投资组合优化

\

• 点击新建对话，创建一个新对话

• 点击输入框，开始与QuantChat交流

• 您可以直接输入以下对话

![{w:100}](/wiki/api/attachments.redirect?id=df515aaf-cef1-460

导语

最近的一项研究表明，在所有资产超过20亿美元的企业养老金基金中，超过80%拥有超过10位投资经理，在所有资产超过5000万美元的基金中， 不到三分之一的基金拥有一名投资经理。许多雇佣多名经理的基金只关注经理选择的过程。直到现在，一些基金才开始认识到，它们必须制定一种界定基金经理资产管理能力的方法， 并对构成投资管理过程的各个环节——投资基准、市场时机和证券选择——的绩效贡献进行评估。基准、时机和证券选择的相对重要性只有在我们有一个清晰和完整的方法 将收益归因于这些因素时才能确定。本文根据Brinson的理论研究投资基准、市场择时和证券选择对投资组合总收益的影响。我们的目标是确定

模型板块包含了AI算法模型，多因子模型等一些研究内容。

策略案例

https://bigquant.com/experimentshare/5c76d204e7f146a4b2840f9b47a9d732

\

策略案例

https://bigquant.com/experimentshare/db77da51e66542a783b761bca71d9d4a

\

策略案例

https://bigquant.com/experimentshare/2a00653732244481a8a60eabac272d5a

\

摘要

基金相似度问题在学界和业界都有相关的研究和讨论，但这些研究中关于比较不同计算方法的差异以及基金相似度在实际投资中的应用探讨并不多。

本篇报告总结了业界和学界常见的几类基金相似度算法，提出几类应用场景，并尝试在一些实际应用场景下进行探讨和比较。

从基金相似度的计算方法来看，余弦相似度、欧式距离等方法各有优劣。基金相似度的衡量应该取决于投资者对于“基金相似”的定义以及应用场景，例如是选择定义“基金相似”为持仓结构的形似，还是持仓权重的神似。

应用场景一：寻找限制申购的替代基金

通过计算基金与其他基金的相似度，找到与限购基金最相似且处于正常申购状态的基金。从结果来

摘要

G-Resarch作为ICML 2022的钻石赞助商，其研究人员和工程师参加了今年在美国巴尔的摩举行的会议。研究人员收集了他们最喜欢的2022年ICML论文并推荐给大家。

首先是来自机器学习工程师Casey Haaland的推荐，我们可以发现，机器学习工程师关注的论文更偏模型的结构及训练方法优化。

1. Fast Convex Optimization for Two-Layer ReLU Networks: Equivalent Model Classes and Cone Decompositions

**Fast Convex Optimizat

交易策略揭秘

Renaissance Technologies文艺复兴科技公司交易策略揭秘记录！该短片中详细介绍了文艺复兴科技公司多年来如何开发各种交易策略，从早期的均值回归到利用内核方法等等。

https://www.bilibili.com/video/BV1ae4y1f7Em

\

分享头部量化私募团队、策略、深度资料等

\

摘要

来自：Finance Research Letters 48 (2022)

作者：Matthias X. Hanauera, Marina Kononovab, Marc Steffen Rappb

标题：Boosting agnostic fundamental analysis: Using machine learning to identify mispricing in European stock markets

股票基本面分析有效吗？分析师应该如何得出股票基本面价值?虽然理论文献已经开发了贴现现金流模型和其他高度程式化的基础估值模型，但BG（2

参考 https://wesmckinney.com/book/ 编写 Python For Quants - 用于量化投资的Python

论文原名

《Deep Learning for Portfolio Optimization》

论文作者

张子豪、斯蒂芬·佐伦、斯蒂芬·罗伯茨牛津曼数量金融研究所，牛津大学

引言

我们采用深度学习模型直接优化投资组合夏普比率。我们提出的框架规避了预测预期的要求回报并允许我们通过更新模型直接优化投资组合权重参数。我们交易交易所交易基金，而不是选择单个资产(ETF) 的市场指数以形成投资组合。不同资产类别的指数显示强大的相关性和交易它们大大减少了可用的范围可供选择的资产。我们将我们的方法与各种算法进行比较结果表明我们的模型在测试中获得了最佳性能期间，从 2011 年到

摘要

文献来源：Jennifer Bender, Jerry Le Sun and Rick Thomas, Asset Allocation vs. Factor Allocation – Can We Build a Unified Method?[J] The Journal of Portfolio Management, 2018, 45 (2) 9-22

推荐原因：近60年间，股票和债券等资产一直是多元化投资组合的主要基石。长期以来，投资者普遍认为，对不同类别的资产进行分散投资足以为组合带来多元化投资的裨益，但近期在市场大幅下挫过程中，对不同类别资产进行分散投

摘要

净值化时代，为满足客户的绝对收益需求，多资产配置是一种必然思路。CTA作为一类不同于股票、债券等传统资产的另类资产，策略本身的运作手段丰富，历史净值表现优异，同时众多优异的CTA产品回撤控制较好，收益风险比极佳。

