资源描述：
《布莱克-李特曼模型的扩展及应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、布莱克-李特曼模型的扩展及应用首都经济贸易大学硕士学位论文布莱克-李特曼模型的扩展及应用姓名：韩国庆申请学位级别：硕士专业：数量经济学指导教师：田新民20100301首都经济贸易大学硕士学位论文布莱克-李特曼模型的扩展及应用由于马科维兹1952年的开创性工作人们开始把数量模型引入到资产投资组合管理中但是马科维兹均值方差模型对于输入参数的变动非常敏感从而使得资产的配置结果分散化程度低也就很难应用于实践基于此布莱克和李特曼提出了布莱克-李特曼模型模型通过贝叶斯方法把投资者对资产收益率的观点加入到市场均衡期望收益率屮去从而形成了新的混合期望收益率估计（隐含期望
2、收益率）对于资产管理来说BL模型有两方面的优点一是通过逆向优化方法把市场均衡引入到模型屮去使得BL模型得出的结果更为分散化另一方面BL模型把投资者的主观观点加入到模型中去这为策略投资提供了一个很好的框架但原模型很难应用于股票市场一是股票数量多导致计算量过大二是模型中的参数也很难设定所以对原模型进行了扩展提出了基准组合优化下的BL模型此模型一方面把基准组合扩展到市场组合Z外另一方面在假设历史收益率的跟踪误差与投资者观点所带来的跟踪误差具有一定可比性的基础上确定了参数t的值从而也就解决了上面两个问题关丁投资组合权重选择问题我们用优化跟踪误羌模型代替传统的均值
3、方差模型通过分析我们认为在模型的使用过程中之前的逆向优化方法也必须采用优化跟踪误差模型并且在此情况下模型的隐含均衡期望收益率皆为0这使得模型的结果更为直观最后我们还着重分析了资产的权重约束对资产组合模型的影响分析了不同约束情况下对基准组合优化下的BL模型的影响最终结果认为合适的资产权重约束可以显著提高收益率特征关键词投资组合BL模型逆向优化跟踪误差信息比率T首都经济贸易大学硕丄学位论文布莱克-李特曼模型的扩展及应用ABSTRACTquantitativemodelstotheeissetportfoliomanagement.However,thetra
4、ditiona1mean-variancemodelisverysensitivetothechangesofinputSinceMarkowitz"spioneeringworkin1952,assetmanagerbegantointroducetheparameters,sotheallocationresultsarelessdiversification,andthemodelishardlyputintopractice.Forthisreason,BlackandLittermanputforwardtheBLmodelwhichcombi
5、ningtheviewsofinvestorsandthemarketequilibriumexpectedreturnthroughaBayesianapproach,andgetanewmixed-expectedreturn(impliedexpectedreturn)•BLmodelhastwoadvantagesfortheassetmanagement.First,incorporatingthemarketequilibriumviewsintothemodelbyinverseoptimizationmethodmakestheasset
6、weightsofBLmodelmoredecentralized.Second,BLmodelprovidesaclearwaytospecifytheinvestor'sviewsandtoblendtheviewsintothemodel,whichsetsupagoodframeworkforthestrategicinvestment.However,whentheoriginalmodelisappliedtothecommonstocks,twoproblemsarise.First,numcrousstocksledtoexcessive
7、calculation,andsecond,theparametersofthemodelarealsoverydifficulttoset.Therefore,weproposeanewBLmodelwithbenchmarkportfoliosoptimized.Thisnewmode1extendsbenchmarkportfoliobeyondthemarketportfolioandundertheassumptionthatthetrackingerrorceiusedbyinvestorviewsiscomparabletothatcaus
8、edbythehistoricalreturnoptimization,wede
