开发者:上海品职教育科技有限公司 隐私政策详情

应用版本:4.2.11(IOS)|3.2.5(安卓)APP下载

林念龙 · 2021年09月10日

reverse optimization

老师你好,

对于reverse optimization我有点不理解,


MVO是用历史的data估计的expected return、standard deviations、和corrlation求得一组最优的权重。


那reverse optimization为了解决highly sensitive to inputs的问题,用找到最优的权重、SD和corrlation去求得expected return,这样求出来的数字和用历史data估计出来的有什么不一样吗?


reverse optimization怎么解决highly sensitive to inputs这个问题?

1 个答案

pzqa015 · 2021年09月11日

嗨,从没放弃的小努力你好:


同学你好。

是不一样的。

High sensitive to inputs可以理解成为结果不稳定,很容易受输入变量(主要是expected return变动影响)。

我们做资产配置,是要基于对未来收益的预期来确定该类资产的配置比重。MVO方法是用历史收益作为未来收益的预期,显然是不靠谱的,比如,2005-2015年某个资产的平均return与2010-2020年某个资产的平均return很可能是两个不同的值,这样得到的资产配置方案也是截然不同的,这就是highly sensitive to inputs所表达的含义。

而reverse optimization用现在资产市值做权重,得到的expected return是implied expected return,市值反映市场预期,那么用市值得到的return也就反映了市场参与者对未来expected return的预期,与history data作为未来收益的预期相比,它更稳定,更准确。

一般会把reverse optimization与black litterman方法一起使用,在implied return的基础上,加上分析师自己的判断,比如市场implied return=3%,分析师认为应该加上0.5%,那么就用3.5%作为expected return,重新进行最优化过程,此时,由于输入的expected return更加稳定(来源于全市场预期),所以得到的结果也更加稳定,less senvitive to input。

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

  • 1

    回答
  • 1

    关注
  • 611

    浏览
相关问题