2025年线性代数投资组合优化试题

2025年线性代数投资组合优化试题一、单项选择题（每题3分，共30分）在投资组合优化的均值-方差模型中，协方差矩阵的主对角线元素代表（）A.资产间的相关性系数B.单一资产的方差C.组合的标准差D.资产的预期收益率设某投资组合由3种资产构成，权重向量为w=(0.3,0.5,0.2)，预期收益率向量为r=(0.12,0.15,0.08)，则该组合的预期收益率为（）A.0.125B.0.131C.0.142D.0.156若两种资产的相关系数矩阵为(\begin{bmatrix}1&0.3\0.3&1\end{bmatrix})，标准差分别为0.2和0.15，则协方差矩阵中(1,2)位置的元素值为（）A.0.009B.0.030C.0.045D.0.060马科维茨模型中，有效前沿的数学本质是（）A.二次规划问题的可行域边界B.线性方程组的解空间C.特征值分解后的主成分方向D.凸集的极点集合设资产收益率矩阵(R\in\mathbb{R}^{n\timesm})（n为样本数，m为资产数），则协方差矩阵的无偏估计为（）A.(\frac{1}{n}(R-\bar{R})^T(R-\bar{R}))B.(\frac{1}{n-1}(R-\bar{R})^T(R-\bar{R}))C.((R-\bar{R})(R-\bar{R})^T)D.(\frac{1}{n}R^TR)在主成分分析（PCA）中，用于降维的关键线性代数工具是（）A.矩阵的LU分解B.特征值分解C.奇异值分解（SVD）D.QR分解某投资组合优化问题的约束条件为(\mathbf{w}^T\mathbf{1}=1)（权重和为1）和(\mathbf{w}^T\mathbf{r}\geq\mu)（最低收益率），则该问题的拉格朗日函数包含的乘子数量为（）A.1B.2C.3D.4若资产协方差矩阵为正定矩阵，则以下结论正确的是（）A.存在风险为零的投资组合B.有效前沿是严格凸曲线C.所有资产收益率完全正相关D.最小方差组合唯一且存在设3种资产的协方差矩阵(\Sigma=\begin{bmatrix}0.04&0.01&0.02\0.01&0.09&0.03\0.02&0.03&0.16\end{bmatrix})，则该矩阵的迹（主对角线元素之和）为（）A.0.25B.0.29C.0.32D.0.36资本资产定价模型（CAPM）中，(\beta)系数的矩阵表达式为（）A.(\beta=(\mathbf{r}_m^T\mathbf{r}_m)^{-1}\mathbf{r}_m^T\mathbf{r}_i)B.(\beta=\frac{\text{Cov}(r_i,r_m)}{\text{Var}(r_m)})C.(\beta=\Sigma^{-1}(\mathbf{r}-r_f\mathbf{1}))D.(\beta=\mathbf{w}^T\Sigma\mathbf{w})二、计算题（共40分）1.两资产组合优化（15分）已知资产A和B的预期收益率分别为(r_A=0.12)，(r_B=0.18)，标准差(\sigma_A=0.2)，(\sigma_B=0.3)，相关系数(\rho=0.5)。（1）构建该组合的协方差矩阵(\Sigma)；（2）设投资于A的权重为(w)，写出组合预期收益率(r_p)和方差(\sigma_p^2)的表达式；（3）求解最小方差组合的权重(w^*)，并计算此时的组合标准差。解答：（1）协方差矩阵计算：[\Sigma=\begin{bmatrix}\sigma_A^2&\rho\sigma_A\sigma_B\\rho\sigma_A\sigma_B&\sigma_B^2\end{bmatrix}=\begin{bmatrix}0.2^2&0.5\times0.2\times0.3\0.5\times0.2\times0.3&0.3^2\end{bmatrix}=\begin{bmatrix}0.04&0.03\0.03&0.09\end{bmatrix}]（2）组合收益与方差：[r_p=wr_A+(1-w)r_B=0.12w+0.18(1-w)=0.18-0.06w][\sigma_p^2=w^2\sigma_A^2+(1-w)^2\sigma_B^2+2w(1-w)\rho\sigma_A\sigma_B=0.04w^2+0.09(1-w)^2+0.06w(1-w)]（3）最小方差组合求解：对方差函数求导并令其为零：[\frac{d\sigma_p^2}{dw}=2\times0.04w-2\times0.09(1-w)+0.06(1-2w)=0]解得(w^*=\frac{0.09-0.03}{0.04+0.09-0.06}=0.857)，此时组合标准差(\sigma_p=\sqrt{0.04(0.857)^2+0.09(0.143)^2+0.06\times0.857\times0.143}\approx0.193)。