指数金融论文范文-简谈基于CVaR约束的金融市场指数追踪优化模型及实证word版下载

1、指数金融论文范文:简谈基于cvar约束的金融市场指数追踪优化模型及实证word版下载基于cvar约束的金融市场指数追踪优化模型及实证论文导读：本论 文是一篇关于基于cvar约束的金融市场指数追踪优化模型及实证的 优秀论文范文，对正在写有关于指数论文的写作者有一定的参考和指 导作用，论文片段：摘要：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策略能够 提高样本外追踪效果，从而具有较高的理论和实用价值。关键词：c

2、vdr市场指数；追踪指数；投资组合:a 文章编号：1003 9031(20 12)04- 0 0 36 - 03d01:10.3969/j. issn. 1003-9031. 2012. 04. 09一、引言指数化投资组合被大多数投资者和机构所采用。但是，面对市 场上包含几十上百种资产的金融市场指数，以有限的资金按照金融市 场指数的构成比例购买所有的资产，完全复制所追踪的金融市场指数 是比较困难的。因此，采用优化复制策略，即通过权重的优化再配置 寻找一个含有“部分”成份资产的投资组合来追踪某个特定的金融 市场指数，以使其长期收益水平接近或优于整个市场或指定版块的收 益就具有积极的现实作用。从上

3、世纪九十年代以来，一些学者在此领域进行了一些有作用 的探索，如haugen和baket (1990)采用均值一方差模型对指数追 踪理由进行了研究lo worzel和zeniou (1994)提出通过使用效用 函数惩罚追踪误差并最大化期望效用函数来追踪指数2。konno (1991)等在对组合优化进行研究时，提出了一种基于平均绝对偏差 的模型，并代替传统的均值一方差模型3。陈春锋、陈伟忠(2004) 以上证180指数为标的研究了如何构建指数复制的数学模型，并对目 前存在的儿种不同的复制策略进行了实证分析4。徐凌(2009)探 讨了分层抽样中行业筛选的理由5。对指数追踪的研究尽管丰富， 但研究角度

4、都是基于追踪偏弟(叩经验风险)最小，没有考虑在实际 运作中，对于投资者来说，收益率高于所追踪的金融市场指数收益并 不算是风险，仅仅当收益率低于所追踪的金融市场指数收益时才有风 险，可能会造成损失。rockafellar和uryasev (2000)提出了条件 风险价值cvar6,回答了投资者关心的在进行投资组合决策时，怎 样在现有的资产因子中配置资源使得投资组合与其追踪的金融市场 指数偏差大于某个给定偏差时的平均偏差最小的理由。本文构建基于 cvar约束并考虑单个资产集中度、资金规模、交易成本等影响因子 的金融市场指数追踪优化模型。最后，利用深圳成份指数的历史数据 对提出的模型进行检验，结果表

5、明该模型具有良好的泛化能力，很大 程度上降低了样本外追踪偏差，同时提高了模型的鲁棒性。二、理由描述金融市场指数追踪优化理由是指从p种资产(一般是标的金融 市场指数的成份资产)中选出n种资产构建一个投资组合，并使得该 组合相对标的金融市场指数的一些考核标准更优。为了评价追踪组合 的优劣，选取目标金融市场指数和备选资产的历史数据，又称测试数 据集，并将其分为样本内和样本外，即t=l, , t的数据为样本内数据，t二t+1, , t+l的数据为样本外数据。通过样本内的数 据，依据模型确定最优追踪组合，利用样本外数据评价追踪组合的追 踪效果。假定投资者的投资组合p由si (1=1,n)种资产构成，i

6、为要追踪的标的金融市场指数。t=l,，t的数据是基于历史时 期的样木内数据，来考察投资组合与标的金融市场指数的价值变化， t二t+1代表一个决策时点，在该时点把当前投资组合调整为一个新的 追踪组合。xo二(xol,xon)是初始时n种资产持有量，x二 (xl,xn)为决策变量(即待求变量),代表t+1时点资产s二 (si,sn)的持有数量;pit代表t (t=l,t)时刻资 产si (i=l,，n)的价格，则资产si在t时刻的对数收益率为 rit=ln (pit/pi, t-1)；则投资组合p的对数收益率为rt=sni=l (ritpitxi/eni二litxi), it为指数i在时刻t的点位

