《投资组合优化模型》由会员分享，可在线阅读，更多相关《投资组合优化模型（22页珍藏版）》请在金锄头文库上搜索。
1、1投资组合优化模型摘要长期以来，金融资产固有的风险和由此产生的收益一直是金融投资界十分关注的课题。随着经济的快速发展，市场上的新兴资产也是不断涌现，越来越多的企业、机构和个人等都用一部分资金用来投资，而投资方式的多样性决定了人们在投资过程中投资组合的多样性。而每一项投资在有其收益效果的同时也伴随着风险性，所以不同的投资组合方式将带来不同的效果。对于不同类型的投资者必然有不同的要求，从而适合不同的投资方式，所以意在建立在不同投资者的不同要求下应采用哪种投资方式的模型，使投资者能做出正确的选择。本文研究的主要是在没有风险的条件下，找出投资各类资产与收益之间的函数关系，合理规划有限的资金进行投资，以
2、获得最高的回报。对于问题一，根据收益表中所给的数据，我们首先建立二元线性回归模型来模拟收益 U 与 x,y 之间的关系，对于模型中的各项自变量前的系数估计量，利用 spss 软件来进行逐步回归分析。发现 DW 值为 0.395，所以原模型的随机误差项违背了互相独立的基本假设的情况，即存在自相关性。为了处理数据间的自相关问题，运用了迭代法，先通过 Excel 进行数据的处理和修正，达到预定精度时停止迭代，再一次用 spss 软件来进行检验，发现 DW 值变为 2.572，此时 DW 值落入无自相关性区域。在进一步对模型进行了改进后，拟合度为进行了残差分析和检验预测，这样预测出的结果更加准确、有效
3、，希望能为投资者实践提供某种程度的科学依据。对于问题二，根据问题一建立的模型和问题二中所给出的条件，确定目标函数，进行线性规划，用 MATLAB 软件来求得在资金固定的情况下，选择哪种投资方式能使达到利益最大化。最后，对模型的优缺点进行评价，指出了总收益与购买 A 类资产 x 份数和B 类资产 y 份数之间的关系模型的优点与不足之处，并对模型做出了适度的推广和优化。关键字：经济效益 回归模型 自相关 迭代法 线性规划 有效投资方法2一、问题重述某金融机构选定了 A，B 两种投资品种,购买 A 类资产 x 份和 B 类资产 y 份的投资收益是 U，经分析测算有如下收益表：U A B3.7 2 5
4、5.4 3 86.6 4 117.4 5 1410.2 6 1710.7 12 2512.5 20 3513.2 30 2514.4 40 2814.1 47 3217.6 100 4618 120 4016.6 125 4019.4 240 5019.3 100 24018.7 80 25019.6 130 150321 170 26022 236 270请解决以下问题：(1)确定 U 与 x,y 的关系；(2)若 A 的价格是每份 120 元，B 的价格是每份 80 元，现有资金 960 万元，选定有效的投资方案以使收益最大。二、问题分析对于问题一，根据实际中投资学的相关原理和有关常识，我
5、们知道在同等无风险的条件下，购买 A 类资产和购买 B 资产各自都会带来收益，因此，一般先确定 U 与 x、y 之间的关系，有利于我们在决定投资时，如何分配对 A，B 两类资产的投入资金的比重，这也是我们建立模型首先要解决的难点。观察所给数据之间的大致关系来看，我们首先考虑建立回归模型，在进行数据分析时，不可能通过几个简单的假设就监理处了一个完美的数学模型，这就需要对现有的数据进行较为有效的筛选，在此次建模过程中我们一次进行了进行显著性分析，进行逐个剔除，消除误差项之间的自相关性，进一步优化后，得到最好的模型，再对结果分别进行预测和分析。对于问题二，这是一个如何配置资源的问题，在已知目标函数的
6、前提下，用有限的资金来得到最大的利益。可以运用线性规划的相关知识来解决，列出所有已知条件，即约束条件，并利用 MATlAB 软件来进行求解，得到最优解，最后进行检验。三、模型假设1投资者总是追求较高的收益，即投资者都是符合经济学中的“理性人”的假设。2. 在短时期内所给出的平均收益率不变，即保证所得数据在一定时期内的有效性。3. 假设题设中给的参数是准确值没有偏差。4. 存在无风险资产，即本文对 A、B 两类资产的投资都为无风险投资。5. 每种投资是否收益是相互独立的。46. 对收益率和风险的预测值是可信的四、符号说明U收益x,购买 A 类资产的份数y,购买 B 类资产的份数0、1、2分别为回
7、归模型的常数项，自变量 x、y 前面的系数i第 i 个样本回归模型的随机误差项Ut第 t 个收益的回归估计xt第 t 个购买 A 类资产的样本份数yt第 t 个购买 B 类资产的样本份数五、理论背景1.多元线性回归一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化，这就是多元回归亦称多重回归。当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元性回归。设 y 为因变量 X1,X2Xk 为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为：Yi
8、=0+1X1i+2X2i+kXki+i i=1,2,n其中 k 为解释变量的数目，j（j=1,2,k)称为回归系数（regression coefficient)。上式也被称为总体回归函数的随机表达式。它的非随机表达式为E(YX1i,X2i,Xki,)=0+1X1i+2X2i+kXki5j 也被称为偏回归系数（partial regression coefficient)建立多元性回归模型时，为了保证回归模型具有优良的解释能力和预测效果，应首先注意自变量的选择，其准则是：(1)自变量对因变量必须有显著的影响，并呈密切的线性相关；(2)自变量与因变量之间的线性相关必须是真实的，而不是形式上的；(
