【FinE】资产组合理论(3)
导航
- 前文链接
- 两基金分离定理
- 有效证券组合
- 存在无风险资产的均值-方差模型
- 案例
- 解析
- 代码
- 无风险资产对最小方差组合的影响
- r<μr<\mur<μ
- r=μr=\mur=μ
- r>μr>\mur>μ
- 存在无风险资产的两基金分离定理
- 案例
- 解析
- 代码
- 预期收益率关系式
前文链接
资产组合理论(2)
两基金分离定理
定理:任一最小方差资产组合w∗w^*w∗都可以唯一表示成全局最小方差资产组合wgw_gwg和可分散资产组合wdw_dwd的资产组合
w∗=Awg+(1−A)wdw^*=Aw_g+(1-A)w_d w∗=Awg+(1−A)wd
其中
A=ac−μabΔA=\frac{ac-\mu ab}{\Delta} A=Δac−μab
且w∗w^*w∗的收益率方差满足关系式
σp2=(aμ−2bμ+c)/Δ\sigma_p^2=(a\mu-2b\mu+c)/\Delta σp2=(aμ−2bμ+c)/Δ
wgw_gwg和wdw_dwd通常称为共同基金,该定理也被称为两基金定理.
性质:设wu=(1−μ)wg+uwd,wv=(1−ν)wg+νwdw_u=(1-\mu)w_g+uw_d, w_v=(1-\nu)w_g+\nu w_dwu=(1−μ)wg+uwd,wv=(1−ν)wg+νwd表示任意两个最小方差资产组合,则其协方差为1/a+μμΔ/(ab2)1/a+\mu\mu\Delta/(ab^2)1/a+μμΔ/(ab2),特别的,全局最小方差资产组合与任何资产或者资产组合协方差都为1/a1/a1/a.
证明:
令E(Ru)=wuTE(R),E(Rν)=wνTE(R)\mathbb{E}(R_u)=w_u^T\mathbb{E}(R), \mathbb{E}(R_\nu)=w_\nu^T\mathbb{E}(R)E(Ru)=wuTE(R),E(Rν)=wνTE(R)
计算cov(Ru,Rv)cov(R_u, R_v)cov(Ru,Rv)
cov(Ru,Rd)=(1−μ)(1−ν)σd2+μνσd2+[μ(1−ν)+ν(1−μ)]σgdcov(R_u, R_d)=(1-\mu)(1-\nu)\sigma_d^2+\mu\nu\sigma_d^2+[\mu(1-\nu)+\nu(1-\mu)]\sigma_{gd} cov(Ru,Rd)=(1−μ)(1−ν)σd2+μνσd2+[μ(1−ν)+ν(1−μ)]σgd
全局最小方差资产组合与任意资产或者资产组合的协方差为
cov(Rg,Rp)=wgTVwp=1TV−1Vwpa=1a=σp2cov(R_g, R_p)=w_g^T\mathbf{V}w_p=\frac{\mathbf{1}^T\mathbf{V}^{-1}\mathbf{V}w_p}{a}=\frac{1}{a}=\sigma_p^2 cov(Rg,Rp)=wgTVwp=a1TV−1Vwp=a1=σp2
有效证券组合
定义:如果一个资产组合对确定的方差有最大期望收益率,同时对确定收益率有最小方差,则称该资产组合为均值-方差有效资产组合.
