雷火竞技首页

《The Journal of Portfolio Management》量化工具专刊
发布时间:2026-08-25
 《The Journal of Portfolio Management》2024年12月出版的量化工具的特刊(Special Issue on Quantitative Tools),聚焦当今资产管理行业对数据驱动方法的迫切需求。全刊共收录11篇文章,按照四大主题展开,分别讨论回测与风险管理、投资组合优化、计量经济学与机器学习的交叉运用,以及新兴技术(如大语言模型)与另类数据的前沿探索。本期

  《The Journal of Portfolio Management》2024年12月出版的量化工具的特刊(Special Issue on Quantitative Tools),聚焦当今资产管理行业对数据驱动方法的迫切需求。全刊共收录11篇文章,按照四大主题展开,分别讨论回测与风险管理、投资组合优化、计量经济学与机器学习的交叉运用,以及新兴技术(如大语言模型)与另类数据的前沿探索。本期特刊的11篇不仅涵盖了回测与优化等核心环节,也将目光投向前沿的机器学习与人工智能应用,为资产管理领域的未来发展提供了多维度的启示与方向。我们将本期特刊的主要内容进行解读,与各位投资者共同学习。

  推荐原因:回测(Backtesting)作为开发系统性投资策略的基石技术,其成功应用常常受到方法论陷阱和常见偏差的影响。这些不足可能导致虚假发现(false discoveries)以及策略在样本外表现不佳。作者通过回顾三种主要的回测方法:前瞻性回测(walk‑forward testing)、重采样方法(the resampling method)和蒙特卡洛模拟(Monte Carlo simulations),详细阐述了各自的挑战与优势,并提供了改进模拟(simulations)质量和采用更可靠夏普比率计算方法以减轻多次试验带来的负面效应的方案。这篇文章旨在为从业人员提供必要工具,以构建更准确、可靠的投资策略。

  推荐原因:作者在文中提出了市场风险(market risk)的实用定义,并阐述了如何对其进行测量。文章首先概述了诸如资产收益(asset returns)、波动率(volatility)和相关性(correlation)等基本概念,随后介绍了广泛应用的风险指标——风险价值(Value at Risk,VaR)和预期损失(Expected Shortfall,ES)的估计方法,以及较少讨论的基于期望分位数的风险价值(Expectile‑based VaR,EVaR)。此外,作者展示了如何将这些风险指标整合到投资组合选择策略中,通过以一个包含两只债券和两只股票的投资组合为案例,将所讨论的概念应用于实际场景。这篇文章为资产管理者提供了一整套从理论到实操的风险测量工具,帮助构建更完善的风险管理框架。

  推荐原因:哈里·马科维茨(Harry Markowitz)的均值-方差分析因其分析透明性和易用性,已成为投资组合构建的标准工具。马克维茨在1959年指出,方差的一个缺点是它对利润和损失的惩罚是对称的。基于最小化一致性下行风险指标(minimum coherent downside risk measure)的投资组合构建方法在较晚时期才被提出,其中最著名的方法是最小化预期亏损(minimum expected shortfall),该方法最初被认为是更适合监管目的的风险衡量指标。作者在文章中介绍了两种关键方法:最小化预期亏损(minimum expected shortfall, MES)投资组合和最小化一致性二阶矩(minimum coherent second moment, MCSM)投资组合,前者旨在惩罚超过在险价值(Value-at-Risk)阈值的平均损失,后者旨在惩罚超过阈值的平方损失。作者将这两个方法与传统的最小化方差(minimum-variance, MV)方法进行了比较。通过计算风险调整收益,作者发现MES和MCSM投资组合优于MV投资组合,尤其是在具有厚尾分布的资产上。作者利用开源R包进行了分析,证明了结果的可重复性,并解决了由于估计误差引起的换手问题和尾部概率的选择问题等。

  推荐原因:作者介绍了三种资产配置的替代方法:第一个是1/N方法,该方法对投资组合中的资产进行等权配置;第二个是均值–方差分析(mean–variance analysis)方法,该方法尽管考虑了资产类别的预期收益和风险,但仅将它们当做摘要性统计指标;第三个是全方位优化(full‑scale optimization)方法,该方法明确考虑了资产收益的多元分布,并对投资者的偏好进行了更现实的描述,从而能构建出真正最优的投资组合,但是计算过程也比较复杂。作者指出,尽管均值-方差分析被广泛应用,全方位优化提供了一种更灵活且在实证上更为可靠的投资组合构建方法,是投资者追求真正最优投资组合的最稳健方法。

