解c为该
Sti直itz,1970)和共同基金定理(Metron,1972)我
1.如果』至垒竺刍<J,那么最优回报R:仃。、/矿万和相应的最优组合方案为:
~“∑’啡
2.
如果器>J,那么最优回报尺=将“p7∑。红一错]和相应的最优组合方
、/石7∑一缸
』1上。』
L
c=—兰垦∑一缸何7∑一缸
’
(2)
o厶o
1
案为:
这胩\/鬲箍‰。
1.2马科维茨优化之谜化”。
S—X
c-赫+6[∑扯舒∑。卟
(3)
㈩
虽然均值方差优化理论被人们所熟悉。但在实际中他已经被证明缺乏实用性。例如,Frankfunher,Phillips和Seagle(1971)首次发现抽样误差非常大,而后Michaud(1989)指出MV优化理论能够产生比平均加权组合还要差的结果。他称这一难题为“马科维茨优化之谜”,并称MV优化为“估计误差最大
在问题(1.1)中,我们需要输入均值向量和协方差矩阵。在实际中它们是未知的,必须由观测值估计得到。当人们把含有白噪声的样本均值和样本方差带入后,MV优化过程经常导致与经济无关的或虚假的“最优”投资组合和资产分配。我们称这一回报和相应的组合为“plug.in”回报,砩,及“plug_in”组合,c,。即:
q=
扩等≥心器拟s一豇鬻.s1w并≥乩
慷t孓啄’
(6)
这里6=
注:“plug—in”回报为矗=eTp斗。这一方法虽然简单但可能还不如共同平均加权组合有效
(Frankfurther,Phillips,and
sea91e,1971)。这主要是因为当协方差的维数p非常大时,岛与理论最优
一43—
马科维茨均值方差准则的应用
组合c差异巨大。事实上通过证明(Bai,Liu,andWong,2009a,b)可以确定plug—in回报总是大于理论最优回报的。即所谓的“过度预测”现象(见图1)。
。
图1资产数量
1.3前期工作
‘
在投资组合分析中,参数值的不确定性导致了次优投资组合的选择。那么就参数的估计问题人们想了很多办法来解决。下面我们来介绍近几十年常用的一些估计模型。
1.Baves—Stein估计
Bayes—Stein估计量(Jorion1986)是通过对特定形式的估计量缩小平均损失得到的。假设一组资产
回报服从如下正态分布,我们有:x。~N(斗,∑),这里五表示斗的估计量。考虑平方损失函数
£Dss缸,肛)=①,p)’①,肛),
(7)
则相应的均方损失为Err2(五,扯)=E{(五,斗)7(五,p)}。James—stein收缩估计量为五s兰(1一俚)i+仅b,
这里X是样本均值,b为固定向量。通过证明可得在这一表达式中最优的0【为
d:导』坠:2AL。
(8)
1∞一6)7缸一6)
2.Black一“tte瑚an模型
Black一“tte瑚an模型(Blackand“ttem肌1992)的主要想法是资产回报分布受风险估计影响,而
风险可以通过考虑投资者在市场中的想法使其平稳化。假设一个投资者在市场中得到X的一个真实值x,这里X~N(¨,∑)。观测值记为V,可表示为一个条件分布VIx。更一般的观测值是对市场的一个通用多元函数g(x),而不是直接有关市场的。因此,条件分布变成了Vlg(x)。
通常,g(x)=PX,
yI仇~J7\,(以,力),
(9)
应用Bayes法则,
XI秽~JI、r(№,∑越),
’
这里
肛阻(秽,n)量胪∑P’(P∑JP,+力)一(|I一毋);
(10)∑成=∑一∑P’(P∑P,+n)一P∑。(11)
3.单指数和多指数模型
解决这个问题最有名的模型是对协方差矩阵指定一些结构的单指数模型(Sharpe,19“)。因为股票价格与市场有共同联动作用,建立一个与股票价格共同移动的系统对于观察数据是有积极意义的。
一44、
这一想法可归结为如下的回归模型:
尺产0ci弗厌一岛。
(12)
设叮2m和叮乞分别代表R。和8i的方差,则资金i的方差为pi叮2m+仃乞,资金i和j的协方差为pipj盯2m。
多指数模型(Ross,1976)即包含多个可以影响资产价格的因素。即:
尺产a州岛JZJ弗J才…鹕∥—毋。
1.4随机矩阵理论
(13)
当数据维数很大的时候统计效率将大大降低,经典极限理论不再适用。大维随机矩阵研究了当维数和样本量成比例增加时随机矩阵的极限谱分布。从而产生了处理上述问题的一些可行办法。下面介绍一下随机矩阵中的相关概念。
在我们的分析中,样本协方差矩阵在检验这类数据中扮演了非常重要的角色。假设{瓠,(j=l,…,p;k=1,…,n)}是一组双指标数据集,他们是独立同分布的复随机变量,均值为0方差为仃2。设x。=(x。k'.“,xDk)7,X=(xl’.一,x。)。则样本方差S为
Ⅳ
s=}∑(菇。_-)(石。i)r
¨7‘2』
(14)
这里戈=乞戈^/n。
^=J
(15)
