基于分位数回归的两步估计稀疏指数追踪

指数追踪这种被动管理方法凭借其风险小成本低的优势,受到大量投资者的追捧,其目标是最小化追踪误差。本文采用部分复制的策略对上证180指数进行指数追踪,以均方根误差作为衡量标准。利用表现较好的两步估计方法来追踪指数,第一步利用弹性网进行变量选择,第二步考虑模型的稳健性使用分位数回归来确定系数。实证分析结果显示两步估计方法优于单一方法,而基于分位数回归两步估计是其中表现最好的,因此可以使用此模型来进行指数追踪。

基于粒子群优化算法的股票指数追踪及投资分析

本文首先将二进制粒子群特征选择算法结合岭估计、Lasso估计和最小二乘估计利用成分股构建了三个关于上证50指数的指数追踪模型,三个模型都取得了非常优秀的追踪效果,其中无论是从追踪效果的角度还是投资角度出发,基于二进制粒子群特征选择算法结合最小二乘估计所得到的指数追踪模型都是最佳模型。然后利用三个指数追踪模型提取的成分股计算对上证50趋势的影响排名,其中贵州茅台的影响排名最高。最后在一定条件下进行投资行为的模拟和收益分析,发现基于三个指数追踪模型所提取的优质成分股进行投资可以获得比直接投资上证50指数更高的收益,达到了降低投资成本和投资风险的目的,为证50指数的投资提供科学合理的建议。

结合聚类和时间加权非负岭回归指数追踪模型

指数追踪是一种特殊的被动投资管理形式,其目的在于从一个目标指数包含的所有成分股中选择一部分成分股来建立股票投资组合,用其来追踪目标指数,尽可能的得到一个接近股票市场的累计回报。本文将变量聚类与经典统计模型岭回归相结合,提出聚类和时间加权非负岭回归指数追踪模型,该模型首先使用变量聚类法选择部分股票构建投资组合,然后考虑到时间因素对指数追踪的影响,以及股票市场不允许卖空约束,在岭回归的基础上引入了时间加权函数和对权重的非负约束。为了验证所提出模型的性能,本文将聚类和时间加权非负岭回归指数追踪模型与现有模型进行比较。实验结果表明,使用聚类和时间加权非负岭回归指数追踪模型可以得到较小的追踪误差,所构造的投资组合具有较好的追踪效果。

基于Lasso变量选择下两种有偏估计的指数追踪

指数追踪是备受投资者青睐的一种投资方式,怎样构建合理的、追踪误差较小的股票投资组合是研究指数追踪问题的焦点。以上证50指数及其50只成分股的5分钟线的收盘价为研究对象,采用基于Lasso变量选择下2种有偏估计的方法来建立指数追踪模型。研究发现:Lasso与岭估计相结合建立的模型指数追踪效果相对最好,其是最优模型。实证分析表明,该方法对指数型投资者和基金公司有一定的实际意义和参考价值。

基于稀疏指数追踪模型的SOR-Half阈值算法

文中根据L_(1/2)正则化理论以及Half阈值算法,改进并提出逐次超松弛Half(SOR-Half)阈值算法和对称逐次超松弛Half(SSOR-Half)阈值算法.同时,将这两种算法用于求解在有预算和卖空限制(权重"ω_i≥0")条件下的稀疏指数追踪问题.数值实验表明,这两种算法在数值求解稀疏指数追踪问题时比Half阈值算法和LASSO算法更高效.

基于追踪误差风险的多阶段指数追踪优化模型

文章主要研究多阶段指数追踪优化问题,提出了追踪误差风险的概念,并给出了基于CVaR的追踪误差风险度量的表达式和多元正态分布下的计算公式,构造了基于追踪误差风险最小的多阶段指数追踪优化模型;使用混合差分进化算法对型进行求解,利用上证50指数及其成分股的观测数据进行了实证分析,验证了模型的合理性。

一般损失分布下多阶段指数追踪优化模型

在追踪误差风险研究的基础上,考虑实际投资环境中存在的各种约束要求,提出了一个新的指数追踪优化模型,在估计模型参数时,放松了风险资产收益率服从某些已知分布的假设,使用计量经济模型方法对风险资产收益率进行预测,并使用滤波历史模拟方法计算了追踪误差的CVaR风险.选用上证50指数及其成分股,进行了实证分析检验,由数据显示,该模型是合理的,算法是有效的.