存在无风险资产的均值-方差模型
设投资者在市场上可以获得n+1n+1n+1种资产,其中nnn种风险资产,1种无风险资产;无风险资产的投资权重可以为正,也可以为负,权重为正,表示储蓄,权重为负表示购买风险资产. 约束优化问题为
min12σp2=12wTVws.t.(E(R)−r1)Tw=μ−r(1)\begin{aligned} &\min \frac{1}{2}\sigma_p^2=\frac{1}{2}\pmb{w}^T\pmb{V}\pmb{w}\\ &s.t.\quad (E(\pmb{R})-r\mathbf{1})^T\pmb{w}= \mu-r \end{aligned}\tag{1} min21σp2=21wwwTVVVwwws.t.(E(RRR)−r1)Twww=μ−r(1)
使用Lagrange乘数法建立增广目标函数LLL为
L=12wTVw+λ[μ−r−(E(R)−r1)Tw]L=\frac{1}{2}\pmb{w}^T\pmb{V}\pmb{w}+\lambda[\mu-r-(E(\pmb{R})-r\mathbf{1})^T\pmb{w}] L=21wwwTVVVwww+λ[μ−r−(E(RRR)−r1)Twww]
可以求出一阶条件为
Lw=Vw−λ(E(R)−r1)=0L_w=\pmb{V}\pmb{w}-\lambda(E(\pmb{R})-r\mathbf{1})=0 Lw=VVVwww−λ(E(RRR)−r1)=0
求解得到风险资产权重w∗\pmb{w}^*www∗为
w∗=λV−1(E(R)−r1)(2)\pmb{w}^*=\lambda\pmb{V}^{-1}(E(\pmb{R})-r\mathbf{1})\tag{2} www∗=λVVV−1(E(RRR)−r1)(2)
无风险资产权重w0∗w_0^*w0∗为
w0∗=1−1Tw∗w_0^*=1-\mathbf{1}^T\pmb{w}^* w0∗=1−1Twww∗
进行如下变量代换
{μ=E(R)Twa=1TV−11b=1TV−1E(R)c=E(R)TV−1E(R)Δ=ac−b2(3)\left\{ \begin{aligned} &\mu=E(\pmb{R})^T\pmb{w}\\ &a=\mathbf{1}^T\pmb{V}^{-1}\mathbf{1}\\ &b=\mathbf{1}^T\pmb{V}^{-1}E(\pmb{R})\\ &c=E(\pmb{R})^T\pmb{V}^{-1}E(\pmb{R})\\ &\Delta=ac-b^2 \end{aligned}\tag{3} \right. ⎩⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎧μ=E(RRR)Twwwa=1TVVV−11b=1TVVV−1E(RRR)c=E(RRR)TVVV−1E(RRR)Δ=ac−b2(3)
将(2),(3)(2), (3)(2),(3)带入(1)可以得到
μ−r=(E(R)−r1)Tw=λ(E(R)−r1)TV−1(E(R)−r1)=λ(c−2rb+r2a)\begin{aligned} \mu-r&=(E(\pmb{R})-r\mathbf{1})^T\pmb{w}=\lambda(E(\pmb{R})-r\mathbf{1})^T\pmb{V}^{-1}(E(\pmb{R})-r\mathbf{1}) \\ &=\lambda(c-2rb+r^2a) \end{aligned} μ−r=(E(RRR)−r1)Twww=λ(E(RRR)−r1)TVVV−1(E(RRR)−r1)=λ(c−2rb+r2a)
可以解出λ\lambdaλ值为
λ=μ−rc−2rb+r2a\lambda=\frac{\mu-r}{c-2rb+r^2a} λ=c−2rb+r2aμ−r
计算出w∗\pmb{w}^*www∗值为
w∗=μ−rc−2rb+r2aV−1(E(R)−r1)\pmb{w}^*=\frac{\mu-r}{c-2rb+r^2a}\pmb{V}^{-1}(E(\pmb{R})-r\mathbf{1}) www∗=c−2rb+r2aμ−rVVV−1(E(RRR)−r1)
最小方差组合的方差σp2\sigma_p^2σp2为
σp2=wTVw=wTλ(E(R)−r1)=λ(wTE(R)−rwT1)=λ(μ−r)=(μ−r)2c−2rb+r2a\begin{aligned} \sigma_p^2&=\pmb{w}^T\pmb{V}\pmb{w} \\ &=\pmb{w}^T\lambda(E(\pmb{R})-r\mathbf{1})\\ &=\lambda(\pmb{w}^TE(\pmb{R})-r\pmb{w}^T\mathbf{1}) \\ &=\lambda(\mu-r)\\ &=\frac{(\mu-r)^2}{c-2rb+r^2a} \end{aligned} σp2=wwwTVVVwww=wwwTλ(E(RRR)−r1)=λ(wwwTE(RRR)−rwwwT1)=λ(μ−r)=c−2rb+r2a(μ−r)2
案例
考虑一个资产组合,预期收益率矩阵为E(R)=[0.2,0.5]TE(\pmb{R})=[0.2, 0.5]^TE(RRR)=[0.2,0.5]T,协方差矩阵V=[1001]\pmb{V}=\left[\begin{matrix}1 & 0\\0 & 1\end{matrix}\right]VVV=[1001],无风险利率为0.10.10.1,预期收益率为0.20.20.2,求资产组合的最小方差.
