投资组合

资产配置研究框架（附代码） 大类资产配置是全球化视野下投资组合管理的重要议题之一。风险和收益是衡量投资组合管理绩效的天枰两边的两个筹码，如何有效均衡风险和收益的关系一直是学界和业界探讨的问题。 本文旨在将目标风险函数和收益风险函数这两大类目标函数引入资产配置研究框架中，同时对比分析综合宏观观点的Black Litterman模型，并在中国市场上进行实证分析。 资产配置理论介绍 广义风险平价模型（风险类目标函数） 风险类目标函数即广义的风险平价模型，就是构造不同风险指标的等风险投资组合。 最典型的风险类目标函数是传统的或者说是狭义的风险平价模型，即波动率平价。我们定义投资组合的波动率为： σ ( ω ) = ω ′ Σ ω ′ \sigma(\omega)=\sqrt{\omega^{'}\Sigma\omega^{'} } σ ( ω ) = ω ′ Σ ω ′ ​ 我们的目标是令标的资产i对投资组合波动率的风险贡献度为投资组合总风险的的1/N： σ ( ω i ) = ω i ∗ ∂ σ ( ω ) ∂ ω i = ω i ( Σ ω ) i ω ′ Σ ω ′ = σ ( ω ) N \sigma(\omega_i)=\omega_i\ast \frac{\partial \sigma(\omega)}{\partial \omega_i} \\=\frac{\omega_{i

转自公众号：孟岩 上周我们聊的是“个性”和“投资哲学”。 每个人不同的个性、价值观，造就了每个人不同的投资哲学，这是这张图最顶层的东西，也是一切的起点。 拥有了自己的投资哲学之后，投资者会选择自己的能力圈、确定“好投资的标准”，设计自己的“投资组合结构”。 今天就详细来说这三方面： 能力圈、好投资的标准、投资组合结构 能力圈 能力圈是巴菲特和芒格经常挂在嘴边的一个词，不仅他俩如此，投资大师都会只投资自己懂的领域。 不过，你有没有想过，为什么投资大师要主动收缩自己的投资范围，放弃其它的机会呢？ 每个人的投资哲学，决定了他懂什么样的投资，也划定了他的能力范围。只要不超出这个范围，他就拥有了一种能让他的表现超过市场平均的竞争优势。 也就是说，在能力圈内的投资，平均来说，投资者的盈利能力就会超过市场总体表现。而在能力圈之外的投资，他判断一笔投资是否能赚钱的能力，就和普通投资者没什么两样。 举几个例子。 巴菲特的投资哲学是寻找那些优秀的企业和企业家，持有这些企业很长的时间，靠企业的增长来赚钱。这个投资哲学决定了巴菲特需要高概率的寻找到值得托付的企业家，具有竞争优势的企业（结果表现为 ROE 很高），同时这些企业还能保持这个竞争优势很久。 因此，他主动收缩了自己的能力圈，只选择简单的、看得懂的公司来研究。巴菲特之所以不投资科技股，就是因为“看不懂”。科技行业的变化太快，他很难看清一个科技公司

纽约--(美国商业资讯)--为全球投资界提供任务关键型决策支持工具和服务的领先公司MSCI Inc. (NYSE:MSCI)已经与The Burgiss Group, LLC缔结战略合作关系，以帮助全球私有资产投资者加快并扩大对数据、分析及其他投资决策支持工具的使用。作为此次联盟的一部分，MSCI将向Burgiss注资1.9亿美元，以持有重要的少数股权。 Burgiss的产品包括通过统一的组合管理平台提供的私有资产透明度和表现基准工具，包括覆盖全球近一万种私有资产基金，代表私募股权、私有房地产、私有债券、基础设施和自然资源基金近7万亿美元承诺资本的领先的研究级表现数据。Burgiss为36个国家的1,000多家公司提供服务，在美国、欧洲和南非拥有约300名员工。MSCI在超过85个国家拥有7,500多家客户，其在私有房地产数据、分析和研究；股票和固定收益指数；环境、社会和治理(ESG)研究和评级；以及投资组合表现和风险分析领域占据了领先的地位。因此这次合作可谓强强联合，能够进一步扩大各方现有的产品服务，并为私有资产和多资产类别投资组合的投资者和管理者开发新的工具和解决方案。 MSCI 董事长兼首席执行官 Henry Fernandez 表示：“私有资产投资正处于重大转型的边缘。越来越多的投资者希望私有资产能够实现超大规模、不相关和差异化的回报。然而

