投资组合优化方法不可避免地依赖于市场和经济的多元建模。 在本文中,我们解决了与这些复杂系统建模相关的三个错误来源: 1. 过度简化假设; 2. 参数抽样误差导致的不确定性; 3. 这些系统的内在非平稳性。 对于第 1 点的问题,我们提出了 L0 范数稀疏椭圆建模,并表明稀疏化是有效的。 点 2. 和 3. 的影响通过研究模型在样本内和样本外的似然性对不同长度的训练集估计的参数进行量化。 我们表明,当训练集中包含两到三年的日常观察时,具有更大样本外可能性的模型可以产生更好的投资组合。 对于较大的训练集,我们发现投资组合性能恶化并与模型的可能性脱节,突出了非平稳性的作用。 我们通过研究表明系统随时间显着变化的单个观察的样本外可能性来进一步研究这种现象。 从长远来看,较大的估计窗口会导致稳定的可能性,但以短期内较低的可能性为代价:金融的“最佳”拟合需要根据持有期来定义。 最后,我们表明稀疏模型优于完整模型,因为它们提供更高的样本外似然性、更低的实际投资组合波动性和提高投资组合的稳定性,避免了均值方差优化的典型陷阱。
1