2.均值-方差模型的矩阵解法（25分）某投资组合包含3种风险资产，数据如下表：资产预期收益率(r_i)标准差(\sigma_i)10.100.1520.150.2030.080.10相关系数矩阵：[\rho=\begin{bmatrix}1&0.2&0.3\0.2&1&0.4\0.3&0.4&1\end{bmatrix}]（1）计算资产的协方差矩阵(\Sigma)；（2）设无风险利率(r_f=0.03)，写出夏普比率最大化的目标函数；（3）若允许卖空，使用拉格朗日乘数法推导最优权重(\mathbf{w}^*)的矩阵表达式（需包含(\Sigma)、(\mathbf{r})、(r_f)等参数）。解答：（1）协方差矩阵计算：[\Sigma_{ij}=\rho_{ij}\sigma_i\sigma_j][\Sigma=\begin{bmatrix}0.15^2&0.2\times0.15\times0.2&0.3\times0.15\times0.1\0.2\times0.15\times0.2&0.2^2&0.4\times0.2\times0.1\0.3\times0.15\times0.1&0.4\times0.2\times0.1&0.1^2\end{bmatrix}=\begin{bmatrix}0.0225&0.006&0.0045\0.006&0.04&0.008\0.0045&0.008&0.01\end{bmatrix}]（2）夏普比率最大化目标函数：[\max_w\frac{\mathbf{w}^T(\mathbf{r}-r_f\mathbf{1})}{\sqrt{\mathbf{w}^T\Sigma\mathbf{w}}}\quad\text{s.t.}\quad\mathbf{w}^T\mathbf{1}=1]（3）拉格朗日乘数法推导：构造拉格朗日函数(\mathcal{L}=\mathbf{w}^T(\mathbf{r}-r_f\mathbf{1})-\lambda(\mathbf{w}^T\mathbf{1}-1))，对(\mathbf{w})求导得：[\frac{\partial\mathcal{L}}{\partial\mathbf{w}}=(\mathbf{r}-r_f\mathbf{1})-\lambda\mathbf{1}=0\implies\mathbf{w}^*=\frac{\Sigma^{-1}(\mathbf{r}-r_f\mathbf{1})}{\mathbf{1}^T\Sigma^{-1}(\mathbf{r}-r_f\mathbf{1})}]三、理论分析题（30分）1.线性代数在投资组合优化中的应用（15分）（1）解释协方差矩阵的正定性对马科维茨模型解的存在性的影响；（2）说明特征值分解在主成分分析（PCA）降维中的作用，并举例说明如何通过PCA简化投资组合优化问题；（3）简述奇异值分解（SVD）在处理高维资产数据（如500只股票）时的优势。解答要点：（1）协方差矩阵正定性保证了方差最小化问题的Hessian矩阵正定，从而存在唯一全局极小值，有效前沿为严格凸曲线；若矩阵非正定（存在多重共线性），则可能出现无穷多最优解或无解。（2）PCA通过对协方差矩阵进行特征值分解(\Sigma=Q\LambdaQ^T)，取前k个最大特征值对应的特征向量构成投影矩阵，实现资产收益率的低维表示。例如，当500维资产数据的前10个主成分解释95%方差时，可将优化问题从500维降至10维。（3）SVD无需协方差矩阵，直接对收益率矩阵(R=U\SigmaV^T)分解，通过截断奇异值实现数据压缩，同时避免协方差矩阵估计的误差累积，尤其适用于样本量小于资产数的“高维小样本”场景。2.模型拓展与局限性（15分）（1）对比均值-方差模型与均值-CVaR模型的数学本质差异，说明为何后者需要更复杂的线性代数工具；（2）当资产数量超过1000时，传统协方差矩阵估计会面临“维度灾难”，请提出两种基于线性代数的改进方法并解释原理。解答要点：（1）均值-方差模型目标函数为二次函数（(\mathbf{w}^T\Sigma\mathbf{w})），属于凸优化问题；均值-CVaR模型的CVaR项需通过线性化技巧转化为线性规划问题，涉及分位数计算和情景模拟，需使用矩阵不等式约束和高维积分近似。（2）改进方法：因子模型法：假设资产收