资产分配 - 等级风险均等
来自该系列:Machine Learning in Finance
You will:
- 了解如何使用统计信息和机器学习技术将资产聚集到分层树结构中。
- 了解如何基于树结构和风险奇偶校验概念来制定分配策略。
- Compare its result with mean-variance asset allocation.
在此视频中,我们将讨论分层风险奇偶校验组合的结构,该构建与类似风险的均值差异方法相比,它产生了更加多样化的投资组合。HRP专注于风险分配,而不是资本分配。该算法分为三个阶段:树聚类,准二角化和递归分配。
阶段1:树簇
我们首先使用统计信息和机器学习工具箱中发现的链接和树状图内置功能来构建和可视化分层树。分层聚类是找到资产之间的距离并将它们分组到树上,以便分配可以通过树图下游流动。
STAGE 2: QUASI-DIAGONALIZATION
Quasi-diagonalization is then performed, so that the largest values lie along the diagonal. In this way, similar investments are placed together, and dissimilar investments are placed far apart.
第3阶段:递归二等
现在,鉴于这种树结构,我们准备使用风险平价概念分配资金。让我们以四个资产为例。我们为所有资产分配一个单位重量。我们将当前列表分为左右半。我们根据逆差异找到左右列表的权重。我们计算左右半部分的总方差以及分裂因子alpha。我们终于重新列出了Alpha的两半重量。我们重复每个半部分完全相同的算法:将左右部分分为二,计算重量和方差,并通过alpha重新列出权重。当我们每个部分拥有单个资产时,该算法就会停止。
Compare HRP to Mean-Variance Portfolio
我们可以清楚地看到,与均值变化框架相比,HRP产生的分配要多得多,该框架将92%的分配集中在前六名持有量上。驱动均值变化极端集中的原因是它的目标是最大程度地降低投资组合的风险,但两种投资组合的风险都非常相似。结果,影响六个最高控股分配的任何遇险情况将对平均变化产生更大的影响HRP’s portfolio.
谢谢您的观看。
您还可以从以下列表中选择一个网站:
如何获得最佳网站性能
选择中国网站(中文或英语)以获得最佳场地性能。其他Mathworks乡村网站未针对您所在的访问进行优化。
美洲
- América Latina(Español)
- 加拿大(英语)
- 美国(英语)