仓位管理:超越凯利公式,梦回华尔街!观点

/ / 2015-10-25
结果表明,夏普比率与我们的度量指标有很强的相关性,且不依赖于时间。我们不寻找最大GHPR,而是优化每个加权收益序列的最大夏普比率。这样,我们就不需要生成数千条潜.........


结果表明,夏普比率与我们的度量指标有很强的相关性,且不依赖于时间。我们不寻找最大GHPR,而是优化每个加权收益序列的最大夏普比率。这样,我们就不需要生成数千条潜在的权益曲线来评估权重的最佳博天堂旗舰航母组合是什么。这样做可以节省大量的时间。


从根本上减少寻找最优投资组合配置所需时间的第二种方法是放弃可能组合的强力迭代,而采用非线性优化。我们将使用cma包来实现这一点。具体算法见:


http://cma.gforge.inria.fr/cmaes_sourcecode_page.html


给定一个适应度函数和一系列输入,与尝试所有可能的输入组合相比,该算法将在更短的时间内找到一个局部最小值。


但是,使用这种方法只能产生相对的权重组合;杠杆作用没有考虑在内。因此,我们将优化程序分为两部分:


1、找出使投资组合夏普比率最大化的相对配置权重。


2、在考虑给定的风险/回撤限制的前提下,确定适用于最大化GHPR的投资组合的杠杆率。


为了证明这种方法,我们将在两个ETF上创建三种“虚拟”策略:两种中长期趋势跟踪策略和一种短期均值回归策略。作为趋势的代表,我们将使用滚动z-score,定义如下:



这是我们用来衡量交易决策的信号。对于趋势跟踪系统,我们将增加与信号成比例的位置大小;均值回归要乘以-1。为了得到每个策略的收益,我们把策略信号乘以正向回报。


首先,我们将计算SPY和TLT的5、50和100天lookback周期的策略信号。从这些信号中,我们得到了这些策略收益。



接下来,我们将使用常规优化来找到使我们的投资组合夏普比率最大化的权重。



这一优化的结果表明,理想的策略应该是将我们的大部分资金配置给短期均值回归策略,并限制在长期趋势跟踪策略中。


第一步完成了。我们已经确定了适用于每种策略的相对权重,以便使夏普比率最大化,但按照计算方法应用它们可能会导致风险过高或收益过低。为了解决这个问题,我们可以使用优化程序的的结果获得加权投资组合的收益。然后,可以应用最初的“理想f”来确定风险目标的适当杠杆率。


我们计算出在这个投资组合中投资的理想比例是32%。最后一步是将非杠杆投资组合权重乘以这个值,得到最终的投资组合配置:

最后,可视化此投资组合的表现:




1
联系我们