前言
投资组合优化是金融工程中的核心问题之一,通过合理分配资金在不同资产之间,可以在控制风险的同时最大化收益。本文将详细介绍一个投资组合优化的完整过程,包括问题分析、模型选择、Matlab代码实现、模型验证和应用。
一、问题分析
-
投资目标:
- 投资者通常希望通过组合投资来分散风险,同时获得合理回报。常见的目标包括最大化收益、最小化风险或在特定风险水平下最大化收益。
-
风险控制:
- 分散投资的主要目的是通过持有不同资产,降低单个资产的波动对整体组合的影响。风险控制可以通过方差或标准差等指标来衡量。
-
资产收益率:
- 每个资产的预期收益率是投资决策的重要依据,可以通过历史数据或金融模型获得。
-
投资组合策略:
- 投资组合策略包括均值-方差模型(Markowitz模型)、资本资产定价模型(CAPM)等。
二、模型建立
三、Matlab代码实现
以下是使用Markowitz模型进行投资组合优化的完整代码示例。
- 导入数据:
- 假设资产的历史收益率信息存储在文件
assets_data.csv
中。
- 假设资产的历史收益率信息存储在文件
% 读取资产收益率数据
data = readtable('assets_data.csv');
returns = data{:,:}; % 假设数据的各列为不同资产的收益率
num_assets = size(returns, 2);
% 计算资产的期望收益率和协方差矩阵
exp_returns = mean(returns);
cov_matrix = cov(returns);
- 建立优化模型:
- 使用Markowitz均值-方差模型寻找最优投资组合。
% 设置优化目标和约束
target_return = 0.02; % 目标收益率
Aeq = ones(1, num_assets); % 权重之和为1
beq = 1;
lb = zeros(num_assets, 1); % 各资产权重要大于等于0
ub = ones(num_assets, 1); % 各资产权重要小于等于1
% 使用quadprog求解二次规划问题
options = optimoptions('quadprog', 'Display', 'off');
w = quadprog(cov_matrix, [], -exp_returns, -target_return, Aeq, beq, lb, ub, [], options);
% 输出最优权重和预期收益、风险
optimal_return = exp_returns * w;
optimal_risk = sqrt(w' * cov_matrix * w);
disp(['Optimal Weights: ', num2str(w')]);
disp(['Expected Return: ', num2str(optimal_return)]);
disp(['Expected Risk: ', num2str(optimal_risk)]);
- 绘制有效前沿(Efficient Frontier):
- 通过绘制有效前沿,我们可以看到在不同收益率和风险水平下的最优投资组合。
% 生成不同目标收益率下的有效前沿
target_returns = linspace(min(exp_returns), max(exp_returns), 50);
risks = zeros(size(target_returns));
weights = zeros(num_assets, length(target_returns));
for i = 1:length(target_returns)
rt = target_returns(i);
w = quadprog(cov_matrix, [], -exp_returns, -rt, Aeq, beq, lb, ub, [], options);
weights(:, i) = w;
risks(i) = sqrt(w' * cov_matrix * w);
end
% 绘制有效前沿
figure;
plot(risks, target_returns, 'LineWidth', 2);
title('Efficient Frontier');
xlabel('Risk (Standard Deviation)');
ylabel('Return');
grid on;
- 比较不同投资组合策略:
- 通过比较不同的投资组合策略(如等权重策略、风险最小化策略)来评估各策略的优缺点。
% 等权重策略
w_eq = ones(num_assets, 1) / num_assets;
return_eq = exp_returns * w_eq;
risk_eq = sqrt(w_eq' * cov_matrix * w_eq);
% 风险最小化策略
w_min_risk = quadprog(cov_matrix, [], [], [], Aeq, beq, lb, ub, [], options);
return_min_risk = exp_returns * w_min_risk;
risk_min_risk = sqrt(w_min_risk' * cov_matrix * w_min_risk);
% 绘制比较图
figure;
plot(risks, target_returns, 'LineWidth', 2);
hold on;
scatter(risk_eq, return_eq, 50, 'r', 'filled');
scatter(risk_min_risk, return_min_risk, 50, 'g', 'filled');
legend('Efficient Frontier', 'Equal Weight', 'Minimum Risk', 'Location', 'Best');
title('Comparison of Investment Strategies');