假设上面定义的样本方差S的特征根为{~.j=1,…,p}。如果所有的特征根都是实的,则样本方差矩阵S的经验谱分布F丐定义为
B(髫)=}孝Usp?~≤,}。
,
(16)
这里样E为集合E所含元素的个数。在介绍有关经验谱分布定理之前。我们定义Marcenko—Pastur(MP)(Marcenko—Pastur,1967)分布。
定义1设y为维数与样本之比,p/n,cr2为尺度参数。MP分布定义如下:1.如果y≤l,那么MP分布R(x)对应的密度函数为:
p,(戈):{荔焉矿、/∞叫H护∞矿a电<6
lD
这里口=cr2(J一、/y)2,6=矿(J+、/),)2。
(17)
(18)
2.如果y>l,那么Fy(x)在原点处权重为1—1/y,其余权重1/y分布在区间(a,b)上,对应密度为上面的p,(x)。
下面我们就样本方差矩阵的经验谱分布给出如下定理。
定理l设{xjk,(j=1,…,p;k=1,…,n)}为一组独立同分布随机样本,均值为0,方差为cr2。如果p/一
y∈(0,∞),那么依概率l有,(16)定义的经验谱分布P渐进收敛于MP分布。
总体方差一致时,样本方差的特征根分布于(1一、/歹)2,(1+、/丁)2之间。如n=500我们有
p5300
p/n0.01O.6
Interval
(0.8l。1.21)(0.05,3.14)
定理2设{xjk,(j=1,…,p;k=l,…,n)}是一组独立同分布样本,均值为0,方差为cr2。S为样本方差,
有n个随机变量{(x-k’.”,xpk)’}计算得到。如果p/n1∈(O,∞),那么依概率1有,S的最大特征根趋近
一45—
于b=仃2(1+、/y)2,另外
1.如果ys1,s的最小样本特征根趋近于口=cr2(1一、/丁)2;
2.如果y>l,则s的第p—n+1个最小特征根趋近于o=cr2(1一、/丁)2。
1.5Bootstrap方法
Bootstrap方法由Efron于1979年最先提出,是一个重复抽样的方法。在寻找近似数据进行计算非常困难或不可能的时候,这一方法有许多特别的应用。对于bootstrap主要有两种方法,一种是非参数方法,另外一种是参数方法。非参数b00tstrap方法的基本想法是用经验分布代替未知总体分布。给定一组样本,他由n个独立同分布的随机变量xI’.一,x。组成。然后对未知参数得到一个真实的估计值e(xl,.一,x。),记为6。现在以样本x1,.一,xn经验分布为初始分布,抽取样本x+I,-一,x+。,依照上面
得到6的办法我们可以得到6。。
2
2.1
Bootstrap校正估计量
Bootstrap校正估计
B00tstrap校正估计由Bai,Hu,andWong(2009a)最先提出。假设X={X1,.一,X。}是一组来自总体的样本,X+={XI’.”,X。。}为以X为总体的样本。对于每组新样本我们都可以计算样本均值X+和样本协方差矩阵S+。然后取平均作为我们的bootstrap均值和bootstmp协方差矩阵。接下来将他们带人到问题(1.1)中的理论结果即得到bootstmp
plug—in资产组合与回报的估计,e+基+,。则我们有
(19)
型二=丝一a等詹。幺,+上(蠢,一袁*,)。a
爰,胡
定理3设Y1'.“,Y。是n个独立同分布的p维向量,均值为零,方差为单位阵。设XT-斗+∑1呵i,这
里灿为未知的p维向量,∑是一个未知的p×p矩阵。并且Yj的任意元素都有有限四阶矩。同时当p/IP
y∈(O,1)时,有
些至:丝.—锄,』盟_锄,』竺二t一匈
满足口。妒如O。那么,依概率l有,
(20)
V面>2溉善竺:订,国<D,
lim』L:
一*、/丁
嘞、卢丕硒>z砌』当:嘞、/血咝!二夏,其他
V
””V
n
(21)
n2,P。、/n
Vc12
这里y=一奶(咖击>咖=cr2(J一汀)2'6=柙+盯圪
资产组合:b和bootstrap校正资产回报食b,
(22)
定理4在定理3的条件下,利用上面描述的bootstrapplug-in估计可以得到相应的bootstrap校正
色:岛+—圭:(岛一e★p),
V
^
^
(23)(24)
风胡,+七(尺,胡。,)。
,
^
^.
y
V7
—46~
马科维茨均值方差准则的应用
这里e,,e+,分别为plug—in和bootstrapplug—in资产分配。矗,,食+,分别为他们相应plug—in和bootstr印plug—in资产回报。^y由定理4给出。
2.2模拟结果
在这一部分,通过模拟我们展示了R“和众是优于氏,和:,估计的。这里我们定义dRbt,)=l矗b(p广Rl,dcb。,,=ll&。,广cI。对n=500,p=100,200,300计算dRb。。,和dcbc。,,模拟30次。结果见图2:
婚..