9、3)自变量之间应具有一定的互斥性，即自变量之间的相关程度不应高于自变量与因变量之因的相关程度；(4)自变量应具有完整的统计数据，其预测值容易确定。2、自相关的概念 如果模型的随机误差项违背了互相独立的基本假设的情况，称为自相关性。对于模型Yi =0+1X1i+2X2i+kXki+i i=1,2,n随机误差项互不相关的基本假设表现为：Cov(i,j)=0 ij,i,j=1,2,n如果对于不同的样本点，随机误差项之间不再是不相关的，而是存在某种相关性，则认为出现了自相关性。在其他假设仍旧成立的条件下，序列相关即意味着E（i,j）!=03、自相关性的后果（1）参数估计量非有效（2）变量的显著性检验失
10、去意义（3）模型的预测失效64、自相关性的检验杜宾-瓦森（Durbin-Watson）检验法该方法的假定条件是： （1）解释变量 X 非随机； （2）随机误差项 i为一阶自回归形式：i=i-1+i （3）回归模型中不应含有滞后应变量作为解释变量，即不应出现下列形式：Yi=0+1X1i+kXki+Yi-1+i （4）回归含有截距项；（5）没有缺失数据。 D.W.统计量若 0=0y=0用MATLAB软件来求解线性规划的命令如下：c=-0.047 -0.019;A=120 80;b=9600000;Aeq=;beq=;lb=0;0;vb=;x,fval=linprog(c,A,b,Aeq,beq,l
11、b,vb)结果：x =1.0e+04 *8.00000.0000fval =-3.7600e+03并运用MATLAB还可以求出该模型的图像syms x y U17x=0:2:300;y=0:2:300;U=13.678845+0.047*x+0.019*y;x,y=meshgrid(x,y);surf(x,y,U)可得在A的价格是每份120元，B的价格是每份80元，资金960万元的条件下，使收益最大时，应该将所有的资金960万元都用来买A类资产80000份，这是预计的最大收益是3773.679。八、模型检验模型检验主要是针对问题一所提出的模型进行检验。对回归系数的显著性检验，我们用的是 t 检
12、验。18t 检验：在多元线性回归中，回归方程显著并不意味着美国自变量对 U 的影响显著，所以需要对每个变量进行显著性检验。如果某个自变量 xj 对作用不显著，那么在回归模型中，它的系数 j 就取值为零。因此，检验变量是否显著，等价于检验假设H0j:j=0， j=1，2，p据此可以构造 t 统计量tj=cjj其中 是回归标准差。当tjt/2 时，拒绝元假设 H0j:j=0，认为j 显著不为零，自变量 xj对因变量 y 的线性效果显著；当tjt/2 时，接受原假设 H0j：j=0，认为 j 为零，自变量 xj对因变量 y 的线性效果不显著。下图是回归系数表Coefficients(a)ModelU
13、nstandardized CoefficientsStandardized Coefficients t Sig.BStd. Error Beta B Std. Error1 (Constant) 9.445 .995 9.492 .000x .062 .009 .852 6.704 .0002 (Constant) 9.042 .912 9.911 .000x .047 .011 .653 4.511 .000y .019 .008 .325 2.244 .03919a Dependent Variable: U图中的 Sig 即显著性 P 值，由 x 的 P0.000，由此可知此自变量
14、x 显著,y的 P0.039，自变量 y 也显著。由spss软件做出的残差统计表如下：Residuals Statistics(a)Minimum Maximum MeanStd. Deviation NPredicted Value 2.940604 6.030249 3.742167 1.0247230 18Std. Predicted Value -.782 2.233 .000 1.000 18Standard Error of Predicted Value.227 .761 .335 .153 18Adjusted Predicted Value 1.334061 6.122075
15、 3.665045 1.2092543 18Residual -1.4082221 1.8736107 .0000000 .8431280 18Std. Residual -1.569 2.087 .000 .939 18Stud. Residual -1.621 2.185 .028 1.032 18Deleted Residual -1.5040683 2.3974390 .0771220 1.0913442 18Stud. Deleted Residual -1.725 2.556 .053 1.096 18Mahal. Distance .139 11.280 1.889 2.977
16、18Cooks Distance .000 1.710 .132 .396 18Centered Leverage Value .008 .664 .111 .175 18a Dependent Variable: Ut本表显示预测值（Predicted Value）、残差（Std. Predicted Value）、20标准化预测值（Standard Error of Predicted Value）、标准化残差的最小值（Minimum）、最大值（Maximum）、均值（Mean）、标准差（Std. Deviation）以及样本容量（N）。根据概率的3-原则，上图中标准化残差的绝对值的最大值为1.5693，说明样
