原文链接：http://tecdat.cn/?p=17931 

 

动量和马科维茨投资组合模型使 均值方差优化 组合成为可行的解决方案。通过建议并测试：

• 增加最大权重限制
• 增加目标波动率约束

来控制 均值方差最优化的解。

下面，我将查看8个资产的结果：

首先，让我们加载所有历史数据

1.   #*****************************************************************
2.   # 加载历史数据
3.    
4.   #*****************************************************************
5.    
6.   load.packages('quantmod')
7.    
8.   # 加载保存的原始数据
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.    

接下来，让我们测试函数

1.   #*****************************************************************
2.   # 运行测试，每月数据
3.   #*****************************************************************
4.    
5.   plot(scale.one(data$prices))

 

1.   prices = data$prices
2.    
3.   plotransition(res[[1]]['2013::'])

 

 

接下来，让我们创建一个基准并设置用于所有测试。

1.   #*****************************************************************
2.   # 建立基准
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,

接下来，让我们获取权重，并使用它们来进行回测

1.   #*****************************************************************
2.   # 转换为模型结果
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

我们可以复制相同的结果

1.   #*****************************************************************
2.   #进行复制
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.    
14.    

另一个想法是使用Pierre Chretien的平均输入假设

1.   #*****************************************************************
2.   # 让我们使用Pierre的平均输入假设
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.   )
10.    

最后，我们准备看一下结果

1.   #*****************************************************************
2.   #进行回测
3.   #*****************************************************************
4.    
5.   plotb(models, plotX = T, log = 'y', Left

 

1.   layout(1)
2.   barplot(sapply(models, turnover, data)

使用平均输入假设会产生更好的结果。

我想应该注意的主要观点是：避免盲目使用优化。相反，您应该使解决方案更具有稳健性。

---

最受欢迎的见解

1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用

2.R语言GARCH-DCC模型和DCC（MVT）建模估计

3.R语言实现 Copula 算法建模依赖性案例分析报告

4.R语言COPULAS和金融时间序列数据VaR分析

5.R语言多元COPULA GARCH 模型时间序列预测

6.用R语言实现神经网络预测股票实例

7.r语言预测波动率的实现：ARCH模型与HAR-RV模型

8.R语言如何做马尔科夫转换模型markov switching model

9.matlab使用Copula仿真优化市场风险