o‘_
o
o
图2模拟数量
实线表示dRb(dcb);虚线表示dRp(dcP)
从这个图,我们看到对每种情况我们都有dRb(以)小于dRp(dcp)。这说明利用bootstrap校正方法得到
的估计在估计理论结果时比plug—in方法要好。而且当p增加时’bootstrap校正方法的优势更加明显。
图3是比较dRb(dcb)和dRp(dcp)的MsE。在下图中dRb(d。b)的MsE大大小于dRp(dcp)的MsE。这也进
一步说明bootstrap校正方法的优越性。
图3资产数量
实线表示dRp(dcp);虚线表示dRb(dcb)
最后这个图是对比plug—in回报与bootstrap校正回报。在这里bootstrap校正回报远没有plug—in回报大。
一47一
马科维茨均值方差准则的应用
图4回报值
实线表示plug—in回报;虚线bootstrap校正回报左中右图对应m=1,10,100
3Bootstrap校正估计量的渐进性
3.1假设检验
为了对预期收益进行假设检验,我们设定:
%?尺胡D日J:R=6帜D。
(25)
这里b是任意非零常数。为了检验上面的假设问题,我们给出如下定理。
定理5设n个随机变量Xl'.“,X。具有相同的p×1均值向量,相同的p×p协方差矩阵,及有限4阶矩。同时当p/n-1∈(O,1)时,有
些丝飞,型飞,堡生飞
则最优回报凡和相应bootstrap校正估计在原假设下有:
(26)
袁・一订R旷Ⅳ(D,(J7)(“盖)cr2),
在备择假设下有:
(27)
詹6一订R旷Ⅳ(6,(J叫)(J+盖)cr2)。
3.2模拟结果
(28)
下面就检验问题(25)进行模拟运算。这里我们对均值斗在原假设和被择假设下加以限制,以便在这两种情况下预期利润的差异等于一个标准差值。这里理论势和相应的第一类错误分别为O.17和0.05。样本量n从250增加到1000。重复次数为500。结果如下:
模拟势
n=250
y0.10.20.3O.4
n=500
poweoO.1820.200O.193O.186
n:1000
powe‘0.176O.1850.1780.165
R0
7.109.8414.7516.5l
RI7.4410-3415.5517.47
fIo
10.1415.1119-3822.00
Rl10.4815.6520.1222.91
凡
13.4l22.3522.0029.69
Rl13.7322.9l22.9130.56
power‘O.167O.180O.165O.176
—48—
冯科维茨均值方差准则的应用
模拟第一类错误
n=250
y0.10.2O.3O.4
n=500
power0.06l0.057O.056O.050
n=1000
powerO.0530.0590.056O.056
凡
8.179.9013.3014.10
R18.5610.4014.0114.93
凡
9.3316.1118.8520.02
Rl9.6416.6919.5620.85
Ro
16.232018324.3929.93
Rl16.6l21.3525.0530.80
power0.0600.0550.037O.049
从这两个表我们可以看到(1)模拟值和理论值是很接近的;(2)样本量越大,模拟值越接近理论值。
结
论
在这里我们理论证明了当资产数目较大时plug—in回报总是大于理论回报的。通过构建bootstrap校正估计量更好的估计了理论最优回报。我们进一步给出了bootstrap校正估计量的渐进性。
可以考虑最优投资组合其权重为非负限制的情况,因为有事卖空是不可执行的或执行起来花费过大的。可以考虑解决给定回报条件下风险最小化问题。可以考虑放宽独立性
条件使MV理论的应用更实际。
另外,这里介绍的bootstrap校正估计虽然在资产利润估计的上表现优异,但在风险方面做的却并不好。下面的工作我们考虑通过估计总体方差特征根的方式改善总体方差的估计,从而得到更好的资产组合,使其在风险最小的同时对应的资产利润也最接近理论最优值。
参考文献:
[1]Bai,Z.D.,“u,H.X.andWong,W.K—AsymptoticPropertiespaper[R].Risk
of
eigen眦trices
0f
large
s砌plecov撕锄ce
matrix
working
ManagementInstitute,NationalUniversityofSingapore,2006.
[2]Bai,z.D.,“u,H.X.,andWong,W.K—Enhancement0fth8印plicability0fMarkowitz’sportfolio叩timizationby
utilizing
rand啪matrixtheory[J].MatheInatical
Finance,2009,19(4).639—667.
[3]Bai。Z.D.,“u,H.X.。arIdWong,W.K。OntheMarkowitzMe锄一V撕anceAnalysisofSenFinancingPortfolios[J].Risk髓dDecisionAnalysis,2009,l(1).35-42.
[4]Bai,Z.D.,B.Q.Miao,aIIdG.M.P彻.Asymptoticsofeigenvecto曙ofla。gesamplecov撕aIlcema试x[J].AIlll.Probab。2007,
35(4).1532—1572.
[5]BlackF.舳dLittem啪R..GlobalPortfolio0ptimization[J].FinancialAnalystsJoumal,1992,48(5).28—43.[6]
Bro帅,
in
S.J“11he
po晌lio
choice
problem:
Comp耐son
of
cenainty
equivalence
肌d
optimalBayes
pordblios[J].
Co咖unications
[7]C够s.
con踊bution
to
statisticsSimulation肌d
Co呷utation,1978,(7).32l一334.
of
investor
D.,J.E.Sti出tz.The
the
pure
8tructure
preferences粕d鄱setretums,arId
sep唧bili‘y
in
portfoli0allocation:
A
theory《mutual
funds[J].JoumalofEconomicTheory,1970,2(2).122一160.
a
[8]Chen。J.Q.YA0.0nestimation0fthepopulation叩ectraldist曲utionfmmAustrali锄alldNewZealandJoumalofStatistic8(fornlcorIling),2010.
h蛐一dimensionals枷ple
cov面aIlcematrix[J].
[9]Efmn,B..C0mputer锄dthetheoryofstatistic8:thinkingtheunthinkable[J].SIAMReview,1979,21(4).460-480.[10]Elton,E.J.,M.J.Gnlber,M.W.Padberg.simple
134l一1357.
criteria
for叩timl
criteria
portfolio∞lecti仰[J].JoumalofFinallce,1976,31(5).
[11]Elt蚴,EJ.,M.J.GRUBERaIld
M.W.PADBERG.Simple
for叩timalPortfolio卵lecti∞:tracillg
outtheemcient
胁ntier[J].J0umal0fFinance,1978,33(1).296—302.
H.E.
Phillips,
[12]Fmnkfurther,G.M.,
J.P.Seagle.
port响lio鸵lection:
11le
e雎ctsof
uncertain
me哪,
vali柚c鹪锄d
co谢锄ces[J].Joumal
0f
Fin卸cial跳dQuarItitativeAnalysis,1976,(6).125l一1262.
[13]Jorion,Philippe.Bayes—SteinEstimationfbrPortfolioAnalysis[J].Jou功alofFinaIlcial拍dQu粕titativeAnalysis,1986,2l
一49
马科维茨均值方差准则的应用
(3),279—292.
