资产配置方法论系列之八：组合风险管理三部曲
| 作 者 : | 王慧 |
| 日 期 : | 2017-04-18 |
| 摘 要 : |
配置资产还是配置风险是两种不同的资产配置维度。传统的均值方差模型是以资产为配置对象，后来兴起的风险平价模型则把重点放在了对风险编制预算的环节，在这种方法下，风险预测就更为重要了。波动率在资产配置、风险管理、衍生品交易等领域发挥着重要作用。 经典的ARCH类模型与因子模型的对比。1982年ARCH类模型开启了波动率建模的新纪元，明显的前后期相关性是运用ARCH模型的前提。我们做了股票和债券的日度、周度以及月度频率的实证检验，发现ARCH类模型：1）预测值把握了趋势但很难识别波动率的跳跃；2）更适合高频波动率预测，当频率达到月度时我们甚至无法检验出ARCH效应。因此我们引入因子模型，一方面能够解释哪些因子对于波动率的影响更大；其次有可能捕捉到波动率的一些跳跃；第三降低对数据频率的要求。 风险来源及因子识别。股票和债券潜在的风险来源：增长、通胀、利率、汇率、流动性和其他。经济增长是资产价格上涨的根本，通胀则会侵蚀资产的实际价值。利率与债券价格、股票估值负相关。汇率短期的剧烈波动通常会传导到资产价格。流动性包括市场和交易的流动性。此外，波动率前后期相关性、杠杆效应、海外市场的影响也是必须考虑的因素。因此，我们从上述六个风险来源选取了13个指标作为股票和债券的风险因子。 通过线性和非线性的方法从备选因子中识别出主要的风险因子，以期提炼出更多关于风险的有效信息。我们使用了线性识别如多元线性回归，以及非线性识别如样条回归、随机森林等模型来寻找与股票和债券的月度波动率（用已实现方差代表）存在线性和非线性相关的因子。 波动率预测与应用。选取随机森林模型做预测。原因是一方面随机森林属于非线性模型，所以其输入值既可以是线性，也可以是非线性模型识别的因子；并且，随机森林的预测结果是从样本值中选取，保证了取值的非负性（波动率非负）；最后，随机森林集成多个决策树的结果，减小了过拟合的发生概率。 我们将因子识别模型与波动率预测模型进行组合，得到如线性多因子识别+线性预测、线性多因子识别+随机森林预测、非线性多因子识别+随机森林预测等5类组合。股票的已实现方差预测中“随机森林识别+随机森林预测”的结果最好，样本外拟合优度为0.49；债券的预测中“神经网络识别+随机森林预测”的样本外拟合优度为0.34。 将波动率的预测应用于风险平价策略中，样本外近三年年化收益率16.4%，夏普比率可达2.0。我们使用预测的波动率构建了一个股债组合（债券加一倍杠杆），样本外近三年年化收益率16.4%，夏普比率2.0。在此基础上加入现金，构建股、一倍杠杆债和现金的风险平价组合，样本外近三年年化收益率15.9%，夏普比率显著改善到2.5。使用预测波动率的组合表现与实际值很接近，显示了波动率预测的有效性。
|
| 关键词 : | 资产配臵方法论；组合风险管理；波动率预测；风险来源 |
