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

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衍生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。

    组合优化是投资组合构建中的重要环节: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。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。

    组合构建主流方法:常用的组合构建方法包括:等权配置、市值加权、分层抽样;常用的组合优化模型则包括:均值方差优化模型MVO以及尤其衍生的风险平价、目标风险、ABL模型、跟踪误差模型等等。优化模型常采用的约束条件则包括:行业中性、风险因子暴露度控制、换手率限制等。

    基础组合构建方法效果对比:等权组合收益表现好,MVO均值方差优化模型可有效降低风险。由测试结果可见,等权组合在收益能力上表现出色,不过由于等权组合存在天然的小市值因子暴露,不能很好的控制风险,因此最大回撤和最大相对回撤均明显高于其他组合构建方式。 u 均值方差优化模型及其衍生优化模型效果对比:未加任何约束的均值方差优化模型(MVO基础约束)收益较高,但由于各方面的风险未做控制,信息比和回撤上的表现均不尽如人意。信息比表现最好的是MVO市值暴露约束,不过由于约束了市值这个A股历史长期收益较好的因子暴露度,组合整体收益也有显著下降。最大回撤控制的最好的是风险平价基础约束模型。

    基于光大Alpha1.0的中证500指数增强组合:2008年至今500内选股增强组合年化收益26.2%,年化超额收益14.2%,信息比2.5,相对波动5.7%,最大相对回撤仅为5.6%。2018年至今(2018-07-31)的信息比已达2.7。

    结合光大Alpha2.0的ABL模型中证500指数增强组合:应用SVM因子择时模型后的500内增强组合表现有所提升,2009年至今信息比为3.0,年化超额收益为17.5%,最大相对回撤为4.1%。其中,2017年仍获取了正向4.4个百分点的超额收益,较Alpha1.0组合有了较为显著的提升。2018年至今(2018-07-31)的信息比已达2.8,表现较好。

    风险提示:测试结果均基于模型,模型存在失效的风险。