[14]K锄,R,a11dG.ZHOU.Optimalportfoliochoicewith
2007,42(3),62l-656.
p眦meter
ve礴us
uncertainty[J].JoumalofFinaIlc试andQualltitatiVeAnalysis,
[15]Kroll,Y.,H.LEW,H.H.Marl【owitz.Mean—variaIlce
47—61.
directutilit)r
maximi龃tion[J].JbumalofFinance,1984(39),
[16]Markowitz,H,M..Portf0Jjoselection[J],Jou功al0fFin柚ce,1952(7),77—91.
[17]Mark晰tz,H.M—Portfolio鸵lection[M].New
York:John
Wileyandsons,Inc,1959.
[18]Markowitz,H.M..Portfolioselection:efficientdiversificationofinvegtment[J].Blackwell,C锄bridge,Mas8,1991.
[19]Markowitz,H.M.,andA.F.Perold.Por怕lioallalysiswith£actoⅨandscen撕os[J].Joum8lofFinaIlce。198l,(36),87l一877.[20]M盯enko锄dL.A.Pasfur.Dis£曲uti叩for∞忉eSetsofRand锄Mat五ces[J].Mathe啪£icsof£heUSSR—Sbomik'1967,(1),457—483.
[21]Merton,R.C。Ananalyticderivationof
(7),
185l—1872.
the栅cient
portfolio
f如ntier[J].JoumalofFinancial町IdQuant“ativeAnalysis,1972
[22]PemId。A.F..hrge—scalepor面lio叩timimtjon[J].ManagementScience,1984,30(10),1143—1160.
[23]Ross,S.A。rnlearbiragetheoryofc印i“幽setpricing[J].J叫mal0fEconoIIlicrnleory,1976,(13),34l一360.[24]Sharpe,W.F..C印italA8船tPrices:ATheory0f1964,(19),425—M2.
[25]Sharpe,Ⅳ.F~Aline盯programmingalg砸thmformutuaIfundportfoIi0∞iection[J].MaIlagementSciences,1967,(22),
499—442.
MarketEquilibrium
underConditions
of
Risk[J].Joumal
ofFin粕ce,
[26]Sharpe,W.F—A1ine盯pmgmmmingapproximati叩矗”thegeneralportfolio锄alysispmblem[J].JoumalofFinaIlcial锄dQuantitativeAnalysi8,197l,6(5),1263—1275.
[27]stone,B.k.Alinear
programming
f0咖ulation
ofthegeneralPortfolioselectionproblem[J].J0umalofFinancialandQu柚titatiVe
Analysis,1973,8(4),621-636.
[28]Zellner,A.,V.K.ChetIy.Prediction仰ddecisionpmblems
0fthe
American
in
regression
model¥fmmche
Bayesi锄point0fview[J].J0umal
StatisticalA8sociation,1965,(60),608—616.
Applicationof
Markowitz
Bai
Portfolio
Mean—Variance
Principle
Zhidong,LiHua,
fort}Ie
HuangYongqiang
optimation
some
has
been
demonstratedin
to
Abstract:The
f而m
tmditionalestimatedretum
its
theoretic
optimal
Markowitzmean—variance
seriouslyHere,we
depart
retum.F0rthis
pmblempeopleproVided
approaches
recent
years.
deveIop
new
bootstrap—correctedestimationsfort}le
are
optim“retum
their
andits鹪seta110cation
andproVethatthese
results
are
b00tstmp—correctedfurther
estimates
pmportionaUyconsistent
whichshow
that
the
wimmeoretic
counterparts.
0urtheoreticalproblemcouldbe
confi珊ed
by
our
by
our
simulations,
e8sence
oftheporⅡolioanalysis
adequately
captuIed
Key
pI_0posedapprDach.
words:marko埘tz;pordblio;Mean—Va^ance;practicalusable
(责任编校:窦然)
50一
2010年第4期总第100期
上海金融学院学报
Joumal
ofShanghai
FinanceUniversity
No.4,2010AprNo.100
马科维茨均值方差准则的应用
白志东,李华,黄永强
(新加坡国立大学,新加坡119077;长春大学,长春130022;香港浸会大学,香港)
