基于高频夏普比率和稳健相关系数的资产选择

高频夏普比率是衡量收益和风险的指标,可以避免估计高维分析中的协方差矩阵,所以在目前的投资组合构建方法中被普遍使用。近年提出的D-SEV方法,通过测量股票收益和高频夏普比率指数之间的相关性,来进一步构建投资组合。然而,D-SEV中用来度量股票与高频夏普比率的相关性的方法存在一些问题,如缺乏稳健性和计算速度慢。在本文中,使用由Sourav Chatterjee提出的新的相关系数来代替。新的相关系数保证了稳健性,特别是它可以降低异常值对相关性的影响,比如对资产价格有很大影响的重大事件。同时它的计算速度也非常快。大量的模拟表明,新的相关系数在几个不同的模型中的表现优于D-SEV和其他传统方法。2019年和2020年的上证和深证股市数据也显示,新的相关系数选择的资产组合比D-SEV选择的资产组合的年化收益高出8%,同时也拥有较高的夏普比率。

Yule-Walker估计法的敏感性分析及其稳健改进

时间序列自回归AR模型的Yule-Walker估计法在建模过程中易受离群值的影响,导致计算结果与实际不相符。针对这一现象,基于均值和方差的稳健组合估计量构建了稳健自相关函数,得到了时序AR模型的稳健Yule-Walker估计算法,以克服离群值的影响。并对此方法进行了模拟与金融数据实证检验,模拟和实证检验均表明:当时序数据中不存在离群值时,传统估计方法与稳健估计方法得到的结果基本保持一致;当数据中存在离群值时,运用传统估计方法得到的结果出现较大变化,而运用稳健估计方法得到的结果基本不变。这说明相对于传统估计方法,稳健估计方法能有效抵抗离群值的影响,具有良好的抗干扰性和高抗差性。