经风险调整的业绩评价指标 1 Treynor Index(1965) Sharp Index(1966) Single Factor Model Jensen Index(1968) M 2 M_2 M 2 ​ Index(1997) M 2 M_2 M 2 ​ 测度指标是由摩根斯坦利公司的 L e a h    M o d i g l i a n i ( 1997 ) Leah \; Modigliani(1997) L e a h M o d i g l i a n i ( 1 9 9 7 ) 和她祖父 ( 诺 贝 尔 奖 获 得 者 F r a n c e    M o d i g l i a n i ) (诺贝尔奖获得者France\; Modigliani) ( 诺 贝 尔 奖 获 得 者 F r a n c e M o d i g l i a n i ) 提出的一个基金业绩度量指标，意在赋予夏普指数以数量化解释的指标（也被称为改进的夏普比率）。 该方法的基本思路是通过收益和风险的均衡，或者利用风险的市场机会成本，在投资组合中 通过无风险资产的比例来调整组合的风险 ，使其等于市场指数的风险，将所有组合风险水平调整至无需管理的市场基准的水平，使组合的风险与市场的平均收益进行比较，得出混合后组合收益高出市场收益的大小。 M 2 M_2 M 2 ​ 指数通过调整 组合投资的风险

被动型FOF产品规划方案（附代码） 前言 按照基本的投资策略，基金可以被分类为被动型基金和主动性基金。被动型基金主要投资于指数产品，主动性基金则会采取更加灵活多变的策略来选择标的资产池。但是，两者都需要对标的资产的权重进行优化。 本文将介绍了笔者设计的一个用于被动型FOF（“ Fund of Fund” ，中文 “基金中的基金” ）投资的产品方案设计思路，涉及到的调仓权重优化方法包括马科维兹优化、风险平价优化、Black-Litterman模型。 在连接至Wind 数据库的情况下，运行程序并输入您所需要的投资组合的起止日期、标的资产的代码、回测数据所使用的的时间窗口、调仓频率，您就可以得到投资组合在三种优化方法下每日的持仓权重。 （代码和数据于本文末下载） ## 资产配置模型 ### 马科维兹模型 马科维茨的均值一方差组合模型(Markovitz Mean-Variance Model)用收益率序列均值来代表投资组合的收益，用收益率序列方差来代表投资组合的风险，以此来平衡投资组合的风险和收益。 投资组合预期收益的计算公式为： E ( R p ) = ∑ i ω i E ( R i ) E(R_p)=\sum_{i}^{}\omega_iE(R_i) E ( R p ​ ) = i ∑ ​ ω i ​ E ( R i ​ ) 投资组合预期方差的计算公式为： σ p 2 = ∑ i ω

今天，我们来讲一讲“均值方差模型”。 介绍模型之前，先讲一下模型诞生背后的故事。 背后的故事 从前，有一个年轻人，叫 哈里·马科维兹（Harry Markowitz） ，彼时他正在芝加哥大学攻读经济学博士学位，一次偶然的机会他在办公室门外等待见导师、准备讨论博士论文时遇到了一个股票经纪人，和股票经纪人的一番交谈使他的研究方向转向了证券市场。导师鼓励他对这个领域进行研究，并给他推荐了当时著名的经济学家约翰·威廉姆斯（John Williams）最出名的一本书：《投资价值理论》（The Theory of Investment Value) 。 威廉姆斯认为，证券的价格反映了其“内在价值”，而 证券的价值就是其未来股息的折现价格 。但马科维兹很快就发现这个理论缺少了对“风险”的分析：投资者固然要最大化预期折现收益，同时也应该考虑到收益的方差（variance）是一个不好的东西，投资者在决策过程中应该同时考虑这两个方面，并且应该这样构建一个投资组合： 在“预期收益”和“收益的方差”之间做权衡取舍（trade-off） 。 （有点复杂，但这句话很重要...) 于是在1952年，25岁的马科维兹在The Journal of Finance这本顶级金融学期刊上发表了一篇论文，叫 《证券投资组合选择》（Portfolio Selection） 。 这篇论文当时并没有引起很大的轰动

全文共 3071 字，预计学习时长 9 分钟 图源：Unsplash 人工智能的新突破每天都成为头条新闻。在金融领域，因其具有深厚历史、清楚明了和结构化数据，机器学习广泛运用。最终，金融领域成为了“学习机器”的一个早期标志，在这个领域取得的巨大成功还在继续。 现在，免佣金交易应用程序编程接口（API）和云计算的兴起让普通人只需要运气不错，再加上会一点python，就能运行自己的算法交易策略。 下面，小芯将展示如何在谷歌云平台（GCP）上使用Alpaca来进行构建框架。一如既往，文中所有编码可在Github主页里找到。 首先需要一些数据。数据来源当然有的免费，有的需要付费。本文中所用到的TD Ameritrade API（德美利证券）是免费的。下一步需要可以通过API递交免佣金交易的交易平台 这一步会用到Alpaca。Alpaca允许纸交易（虚拟币），这样就可以在免于破产的前提下测试所构建的交易策略。接下来只需要自动运行机器并存储/检索数据。此处将使用GCP，因为我对这一平台较为熟悉，但其他的云平台如AWS、Azure等都是不错的。 图源：Unsplash 对了，当然还需要算法交易策略。本文所讲的是如何建构运行交易策略的框架，所以策略本身并不重要，不是本文的重点。为了演示，文中会使用动量策略（momentumstrategy）查找过去125天内动量最大的股票，并每天进行交易。