解析
根据公式
σp2=wTVw=(μ−r)2(c−2rb+r2a)−1\sigma_p^2=\pmb{w}^T\pmb{V}\pmb{w}=(\mu-r)^2(c-2rb+r^2a)^{-1} σp2=wwwTVVVwww=(μ−r)2(c−2rb+r2a)−1
预处理参数
{a=1TV−11b=1TV−1E(R)c=E(R)TV−1E(R)\left\{ \begin{aligned} &a=\mathbf{1}^T\pmb{V}^{-1}\mathbf{1} \\ &b=\mathbf{1}^T\pmb{V}^{-1}E(\pmb{R})\\ &c=E(\pmb{R})^T\pmb{V}^{-1}E(\pmb{R}) \end{aligned} \right. ⎩⎪⎪⎨⎪⎪⎧a=1TVVV−11b=1TVVV−1E(RRR)c=E(RRR)TVVV−1E(RRR)
代码
import numpy as np
from numpy import dot
from numpy.linalg import inv
def portfolio_min_variance(E, R, V, rf, u):V=inv(V)a=dot(dot(E, V), E)b=dot(dot(E, V), R)c=dot(dot(R, V), R)return (u-rf)**2/(c-2*rf*b+rf**2*a)def main():E=np.ones(2)R=np.array([0.2, 0.5])V=np.eye(2)rf=0.1u=0.2print('the min variance of portfolio is {:.4f}'.format(portfolio_min_variance(E, R, V, rf, u)))main()
无风险资产对最小方差组合的影响
由σp\sigma_pσp的表达式
σp=±μ−rc−2rb+r2a\sigma_p=\pm\frac{\mu-r}{\sqrt{c-2rb+r^2a}} σp=±c−2rb+r2aμ−r
在几何上表现为通过公共交点(0,r)(0, r)(0,r)的两条射线,斜率分别是±c−2rb+r2a\pm \sqrt{c-2rb+r^2a}±c−2rb+r2a,在均值-均方差平面上分为三种情况r≤μ,r=μ,r>μr\leq \mu, r=\mu, r>\mur≤μ,r=μ,r>μ,其中μ=b/a\mu=b/aμ=b/a.
r<μr<\mur<μ
解出方程为
E(Rp)=r+σpc−2rb+r2aE(Rp)=r−σpc−2rb+r2aE(\pmb{R}_p)=r+\sigma_p\sqrt{c-2rb+r^2a}\\ E(\pmb{R}_p)=r-\sigma_p\sqrt{c-2rb+r^2a} E(RRRp)=r+σpc−2rb+r2aE(RRRp)=r−σpc−2rb+r2a
r=μr=\mur=μ
根据r=μ=bar=\mu=\frac{b}{a}r=μ=ab对方程进行简化
E(Rp)=ba+σpΔaE(Rp)=ba−σpΔaE(\pmb{R}_p)=\frac{b}{a}+\sigma_p\sqrt{\frac{\Delta}{a}} \\ E(\pmb{R}_p)=\frac{b}{a}-\sigma_p\sqrt{\frac{\Delta}{a}} E(RRRp)=ab+σpaΔE(RRRp)=ab−σpaΔ
可以发现当r=μr=\mur=μ时,含有无风险资产的最小方差组合在E(Rp−σp)E(\pmb{R}_p-\sigma_p)E(RRRp−σp)坐标平面上表现为双曲线的渐近线.
r>μr>\mur>μ
无风险收益率大于全局最小方差组合预期收益率在现实中不存在
存在无风险资产的两基金分离定理
由两基金定理可以知道,最小方差资产组合是两个不同资产组合而成,在存在无风险资产的情况下,一种自然的基金选择为无风险资产和不含任何无风险资产的切点资产组合.
