| 摘 要： | 在包含不确定性的投资组合策略研究中,对不同权重估计量进行加权能够对冲估计误差,从而取得更好的样本外效果.一般来说,这类策略的加权权重往往取决于一定的分布假设,在实际应用中具有比较大的局限性.为了改进这一点,本文使用多任务相关学习(multi-task relationship learning,MTRL)的算法框架,通过估计全局方差最小(global minimum variance,GMV)和均值-方差(mean-variance,MV)切点组合权重之间的相关性矩阵,对GMV和MV切点组合的权重进行了同步估计,从而实现了加权估计的类似效果.在实证检验方面,本文使用A股2000年至2019年的全样本日数据,构建了两个数据集:因子组合以及从沪深300指数成分股中随机抽取的个股组合.基于因子组合数据集的样本外结果,本文发现基于MTRL的MV切点策略(MTRL-MV)能够在夏普率,标准差和换手率上取得显著优于原MV切点组合策略,等权重以及其他几种加权策略的表现.最后,本文使用A股的因子组合子样本、随机抽样的个股组合以及美股因子组合共3个数据集进行了稳健性检验,结果表明MTRL-MV相对于基准策略MV具有比较显著的提升.
|