基于波罗的海指数追踪的股票投资组合优化研究

为降低航运市场的投资门槛并提供一个低成本、高效益、低风险的投资策略,运用优化复制的方法选取道琼斯指数、上证A50指数和航运股票综合指数中的个股建立投资组合来追踪波罗的海指数。实证结果证明优化后的投资组合具有较为理想的追踪效果,为远期运费协议的套利功能提供了理论支撑。此次研究首次提出建立航运股票综合指数来反映了全球航运资本市场的表现;此外,针对不同投资者风险厌恶程度的高低,投资组合的容量大小,组合更新的频率以及个股集中度的高低对追踪效果的影响,为投资者设计了不同投资方案进行对比。

基于协整的指数追踪及增强策略研究

选取沪深300指数和所有成分股2016年12月初至2017年5月底的所有日线级别数据,利用协整模型和追踪误差等检验指标,考察了不同追踪组合对沪深300指数及增加了10%年化收益的虚拟指数序列的追踪效果.结果发现:低PE组合、高价组合、低换手率组合在两个指数的追踪过程中均表现较好,高价组合和低换手率组合更是可以获得正的超额收益;在选择追踪组合时,单一标准优于组合标准.总的来说,协整模型能够较好实现对指数的追踪,也能够通过虚拟指数的设置,获得较为显著的alpha收益.

稀疏超越指数追踪的分位数回归模型及其算法

针对超越指数追踪基金管理问题,建立稀疏超越指数追踪的分位数回归模型及其求解算法——HSS-Half阈值算法.利用OR-Library的四个市场指数历史数据进行实证分析.实证分析表明该模型比最小二乘模型具有更高的稳定性和超额收益能力,同时也降低了投资风险.

基于两种回归的指数追踪模型以及实证分析

指数追踪是一种用少量的成分股来追踪某一市场指数走势的方法,它是消极投资组合管理策略中的一种,近年来在我国发展迅速。本文通过三种选股方法选出三个样本股空间,并构建了基于线性回归的指数追踪模型,为了避免线性回归的系数受到极端值的影响,本文还建立了基于分位数回归的指数追踪模型。具体来说,本文选取了上证50指数为目标指数,通过给出建立指数追踪模型的约束条件,再构建两个指数追踪模型,最后分别通过最大权重选股法、最大市值选股法以及最大相关系数选股法对上证50指数的成分股进行选股,选取每种选股法的前15只股票作为样本股空间,最后通过对真实数据的拟合来对选定的成分股分配权重。

基于CVaR约束的金融市场指数追踪优化模型及实证分析

本文基于结构风险最小化思想,考虑到投资者不同的风险偏好以及单个资产的集中度、资金规模、交易成本等影响因子,建立了基于CVaR约束的新型金融市场指数追踪优化模型,并利用深圳成份指数历史数据进行了实证检验。实证结果表明本文提出的新方法能够提高样本外追踪效果,从而具有较高的理论和实用价值。

基于指数追踪算法的灰岩底强反射剥离技术--在惠州地区的应用

灰岩具有高速、高密的特点,与围岩存在较大波阻抗差异,产生的强反射同相轴淹没了有效储层信息,不利于灰岩下储层预测工作的进行。这里以珠江口盆地惠州地区灰岩下伏L系列储层为例,提出基于层位约束的指数追踪强反射分离方法,通过引入指数拟合因子,提高了算法的运行效率。结合惠州地区地质及钻井情况,利用正演模拟分析了灰岩底强反射对其下伏弱反射信息的响应特征,将珠江组灰岩强反射剥离后,凸显的下伏L系列薄砂体与实钻结果相吻合。表明将强反射界面带来的“伪地震信息”从原始地震剖面中剥离,可更好凸显下伏砂体的有效信息,提高了预测精度,对惠州地区灰岩下L系列薄砂体的预测具有重要应用价值。

基于回归模型的股票指数追踪问题实证研究

随着股票价格指数的发展与演变,股指对于投资的作用显得尤为重要。本文采用最小二乘估计、岭估计、绝对约束回归(Lasso)、弹性约束估计及两步估计对深证区块链50指数进行指数追踪,得到相应的投资组合,并将Cp准则和CV准则下的Lasso和岭估计作对比,得出结论:Cp准则下岭估计更好,CV准则下Lasso更好,两步估计下Lasso进行变量选择后用刘估计进行回归效果较好。

追踪市场指数的投资组合策略——以上证50指数为例

指数追踪是一种用少量的成分股来追踪某一市场指数走势的方法,它是消极投资组合管理策略中的一种。本文通过逐步回归、岭回归、两步回归和分位数回归等构建指数追踪模型,并通过Cp准则、CV准则得到了两个样本股空间,在这两个样本股空间上对模型进行实证分析。本文选取了2021年8月1日到2022年7月1日的上证50指数的日线收盘价数据,划分2/3训练集和1/3测试集,最后通过残差平方和、平均残差平方和、残差标准差等评价指标进行对比分析。本文得到的主要结论如下:1) 在Cp准则下,LASSO保留了49个变量(成分股),且在测试集上的残差平方和、平均残差平方和和残差标准差三种指标都优于逐步回归和岭回归;在LASSO变量选择方法下,进一步运用刘估计进行回归,得到较好的外预测效果。2) 在CV准则下,LASSO只保留了36个变量,外预测效果明显都次于Cp准则;在CV准则下,LASSO测试集上的残差平方和、平均残差平方和和残差标准差三种指标都优于逐步回归和岭回归;两步估计中,岭估计外预测效果也是较好的。3) 在CV准则下,LASSO测试集上的残差平方和、平均残差平方和和残差标准差三种指标都优于逐步回归和岭回归;两步估计中,0.5分位数回归外预测效果也是最好的,0.05分位数回归的效果最差。4) 在不同的选股法下数值的改变对模型的影响不同。