xlabel('Risk (Standard Deviation)');
ylabel('Return');
grid on;
完整代码示例
% 读取资产收益率数据
data = readtable('assets_data.csv');
returns = data{:,:}; % 假设数据的各列为不同资产的收益率
num_assets = size(returns, 2);
% 计算资产的期望收益率和协方差矩阵
exp_returns = mean(returns);
cov_matrix = cov(returns);
% 设置优化目标和约束
target_return = 0.02; % 目标收益率
Aeq = ones(1, num_assets); % 权重之和为1
beq = 1;
lb = zeros(num_assets, 1); % 各资产权重要大于等于0
ub = ones(num_assets, 1); % 各资产权重要小于等于1
% 使用quadprog求解二次规划问题
options = optimoptions('quadprog', 'Display', 'off');
w = quadprog(cov_matrix, [], -exp_returns, -target_return, Aeq, beq, lb, ub, [], options);
% 输出最优权重和预期收益、风险
optimal_return = exp_returns * w;
optimal_risk = sqrt(w' * cov_matrix * w);
disp(['Optimal Weights: ', num2str(w')]);
disp(['Expected Return: ', num2str(optimal_return)]);
disp(['Expected Risk: ', num2str(optimal_risk)]);
% 生成不同目标收益率下的有效前沿
target_returns = linspace(min(exp_returns), max(exp_returns), 50);
risks = zeros(size(target_returns));
weights = zeros(num_assets, length(target_returns));
for i = 1:length(target_returns)
rt = target_returns(i);
w = quadprog(cov_matrix, [], -exp_returns, -rt, Aeq, beq, lb, ub, [], options);
weights(:, i) = w;
risks(i) = sqrt(w' * cov_matrix * w);
end
% 绘制有效前沿
figure;
plot(risks, target_returns, 'LineWidth', 2);
title('Efficient Frontier');
xlabel('Risk (Standard Deviation)');
ylabel('Return');
grid on;
% 等权重策略
w_eq = ones(num_assets, 1) / num_assets;
return_eq = exp_returns * w_eq;
risk_eq = sqrt(w_eq' * cov_matrix * w_eq);
% 风险最小化策略
w_min_risk = quadprog(cov_matrix, [], [], [], Aeq, beq, lb, ub, [], options);
return_min_risk = exp_returns * w_min_risk;
risk_min_risk = sqrt(w_min_risk' * cov_matrix * w_min_risk);
% 绘制比较图
figure;
plot(risks, target_returns, 'LineWidth', 2);
hold on;
scatter(risk_eq, return_eq, 50, 'r', 'filled');
scatter(risk_min_risk, return_min_risk, 50, 'g', 'filled');
legend('Efficient Frontier', 'Equal Weight', 'Minimum Risk', 'Location', 'Best');
title('Comparison of Investment Strategies');
xlabel('Risk (Standard Deviation)');
ylabel('Return');
grid on;
四、模型验证
投资组合优化模型建立后,需要通过实际数据检验其有效性。以下是模型验证的几个方面:
- 回测(Backtesting):
- 回测是通过使用历史数据检验投资策略在过去的表现,从而评估其有效性和稳定性。
% 从历史数据中取出一部分作为回测数据
backtest_returns = returns(end-12:end,:); % 假设最近一年(12个月)数据用于回测
% 根据优化模型得到的权重进行回测
portfolio_returns = backtest_returns * w;
portfolio_cumulative_returns = cumprod(1 + portfolio_returns) - 1;
% 绘制回测结果
figure;
plot(1:length(portfolio_cumulative_returns), portfolio_cumulative_returns, 'b', 'LineWidth', 2);
title('Backtesting Portfolio Cumulative Returns');
xlabel('Time (months)');
ylabel('Cumulative Returns');