摘要:原先对马科维茨均值方差准则的预估.已被证明是严重背离了其最优投资组合的理论。近年人们对于这个问题不断尝试了一些新的方法。本文针对最优投资组合的问题,阐释了新修正过的b00tstrap方法预估和其资产分配形式,并证明这些修正过的b(,otstrap方法预估,是与其理论相一致的。本文所做的模拟测试显示,我们提出的方法可以涵盖到投资组合分析问题的本质:该模拟测试也进一步证实了我们的理论。
关键词:最优投资组合;均值方差准则;大维随机矩阵;bootstrap方法
中图分类号:F840.6
文献标识码:A
文章编号:1673—680x(2010)04一0042一09
◆-●-●。◆-◆-◆・●-●‘
1引言
使用均值一方差分析方法进行优化投资组合是由美国经济学家马科维茨(Markowitz,1952,1959)最先提出来的。现在它已成为优化投资结构,资产配置和投资多样化等领域里的一个里程碑。在这一方法中.最优投资组合是指在不确定条件下选择在一定风险标准下使得收益最大化的组合,或等价的在一定预期收益的标准下使得风险最小化的组合(Markowitz,1952,1959,1991;Merton,1972;KroU,Levy粕dMarkowitz,1984)。
根据马科维茨(MV)理论一些方法被用来计算相应的估计(见Sharp(1967,1971),Stone(1973),Elton,Gmber和Padberg(1976,1978),Markowitz和Perold(1981),及Perold(1984)中的例子),近几十年这些估计在投资界已经进行了大量的实验,但是其表现始终让人存有疑虑。例如,Fmnkfurther,Philips和Seagle(1971)年发现根据马科维茨MV准则选择的投资组合可能还不如平均加权组合有效,而Zellner和Chetty(1965),Brown(1978),Kan和Zhou(2007)指出在扩散先验下贝叶斯决策规则优于MV优化方法。
1.1马科维茨均值一方差理论
假设这里有p个资产,S=(S,,…,S。)7,相应回报为仁(rl’.”,rp)7,其中均值为斗=(斗1,.”,h)7,方差为∑=(仉.i)。另外,我们假设一位投资者将投资资金C到这p个资产S中,希望合理的分配他的资金以便获得如下两者之一:
l:在一个给定风险标准下回报最大化,或2:在给定预期收益条件下风险最小化。
因为以上两个问题等价,在这里我们仅就第一个问题求解。不失一般性,我们假设C≤l,他(她)的
收稿日期:20lO-07—10
作者简介:白志东(1943一),男,河北省乐亭县人,新加坡国立大学概率与统计系教授。
李
华(1977一)。男.吉林省通化市人。长春大学概率与统计系教授。
黄永强(1955一)。男,广东省中山市人,香港漫会大学经济系教授。
一42—
马科维茨均值方差准则的应用
投资计划为c=(c。,…,c,)t。那么,我们有∑c产c51。并且其对应的回报R为ct斗风险为c’∑c。在这
一篇文章里我们进一步假设卖空是被允许的,也就是说c中的任意元素可以为负。因此,上面的问题可以重新被整理为如下的最优化问题:
R:ma)【c~,这里ctlsl,ct∑c≤《。
问题下的优化组合方案。通过扩展分离定理(Cass们从下面的问题可以获得(1.1)式的分析解。
命题l:对于(1.1)式中的最优化问题
and
(1)
这里为由1组成的p维向量,仃:是一个给定的风险标准。我们称满足(1)R为最优回报,称解c为该
Sti直itz,1970)和共同基金定理(Metron,1972)我
1.如果』至垒竺刍<J,那么最优回报R:仃。、/矿万和相应的最优组合方案为:
~“∑’啡
2.
如果器>J,那么最优回报尺=将“p7∑。红一错]和相应的最优组合方
、/石7∑一缸
』1上。』
L
c=—兰垦∑一缸何7∑一缸
’
(2)
o厶o
1
案为:
这胩\/鬲箍‰。
1.2马科维茨优化之谜化”。
S—X
c-赫+6[∑扯舒∑。卟
(3)
㈩
虽然均值方差优化理论被人们所熟悉。但在实际中他已经被证明缺乏实用性。例如,Frankfunher,Phillips和Seagle(1971)首次发现抽样误差非常大,而后Michaud(1989)指出MV优化理论能够产生比平均加权组合还要差的结果。他称这一难题为“马科维茨优化之谜”,并称MV优化为“估计误差最大
在问题(1.1)中,我们需要输入均值向量和协方差矩阵。在实际中它们是未知的,必须由观测值估计得到。当人们把含有白噪声的样本均值和样本方差带入后,MV优化过程经常导致与经济无关的或虚假的“最优”投资组合和资产分配。我们称这一回报和相应的组合为“plug.in”回报,砩,及“plug_in”组合,c,。即:
q=
扩等≥心器拟s一豇鬻.s1w并≥乩
慷t孓啄’
(6)
这里6=
注:“plug—in”回报为矗=eTp斗。这一方法虽然简单但可能还不如共同平均加权组合有效
(Frankfurther,Phillips,and
sea91e,1971)。这主要是因为当协方差的维数p非常大时,岛与理论最优
一43—
马科维茨均值方差准则的应用
组合c差异巨大。事实上通过证明(Bai,Liu,andWong,2009a,b)可以确定plug—in回报总是大于理论最优回报的。即所谓的“过度预测”现象(见图1)。
。
图1资产数量
1.3前期工作
‘
在投资组合分析中,参数值的不确定性导致了次优投资组合的选择。那么就参数的估计问题人们想了很多办法来解决。下面我们来介绍近几十年常用的一些估计模型。
1.Baves—Stein估计
Bayes—Stein估计量(Jorion1986)是通过对特定形式的估计量缩小平均损失得到的。假设一组资产
回报服从如下正态分布,我们有:x。~N(斗,∑),这里五表示斗的估计量。考虑平方损失函数
£Dss缸,肛)=①,p)’①,肛),
(7)
则相应的均方损失为Err2(五,扯)=E{(五,斗)7(五,p)}。James—stein收缩估计量为五s兰(1一俚)i+仅b,
这里X是样本均值,b为固定向量。通过证明可得在这一表达式中最优的0【为
d:导』坠:2AL。
(8)
1∞一6)7缸一6)
2.Black一“tte瑚an模型