一种基于规则化方法的最优稀疏指数追踪模型设计

本文将目前流行的规则化方法加入到传统指数追踪模型中,得到若干种稀疏而且稳定的资产组合,用于复制指数的收益率,并构建样本内外预测、模型一致性、资产组合稀疏性和BIC准则进行模型效果评价。基于对上证综指、沪深300指数和中证500指数的实证发现:图结构约束可以提升模型的样本外预测能力、模型一致性和资产组合稀疏性;ITM-adaL1在资产组合稀疏性上表现远好于其他模型;结合三种指数追踪,含有自适应L1罚函数以及图结构约束的指数追踪模型总体表现优于其他模型。本文的研究方法和结果对指数型基金管理公司、个人和投资机构者有较为重要的实际意义。

基于支持向量机的金融市场指数追踪技术研究

本文研究了指数型基金管理和指数套利中最核心的指数追踪问题。依据结构风险最小化思想,建立了基于支持向量机的指数追踪模型,并利用OR-Library中的测试数据之恒生指数历史数据进行了实证检验。数据结果表明本文提出的新方法能够提高样本外的追踪效果,同时也说明该方法具有良好的鲁棒性,从而具有较高的理论和实用价值。

一种增强型指数追踪模型设计及应用

研究目标:构建了可以调节追踪误差和超额收益的增强型指数追踪模型,并给出了广义最小角度回归算法(GLARS),用以计算调节参数作用下模型解的折中路径。研究方法:通过模拟数据和五组世界主要股票市场指数的历史数据,对本文提出的模型和算法与同类模型和算法进行了性能比较;同时追踪上证50指数构建若干稀疏且稳定的资产组合模型,通过信息比率等指标对投资组合进行评价。研究发现:本文构建的模型可用以构造权衡追踪效果和超额收益,且稀疏的资产组合,GLARS算法相对传统预设参数的算法具有良好的求解能力和计算速度。研究创新:引入调节参数平衡追踪效果和超额收益,并针对中国股票市场的特点,在增强型指数追踪模型施加非负约束;GLARS算法可遍历所有折中意义下的最优解。研究价值:本文提出的增强型指数追踪模型在国内具有较强适用性,在保证资产稀疏性的前提下可以得到超额收益,同时丰富了目前投资组合中的方法论研究。

基于启发式遗传算法的指数追踪组合构建策略

消极组合管理方法已由国内外众多基金的表现证明是一种有效的资产组合投资方式.指数基金作为采取消极管理策略的典型代表,其业绩超越多数采取积极管理模式的基金.指数基金管理者的主要目标是使其基金的收益尽可能接近其标的股指,如我国的沪深300,美国的标普500的收益.本文提出了一种基于启发式遗传算法的寻优方案,通过最大化效用函数来寻找一个最为经济的指数复制组合.该组合同时应该满足拥有最少的资产数量、尽可能少的权重调整次数、最小的收益波动性等限制条件以减少基金开销,并使其收益尽量接近或者超越标的指数的收益.为使该策略具有更强的实用性,文章考虑了股票具有最小交易规模、投资权重分布不平均等实际限制.实验所得策略通过构造追踪组合来匹配沪深300指数,其综合效果超过了使用二次规划、等权或者是先验经验构筑的投资组合.

基于非对称主动风险测度的增强型指数追踪模型及应用

本文以下方追踪误差测度非对称主动风险,构建了可以折衷超额收益和下方追踪误差的增强型指数追踪模型,给出了求解模型的广义最小角度回归(generalized least angle regression,简称GLARS)算法,并基于上证50进行了实证。GLARS算法可以给出超额收益在合理区间变化时,使得下方追踪误差最小的组合系数解路径,刻画投资组合的"超额收益—下方追踪误差"有效前沿。将模型应用于中国证券市场上证50指数,与基于"超额收益—追踪误差"的增强型指数追踪模型相比,得到如下实证结论:控制组合股票支数,本文组合的超额收益、单位风险收益更高,在承担相同风险的情况下,得到了更高的平均收益补偿;正下方离差中位数、最大回撤更小,右偏程度更高,表现出"守住下限,放开上限"的特质。本文组合在稀疏性要求下,样本外可以获得高于基准指数的累积收益,对机构和个人投资者具有参考价值,丰富了现有指数追踪研究。