多因子系列报告之十三：组合优化算法探析及指数增强实证

《多因子系列报告之十三：组合优化算法探析及指数增强实证》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、目录1、组合构建的主流方法及常用组合优化模型51.1、等权配置51.2、市值加权61.3、分层法（分层抽样）61.4、均值方差优化模型（MVO）及其衍生模型61.4.1、目标风险71.4.2、风险平价81.4.3、AugmentedBlack-Litterman模型(ABLModel)81.5、跟踪误差模型101.6、组合优化的常用约束条件101.6.1、个股最高权重限制101.6.2、换手率限制111.6.3、行业中性111.6.4、风险因子暴露度限制112、优化模型实证：基于光大Alpha多因子体系112.1、基础组合构建方法效果对比122.2、均值方差优化模型及其衍

2、生优化模型效果对比132.2.1、不同约束下MVO以及衍生模型对比142.3、基于光大Alpha1.0的中证500指数增强组合152.4、结合光大Alpha2.0的ABL模型中证500指数增强组合173、投资建议194、风险提示195、附录19若出现排版错误，可加微信535600147，凭下载记录获取PDF版本图目录图1：Black-Litterman模型构建流程8图2：AugmentedBlack-LittermanABL模型构建流程9图3：基础组合构建方法的年化收益表现13图4：基础组合构建方法的信息比表现13图5：基础组合构建方法的最大回撤表现13图6：基础组合构建

3、方法的最大相对回撤表现13图7：不同约束下MVO以及衍生模型年化收益表现15图8：不同约束下MVO以及衍生模型信息比表现15图9：不同约束下MVO以及衍生模型最大回撤表现15图10：不同约束下MVO及衍生模型最大相对回撤表现15图11：光大Alpha1.0中证500增强组合（500内选股）净值和相对走势17图12：光大Alpha1.0中证500增强组合（500内选股）相对走势及回撤表现17图13：光大Alpha2.0中证500增强组合（500内选股）净值和相对走势18图14：光大Alpha2.0中证500增强组合（500内选股）相对走势及回撤表现18若出现排版错误，可加微

4、信535600147，凭下载记录获取PDF版本表目录表1：测试因子明细表11表2：基础组合构建方法效果对比（基于光大Alpha因子体系）12表3：不同约束下MVO以及衍生模型对比（基于光大Alpha因子体系）14表4：Alpha1.0中证500增强组合参数选取明细16表5：光大Alpha1.0中证500增强组合（500内选股）16表6：Alpha2.0中证500增强组合参数选取明细18表7：光大Alpha2.0中证500增强组合（500内选股）18若出现排版错误，可加微信535600147，凭下载记录获取PDF版本组合优化是投资组合构建过程的一个较为重要的最终步骤，通过组

5、合优模型以及各类优化模型中的约束条件设置，我们可以较为系统和准确地控制投资组合的预期风险暴露、换手率、个股权重等等。组合优化模型在量化投资例如指数复制或指数增强组合的构建中则尤为重要。而不仅仅对于量化投资，具有组合优化意识或者能力的主动投资者也往往更具优势。本文从组合构建的主流方法与组合优化模型主要构建方式入手，详尽的比较了各类组合构建方式的表现。同时深入的分析了马科维茨均值方差优化模型及其变形模型在不同约束条件下的表现。最后，构造了基于光大多因子体系“光大Alpha1.0”与“光大Alpha2.0”的中证500增强组合，组合回测期内表现出色。1、组合构建的主流方法及常用

6、组合优化模型组合优化是投资组合构建过程的一个较为重要的最终步骤，通过组合优模型以及各类优化模型中的约束条件设置，我们可以较为系统和准确地控制投资组合的预期风险暴露、换手率、个股权重等等。马科维茨的均值方差优化模型（Mean-VarianceOptimization）是市场上使用非常广泛的一种平衡组合预期收益和风险的优化模型，同时常用的也包括其衍生模型，例如风险平价、最小化方差、预期风险模型等等。当然，均值方差模型MVO的缺陷也较为明显，由于其优化结果对于输入模型的预期收益和预期波动较为敏感，不加约束的模型会出现权重的大幅偏离，我们会在后文详细分析MVO模型及其应用。因此，

7、尽管MVO依旧是最为广泛使用的优化模型，我们仍将首先梳理一下常用的组合构建方法及其优缺点。1.1、等权配置等权持有组合内的所有股票可以说是最简单并且最为传统的一种权重配置方式。但简单并不意味着等权组合的表现差，从后文的比较中我们也可以看到，等权组合的累计收益表现较好，绝对收益率上的表现明显高于MVO优化组合。与我们在光大多因子组合构建时对于因子权重配置测试时候的结论类似，因子等权组合的收益率其实反倒高于复杂的最优化IC_IR加权方法。当然不可否认的是，等权因子组合的回撤方面的表现的确要逊色于我们最终选用的最优化IC_IR加权方