基于变系数多因子半参数分布的高维动态高阶矩投资组合研究

doi:10.16381/j.cnki.issn1003-207x.2022.2759

中国管理科学 ›› 2023, Vol. 31 ›› Issue (12): 272-280.doi: 10.16381/j.cnki.issn1003-207x.2022.2759

• • 上一篇

基于变系数多因子半参数分布的高维动态高阶矩投资组合研究

黄光麟¹,鲁万波²()

^1.西南财经大学统计学院, 四川成都 611130
^2.西南财经大学管理科学与工程学院, 四川成都 611130

收稿日期:2022-07-09 修回日期:2023-02-26 出版日期:2023-12-15 发布日期:2024-01-06
通讯作者: 鲁万波 E-mail:luwb@swufe.edu.cn
基金资助:
国家自然科学基金资助项目(71771187);中央高校基本科研基金资助项目(JBK190602)

High Dimensional Dynamic Higher-order Portfolio Selection Based on the Varying-coefficient Multi-factor Semi-nonparametric Distribution Model

Guang-lin HUANG¹,Wan-bo LU²()

^1.School of Statistics, Southwestern University of Finance and Economics, Chengdu 611130, China
^2.School of Management Science and Engineering, Southwestern University of Finance and Economics, Chengdu 611130, China

Received:2022-07-09 Revised:2023-02-26 Online:2023-12-15 Published:2024-01-06
Contact: Wan-bo LU E-mail:luwb@swufe.edu.cn

摘要/Abstract

摘要：

高维动态高阶矩投资组合的应用目前面临着“维数灾难”与“模型误设”两大难题。本文结合变系数多因子模型与时变半参数分布提出了一种基于半参数因子模型的动态协高阶矩建模方法，给出了模型设定、模型估计和模型检验方法。通过多因子模型有效缓解了动态协高阶矩估计存在的“维数灾难”问题，同时引入时变半参数结构有效解决了“模型误设”问题。实证结果表明：相较于现有的投资组合模型，基于半参数因子模型的动态高阶矩投资组合能够产生更高且更稳定的经济价值，同时更加契合金融资产收益率的时变特征，能够有效为金融市场参与者提供风险管理技术和科学决策依据。

关键词: 多因子模型, 半参数结构, 时变协高阶矩建模, 动态投资组合

Abstract:

Markowitz's mean-variance portfolio model pioneered modern portfolio theory. However， due to the financial assets being non-normal and time-varying distributed， the efficiency of the mean-variance portfolios is difficult to achieve， which makes investors face serious welfare losses. High dimensional dynamic higher-order portfolio can effectively solve the existing drawbacks of the classical mean-variance portfolios； however， its application also meets several difficulties.A time-varying higher-order co-moment estimate， labeled as VC-MF-TVSNP， is proposed by combining a varying-coefficient multi-factor model and a time-varying semi-nonparametric （TVSNP） model. The model specification， estimation， and selection approaches are given in this paper. The multi-factor model can efficiently reduce the “curse of dimensionality” problem in the time-varying higher-order co-moments estimation， and the semi-parametric structure can efficiently solve the “model misspecification” problem. Then a high-dimensional dynamic high-order moment investment analysis is given based on the component stocks of the Chinese CSI 300 index.The empirical studies show that the VC-MF-TVSNP model can effectively capture the time-varying structure of higher-order co-moments of asset returns， and it is more suitable for the latent structure of asset returns. High-dimensional dynamic portfolio based on the VC-MF-TVSNP model can generate higher and more stable economic value， which is further confirmed by robust analysis.To a large extent， the VC-MF-TVSNP model solves the “curse of dimensionality” and the “model misspecification” problem efficiently， which can provide a more precise estimation of high dimensional time-varying higher-order co-moment estimation rather than the existing approaches， and give investors a better reference for asset allocation.

Key words: multi-factor model, semi-nonparametric distribution, time-varying higher-order co-moments modeling, dynamic portfolio

中图分类号:

O212

黄光麟,鲁万波. 基于变系数多因子半参数分布的高维动态高阶矩投资组合研究[J]. 中国管理科学, 2023, 31(12): 272-280.

Guang-lin HUANG,Wan-bo LU. High Dimensional Dynamic Higher-order Portfolio Selection Based on the Varying-coefficient Multi-factor Semi-nonparametric Distribution Model[J]. Chinese Journal of Management Science, 2023, 31(12): 272-280.