7、,则指数在 时刻t的对数收益率rt=lnit/it-l o定义zt=rt-tt为投资组合p 与金融市场指数两者之间的偏差变量。为合理度量投资组合p追踪金 融市场指数i的风险，采用在一定的置信水平下，偏差zt-rt-rt超 过某个给定偏差的平均值cvar作为风险的度量。cv&r可以用下面的数学表达式表示：cvar?茁二var?茁+ef (x, p) -var?茁| f (x, p) >var?茁 其中：x二(xl, ,xn) t表示n种资产的持有量向量；p二(pl,pn) t表示引起投资组合与追踪指数发生偏差的市场因 子，如资产价格；f (x, p)表示投资组合的平均偏差函数；？茁

8、表示 置信水平。通过构造一个辅助函数解决计算理ftb对任意的?缀r, 辅助函数近似表示为：f?茁(x,)二+ 工tt二lf (x, pt) - +将其线性化，则f?茁(x,)可表示为：+工tt二lztzt2f (x, p) -，zt20 t=l, t需要考虑的其它约束条件有：(一) 组合内单个资产的集中度。即组合内单个资产的持有数量不得超过一定的比例，也不能小于一定的比例。即 k工ni二lpitxiwpitxi wbk工ni二lpitxi, k=l, , no 其中,k 为投资组合中资产sk的最小持有比例；bk为投资组合中资产sk的最 大持有比例，则有0wkwbkwl, bk限制了投资组合中资

9、产sk的风 险敞口。(二) 资金规模。即持有的投资组合市值加上交易成本等于初 始资金规模。sni=lpitxi+sni=lcpit| xoi-xi | =vo 其中，xoi 为投 资组合调整之前资产si的持有量；c为交易中涉及到的佣金、印花 税等费率的综合比例；sni=lcpit|xoi-xi |为仓位调整所带来的交易 成本；v为初始资金规模，其值等于每次调整前一日收盘后的投资组 合市值与因仓位调整而被调出的资产卖出而带来的交易成本的差额。(三) 交易成本。即仓位调整所带来的交易成本不能超过初始 资金规模的一定比例。即0w工ni二lcpit |xoi-xi | wqv,其中q为仓 位调整所带来

10、的交易成本最多不超过投资组合总市值的比例。三、金融市场指数追踪优化模型投资组合能够容忍的下方追踪偏差是由投资组合的规模和目标 及其接近于零风险时的难度和成本决定的。理想状态下，指数化投资 者会在把目标瞄向零向下追踪偏差，期望获得最大收益率。则均值 -cvar金融市场指数追踪优化模型为：min-sni=lerixis. t. + 工tt二lztwwt二 1, ,tztrt-rt-, zt20t二 1, ,tkxni二lpitxiwpitxiwbk工ni二lpitxi, k=l, ,now 工 ni=lpitxi+z ni二lcpit | xoi-xi | =vow 工 ni二lcpit | xo

11、ixi | wqv (1)其中，w表示风险承受水平，通过对投资组合的置信水平?茁和 风险承受水平?棕取不同的值求解上面模型，可得到指数追踪的最优 投资组合中资产持有量x*。均值-cvar金融市场指数追踪优化模型(1) 反映了结构风险最小化的思想，在最小化经验风险的同时，最 大化预测能力，最终获得两者间的平衡。因此，它不仅能够较好地追 踪历史数据，而且能够较好地预测未来，即减小样本外追踪组合与目 标指数收益间的线性回归误差。四、实证分析本文根据深圳成份指数和成份股的历史成交数据并同时考虑个 股集中度、资金规模、交易成本等约束条件来构建追踪组合，然后进 行资产配置和组合模拟。(-)样本选取及参数设

12、定测试数据集采集深圳成份指数与深发展a、招商地产、深圳能源、 云南白药、五粮液、宏源证券、中兴通讯、美的电器、中金岭南、冀 中能源10个成份股从2005年5月到2009年12月周收盘历史数据， 指数和成份股的收盘价均为229个数据。将前179个数据作为本文提 出的指数追踪模型的训练集，也称为样本内，英余50个数据作为测 试集，也称样本外，对本文提出的均值-cvar金融市场指数追踪优化 模型进行实证检验，以表明该模型的优越性。模型中的一些参数设定 如下：(1)优化前总的投资资产规模为v二2000000； (2)分散化约束 系数：ai, bi=0. 2, i=l, ,n； (3)标的股票的交易成本

