《量化金融R语言初级教程》一2.4 切线组合和资本市场线

2.4 切线组合和资本市场线

当组合中加入一个无风险资产R,会发生什么?如果σR=0并且X是任意的一个风险投资组合,那么Var(αR+(1−α)X=(1−α)2Var(X),并且显然也有E(αR+(1−α)X)= αE(R)+(1−α)E(X)。这意味着这些组合在均值-标准差平面上形成了一条直线。位于这条直线上的任何投资组合都可以通过投资于R和X来得到。很明显,X的最佳选择位于这条直线与有效边界的切点。这个切点叫作市场组合或者切点组合,而风险资产的有效前沿在这个点的切线叫作资本市场线(Capital Market Line,CML),它包含了该情形下所有资产的有效投资组合。我们解决的最后一个关于均值-方差模型的问题是,如何决定市场投资组合(或等价的,CML)。

通过修正方差最小化的代码,我们可以轻松地解决这个问题。首先,如果我们想加入无风险资产,就在协方差矩阵中加入了全部为0的一行和一列(其中n是总资产个数,包括无风险资产在内)。

> n <- 6; mu <- 0.005
> Q <- cbind(cov(return), rep(0, n - 1))
> Q <- rbind(Q, rep(0, n))

并在收益率向量中加入无风险资产。

> r <- c(colMeans(return), rf)

然后,我们可以使用新的协方差矩阵和新的收益率向量来决定最优投资组合的权重,接着基于“使用真实数据工作”这一节描述的minvariance代码来移除第n个资产。

> Q <- rbind(Q, rep(1, n), r)
> Q <- cbind(Q, rbind(t(tail(Q, 2)), matrix(0, 2, 2)))
> b <- c(rep(0, n), 1, mu)

得到下面的中间结果。

> round(Q, 6)
     AAPL  GOOG   MSFT   IBM       T        r
AAPL 0.000630 0.000338 0.000249 0.000233 0.000218 0e+00 1 0.000748
GOOG 0.000338 0.000462 0.000226 0.000186 0.000182 0e+00 1 0.000008
MSFT 0.000249 0.000226 0.000341 0.000178 0.000177 0e+00 1 -0.000236
IBM  0.000233 0.000186 0.000178 0.000240 0.000157 0e+00 1 0.000439
T   0.000218 0.000182 0.000177 0.000157 0.000283 0e+00 1 -0.000179
   0.000000 0.000000 0.000000 0.000000 0.000000 0e+00 1 0.000100
   1.000000 1.000000 1.000000 1.000000 1.000000 1e+00 0 0.000000
r   0.000748 0.000008 -0.000236 0.000439 -0.000179 1e-04 0 0.000000
> b
[1] 0.000 0.000 0.000 0.000 0.000 0.000 1.000 0.005

解方程后,市场组合的结果如下。

> w <- solve(Q, b)
> w <- head(w, -3)
> w / sum(w)
   AAPL   GOOG   MSFT    IBM     T
-10.154891 4.990912 12.347784 -18.010579 11.826774
时间: 2024-10-06 08:50:11

《量化金融R语言初级教程》一2.4 切线组合和资本市场线的相关文章

《量化金融R语言初级教程》一导读

前 言 量化金融R语言初级教程 本书将向你讲述如何使用统计计算语言R和量化金融知识来解决真实世界的量化金融问题.本书包括了丰富的主题,从时间序列分析到金融网络.每章都会简要地介绍理论知识并使用R来解决一个具体问题. 本书内容 第1章"时间序列分析"(Michael Puhle),介绍了用R处理时间序列数据.并且,你会学到如何建模和预测房价,使用协整改善对冲比,以及对波动率建模. 第2章"投资组合优化"(Péter Csóka,Ferenc Illés,Gergely

《量化金融R语言初级教程》一第1章 时间序列分析

第1章 时间序列分析 量化金融R语言初级教程时间序列分析研究的是按时间顺序收集的数据.相邻的观测数据通常相互依赖.因此,时间序列分析的技术需要处理这种相依性. 本章的目标是通过一些特定应用来介绍一些常用建模技术.我们将看到如何使用R来解决现实中的这些问题.首先,我们考虑如何在R中存储和处理时间序列.接着,我们处理线性时间序列分析,并展现如何将它用于建模和预测房屋价格.其次,我们通过考虑长期趋势,使用协整的概念来改进基本的最小方差对冲比.最后,本章讲述如何将波动率模型运用于风险管理.

