投资组合优化和资产配置

遵循一系列的例子强调组合对象的特性。具体地说,使用组合对象的示例显示如何设置均值-方差投资组合优化的问题集中在两名基金定理,交易成本和营业额约束的影响,如何获得夏普比率最大化的投资组合,以及如何设置两种流行的对冲基金策略- dollar-neutral和130 - 30的投资组合。

表明优化组合最大化的信息比相对于市场基准。

使用val框架执行val的投资组合策略。val的对比是一个有用的工具在历史或投资策略执行模拟的市场数据。这个例子发展五个不同的投资策略,然后比较他们的表现在运行了一段历史的股票数据。val框架中实现两个金融工具箱™类:backtestStrategy backtestEngine。

执行,val的组合投资策略,将信号在他们的交易策略。信号一词包含的任何信息,作者需要对战略资产的历史价格以外的交易决策。这些信息可以包括技术指标、机器学习模型的输出,人气数据,宏观经济数据,等等。这个示例使用三个简单的投资策略基于导数信号数据:

构建交易策略使用深度学习模型,然后,val策略使用金融工具箱™val框架。例子使用深度学习工具箱™的火车从一组时间序列和预测模型演示了模型的输出转换成所需的步骤交易信号。它构建一个各种各样的交易策略,在5年时间内,val信号数据。

使用组合对象方差最小化,最大化回报,并最大化平均公司董事会的女性比例。相同的工作流可以应用与其他环境、社会和治理(ESG)标准,如环境、社会和治理分数,气候,或温度的分数。

包括定性因素对环境、社会和公司治理(ESG)在资产组合选择过程。扩展了传统的均值-方差投资组合的例子使用组合对象包括环境、社会和治理标准。首先,estimateFrontier函数计算均值-方差有效边界为不同的环境、社会和治理水平。然后,这个例子说明了如何将环境、社会和治理绩效测量与资产组合多样化技术。具体地说,它引入了混合模型使用Herfindahl-Hirshman (HH)指数和最多元化的投资组合(MDP)方法使用estimateCustomObjectivePortfolio函数。最后,backtestEngine框架比较的回报和行为不同的环境、社会和治理策略。

使用riskBudgetingPortfolio创建一个预算投资组合和portfolioRiskContribution计算风险资产的投资组合风险的贡献。

使用val风险平价或等于风险贡献作为一个基于风险的指数化策略重新平衡大约每个月。在本例中,您使用val引擎(backtestEngine)创建风险平价策略,所有资产的投资组合,投资组合的风险在每个平衡时期。

计算风险分层平价(合)的投资组合。您可以使用合作为投资组合多样化的技术资产划分和加权根据分层树结构。资产的权重在集群和集群之间在很多方面可以分配。一些想法分配权重的方法有:

使用组合对象来构造最优投资组合的20和30年期公债,将一段一个月举行。整个资产配置过程的工作流程是:

准备数据,创建一个brinsonAttribution对象,然后分析绩效归因对类别(部门)重量和回报。在本例中,您使用categoryAttribution, categoryReturns categoryWeights, totalAttribution,总结功能的分析。同时,您可以生成阴谋的结果,使用categoryReturnsChart, categoryWeightsChart, attributionsChart。

三种技术的资产多样化组合使用estimateCustomObjectivePortfolio函数组合对象。资产多样化的目的是平衡投资组合的风险,任何给定的资产在一段时间内减少波动。给定的敏感性最小方差组合协方差矩阵的估计,一些从业者多元化技术添加到投资组合选择希望减少风险的措施除了方差营业额等措施,最大限度的减少等等。

投资组合优化的一个健壮的构想与资产收益的不确定性。它使用estimateCustomObjectivePortfolio解决一个健壮的最大回报的投资组合问题椭圆问题的不确定性。强劲的投资组合优化,与确定性马科维茨均值-方差公式,考虑了不确定性的参数问题:资产的预期回报率及其协方差矩阵。在传统的均值-方差模型,均值和协方差都假定历史均值和协方差的分值。然而,在鲁棒优化,均值和协方差是一组包含最有可能实现,问题是优化的,最严重的可能的结果。

计算投资组合,最大限度地减少跟踪误差基准投资组合。这个示例使用estimateCustomObjectivePortfolio解决问题的最小方差投资组合跟踪误差惩罚。示例还显示了如何添加跟踪误差作为“软约束”的任何投资组合优化问题。跟踪误差测量的标准差之间的分歧的一个投资组合的回报,基准。

使用estimateCustomObjectivePortfolio解决组合问题最小跟踪误差与纯收益约束使用自定义目标。

一种方法基于目标财富管理(GBWM)。在GBWM,风险并不一定使用标准差来衡量,风险价值,或任何其他常见风险的措施。相反,风险是理解为没有达到投资者的目标的可能性。你选择一个合适的重量分配,在传统的均值-方差有效边界,也超过一个的概率最大化财富目标的投资期限。换句话说,你选择投资组合的有效边界上的风险最小化没有达到投资者的目标。

动态规划策略的概率获得投资者的财富最大化目标的投资期限。这种动态规划策略在文献中被称为基于目标财富管理(GBWM)策略。在GBWM,风险并不一定使用标准差来衡量,风险价值,或任何其他常见的风险度量。相反,风险是理解为没有达到投资者的目标的可能性。这个选择意味着风险的概念,有时,为了增加的概率获得投资者的目标,最优投资组合的传统风险(即标准差)必须增加如果投资组合资金不足。换句话说,投资者的风险降低,风险的传统观点必须增加投资组合的财富是否过低。

使用val比较两种投资策略的性能使用因素信息计算组合权重。第一个投资策略使用covarianceDenoising估计协方差矩阵和许多因素中使用第二个投资策略。第二个投资策略使用主成分分析(PCA)因子模型来估计协方差矩阵与covarianceDenoising获得的许多因素。PCA因子模型是利用因子模型投资组合优化的过程。

利用强化学习工具箱™和深度学习工具箱™为最优设计代理交易执行。