基于子集重采样的高维资产组合的构建

在大数据时代,高维资产对于很多金融机构非常常见,维数诅咒的影响使得在投资组合中扮演着重要角色的协方差阵的估计效率较低。将子集重采样方法应用到投资组合中,首先,从所有资产构造的集合中抽取若干个子集;然后,采用BEKK模型来估计和预测子集的协方差阵,以解决维数诅咒问题;最后,对若干个子集的同一个资产的权重向量求平均,来求得每个资产的权重。通过实证分析发现,基于子集重抽样的投资组合明显要优于传统的均值——方差投资组合,其收益更高、波动更小,并且夏普比率值也较高。

高维的相关性建模及其在资产组合中的应用

考虑高维相关结构的典型事实和可操作性,本文构建了机制转换的动态等相关(RS-DEC)模型,并给出了模型参数估计的步骤和大样本性质。RS-DEC模型不仅可以对高维资产建模,而且能够刻画资产间相关结构突变和非对称的特征。实证考察了上交所97只股票的组合问题。RS-DEC模型具有很好的样本内拟合效果,且平滑概率能提供相关结构变化的时点信息;与Nave(1/N)策略相比,基于Sharpe比和最小标准差的业绩评估标准,样本外测试显示RS-DEC模型能改善资产配置的绩效,显著性检验也支持了该结论。