图/表 2

参考文献 26

1	Markowitz H M. Portfolio selection［J］. Journal of Finance， 1952， 7（1）： 77-91.
2	Ang A， Chen J. Asymmetric correlations of equity portfolios［J］. Journal of Financial Economics， 2002， 63（3）： 443-494.
3	陈国进，晁江锋，赵向琴. 灾难风险、习惯形成和含高阶矩的资产定价模型［J］. 管理科学学报， 2015， 18（4）： 1-17+72.
	Chen Guojin， Chao Jiangfeng， Zhao Xiangqin. Disaster risk， habit formation and an asset pricing model with higher moments［J］. Journal of Management Sciences in China， 2015， 18（4）： 1-17+72.
4	张伟平，庄新田，王健. 中国股市跨行业系统性风险空间溢出关联及风险预测分析——基于尾部风险网络模型［J］.中国管理科学， 2021， 29（12）： 15-28.
	Zhang Weiping， Zhuang Xintian， Wang Jian. Systematic risk spatial spillover correlation and risk prediction analysis of cross-industry in china' stock market： based on the tail risk network model［J］. Journal of Management Sciences in China， 2021， 29（12）： 15-28.
5	杨子晖，陈雨恬，陈里璇.极端金融风险的有效测度与非线性传染［J］.经济研究， 2019， 54（5）：63-80.
	Yang Zihui， Chen Yutian， Chen Lixuan. Effective measurement and nonlinear contagion of extreme financial risk［J］. Economic Research Journal， 2019， 54（5）： 63-80.
6	Arrow K J. The economic implications of learning by doing. Readings in the Theory of Growth［M］.London： Palgrave Macmillan， 1971.
7	Scott R C， Horvath P A. On the direction of preference for moments of higher order than the variance［J］. Journal of Finance， 1980， 35（4）： 915-919.
8	Mitton T， Vorkink K. Equilibrium under-diversification and the preference for skewness［J］. Review of Financial Studies， 2007， 20（4）： 1255-1288.
9	Martellini L， Ziemann V. Improved estimates of higher-order comoments and implications for portfolio selection［J］. Review of Financial Studies， 2010， 23（4）： 1467-1502.
10	Boudt K， Lu Wanbo， Peeters B. Higher order comoments of multifactor models and asset allocation［J］. Finance Research Letters， 2015， 13： 225-233.
11	鲁万波，黄光麟， Boudt Kris. 股市涨跌预测与量化投资策略：基于时变矩成分分析［J］. 中国管理科学， 2020， 28（2）： 1-12.
	Lu Wanbo， Huang Guanglin， Boudt Kris. Stock market rise-fall forecast and quantitative investment strategy：based on time varying MCA［J］.Chinese Journal of Management Sciences， 2020， 28（2）： 1-12.
12	Bollerslev T. Generalized autoregressive conditional heteroskedasticity［J］. Journal of Econometrics， 1986， 31（3）： 307-327.
13	于孝建，王秀花.基于混频已实现GARCH模型的波动预测与VaR度量［J］. 统计研究， 2018， 35（1）： 104-116.
	Yu Xiaojian， Wang Xiuhua. Mix freque-ncy realized GARCH models： the forecast of volatility and measure of VaR［J］. Statistical Research， 2018， 35（1）： 104-116.
14	蔡光辉，项琳. 中国铜期货市场波动率估计与风险度量—基于广义已实现测度的Realized HAR GARCH模型［J］.中国管理科学， 2021， 29（11）： 1-12.
	Cai Guanghui， Xiang Lin. The volatility estimation and var measurement of china's copper future market： based on realized hargarch model incorp-orating generalized realized measures［J］. Chinese Journal of Management Sciences， 2021， 29（11）： 1-12.
15	Giamouridis D， Vrontos I D. Hedge fund portfolio construction： a comparison of static and dynamic approaches［J］. Journal of Banking and Finance， 2007， 31（1）： 199-217.
16	Engle R F， Ledoit O， Wolf M. Large dynamic covariance matrices［J］. Journal of Business and Economic Statistics， 2019， 37（2）： 363-75.
17	蒋翠侠，许启发，张世英.金融市场条件高阶矩风险与动态组合投资［J］.中国管理科学，2007，15（1）： 27-33.
	Jiang Cuixia， Xu Qifa， Zhang Shiying. Conditional higher moments risk and dynamic portfolio in financial markets［J］. Chinese Journal of Management Science， 2007，15（1）： 27-33.
18	Jondeau E， Rockinger M. On the importance of time variability in higher moments for asset allocation［J］. Journal of Financial Econometrics， 2012， 10（1）： 84-123.
19	Ghalanos A， Rossi E， Urga G. Independent factor autoregressive conditional density model［J］. Econometric Reviews， 2015， 34（5）： 594-616.
20	León Á， Ñíguez T M. Modeling asset returns under time-varying semi-nonparametric distributions［J］. Journal of Banking and Finance， 2020， 118（29）： 105870.
21	León Á， Ñíguez T M. The transformed gram charlier distribution： parametric properties and financial risk applications［J］. Journal of Empirical Finance， 2021， 63： 323-49.
22	Engle R. Dynamic conditional correlation： a simple class of multivariate generalized autoregressive conditional heteroskedas-ticity models［J］. Journal of Business and Economic Statistics， 2002， 20（3）： 339-50.
23	Fama E F， French K R. Common risk factors in the returns of stocks and bonds［J］. Journal of Financial Economics， 1993， 33（1）： 3-56.
24	Feng Guanhao， Giglio S， Xiu Dacheng. Taming the factor zoo： a test of new factors［J］. Journal of Finance， 2020， 75（3）： 1327-1370.
25	Guo Shaojun， Box J L， Zhang Wenyang. A dynamic structure for high-dimensional covariance matrices and its application in portfolio allocation［J］. Journal of the American Statistical Association， 2017， 112（517）： 235-253.
26	Ke Yuan， Lian Heng， Zhang Wenyang. High-dimensional dynamic covariance matrices with homogeneous structure［J］. Journal of Business and Economic Statistics， 2022， 40（1）：96-110.