grid on;
- 风险评估:
- 使用夏普比率、最大回撤等指标评估投资组合的风险和收益。
% 计算夏普比率(假设无风险利率为 0.03)
risk_free_rate = 0.03 / 12; % 月利率
excess_returns = portfolio_returns - risk_free_rate;
sharpe_ratio = mean(excess_returns) / std(excess_returns);
% 计算最大回撤
cumulative_returns = cumprod(1 + portfolio_returns) - 1;
drawdowns = max(max(cumulative_returns) - cumulative_returns);
max_drawdown = max(drawdowns);
disp(['Sharpe Ratio: ', num2str(sharpe_ratio)]);
disp(['Maximum Drawdown: ', num2str(max_drawdown)]);
- 比较不同回测策略:
- 通过比较等权重策略、风险最小化策略等回测结果对比不同策略的优劣。
% 根据等权重策略进行回测
portfolio_returns_eq = backtest_returns * w_eq;
portfolio_cumulative_returns_eq = cumprod(1 + portfolio_returns_eq) - 1;
% 根据风险最小化策略进行回测
portfolio_returns_min_risk = backtest_returns * w_min_risk;
portfolio_cumulative_returns_min_risk = cumprod(1 + portfolio_returns_min_risk) - 1;
% 绘制不同策略的回测结果比较
figure;
plot(1:length(portfolio_cumulative_returns), portfolio_cumulative_returns, 'b', 'LineWidth', 2);
hold on;
plot(1:length(portfolio_cumulative_returns_eq), portfolio_cumulative_returns_eq, 'r--', 'LineWidth', 2);
plot(1:length(portfolio_cumulative_returns_min_risk), portfolio_cumulative_returns_min_risk, 'g-.', 'LineWidth', 2);
legend('Optimal Portfolio', 'Equal Weight Portfolio', 'Minimum Risk Portfolio', 'Location', 'Best');
title('Comparison of Backtesting Cumulative Returns');
xlabel('Time (months)');
ylabel('Cumulative Returns');
grid on;
以下表格总结了模型验证步骤及其示例:
步骤 | 说明 | 示例代码 |
---|---|---|
回测 | 使用历史数据检验投资策略的有效性和稳定性 | backtest_returns = returns(end-12:end,:); portfolio_returns = backtest_returns * w; |
风险评估 | 使用夏普比率、最大回撤等指标评估投资组合的风险和收益 | sharpe_ratio = mean(excess_returns) / std(excess_returns); max_drawdown = max(drawdowns); |
比较不同回测策略 | 比较等权重策略、风险最小化策略等回测结果 | plot(1:length(portfolio_cumulative_returns), portfolio_cumulative_returns, 'b'); |
五、模型应用
投资组合优化模型的实际应用包括以下几个方面:
- 投资决策支持:
- 根据优化模型的建议,分配资金到不同资产,形成具体的投资组合策略。
% 输出最优投资组合权重
disp('Optimal Portfolio Weights:');
disp(w);
% 根据权重分配投资金额(假设总金额为100万元)
total_investment = 1e6;
investment_allocation = total_investment * w;
fprintf('Investment Allocation:\n');
for i = 1:num_assets
fprintf('Asset %d: %.2f\n', i, investment_allocation(i));
end
- 资产再平衡:
- 随着市场条件的变化,定期调整投资组合,使其始终符合最优比例。
% 设定再平衡周期(例如每季度)
rebalance_period = 3; % 每3个月进行一次再平衡
for t = rebalance_period:rebalance_period:length(prices)
current_prices = prices(t-rebalance_period+1:t,:);
current_returns = diff(log(current_prices)); % 计算最新收益率
current_exp_returns = mean(current_returns);
current_cov_matrix = cov(current_returns);
% 使用最新数据重新进行优化
w = quadprog(current_cov_matrix, [], -current_exp_returns, -target_return, Aeq, beq, lb, ub, [], options);