从多资产配置视角看，对于CTA策略，首先我们需要明了的是，什么样的宏观及市场环境下，CTA策略具有较好的性价比，因为CTA策略也有小年和大年，当环境不利时，即使表现再好的CTA策略，可能收益也不及中性、股票多头等其他策略，此时从自上而下的视角看，最优的选择应该是增配其他更优的资产，而不是在CTA策略中“火中取栗”。这其实就是CTA策略的择时问题。本文中，我们构建了一套

深度了解易方达量化投资团队，大咖解读量化投资趋势与方法

• 官泽帆：易方达基金量化投资部资深基金经理
• 徐德晖：易方达基金量化投资部基金经理助理
• 婷 婷：易方达基金

https://www.bilibili.com/video/BV1te4y187ig

\

/wiki/static/upload/c9/c94fbe09-58ac-483f-8d29-ba184e00cfb3.pdf

\

摘要

文献来源：Demiguel V, Gil-Bazo J, Nogales F J, et al. Can Machine Learning Help to Select Portfolios of Mutual Funds?[J]. Social Science Electronic Publishing, 2021.

推荐原因：众所周知，事先确定未来表现优异的共同基金是一项困难的任务。本文基于大量投资者容易获得的基金特征数据，利用机器学习方法训练提升其预测能力。研究发现，利用1980年至2018年期间美国股票型基金的数据，基于机器学习方法构建的基金组合，经风险调整

摘要

文献来源：Ron Alquist, Andrea Frazzini, Antti Ilmanen, Lasse Heje Pedersen. Fact and Fiction about Low-Risk Investing[J]. The Journal of Portfolio Management. May 2020, 46 (6) 72-92.

推荐原因：过去10年里，包括股票和其他资产在内的低风险投资受到了广泛关注。本文指出了关于低风险投资的五个事实和五个误区。

事实是：低风险投资

1. 历史收益一直很高；
2. 样本外表现也非常可观；
3. 在许多国

摘要

文献来源：Blitz, David. Hanauer, Matthias. Settling the Size Matter: The Journal of Portfolio Management Quantitative Special Issue 2021, 47 (2) 99-112.

推荐原因：规模溢价自被发现已有近四十年，然而规模因子的alpha一直很微弱，但是当控制质量因子(quality-versus-junk)暴露时，因子似乎又恢复了活力。本文发现，在美国市场，规模因子对质量因子回归后呈现出非常显著的alpha，然而超额收益主要由质量因子的空头端驱动，

摘要

文献来源：Leippold, M., Wang, Q. & Zhou, W. (2021). Machine-Learning in the Chinese Stock Market. Journal of Financial Economics.

推荐原因：随着机器学习在金融和经济领域的应用迅速兴起，越来越多的学者利用机器学习工具研究股票的截面和时间序列预测。而中国股票市场历史较短，制度依然处于不断完善的阶段，有着自身的特殊性。本文根据中国市场的特征构建了一个全面的股票收益预测因子集，并利用几大流行的机器学习算法进行实证分析。经过CSPA条件预测能力检验，作者发现神经

导读

1. 作为西学东渐--海外文献推荐系列报告第一百三十五篇，本文推荐了Rattray S等人于2020年发表的论文《Strategic Rebalancing》。
2. 机械式的再平衡投资策略（每月或每季度重新分配到固定投资组合权重）是资产配置中调整权重的常用方法，虽然可以避免将资产过度集中到某一类资产，但是也有不足之处。本文对再平衡策略进行了详细的分析，提出并证实了再平衡策略的负凸性。更重要的是，作者通过实证分析发现趋势敞口呈正凸性，因此可以通过配置趋势敞口有效抵消再平衡策略带来的负凸性，对投资组合管理有很大参考价值。文章给出两种配置趋势敞口的方式，测试结果表明配置趋势敞口可以在

摘要

文献来源：Peltomäki, Jarkko, and Janne Äijö. "Where Is the “Meat” in Smart beta Strategies?." The Journal of Wealth Management 20.3 (2017): 24-32.

推荐原因：本文采用来自MSCI的四只Smart beta策略指数和一只基准指数作为研究对象，使用PCA方法对指数进行策略分解。从分解结果来看，等权和价值加权策略对投资组合的业绩影响相对较小。从实证结果来看，基本面指数向价值倾斜，为实现价值溢价提供了投资工具。对比全球、EAFE（欧洲、澳大拉西

摘要

文献来源：Mateus C, Todorovic N, Sarwar G. US Sector Rotation with Five-Factor Fama-French Alphas[J]. Journal of Asset Management, 2017,19(2):1-17.

推荐原因：**在本文中，我们使用Fama-French五因子模型的alpha值来研究经风险调整后的美国行业投资组合收益和行业轮动策略。我们发现五因素模型比三因素模型能更好地拟合美国行业投资组合的收益。在全样本期间，有50％的行业产生了显著的五因子alpha。我们通过应用简单的纯多头和多