AA中反向优化

嗨，爱思考的PZer你好：

那岂不是权重由输入到输出都是一样，那还优化干嘛，应该输入和输出不一样才有优化的意义吧初

看上去是这样的哈，但其实市值权重和我们最终算出来的权重是不一样的，

正向MVO需要的输入变量分别是历史数据估计得出的E(R)、standard deviations、以及pair-wise correlations。答案中提到的covariances that are forecasted using historical data包含了standard deviations、以及pair-wise correlations。

MVO方法用的是historical data，reverse optimization方法用的是 implied returns 。

正向MVO输入变量E(r), σ, ρ，给定公式 U= E(R) – 0.005 λσ2，交给电脑去做 U的最大化求解。

reverse optimization第一步是根据市场组合基金的权重反求出暗含的E(r)，简单说就是以市值权重作为输入变量，然后得到implied return。第二步跟MVO的过程是一样的，根据第一步求出的E(r)和历史统计得来的标准差和correlation进行正向最优化。

权重是用来算E（r）的，到了第二步还是和正向MVO一样。

其实就是把 implied returns替换了历史的E(r)，同学如果自己操作一遍反向MVO就会发现权重并不一样，这里同学可以暂时记一下结论，等考完可以继续跟着李老师金融实务的课程学习，亲自跑一遍程序得出结论。

----------------------------------------------
加油吧，让我们一起遇见更好的自己！

那岂不是权重由输入到输出都是一样，那还优化干嘛，应该输入和输出不一样才有优化的意义吧

嗨，从没放弃的小努力你好：

感觉何老师讲这块是不是有点问题，是不是通过市值权重正向得到各个资产的E（r），然后做反向优化时应该根据投资者的landa来加入得到合理的权重，才是反向优化的原理呢？

同学的理解不完整，是通过市值得到E(r)，但不是根据λ来做后续的。

反向最优化过程是以市值权重作为输入变量，再加上从历史数据中估计得到的ρ和σ，得到当前市场的implied return，也就是E(R)，旨在解决MVO中用历史数据估计得出的E(R)不靠谱的问题。

第一步是根据市场组合基金的权重反求出暗含的E(r)，简单说就是以市值权重作为输入变量，然后得到implied return。

第二步跟MVO的过程是一样的，根据第一步求出的E(r)和历史统计得来的标准差和correlation进行正向最优化。

BL模型是在reverse MVO的基础上发展，运用贝叶斯方法来组成一个混合模型，具体的数学过程较为复杂，但它调整幅度并没有很大，仍然保留了reverse MVO分散化的优点，它最大的改进是加入了经理自己的观点。

----------------------------------------------
就算太阳没有迎着我们而来，我们正在朝着它而去，加油！