定理:在存在无风险资产的情况下,任一最小方差资产组合w∗\pmb{w}^*www∗可以唯一表示成无风险资产组合和不含任何无风险资产的切点资产组合的组合wˉt=(w0,wt)\bar{\pmb{w}}_t=(w_0,\pmb{w}_t)wwwˉt=(w0,wwwt).
其中
{w0=0wt=V−1(E(R)−r1)b−ar\left\{ \begin{aligned} &w_0=0\\ &\pmb{w}_t=\frac{\pmb{V}^{-1}(E(\pmb{R})-r\mathbf{1})}{b-ar} \end{aligned} \right. ⎩⎪⎨⎪⎧w0=0wwwt=b−arVVV−1(E(RRR)−r1)
切点出资产组合收益率的均值和方差分别为
{E(Rt)=E(R)Twt=c−brb−arσt2=wtTVwt=c−2br+r2a(b−ar)2\left\{ \begin{aligned} &E(R_t)=E(\pmb{R})^T\pmb{w}_t=\frac{c-br}{b-ar}\\ &\sigma_t^2=\pmb{w}_t^T\pmb{V}\pmb{w}_t=\frac{c-2br+r^2a}{(b-ar)^2} \end{aligned} \right. ⎩⎪⎪⎨⎪⎪⎧E(Rt)=E(RRR)Twwwt=b−arc−brσt2=wwwtTVVVwwwt=(b−ar)2c−2br+r2a
案例
考虑一个资产组合,其预期收益率矩阵为E(R)=[0.2,0.5]TE(R)=[0.2, 0.5]^TE(R)=[0.2,0.5]T,协方差矩阵是V=[1001]\pmb{V}=\left[\begin{matrix}1 & 0\\ 0 & 1\end{matrix}\right]VVV=[1001],无风险利率r=0.1r=0.1r=0.1,预期收益率是μ=0.2\mu=0.2μ=0.2,求切点处资产组合的均值和方差.
解析
根据公式计算
E(Rt)=E(R)Twt=c−brb−arσt2=wtTVwt=c−2br+r2a(b−ar)2\begin{aligned} &E(R_t)=E(\pmb{R})^T\pmb{w}_t=\frac{c-br}{b-ar}\\ &\sigma_t^2=\pmb{w}_t^T\pmb{V}\pmb{w}_t=\frac{c-2br+r^2a}{(b-ar)^2} \end{aligned} E(Rt)=E(RRR)Twwwt=b−arc−brσt2=wwwtTVVVwwwt=(b−ar)2c−2br+r2a
预处理参数带入公式
{a=1TV−11b=1TV−1E(R)c=E(R)TV−1E(R)\left\{ \begin{aligned} &a=\mathbf{1}^T\pmb{V}^{-1}\mathbf{1} \\ &b=\mathbf{1}^T\pmb{V}^{-1}E(\pmb{R})\\ &c=E(\pmb{R})^T\pmb{V}^{-1}E(\pmb{R}) \end{aligned} \right. ⎩⎪⎪⎨⎪⎪⎧a=1TVVV−11b=1TVVV−1E(RRR)c=E(RRR)TVVV−1E(RRR)
代码
import numpy as np
from numpy import dot
from numpy.linalg import inv
def portfolio_cut(E, R, V, r, u):V=inv(V)a=dot(dot(E, V), E)b=dot(dot(E, V), R)c=dot(dot(R, V), R)ret=(c-b*r)/(b-a*r)var=(c-2*b*r+(r**2)*a)/(b-a*r)**2return (ret, var)def main():E=np.ones(2)R=np.array([0.2, 0.5])V=np.eye(2)r=0.1u=0.2ans=portfolio_cut(E, R, V, r, u)print('portfolio return is {:.4f} variance is {:.4f}'.format(ans[0], ans[1]))main()
