论文部分内容阅读
诺贝尔经济学奖获得者Markowitz于1952年提出的均值-方差模型开创了现代投资组合理论的先河,为投资者获取最大收益提供了一个分析框架,但该模型存在放大误差,对输入参数敏感等缺陷.Black和Litterman融入投资者观点,改进了Markowitz模型.原始的Black-Litterman模型根据分析员的主张设定投资者观点,行为金融学的大量研究表明个人和机构投资者往往存在心理偏差,这导致模型的应用受到限制.因此,力求获得更有效的投资者观点的方法成为人们研究的问题.本文在分析投资组合理论中几个基本模型的基础上,针对Black-Litterman模型中投资者观点的量化问题,利用上证380十个行业指数的样本数据开展了如下两方面研究:(1)将梯度提升回归树算法预测的超额收益率作为观点收益的替代变量,算法迭代收敛时的均方误差作为观点误差,优化了Black-Litterman模型中参数设定的方法.分析表明,无约束条件下Black-Litterman模型的年化收益率和夏普比率最高,投资绩效最好;相同约束条件下,在Markowitz模型、Black-Litterman模型和市场策略中,Black-Litterman模型的年化收益率和夏普比率均最高;此外,Black-Litterman模型资产配置的覆盖率比Markowitz模型的高,更能实现分散化投资的目的.因此,观点收益和观点误差的该种设定方法具有实际应用价值.(2)考虑到投资者的心理因素对投资决策产生影响,分析了不同信心水平下的资产配置问题.将Kalman滤波算法预测的行业价格指数转化为观点收益,对投资者信心水平分别为20%、35%、50%、65%和80%下的资产配置结果进行比较.结果表明,在有卖空限制,资产配置权重上限为30%的条件下,信心水平对资产配置结果产生影响.不同信心水平下的资产配置覆盖率存在差异,后验超额收益率随投资者信心水平的提高而增加;但无论何种信心水平下,Black-Litterman模型的年化收益率都比市场策略高,夏普比率都比Markowitz模型的高,说明利用Kalman滤波算法实现Black-Litterman模型中观点收益的预测是合理的.综上所述,参数优化后的Black-Litterman模型在投资实践中具有优越性,因而将梯度提升回归树算法和Kalman滤波算法运用到Black-Litterman模型是可行有效的,为其模型更广泛的应用提供了新的途径.