Black一“tte瑚an模型(Blackand“ttem肌1992)的主要想法是资产回报分布受风险估计影响,而
风险可以通过考虑投资者在市场中的想法使其平稳化。假设一个投资者在市场中得到X的一个真实值x,这里X~N(¨,∑)。观测值记为V,可表示为一个条件分布VIx。更一般的观测值是对市场的一个通用多元函数g(x),而不是直接有关市场的。因此,条件分布变成了Vlg(x)。
通常,g(x)=PX,
yI仇~J7\,(以,力),
(9)
应用Bayes法则,
XI秽~JI、r(№,∑越),
’
这里
肛阻(秽,n)量胪∑P’(P∑JP,+力)一(|I一毋);
(10)∑成=∑一∑P’(P∑P,+n)一P∑。(11)
3.单指数和多指数模型
解决这个问题最有名的模型是对协方差矩阵指定一些结构的单指数模型(Sharpe,19“)。因为股票价格与市场有共同联动作用,建立一个与股票价格共同移动的系统对于观察数据是有积极意义的。
一44、
这一想法可归结为如下的回归模型:
尺产0ci弗厌一岛。
(12)
设叮2m和叮乞分别代表R。和8i的方差,则资金i的方差为pi叮2m+仃乞,资金i和j的协方差为pipj盯2m。
多指数模型(Ross,1976)即包含多个可以影响资产价格的因素。即:
尺产a州岛JZJ弗J才…鹕∥—毋。
1.4随机矩阵理论
(13)
当数据维数很大的时候统计效率将大大降低,经典极限理论不再适用。大维随机矩阵研究了当维数和样本量成比例增加时随机矩阵的极限谱分布。从而产生了处理上述问题的一些可行办法。下面介绍一下随机矩阵中的相关概念。
在我们的分析中,样本协方差矩阵在检验这类数据中扮演了非常重要的角色。假设{瓠,(j=l,…,p;k=1,…,n)}是一组双指标数据集,他们是独立同分布的复随机变量,均值为0方差为仃2。设x。=(x。k'.“,xDk)7,X=(xl’.一,x。)。则样本方差S为
Ⅳ
s=}∑(菇。_-)(石。i)r
¨7‘2』
(14)
这里戈=乞戈^/n。
^=J
(15)
假设上面定义的样本方差S的特征根为{~.j=1,…,p}。如果所有的特征根都是实的,则样本方差矩阵S的经验谱分布F丐定义为
B(髫)=}孝Usp?~≤,}。
,
(16)
这里样E为集合E所含元素的个数。在介绍有关经验谱分布定理之前。我们定义Marcenko—Pastur(MP)(Marcenko—Pastur,1967)分布。
定义1设y为维数与样本之比,p/n,cr2为尺度参数。MP分布定义如下:1.如果y≤l,那么MP分布R(x)对应的密度函数为:
p,(戈):{荔焉矿、/∞叫H护∞矿a电<6
lD
这里口=cr2(J一、/y)2,6=矿(J+、/),)2。
(17)
(18)
2.如果y>l,那么Fy(x)在原点处权重为1—1/y,其余权重1/y分布在区间(a,b)上,对应密度为上面的p,(x)。
下面我们就样本方差矩阵的经验谱分布给出如下定理。
定理l设{xjk,(j=1,…,p;k=1,…,n)}为一组独立同分布随机样本,均值为0,方差为cr2。如果p/一
y∈(0,∞),那么依概率l有,(16)定义的经验谱分布P渐进收敛于MP分布。
总体方差一致时,样本方差的特征根分布于(1一、/歹)2,(1+、/丁)2之间。如n=500我们有
p5300
p/n0.01O.6
Interval
(0.8l。1.21)(0.05,3.14)
定理2设{xjk,(j=1,…,p;k=l,…,n)}是一组独立同分布样本,均值为0,方差为cr2。S为样本方差,
有n个随机变量{(x-k’.”,xpk)’}计算得到。如果p/n1∈(O,∞),那么依概率1有,S的最大特征根趋近
一45—
于b=仃2(1+、/y)2,另外
1.如果ys1,s的最小样本特征根趋近于口=cr2(1一、/丁)2;
2.如果y>l,则s的第p—n+1个最小特征根趋近于o=cr2(1一、/丁)2。
1.5Bootstrap方法
Bootstrap方法由Efron于1979年最先提出,是一个重复抽样的方法。在寻找近似数据进行计算非常困难或不可能的时候,这一方法有许多特别的应用。对于bootstrap主要有两种方法,一种是非参数方法,另外一种是参数方法。非参数b00tstrap方法的基本想法是用经验分布代替未知总体分布。给定一组样本,他由n个独立同分布的随机变量xI’.一,x。组成。然后对未知参数得到一个真实的估计值e(xl,.一,x。),记为6。现在以样本x1,.一,xn经验分布为初始分布,抽取样本x+I,-一,x+。,依照上面
得到6的办法我们可以得到6。。
2
2.1
Bootstrap校正估计量
Bootstrap校正估计
B00tstrap校正估计由Bai,Hu,andWong(2009a)最先提出。假设X={X1,.一,X。}是一组来自总体的样本,X+={XI’.”,X。。}为以X为总体的样本。对于每组新样本我们都可以计算样本均值X+和样本协方差矩阵S+。然后取平均作为我们的bootstrap均值和bootstmp协方差矩阵。接下来将他们带人到问题(1.1)中的理论结果即得到bootstmp
plug—in资产组合与回报的估计,e+基+,。则我们有
(19)
型二=丝一a等詹。幺,+上(蠢,一袁*,)。a
爰,胡
定理3设Y1'.“,Y。是n个独立同分布的p维向量,均值为零,方差为单位阵。设XT-斗+∑1呵i,这
里灿为未知的p维向量,∑是一个未知的p×p矩阵。并且Yj的任意元素都有有限四阶矩。同时当p/IP
y∈(O,1)时,有
些至:丝.—锄,』盟_锄,』竺二t一匈
满足口。妒如O。那么,依概率l有,
(20)
V面>2溉善竺:订,国<D,
lim』L:
一*、/丁
嘞、卢丕硒>z砌』当:嘞、/血咝!二夏,其他
V
””V
n
(21)
n2,P。、/n
Vc12
这里y=一奶(咖击>咖=cr2(J一汀)2'6=柙+盯圪
资产组合:b和bootstrap校正资产回报食b,
(22)
定理4在定理3的条件下,利用上面描述的bootstrapplug-in估计可以得到相应的bootstrap校正
色:岛+—圭:(岛一e★p),
V
^
^
(23)(24)
风胡,+七(尺,胡。,)。
,
^
^.