预期收益率关系式
设有一个无风险资产和nnn个风险资产,在切点处风险资产的收益率分别为R1,R2,…,RnR_1, R_2, \dots, R_nR1,R2,…,Rn权重分别为wt1,wt2,…,wtnw_{t1}, w_{t2}, \dots, w_{tn}wt1,wt2,…,wtn,则在切点处组合收益率为
Rt=∑i=1nwtiRiR_t=\sum_{i=1}^nw_{ti}R_i Rt=i=1∑nwtiRi
由wt\pmb{w}_twwwt的表达式
wt=V−1(E(R)−r1)b−ar\pmb{w}_t=\frac{\pmb{V}^{-1}(E(\pmb{R})-r\mathbf{1})}{b-ar} wwwt=b−arVVV−1(E(RRR)−r1)
左乘V\pmb{V}VVV得到
cov(R,Rt)=Vwt=E(R)−r1b−arcov(\pmb{R}, R_t)=\pmb{V}\pmb{w}_t=\frac{E(\pmb{R})-r\mathbf{1}}{b-ar} cov(RRR,Rt)=VVVwwwt=b−arE(RRR)−r1
左乘wtT\pmb{w}_t^TwwwtT得到
σt2=wTVw=E(Rt)−rb−ar\sigma_t^2=\pmb{w}^T\pmb{V}\pmb{w}=\frac{E(R_t)-r}{b-ar} σt2=wwwTVVVwww=b−arE(Rt)−r
整理得到
E(R)−r1=cov(R,Rt)(b−ar)=cov(R,Rt)E(Rt)−rσt2=βt(E(Rt)−r)E(\pmb{R})-r\mathbf{1}=cov(\pmb{R}, R_t)(b-ar)=cov(\pmb{R}, R_t)\frac{E(R_t)-r}{\sigma_t^2}=\beta_t(E(R_t)-r) E(RRR)−r1=cov(RRR,Rt)(b−ar)=cov(RRR,Rt)σt2E(Rt)−r=βt(E(Rt)−r)
可以得到如下定理
定理:当市场上存在无风险资产时,任意资产的收益率RiR_iRi的超额收益率等比于切点资产组合的超额收益率,且等比于比例系数βti=cov(Ri,Rt)σt2\beta_{ti}=\frac{cov(R_i, R_t)}{\sigma_t^2}βti=σt2cov(Ri,Rt)
即
E(Ri)=r+βti(E(Rt)−r)E(R_i)=r+\beta_{ti}(E(R_t)-r) E(Ri)=r+βti(E(Rt)−r)
将无风险资产推广到零贝塔资产,可以得到如下定理
定理:假设市场上资产组合仅由风险资产组合,则可以任意选择最小方差资产组合wu\pmb{w}_uwwwu与之零贝塔相关的资产组合,使得任意风险资产的收益率可以表示为
E(Ri)=E(Rz)+βui[E(Ru)−E(Rz)]E(R_i)=E(R_z)+\beta_{ui}[E(R_u)-E(R_z)] E(Ri)=E(Rz)+βui[E(Ru)−E(Rz)]
【FinE】资产组合理论(3)相关推荐
- 【FinE】资产组合理论(2) 均值方差模型
导航 前文链接 资产组合的可行集 有效集 最优资产组合 模型求解 最小方差资产组合 案例 解析 代码 全局最小方差 案例 解析 代码 前文链接 资产组合理论(1) 资产组合的可行集 建立预期收益率E( ...
- 【FinE】资产组合理论(1)
导航 金融风险定义及种类 单个证券风险与收益的度量 收益率计算 风险度量 预期收益率和方差估计 证券相关性 协方差和相关系数估计 资产组合收益与风险 多证券组合的风险和收益度量 案例 代码 组合与风险 ...
- 学习记录656@python之MPT现代/均值-方差资产组合理论
理论就不多加叙述了,感兴趣的可以去查找MPT现代/均值-方差资产组合理论. 均值-方差理论的核心思想是同时考察资产组合的预期收益和风险,研究当我们有一系列可选资产的时候,应如何对其配置资金权重,从而可 ...
