原文链接：http://tecdat.cn/?p=17931 

原文出处：拓端数据部落公众号

 

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

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. 


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. )

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