% 更新投资组合权重
disp(['Rebalanced Weights at Time ', num2str(t)]);
disp(w');
end
- 风险监控:
- 持续监控投资组合的风险和波动,并根据市场变化和投资目标进行调整。
% 每月计算投资组合的实际收益和风险
for t = 1:length(prices)
% 计算逐月收益率
monthly_returns = mean(returns(t,:));
monthly_risks = std(returns(t,:));
% 输出月度收益和风险
fprintf('Month %d: Return = %.4f, Risk = %.4f\n', t, monthly_returns, monthly_risks);
% 如果风险超出预期范围,采取相应措施
if monthly_risks > expected_risk_range
disp('Risk exceeds expected range, consider rebalancing or adjusting strategy.');
end
end
以下总结了模型应用的步骤及其示例:
应用场景 | 说明 | 示例代码 |
---|---|---|
投资决策支持 | 根据优化模型的建议,分配资金到不同资产 | investment_allocation = total_investment * w; |
资产再平衡 | 定期调整投资组合,使其始终符合最优比例 | w = quadprog(current_cov_matrix, [], -current_exp_returns, -target_return, ...); |
风险监控 | 持续监控投资组合的风险和波动,并根据市场变化进行调整 | fprintf('Month %d: Return = %.4f, Risk = %.4f\n', t, monthly_returns, monthly_risks); |
实例示范:投资组合优化
为了更好地理解上述方法,以下是一个完整的投资组合优化案例。
假设我们有一个投资组合,包括多个资产,其历史收益率数据存储在CSV文件assets_data.csv
中。我们的目标是通过Markowitz均值-方差模型来优化投资组合,以在给定的目标收益率下最小化投资风险。
步骤 1:导入数据并计算统计量
% 读取资产收益率数据
data = readtable('assets_data.csv');
returns = data{:,:}; % 假设数据的各列为不同资产的收益率
num_assets = size(returns, 2);
% 计算资产的期望收益率和协方差矩阵
exp_returns = mean(returns);
cov_matrix = cov(returns);
步骤 2:建立优化模型并求解
% 设置优化目标和约束
target_return = 0.02; % 目标收益率
Aeq = ones(1, num_assets); % 权重之和为 1
beq = 1;
lb = zeros(num_assets, 1); % 各资产权重要大于等于 0
ub = ones(num_assets, 1); % 各资产权重要小于等于 1
% 使用 quadprog 求解二次规划问题
options = optimoptions('quadprog', 'Display', 'off');
w = quadprog(cov_matrix, [], -exp_returns, -target_return, Aeq, beq, lb, ub, [], options);
% 输出最优权重和预期收益、风险
optimal_return = exp_returns * w;
optimal_risk = sqrt(w' * cov_matrix * w);
disp(['Optimal Weights: ', num2str(w')]);
disp(['Expected Return: ', num2str(optimal_return)]);
disp(['Expected Risk: ', num2str(optimal_risk)]);
步骤 3:绘制有效前沿(Efficient Frontier)
% 生成不同目标收益率下的有效前沿
target_returns = linspace(min(exp_returns), max(exp_returns), 50);
risks = zeros(size(target_returns));
weights = zeros(num_assets, length(target_returns));
for i = 1:length(target_returns)
rt = target_returns(i);
w = quadprog(cov_matrix, [], -exp_returns, -rt, Aeq, beq, lb, ub, [], options);
weights(:, i) = w;
risks[i] = sqrt(w' * cov_matrix * w);
end
% 绘制有效前沿
figure;
plot(risks, target_returns, 'LineWidth', 2);
title('Efficient Frontier');
xlabel('Risk (Standard Deviation)');
ylabel('Return');
grid on;
步骤 4:比较不同投资组合策略
% 等权重策略
w_eq = ones(num_assets, 1) / num_assets;
return_eq = exp_returns * w_eq;
risk_eq = sqrt(w_eq' * cov_matrix * w_eq);
% 风险最小化策略