- python n个list如何组成矩阵_如何用马科维茨投资组合优化法和现代资产组合理论生成交易策略?...
全文共6852字,预计学习时长14分钟 图源:pixabay 本文旨在展示如何用马科维茨(Markowitz)的投资组合优化法和现代资产组合理论(MPT)来生成交易策略. 本文首先对均值-方差优化法进 ...
- 战略资产配置matlab,资产组合有效前沿的解和最优解(MATLAB语言)
基础理论:在资产组合理论中,核心思想是资产分散化配置,用以来防范个体风险,因此存在一个最优解的问题. 如果按照马科维茨的逻辑,资产配置,就是资产在不同资产产品之间的分配,以求达到方差和期望收益的最佳组 ...
- python实现马科维茨模型的资本市场线_资产配置理论的基础之马科维茨模型
*本文来自金斧子.选股宝app大师精华,精选证券市场中投资大师心得,打造距离投资大师最近.最有价值的信息场. 1952年,马科维茨在他的学术论文<资产选择:有效的多样化>中,首次应用资产组 ...
- 西方投资组合理论及其新发展综述
西方投资组合理论及其新发展综述 投资组合理论有狭义和广义之分.狭义的投资组合理论指的是马柯维茨投资组合理论:而广义的投资组合理论除了经典的投资组理论以及该理论的各种替代投资组合理论外,还包括由资本资产 ...
- 【SandQuant 量化投资】威廉·夏普:资本资产定价:风险条件下的市场均衡理论
资本资产定价:风险条件下的市场均衡理论 I 效用函数.机会曲线与无风险利率 II 资本市场均衡 III 资本资产定价与系统性风险 威廉 · 夏普在1964年基于均值方差准则,将资产组合理论拓展到了风险 ...
- matlab 有效前沿 切线,[转载]资产组合有效前沿的解和最优解(MATLAB语言)
基础理论:在资产组合理论中,核心思想是资产分散化配置,用以来防范个体风险,因此存在一个最优解的问题. 如果按照马科维茨的逻辑,资产配置,就是资产在不同资产产品之间的分配,以求达到方差和期望收益的最佳组 ...
最新文章
- 基于Tkinter利用python实现颜色空间转换程序
- Spring Boot+Redis+拦截器+自定义Annotation实现接口自动幂等
- python制作adobe photoshop插件_Adobe Photoshop风格的后期处理和OpenCV
- Geoserver中调整polygon图层的填充颜色透明度
- java的排序_java排序
- 第九章:Java_枚举类和注解
- php 二维sort,php 二维数组排序
- 数据库设计(一对一、一对多、多对多)
- 工业互联网解决方案创新应用报告(2020)
- 记一次内存无法回收导致频繁fullgc机器假死的思路
- unity与3dmax 单位统一的方法
- Matlab在线运行网站
- 简单快速的视频上传分享网站,可做外链
- 任正非:管理上的灰色,是我们的生命之树
- 【2021全国高校计算机能力挑战赛C++题目】17.信息整理 某机房上线了一套系统,和每台计算机都相连,以便监控各计算机相关外设的运行状态。
- matlab调用CVX工具包
- java生成二维码以及链接邀请
- python数据分析:会员数据化运营(中)——RMF分析
- 字节终面:说说Kakfa副本状态机的实现原理?
- android 截屏 简书,Android 内置应用截屏方法
热门文章
- springboot定时任务出错 Unexpected use of scheduler.
- 【Figma学习】操作工具及其使用一
- PS首行缩进2个字符的正确设置方法介绍
- 重塑工作场所:后疫情时代组织韧性的8个策略
- PS 滤镜——平面坐标变换到极坐标
- 自适应均线系统 python_自适应动态双均线策略
- 基于深度学习的自动上色程序,以及其实际应用
- 一个2-3年的运营,应该有的6点觉悟
- 3.python编程——3.4.1打开文件
- 保留小数点后1位c语言,C语言中%f表示的是什么,为什么有时小数点后保留6位,有时小数点后保留1位...