y
V7
—46~
马科维茨均值方差准则的应用
这里e,,e+,分别为plug—in和bootstrapplug—in资产分配。矗,,食+,分别为他们相应plug—in和bootstr印plug—in资产回报。^y由定理4给出。
2.2模拟结果
在这一部分,通过模拟我们展示了R“和众是优于氏,和:,估计的。这里我们定义dRbt,)=l矗b(p广Rl,dcb。,,=ll&。,广cI。对n=500,p=100,200,300计算dRb。。,和dcbc。,,模拟30次。结果见图2:
婚..
o‘_
o
o
图2模拟数量
实线表示dRb(dcb);虚线表示dRp(dcP)
从这个图,我们看到对每种情况我们都有dRb(以)小于dRp(dcp)。这说明利用bootstrap校正方法得到
的估计在估计理论结果时比plug—in方法要好。而且当p增加时’bootstrap校正方法的优势更加明显。
图3是比较dRb(dcb)和dRp(dcp)的MsE。在下图中dRb(d。b)的MsE大大小于dRp(dcp)的MsE。这也进
一步说明bootstrap校正方法的优越性。
图3资产数量
实线表示dRp(dcp);虚线表示dRb(dcb)
最后这个图是对比plug—in回报与bootstrap校正回报。在这里bootstrap校正回报远没有plug—in回报大。
一47一
马科维茨均值方差准则的应用
图4回报值
实线表示plug—in回报;虚线bootstrap校正回报左中右图对应m=1,10,100
3Bootstrap校正估计量的渐进性
3.1假设检验
为了对预期收益进行假设检验,我们设定:
%?尺胡D日J:R=6帜D。
(25)
这里b是任意非零常数。为了检验上面的假设问题,我们给出如下定理。
定理5设n个随机变量Xl'.“,X。具有相同的p×1均值向量,相同的p×p协方差矩阵,及有限4阶矩。同时当p/n-1∈(O,1)时,有
些丝飞,型飞,堡生飞
则最优回报凡和相应bootstrap校正估计在原假设下有:
(26)
袁・一订R旷Ⅳ(D,(J7)(“盖)cr2),
在备择假设下有:
(27)
詹6一订R旷Ⅳ(6,(J叫)(J+盖)cr2)。
3.2模拟结果
(28)
下面就检验问题(25)进行模拟运算。这里我们对均值斗在原假设和被择假设下加以限制,以便在这两种情况下预期利润的差异等于一个标准差值。这里理论势和相应的第一类错误分别为O.17和0.05。样本量n从250增加到1000。重复次数为500。结果如下:
模拟势
n=250
y0.10.20.3O.4
n=500
poweoO.1820.200O.193O.186
n:1000
powe‘0.176O.1850.1780.165
R0
7.109.8414.7516.5l
RI7.4410-3415.5517.47
fIo
10.1415.1119-3822.00
Rl10.4815.6520.1222.91
凡
13.4l22.3522.0029.69
Rl13.7322.9l22.9130.56
power‘O.167O.180O.165O.176
—48—
冯科维茨均值方差准则的应用
模拟第一类错误
n=250
y0.10.2O.3O.4
n=500
power0.06l0.057O.056O.050
n=1000
powerO.0530.0590.056O.056
凡
8.179.9013.3014.10
R18.5610.4014.0114.93
凡
9.3316.1118.8520.02
Rl9.6416.6919.5620.85
Ro
16.232018324.3929.93
Rl16.6l21.3525.0530.80
power0.0600.0550.037O.049
从这两个表我们可以看到(1)模拟值和理论值是很接近的;(2)样本量越大,模拟值越接近理论值。
结
论
在这里我们理论证明了当资产数目较大时plug—in回报总是大于理论回报的。通过构建bootstrap校正估计量更好的估计了理论最优回报。我们进一步给出了bootstrap校正估计量的渐进性。
可以考虑最优投资组合其权重为非负限制的情况,因为有事卖空是不可执行的或执行起来花费过大的。可以考虑解决给定回报条件下风险最小化问题。可以考虑放宽独立性
条件使MV理论的应用更实际。
另外,这里介绍的bootstrap校正估计虽然在资产利润估计的上表现优异,但在风险方面做的却并不好。下面的工作我们考虑通过估计总体方差特征根的方式改善总体方差的估计,从而得到更好的资产组合,使其在风险最小的同时对应的资产利润也最接近理论最优值。
参考文献:
[1]Bai,Z.D.,“u,H.X.andWong,W.K—AsymptoticPropertiespaper[R].Risk
of
eigen眦trices
0f
large
s砌plecov撕锄ce
matrix
working
ManagementInstitute,NationalUniversityofSingapore,2006.
[2]Bai,z.D.,“u,H.X.,andWong,W.K—Enhancement0fth8印plicability0fMarkowitz’sportfolio叩timizationby
utilizing
rand啪matrixtheory[J].MatheInatical
Finance,2009,19(4).639—667.
[3]Bai。Z.D.,“u,H.X.。arIdWong,W.K。OntheMarkowitzMe锄一V撕anceAnalysisofSenFinancingPortfolios[J].Risk髓dDecisionAnalysis,2009,l(1).35-42.
[4]Bai,Z.D.,B.Q.Miao,aIIdG.M.P彻.Asymptoticsofeigenvecto曙ofla。gesamplecov撕aIlcema试x[J].AIlll.Probab。2007,
35(4).1532—1572.
[5]BlackF.舳dLittem啪R..GlobalPortfolio0ptimization[J].FinancialAnalystsJoumal,1992,48(5).28—43.[6]
Bro帅,
in
S.J“11he
po晌lio
choice
problem:
Comp耐son
of
cenainty
equivalence
肌d
optimalBayes
pordblios[J].
