动量和马科维茨Markowitz投资组合(Portfolio)模型实现

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

#*****************************************************************
# 加载历史数据  #*****************************************************************  load.packages('quantmod')  # 加载保存的原始数据
#
load('raw.Rdata')  getSymbols.extra(N8.tickers, src = 'yahoo', from = '1970-01-01', env = data, raw.data =   for(i in data$symbolnames) data[[i]] = adjustOHLC(data[[i]]

接下来，让我们测试函数

#*****************************************************************
# 运行测试，每月数据
#*****************************************************************  plot(scale.one(data$prices))

点击标题查阅往期内容

R语言Markowitz马克维茨投资组合理论分析和可视化

左右滑动查看更多

prices = data$prices  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。

#*****************************************************************
# 建立基准
#*****************************************************************
models = list()   commission = list(cps = 0.01, fixed = 10.0, percentage = 0.0)  data$weight[] = NA  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

#*****************************************************************
#  转换为模型结果
#*****************************************************************
CLA = list(weight = res[[1]], ret = res[[2]], equity = cumprod(1 + res[[2]]), type = "weight")  obj = list(weights = list(CLA = res[[1]]), period.ends

我们可以复制相同的结果

#*****************************************************************
#进行复制
#*****************************************************************
weight.limit = data.frame(last(pric
obj = portfoli(data$prices,   periodicity = 'months', lookback.len = 12, silent=T,   const.ub = weight.limit,urns,1) + colSums(last(hist.returns,3)) +   colSums(last(hist.returns,6)) + colSums(last(hist.returns,12))) / 22  ia  },  min.risk.fns = list(  )

另一个想法是使用Pierre Chretien的平均输入假设

#*****************************************************************
# 让我们使用Pierre的平均输入假设
#*****************************************************************
obj = portfolio(data$prices,   periodicity = 'months', lookback.len = 12, si  create.ia.fn =  create.(c(1,3,6,12), 0),  min.risk.fns = list(  TRISK.AVG = target.risk.portfolio(target.r  )

最后，我们准备看一下结果

#*****************************************************************
#进行回测
#*****************************************************************  plotb(models, plotX = T, log = 'y', Left

layout(1)
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。

本文摘选《R语言动量和马科维茨Markowitz投资组合(Portfolio)模型实现》，点击“阅读原文”获取全文完整资料。

点击标题查阅往期内容

Python风险价值计算投资组合VaR、期望损失ES

极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析

Fama French (FF) 三因子模型和CAPM模型分析股票市场投资组合风险/收益可视化

R语言Fama-French三因子模型实际应用：优化投资组合

R语言动量和马科维茨Markowitz投资组合(Portfolio)模型实现

Python计算股票投资组合的风险价值（VaR）

R语言Markowitz马克维茨投资组合理论分析和可视化

R语言中的广义线性模型（GLM）和广义相加模型（GAM）：多元（平滑）回归分析保险资金投资组合信用风险敞口

Python基于粒子群优化的投资组合优化研究

多均线趋势策略玩转股票投资

主成分分析(PCA)原理及R语言实现及分析实例

偏最小二乘回归（PLSR）和主成分回归（PCR）

R语言高维数据的主成分pca、 t-SNE算法降维与可视化分析案例报告

使用Python和Keras进行主成分分析、神经网络构建图像重建

R语言中的岭回归、套索回归、主成分回归：线性模型选择和正则化

欲获取全文文件，请点击左下角“阅读原文”。