跳至正文
返回文库全部文档

用于股票投资组合优化的异构风险模型

文章 arXiv papers · 作者: Zura Kakushadze
阅读原文

总结

本文介绍一种构建股票异构风险模型的方法。该方法结合行业分类与股票子组内的主成分协方差估计，再通过递归式俄罗斯套娃结构缩减协方差模型。作者称，所得模型可利用较短回看期构建稳定的风险估计，并提供完整算法和源代码。

该方法的应用是针对基于隔夜收益的日内均值回归信号优化夏普比率。作者报告称，与使用主成分或行业分类的加权回归相比，采用异构模型进行优化可改善表现特征。文中还介绍了用于构建统计风险模型以及在齐次线性约束和持仓上限下进行优化的源代码。所提供的文本没有说明数据、评估时段、指标或报告改善幅度，因此无法仅凭此摘要独立评估结果。

核心观点

  • 该方法结合行业分类和股票子组内的主成分协方差估计。
  • 俄罗斯套娃结构可缩减因子协方差矩阵。
  • 作者称，该方法适合利用较短回看期获得稳定的风险估计。
  • 作者报告称，该方法改善了基于隔夜收益的日内均值回归信号的优化特征。
  • 所述优化包含齐次线性约束和持仓上限。

标签

股票风险管理投资组合构建均值回归
全文
# Heterotic Risk Models


# Heterotic Risk Models









We give a complete algorithm and source code for constructing what we refer to as heterotic risk models (for equities), which combine: i) granularity of an industry classification; ii) diagonality of the principal component factor covariance matrix for any sub-cluster of stocks; and iii) dramatic reduction of the factor covariance matrix size in the Russian-doll risk model construction. This appears to prove a powerful approach for constructing out-of-sample stable short-lookback risk models. Thus, for intraday mean-reversion alphas based on overnight returns, Sharpe ratio optimization using our heterotic risk models sizably improves the performance characteristics compared to weighted regressions based on principal components or industry classification. We also give source code for: a) building statistical risk models; and ii) Sharpe ratio optimization with homogeneous linear constraints and position bounds.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。