Co咖unications
[7]C够s.
con踊bution
to
statisticsSimulation肌d
Co呷utation,1978,(7).32l一334.
of
investor
D.,J.E.Sti出tz.The
the
pure
8tructure
preferences粕d鄱setretums,arId
sep唧bili‘y
in
portfoli0allocation:
A
theory《mutual
funds[J].JoumalofEconomicTheory,1970,2(2).122一160.
a
[8]Chen。J.Q.YA0.0nestimation0fthepopulation叩ectraldist曲utionfmmAustrali锄alldNewZealandJoumalofStatistic8(fornlcorIling),2010.
h蛐一dimensionals枷ple
cov面aIlcematrix[J].
[9]Efmn,B..C0mputer锄dthetheoryofstatistic8:thinkingtheunthinkable[J].SIAMReview,1979,21(4).460-480.[10]Elton,E.J.,M.J.Gnlber,M.W.Padberg.simple
134l一1357.
criteria
for叩timl
criteria
portfolio∞lecti仰[J].JoumalofFinallce,1976,31(5).
[11]Elt蚴,EJ.,M.J.GRUBERaIld
M.W.PADBERG.Simple
for叩timalPortfolio卵lecti∞:tracillg
outtheemcient
胁ntier[J].J0umal0fFinance,1978,33(1).296—302.
H.E.
Phillips,
[12]Fmnkfurther,G.M.,
J.P.Seagle.
port响lio鸵lection:
11le
e雎ctsof
uncertain
me哪,
vali柚c鹪锄d
co谢锄ces[J].Joumal
0f
Fin卸cial跳dQuarItitativeAnalysis,1976,(6).125l一1262.
[13]Jorion,Philippe.Bayes—SteinEstimationfbrPortfolioAnalysis[J].Jou功alofFinaIlcial拍dQu粕titativeAnalysis,1986,2l
一49
马科维茨均值方差准则的应用
(3),279—292.
[14]K锄,R,a11dG.ZHOU.Optimalportfoliochoicewith
2007,42(3),62l-656.
p眦meter
ve礴us
uncertainty[J].JoumalofFinaIlc试andQualltitatiVeAnalysis,
[15]Kroll,Y.,H.LEW,H.H.Marl【owitz.Mean—variaIlce
47—61.
directutilit)r
maximi龃tion[J].JbumalofFinance,1984(39),
[16]Markowitz,H,M..Portf0Jjoselection[J],Jou功al0fFin柚ce,1952(7),77—91.
[17]Mark晰tz,H.M—Portfolio鸵lection[M].New
York:John
Wileyandsons,Inc,1959.
[18]Markowitz,H.M..Portfolioselection:efficientdiversificationofinvegtment[J].Blackwell,C锄bridge,Mas8,1991.
[19]Markowitz,H.M.,andA.F.Perold.Por怕lioallalysiswith£actoⅨandscen撕os[J].Joum8lofFinaIlce。198l,(36),87l一877.[20]M盯enko锄dL.A.Pasfur.Dis£曲uti叩for∞忉eSetsofRand锄Mat五ces[J].Mathe啪£icsof£heUSSR—Sbomik'1967,(1),457—483.
[21]Merton,R.C。Ananalyticderivationof
(7),
185l—1872.
the栅cient
portfolio
f如ntier[J].JoumalofFinancial町IdQuant“ativeAnalysis,1972
[22]PemId。A.F..hrge—scalepor面lio叩timimtjon[J].ManagementScience,1984,30(10),1143—1160.
[23]Ross,S.A。rnlearbiragetheoryofc印i“幽setpricing[J].J叫mal0fEconoIIlicrnleory,1976,(13),34l一360.[24]Sharpe,W.F..C印italA8船tPrices:ATheory0f1964,(19),425—M2.
[25]Sharpe,Ⅳ.F~Aline盯programmingalg砸thmformutuaIfundportfoIi0∞iection[J].MaIlagementSciences,1967,(22),
499—442.
MarketEquilibrium
underConditions
of
Risk[J].Joumal
ofFin粕ce,
[26]Sharpe,W.F—A1ine盯pmgmmmingapproximati叩矗”thegeneralportfolio锄alysispmblem[J].JoumalofFinaIlcial锄dQuantitativeAnalysi8,197l,6(5),1263—1275.
[27]stone,B.k.Alinear
programming
f0咖ulation
ofthegeneralPortfolioselectionproblem[J].J0umalofFinancialandQu柚titatiVe
Analysis,1973,8(4),621-636.
[28]Zellner,A.,V.K.ChetIy.Prediction仰ddecisionpmblems
0fthe
American
in
regression
model¥fmmche
Bayesi锄point0fview[J].J0umal
StatisticalA8sociation,1965,(60),608—616.
Applicationof
Markowitz
Bai
Portfolio
Mean—Variance
Principle
Zhidong,LiHua,
fort}Ie
HuangYongqiang
optimation
some
has
been
demonstratedin
to
Abstract:The
f而m
tmditionalestimatedretum
its
theoretic
optimal
Markowitzmean—variance
seriouslyHere,we
depart
retum.F0rthis
pmblempeopleproVided
approaches
recent
years.
deveIop
new
bootstrap—correctedestimationsfort}le
are
optim“retum
their
andits鹪seta110cation
andproVethatthese
results
are
b00tstmp—correctedfurther
estimates
pmportionaUyconsistent
whichshow
that
the
wimmeoretic
counterparts.
0urtheoreticalproblemcouldbe
confi珊ed
by
our
by
our
simulations,
e8sence
oftheporⅡolioanalysis
adequately
captuIed
Key
pI_0posedapprDach.
words:marko埘tz;pordblio;Mean—Va^ance;practicalusable
(责任编校:窦然)
50一