		样本长度	均值	标准差	偏度	超额峰度	ADF检验	J-B检验
市场因子		3649	0.05	1.68	-0.44	5.24	-14.35	4292.19
规模因子		3649	0.05	0.99	-1.05	6.00	-14.59	6141.87
价值因子		3649	-0.01	0.65	0.71	5.08	-14.05	4244.24
成分股	Min	2839	-0.05	1.67	-0.45	1.31	-16.29	221.84
	Q1	3291	0.04	2.62	-0.05	2.23	-15.00	699.38
	Med	3417	0.06	2.91	0.05	2.66	-14.64	1014.86
	Mean	3383	0.06	2.85	0.05	2.96	-14.56	1444.43
	Q3	3502	0.08	3.13	0.14	3.31	-14.07	1574.92
	Max	3628	0.17	3.61	0.46	7.80	-12.48	8233.66

投资组合	年化收益率(%)	年化标准差(%)	风险价值(%)	偏度	峰度	夏普比率	换手率	最大回撤(%)
(A) 资产规模N = 20
EW	3.186	23.073	2.507	-0.695	4.571	0.138	——	45.467
VMT	7.119	18.951	1.848	-0.163	5.622	0.376	0.112	39.346
ICASK	3.575	19.573	1.992	-0.473	7.026	0.183	0.147	48.031
MF	5.688	19.745	2.008	-0.323	4.765	0.288	0.011	41.303
MV-FACE	6.321	20.111	2.065	-0.403	4.965	0.314	0.091	43.553
(B) 资产规模N = 100
EW	6.540	22.232	2.397	-0.722	5.114	0.294	——	49.784
VMT	11.288	15.613	1.482	-0.110	5.959	0.723	0.146	31.728
MF	6.358	16.233	1.698	-0.495	4.523	0.392	0.013	35.275
MV-FACE	10.580	16.744	1.556	-0.021	6.549	0.632	0.150	33.228

[1]	郭范勇, 潘和平. 基于β系数优化的动态投资组合策略研究[J]. 中国管理科学, 2019, 27(7): 1-10.
[2]	刘学伟, 贺昌政, 朱兵. 基于序关系重构的恒定再平衡投资组合[J]. 中国管理科学, 2014, 22(3): 13-19.
[3]	袁子甲, 李仲飞. 参数不确定性和效用最大化下的动态投资组合选择[J]. 中国管理科学, 2010, 18(5): 1-6.
[4]	彭大衡, 姚元端. 带机会约束的动态投资决策模型研究[J]. 中国管理科学, 2005, (1): 9-13.

基于变系数多因子半参数分布的高维动态高阶矩投资组合研究

High Dimensional Dynamic Higher-order Portfolio Selection Based on the Varying-coefficient Multi-factor Semi-nonparametric Distribution Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 26

相关文章 4

Metrics

本文评价

推荐阅读 0