13、系数：c二0.003； (4)仓位调整产生的交易成本比例系数：q二0.0005； (5) 置信水平？基于cvar约束的金融市场指数追踪优化模型及实证论文导读：本论文是一篇关于基于cvar约束的金融市场指数追踪优化模型及实证的优秀论文范文，对正在写有关于指数论文的写作者有一定的参考和 指导作用，论文片段：果，即利用过去178周股票的周收益率数据来 确定最优投资组合，然后考察在未来一周的追踪效果。由图2、4可 知，各风险承受水平下的追踪曲线与指数的走势吻合，这说明模型具 有相当好的稳健性，英在样本外仍可较好地追踪指数走势。五、结论 与现有关于指数追踪策略研究的文献不同，本文从描述投资 者的风险偏好

14、和股票市场数据的茁二 95%和？茁=99% o（二）实证结果对于不同的？茁（置信水平）和w （风险承受水平），运用序贯二 次规划法（sqp）与matlab7. 0. 1求解模型（1）,所得样本内与样本 外投资组合与指数的周平均追踪偏差见表1:从表1可以看出，本文建立基于cvar约束的金融市场指数追踪 模型在样本内外表现出很好的一致性，反映了该模型良好的鲁棒性。 为更直观衡量不同置信水平和风险承受水平下模型的跟踪效果，笔者 分别绘制了在?茁二95%和？茁=99%置信水平下样本内的指数追踪图（图 1、图3）和样本外的指数追踪图（图2、图4）,为考察不同风险承 受水平对追踪效果的影响，笔者在每幅图中

15、都绘制了 w分别为0.01 和0. 04情形下所对应的追踪曲线。图1、3给出的是在置信水平分别为?茁二95%和？茁二99%,风险承 受水平w二0. 01和w二0. 04下，利用2005. 05-2008. 12月周收益率数据 所确定的最优投资组合在2008年1月到2008年12月的追踪效果。 总的来看，各风险承受水平所对应追踪曲线较好地反映了深圳成份指 数的走势，这说明模型具有很好的实用价值。具体到不同的风险承受 水平对应的追踪曲线，所得期望收益率存在明显差异。尽管除2008 年5月的最后一周和10月的最后一周外图中所绘制的2条追踪曲线 在各个周的收益率均高于指数收益率，但随着风险承受水平逐步

16、减 小，收益率呈单调下降趋势，特别是5月份以后，该趋势表现尤为明 显。图2、4描绘的是在置信水平分别为?茁二95%和？茁=99%,风险承 受水平为w二0.01和w二0.04下，基于过去三年半内的周收益数据在 2009年逐周滚动追踪效果，即利用过去178周股票的周收益率数据 来确定最优投资组合，然后考察在未来一周的追踪效果。由图2、4 可知，各风险承受水平下的追踪曲线与指数的走势吻合，这说明模型 具有相当好的稳健性，英在样本外仍可较好地追踪指数走势。五、结论与现有关于指数追踪策略研究的文献不同，本文从描述投资者 的风险偏好和股票市场数据的实际特征出发，构建了一种新型金融市 场指数追踪优化模型，采

17、用追踪偏差作为风险的度量来刻画投资者对 追踪风险的认识与偏好，同时解决了由于随机收益分布模糊性对优化 理由求解造成的困难。实证表明，该模型计算产半的追踪曲线均能较 好地吻合实际指数曲线。无论是样本内还是样本外，投资者风险承受 水平和置信水平对追踪效果有显著的影响。风险承受水平越大，追踪 偏差越小；置信水平越高，追踪偏差越大。特别是，该模型具有两个 明显的优点，一是能够提高样本外的追踪效果，二是能够提高追踪组 合在样本内外表现的一致性，即模型具有良好的鲁棒性。实证研究显 示本文给出的指数追踪优化模型新技术具有较高的理论作用和实用 价值。(特约编辑：罗洋)参考文献：1haugen r a,bake

18、r n l.dedicated stock portfoliosjjounalofportfoliomanagement, 1990, 16(4):17-22.2 worzel k j,zeniou c v,zenions s a. integrated simulation and optimization models for tracking indices of fixed-income securities j0perations research, 1994 ,42(2) :223-2333.3 konno h, yamazaki h. mean absolute deviation portfolio optimization model and its