转载： https://blog.csdn.net/weixin_42219751/article/details/97648081 不管是买基金进行投资的基民，还是专业挑选基金经理的各种机构，都会面临这么一个问题： XX基金在过去X年涨/跌了X%，它的表现如何？算好，还是不好？ 要把这个问题讲清楚，我们就需要向大家介绍阿尔法这个金融概念。 上面这个公式，被用来计算某个投资组合，或者基金经理的阿尔法。 第一个字母，Rp，代表的是该投资组合的总回报。接下来的Rf，表示无风险回报。Rm，表示市场回报。最后还有一个字母贝塔，等一下我会更详细的解释。 作为一名普通的投资者，我们需要明白的就是，阿尔法，其实就是一个差值。它体现的，是某位基金经理的投资回报，和某一个比较基准之间的差。 如何理解这个差呢？让我用F1赛车的例子帮助大家更好的理解这个道理。 假设在一场方程式赛车大赛中，赛车手小王，跑完一圈花了2分30秒。现在我们问：小王开的快还是慢？ 要回答这个问题，关键是看他的成绩和谁来比。假设我们获知，所有赛车手跑完一圈的平均耗时为2分45秒。那么我们就可以计算得出，小王比平均的赛车手水平快了15秒。这，就是小王的阿尔法。 所以，我们在金融投资中经常提到的阿尔法，其实指的就是，基金经理能够创造的，超越市场基准的超额回报。阿尔法衡量的，是基金经理和某个比较基准对比以后

USE4方法中一个重要的优化是明确包含了国家因子，这一优化与GEM2中的世界因子类似，有两方面的优点。第一，从纯行业效应中剔除市场效应，从而可以更直观看出收益和风险的来源；第二，加入国家因子使风险预测更准确，响应的相关性更高，下一节会说明这一点。 在USE4中，本地的超额收益可表示为： r n = f c + ∑ i X n i f i + ∑ s X n s f s + u n r n = f c + ∑ i X n i f i + ∑ s X n s f s + u n 其中， f c f c 是国家因子的收益， f i f i 行业因子i的收益， f s f s 是风格因子s的收益， X n i , X n s X n i , X n s 是各因子暴露， u n u n 是特质收益，USE4中采用加权最小二乘回归估计因子收益，假设特质收益的方差为市值平方根的倒数，这种加权方法源于经验观察：股票的特质风险随公司市值增加而减小。 从方程3.1可以看出，每种股票在国家因子上的暴露均为1，但是，不能讲国家因子暴露和市场因子暴露相混淆，一些股票明显对于市场波动更敏感，这一特性通过beta因子捕捉。考虑到beta因子和国家因子高度相关（时间上，非截面），表明在牛市中具有高beta的股票优于低beta的股票，在熊市中相反。因此，从风险的角度出发，把beta因子和国家因子联合考虑非常重要

本文来自新全球资产配置，作者：徐杨，编译：家瑜，梦梅。 自从各种因子不断被学者挖掘出来后，时间和市场表现都证实了因子投资（Factor Investing）的价值，但是因子投资的表现不是免费的午餐，比如价值、动量、质量等因子都有长期跑不赢大盘的时候。我也曾用实证数据验证过因子投资对增强资产配置总体回报的作用，写了几篇关于因子投资的文章。 因子投资在国外已经有了较为广泛的使用，特别是以AQR、Research Affiliates为首的学术派资产管理人，在因子投资这个战场打了几十年的攻坚战。在大中华区，我们也惊喜的看到一些基金公司相继发行了因子类的产品。但由于因子投资确实具有相当的复杂度，很多投资人对此类产品还是不甚了解。 其中最大的误区，也是我想着重的说一个点：因子投资，不是单纯的使用某些指标进行选股的方式。比如，如果单纯的用低P/E来选价值被低估的股票，就叫价值因子投资的话，是非常不严谨的。 Factor Investing is the concept of grouping securities together by commonly shared characteristics that are related to expected returns and risks --- AQR 20 for Twenty 因子投资，是通过与预期收益和风险相关的共同特征