《量化金融R语言初级教程》一第2章 投资组合优化

第2章 投资组合优化 量化金融R语言初级教程到现在为止,我们已经熟悉了R语言的基础.我们知道如何去分析数据.调用它的内置函数并把它们运用到我们选择的时间序列分析问题上.在本章中,我们既运用这些知识,又通过一种重要的实践应用来扩展这种知识,即投资组合分析,换句话说也叫证券选择.这一节涵盖了投资组合优化背后的思想:数学模型和理论求解.为了提高编程技巧,我们使用真实数据解决一个现实中的问题,并逐行实施算法.同时,我们也在相同的数据集上使用预先写好的R包. 想象我们生活在一个热带岛屿,只有100美元可以

《量化金融R语言初级教程》一2.3 使用真实数据

2.3 使用真实数据 投资组合的最优化完全整合在随后我们会讨论的多个R包中,知道这一点非常有用.但是,跑步之前最好先会走路.因此,我们从一个简单的自制R函数开始,我们把它一行行地在下面列出来. minvariance <- function(assets, mu = 0.005) { return <- log(tail(assets, -1) / head(assets, -1)) Q <- rbind(cov(return), rep(1, ncol(assets)), colMea

《量化金融R语言初级教程》一2.6 如果方差不够用

2.6 如果方差不够用 方差可以很容易地度量风险,但也存在一些缺陷.例如,在使用方差时,收益率中的正向变化也会被视为风险的增加.因此,人们开发了一些更复杂的风险度量方法. 比如下面的这个简例,主要关于多种方法运用于之前描述过的IT_return资产,它的目的是快速回顾fPortfolio包提供的选择. > Spec <- portfolioSpec() > setSolver(Spec) <- "solveRshortExact" > setTargetR

《量化金融R语言初级教程》一2.5 协方差矩阵中的噪声

2.5 协方差矩阵中的噪声 当我们优化投资组合时,其实我们并没有真实的协方差矩阵和预期收益率向量(它们是均值-方差模型的输入量).我们使用观测来估计它们,并得到Q.r,而模型的输出仍然是随机变量. 如果不深入细节,我们可以说模型中会产生惊人的巨大不确定性.尽管有强大数定律的保证,最优的投资组合权重会不时地在±200%之间变动.幸运的是,如果我们掌握有几年的数据(日收益率),测量风险的相对误差就仅为20%-25%.

《量化金融R语言初级教程》一2.2 解的概念

2.2 解的概念 在过去的50年中,人们开发了许多表现良好的伟大算法用于数值优化,尤其用于二次函数的情形.正如我们在上一节中看到的,我们只有二次函数和约束.所以这些方法(它们也在R中实现)可以用于最糟的情形(如果没有任何更好的情形). 然而,数值优化的细节讨论超出了本书范围.幸运的是,在线性约束和二次函数约束的特殊情况下,这些方法不是并不必要.我们可以使用18世纪提出的拉格朗日定理. 那么,这里存在系数λ1, λ2, -, λm使得f'(a)+sum{{{lambda }_{i}}}g'(a)=

《量化金融R语言初级教程》一2.1 均方差模型

2.1 均方差模型 马科维茨[Markowitz,H.M.(March 1952)]提出的均方差模型,其实是冰 淇淋/雨伞交易模型在高维上的体现.为了得到数学公式,我们需要一些相关的定义. 定义的解释如下. 资产Xi意味着一个方差有限的随机变量. 投资组合意味着资产的组合:P = sum {{w_i}{X_i}} ,其中sum {{w_i}} = woverrightarrow 1 并且overrightarrow 1 = (1,;1, cdots, 1) .这个组合可以是仿射的或者凸的.在凸组

《量化金融R语言初级教程》一1.4 波动率建模

1.4 波动率建模 正如我们之前所见,ARIMA模型常常用于过程的过去值已知时的条件期望建模.过去值已知的过程的条件方差是常数.真实世界的金融时间序列存在着波动性聚集和其他特点,换句话说,突发波动率打破了相对稳定的时期. 在这一节中,我们来考查GARCH时间序列模型.GARCH模型研究真实世界的(金融)时间序列的这个典型化事实--波动性聚集,并进一步运用这些模型预测在险价值(Value at Risk,VaR). 1.4.1 风险管理的波动率预测 金融机构使用VaR来度量他们的活动风险,通常在1