w_min_risk = quadprog(cov_matrix, [], [], [], Aeq, beq, lb, ub, [], options);
return_min_risk = exp_returns * w_min_risk;
risk_min_risk = sqrt(w_min_risk' * cov_matrix * w_min_risk);
% 绘制比较图
figure;
plot(risks, target_returns, 'LineWidth', 2);
hold on;
scatter(risk_eq, return_eq, 50, 'r', 'filled');
scatter(risk_min_risk, return_min_risk, 50, 'g', 'filled');
legend('Efficient Frontier', 'Equal Weight', 'Minimum Risk', 'Location', 'Best');
title('Comparison of Investment Strategies');
xlabel('Risk (Standard Deviation)');
ylabel('Return');
grid on;
步骤 5:回测和风险评估
% 从历史数据中取出一部分作为回测数据
backtest_returns = returns(end-12:end,:); % 假设最近一年(12个月)数据用于回测
% 根据优化模型得到的权重进行回测
portfolio_returns = backtest_returns * w;
portfolio_cumulative_returns = cumprod(1 + portfolio_returns) - 1;
% 绘制回测结果
figure;
plot(1:length(portfolio_cumulative_returns), portfolio_cumulative_returns, 'b', 'LineWidth', 2);
title('Backtesting Portfolio Cumulative Returns');
xlabel('Time (months)');
ylabel('Cumulative Returns');
grid on;
步骤 6:计算夏普比率和最大回撤
% 计算夏普比率(假设无风险利率为 0.03)
risk_free_rate = 0.03 / 12; % 月利率
excess_returns = portfolio_returns - risk_free_rate;
sharpe_ratio = mean(excess_returns) / std(excess_returns);
% 计算最大回撤
cumulative_returns = cumprod(1 + portfolio_returns) - 1;
drawdowns = max(max(cumulative_returns) - cumulative_returns);
max_drawdown = max(drawdowns);
disp(['Sharpe Ratio: ', num2str(sharpe_ratio)]);
disp(['Maximum Drawdown: ', num2str(max_drawdown)]);
步骤 7:应用模型进行投资决策支持和资产再平衡
% 输出最优投资组合权重
disp('Optimal Portfolio Weights:');
disp(w);
% 根据权重分配投资金额(假设总金额为100万元)
total_investment = 1e6;
investment_allocation = total_investment * w;
fprintf('Investment Allocation:\n');
for i = 1:num_assets
fprintf('Asset %d: %.2f\n', i, investment_allocation(i));
end
% 设定再平衡周期(例如每季度)
rebalance_period = 3; % 每3个月进行一次再平衡
for t = rebalance_period:rebalance_period:length(prices)
current_prices_plot = prices(t-rebalance_period+1:t,:);
current_returns = diff(log(current_prices_plot)); % 计算最新收益率
current_exp_returns = mean(current_returns);
current_cov_matrix = cov(current_returns);
% 使用最新数据重新进行优化
w = quadprog(current_cov_matrix, [], -current_exp_returns, -target_return, Aeq, beq, lb, ub, [], options);
% 更新投资组合权重
disp(['Rebalanced Weights at Time ', num2str(t)]);
disp(w');
end
% 持续监控投资组合的风险和波动
for t = 1:length(prices)
% 计算逐月收益率
monthly_returns = mean(returns(t,:));
monthly_risks = std(returns(t,:));
% 输出月度收益和风险
fprintf('Month %d: Return = %.4f, Risk = %.4f\n', t, monthly_returns, monthly_risks);
% 如果风险超出预期范围,采取相应措施
% expected_risk_range 是事先定义的风险取值区间
if monthly_risks > expected_risk_range
