原文鏈接：http://tecdat.cn/?p=17931?

原文出處：拓端數(shù)據(jù)部落公眾號

?

動量和馬科維茨投資組合模型使?均值方差優(yōu)化?組合成為可行的解決方案。通過建議并測試：

• 增加最大權(quán)重限制

• 增加目標(biāo)波動率約束

來控制?均值方差最優(yōu)化的解。

下面，我將查看8個資產(chǎn)的結(jié)果：

首先，讓我們加載所有歷史數(shù)據(jù)

1. #*****************************************************************

2. # 加載歷史數(shù)據(jù)

4. #*****************************************************************

5. 


6. load.packages('quantmod')

7. 


8. # 加載保存的原始數(shù)據(jù)

9. #

10. load('raw.Rdata')

11. 


12. 


13. 


14. getSymbols.extra(N8.tickers, src = 'yahoo', from = '1970-01-01', env = data, raw.data =

15. for(i in data$symbolnames) data[[i]] = adjustOHLC(data[[i]]

16. 


接下來，讓我們測試函數(shù)

1. #*****************************************************************

2. # 運行測試，每月數(shù)據(jù)

3. #*****************************************************************

4. 


5. plot(scale.one(data$prices))

?

1. prices = data$prices

2. 


3. plotransition(res[[1]]['2013::'])

?

?

接下來，讓我們創(chuàng)建一個基準(zhǔn)并設(shè)置用于所有測試。

1. #*****************************************************************

2. # 建立基準(zhǔn)

3. #*****************************************************************

4. models = list()

5. 


6. commission = list(cps = 0.01, fixed = 10.0, percentage = 0.0)

7. 


8. data$weight[] = NA

9. 


10. model = brun(data, clean.signal=T,

接下來，讓我們獲取權(quán)重，并使用它們來進行回測

1. #*****************************************************************

2. # ?轉(zhuǎn)換為模型結(jié)果

3. #*****************************************************************

4. CLA = list(weight = res[[1]], ret = res[[2]], equity = cumprod(1 + res[[2]]), type = "weight")

5. 


6. obj = list(weights = list(CLA = res[[1]]), period.ends

我們可以復(fù)制相同的結(jié)果

1. #*****************************************************************

2. #進行復(fù)制

3. #*****************************************************************

4. weight.limit = data.frame(last(pric

5. obj = portfoli(data$prices,

6. periodicity = 'months', lookback.len = 12, silent=T,

7. const.ub = weight.limit,urns,1) + colSums(last(hist.returns,3)) +

8. colSums(last(hist.returns,6)) + colSums(last(hist.returns,12))) / 22

9. ia

10. },

11. min.risk.fns = list(

12. )

13. 


另一個想法是使用Pierre Chretien的平均輸入假設(shè)

1. #*****************************************************************

2. # 讓我們使用Pierre的平均輸入假設(shè)

3. #*****************************************************************

4. obj = portfolio(data$prices,

5. periodicity = 'months', lookback.len = 12, si

6. create.ia.fn = create.(c(1,3,6,12), 0),

7. min.risk.fns = list(

8. TRISK.AVG = target.risk.portfolio(target.r

9. )

最后，我們準(zhǔn)備看一下結(jié)果

1. #*****************************************************************

2. #進行回測

3. #*****************************************************************

4. 


5. plotb(models, plotX = T, log = 'y', Left

?

1. layout(1)

2. barplot(sapply(models, turnover, data)

使用平均輸入假設(shè)會產(chǎn)生更好的結(jié)果。

我想應(yīng)該注意的主要觀點是：避免盲目使用優(yōu)化。相反，您應(yīng)該使解決方案更具有穩(wěn)健性。

最受歡迎的見解

1.用機器學(xué)習(xí)識別不斷變化的股市狀況—隱馬爾科夫模型(HMM)的應(yīng)用

2.R語言GARCH-DCC模型和DCC（MVT）建模估計

3.R語言實現(xiàn) Copula 算法建模依賴性案例分析報告

4.R語言COPULAS和金融時間序列數(shù)據(jù)VaR分析

5.R語言多元COPULA GARCH 模型時間序列預(yù)測

6.用R語言實現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測股票實例

7.r語言預(yù)測波動率的實現(xiàn)：ARCH模型與HAR-RV模型

8.R語言如何做馬爾科夫轉(zhuǎn)換模型markov switching model

9.matlab使用Copula仿真優(yōu)化市場風(fēng)險