  推荐原因:作者解释了蒙特卡洛模拟(Monte Carlo simulation)如何作为一种基于概率分布生成随机结果的技术,帮助投资者评估投资组合的风险和未来收益。作者结合实例展示了如何使用蒙特卡洛模拟估算下行风险,如在险价值(Value at Risk)和条件在险价值(Conditional Value at Risk),并在单资产和多资产情境下评估投资组合。此外,作者还展示了蒙特卡洛模拟如何克服现代投资组合理论的局限性,即通过纳入非正态分布以及基于效用而非单纯依靠方差优化投资组合权重。总之,在作者看来,在计算技术不断进步的背景下,蒙特卡洛模拟是一个强大且越来越易于使用的投资组合分析和优化工具。

  推荐原因:均值-方差模型本质上是一个优化模型,它有两个目标:最大化投资组合收益和最小化投资组合风险。在过去的70年里,优化方法的进展催生了大量关于投资组合管理的研究。作者梳理并总结了这些研究,特别关注了近期投资组合优化模型的发展,如稳健优化(robust optimization)、下行风险管理(downside risk management)以及环境、社会和治理(ESG)因素整合。除此之外,作者还回顾了复杂的多阶段模型和针对个体投资者的个性化理财规划问题。这些模型的应用范围不仅包括资产配置、资产负债管理,甚至包括加密货币,展示了优化技术在应对新兴投资挑战中的适应性。作者强调了优化在风险-收益权衡中的重要性,并突出了其在金融领域数据驱动决策中的关键作用。

  推荐原因:机器学习(machine learning)和数据科学(data science)的出现彻底改变了投资实践,尤其是量化投资。如今,从业人员拥有大量传统或前沿的统计工具,但如此多的选择往往导致“选择瘫痪(paralysis of choice)”,使得在具体应用中难以确定使用哪种工具。鉴于此,作者在文章中探讨了计量经济学和机器学习的起源、特性及适用场景。比如,作者指出计量经济学侧重于理论基础,在解释过去的经济事件方面表现突出。与此同时,机器学习能够处理复杂的非线性关系,在预测未来结果方面具有优势。再比如,作者讨论了计量经济学模型,如ARIMA和GARCH,并将其与机器学习技术进行了比较,强调了解释性与预测准确性之间的权衡。此外,作者还提出了融合计量经济学和机器学习优点的混合方法,并给出了一种实用框架,该框架可以用于决定何时在制定投资策略时使用计量经济学、机器学习或两者的结合。

  推荐原因:作者探讨了机器学习在投资组合优化(portfolio optimization)中的应用,主要聚焦于两个方面:参数估计(parameter estimation)和参数优化(parameter optimization)。在参数估计阶段,机器学习提高了收益和风险预测的准确性,可以支持基于市场状况的动态调整,并利用海量数据和复杂关系重新定义了资产相似性;在优化阶段,机器学习解决了多期优化(multiperiod optimization)以及存在基数约束(portfolios with cardinality constraints)的组合构建问题。作者重点介绍了决策导向学习(decisionfocused learning)和端到端模型(endtoend models)等先进技术。比如决策导向学习能够整合预测与决策制定,从而提高投资组合的表现,端到端模型能够绕过传统的优化阶段,提供了更具适应性和高效的解决方案。总之,作者认为机器学习通过提供数据驱动的、更有效的投资策略,可能会彻底改变投资组合管理。

  推荐原因:另类数据指的是超出公司公告和分析师研究范围的、来自非传统数据源的数据,比如、社交媒体发帖和卫星图像数据,这些数据正在改变投资策略。推动这一趋势的因素,包括监管的变化和无形资产日益重要的地位。尽管另类数据提供了有价值的洞察,作者也指出了包括数据质量、监管和阿尔法衰退在内的问题。作者强调,要在竞争激烈的金融市场中保持优势,需要不断更新数据源并利用复杂的分析技术。

  推荐原因:大型语言模型(Large Language Models, LLMs)的快速发展和突破性进展为机器学习领域带来了新纪元,将进一步对金融与投资管理产生了深远影响。这些模型在上下文理解、处理庞大且复杂的数据集,以及生成与人类偏好高度契合的内容方面展现出了卓越的能力。作者探讨了多种LLMs的金融领域应用,如语言任务、情感分析、金融时间序列分析和基于Agent的建模。这些模型,包括GPT系列和BERT,在理解金融背景、处理大数据集和辅助决策过程中取得了显著进展。作者还强调了LLMs在执行推理任务和模拟复杂金融环境中的能力。此外,作者提供了有用的数据集、基准和代码,旨在引导研究人员和实践者进一步开发LLM在金融中的应用。

  推荐原因:作者探讨了LLMs如何通过解读大量复杂金融数据,应用于情感分析、市场预测和风险管理等任务。这些模型擅长上下文理解、实时分析,并能处理文本和图表等多模态输入。尽管它们有诸多优势,但也存在一些挑战,包括数据质量、可解释性问题,以及可能出现的误信息或幻觉。伦理问题和监管考量也需要引起关注。最终,作者建议,尽管LLMs在金融领域具有巨大的创新潜力,但从业人员必须谨慎对待其局限性和风险,以确保负责任地利用大语言模型。