disp('Risk exceeds expected range, consider rebalancing or adjusting strategy.');
end
end
实例总结
通过上述步骤和实例,我们展示了如何使用Markowitz均值-方差模型进行投资组合优化的全过程,包括模型建立、代码实现、回测、风险评估和实际应用。以下是该实例的总结:
步骤 | 说明 | 示例代码 |
---|---|---|
数据导入 | 从CSV文件中导入资产收益率数据 | data = readtable('assets_data.csv'); returns = data{:,:}; |
模型建立 | 建立Markowitz均值-方差模型,求解模型最优权重 | w = quadprog(cov_matrix, [], -exp_returns, -target_return, Aeq, beq, lb, ub, [], options); |
绘制有效前沿 | 生成不同目标收益率下的有效前沿 | plot(risks, target_returns, 'LineWidth', 2); |
比较不同策略 | 比较等权重策略、风险最小化策略 | scatter(risk_eq, return_eq, 50, 'r', 'filled'); scatter(risk_min_risk, return_min_risk, 50, 'g', 'filled'); |
回测 | 使用历史数据检验投资策略的有效性和稳定性 | portfolio_returns = backtest_returns * w; |
风险评估 | 使用夏普比率、最大回撤等指标评估投资组合的风险和收益 | sharpe_ratio = mean(excess_returns) / std(excess_returns); max_drawdown = max(drawdowns); |
投资决策支持 | 根据优化模型的建议,分配资金到不同资产并进行定期再平衡 | investment_allocation = total_investment * w; |
风险监控 | 持续监控投资组合的风险和波动,并根据市场变化进行调整 | fprintf('Month %d: Return = %.4f, Risk = %.4f\n', t, monthly_returns, monthly_risks); |
通过这些方法,我们能够构建一个优化的投资组合,在给定的目标收益率下最小化投资风险。以下是一些关键的策略和应用实例总结:
投资决策支持
- 计算并输出最优投资组合权重:
- 根据优化结果,分配资金到不同资产。
% 输出最优投资组合权重
disp('Optimal Portfolio Weights:');
disp(w);
% 根据权重分配投资金额(假设总金额为100万元)
total_investment = 1e6;
investment_allocation = total_investment * w;
fprintf('Investment Allocation:\n');
for i = 1:num_assets
fprintf('Asset %d: %.2f\n', i, investment_allocation(i));
end
资产再平衡
- 定期调整投资组合:
- 随着市场条件的变化,定期重新优化和调整资产权重,使投资组合始终符合最优策略。
% 设定再平衡周期(例如每季度)
rebalance_period = 3; % 每3个月进行一次再平衡
for t = rebalance_period:rebalance_period:length(prices)
current_prices_plot = prices(t-rebalance_period+1:t,:);
current_returns = diff(log(current_prices_plot)); % 计算最新收益率
current_exp_returns = mean(current_returns);
current_cov_matrix = cov(current_returns);
% 使用最新数据重新进行优化
w = quadprog(current_cov_matrix, [], -current_exp_returns, -target_return, Aeq, beq, lb, ub, [], options);
% 更新投资组合权重
disp(['Rebalanced Weights at Time ', num2str(t)]);
disp(w');
end
风险监控
- 持续监控投资组合的风险:
- 定期计算并输出投资组合的实际收益和风险,根据市场变化及预测及时调整策略。
for t = 1:length(prices)
% 计算逐月收益率
monthly_returns = mean(returns(t,:));
monthly_risks = std(returns(t,:));
% 输出月度收益和风险
fprintf('Month %d: Return = %.4f, Risk = %.4f\n', t, monthly_returns, monthly_risks);
% 如果风险超出预期范围,采取相应措施
% expected_risk_range 是事先定义的风险取值区间
if monthly_risks > expected_risk_range
disp('Risk exceeds expected range, consider rebalancing or adjusting strategy.');
end
end
总结
本文详细介绍了投资组合优化的全过程,包括问题分析、模型选择、Matlab代码实现、绘制有效前沿、策略比较、回测、风险评估以及实际应用。通过实例,我们展示了如何使用Markowitz均值-方差模型优化投资组合,并利用Matlab工具进行建模和分析。