[论文解读] Forward-looking portfolio selection with multivariate non-Gaussian models and the Esscher transform

Michele Leonardo Bianchi, Gian Luca Tassinari|arXiv (Cornell University)|May 15, 2018

Market Dynamics and Volatility被引用 7

一句话总结

本文提出了一种前瞻性投资组合选择框架，采用多元非高斯模型——具体为多元正态逆高斯稳定（MNTS）和广义双曲（MGH）分布——通过埃舍尔变换校准，建立历史测度与风险中性测度之间的联系。通过联合估计时间序列收益与隐含波动率微笑，而无需依赖多元衍生品报价，该方法实现了高效的最小平均VaR（AVaR）投资组合优化，展现出优越的风险控制能力与在不同再平衡频率下的稳健表现。

ABSTRACT

In this study we suggest a portfolio selection framework based on option-implied information and multivariate non-Gaussian models. The proposed models incorporate skewness, kurtosis and more complex dependence structures among stocks log-returns than the simple correlation matrix. The two models considered are a multivariate extension of the normal tempered stable (NTS) model and the generalized hyperbolic (GH) model, respectively, and the connection between the historical measure P and the risk-neutral measure Q is given by the Esscher transform. We consider an estimation method that simultaneously calibrate the time series of univariate log-returns and the univariate observed volatility smile. To calibrate the models, there is no need of liquid multivariate derivative quotes. The method is applied to fit a 50-dimensional series of stock returns, to evaluate widely known portfolio risk measures and to perform a portfolio selection analysis.

研究动机与目标

• 开发一种结合前瞻性期权隐含信息的多元非高斯投资组合选择框架。
• 通过建模偏度、厚尾性以及超越线性相关性的复杂依赖结构，克服多元正态模型的局限性。
• 在无需流动性多元衍生品报价的前提下，实现历史收益动态与隐含波动率曲面的联合校准。
• 在非高斯分布下，采用平均风险价值（AVaR）作为一致风险度量，评估投资组合风险。
• 证明所提出框架在最小化尾部风险与提升夏普比率方面的实证优越性，适用于不同再平衡频率。

提出的方法

• 采用多元正态均值-方差混合分布——具体为MNTS与MGH——来建模股票收益的非对称性与厚尾依赖结构。
• 利用埃舍尔变换在历史测度 $P$ 与风险中性测度 $Q$ 之间建立数学上一致的联系。
• 实施基于EM算法的最大似然估计方法，联合校准对数收益的单变量时间序列与观测到的波动率微笑。
• 最小化两个目标函数：模型隐含波动率与观测波动率之间的平均相对误差，以及理论历史收益分布与经验分布之间的柯尔莫哥洛夫-斯米尔诺夫距离。
• 推导出MNTS与MGH模型下AVaR的闭式表达式（需数值积分），以支持高效的投资组合优化。
• 将该框架应用于50维股票收益序列，比较在不同校准模式（历史、隐含、双重校准）下最小AVaR与最小方差策略的表现。

实验结果

研究问题

• RQ1 与多元正态模型相比，具有偏度与厚尾性的多元非高斯模型是否能提升投资组合风险评估能力？
• RQ2 通过埃舍尔变换引入期权隐含波动率信息，如何提升前瞻性投资组合选择的准确性？
• RQ3 历史收益与隐含波动率曲面的联合校准对投资组合表现与风险指标有何影响？
• RQ4 不同再平衡频率如何影响非高斯模型下最小AVaR策略的稳健性？
• RQ5 与传统的均值-方差优化相比，非高斯模型在多大程度上降低了尾部风险并提升了夏普比率？

主要发现

• 在MNTS模型下的最小AVaR（MA）策略在所有测试策略中实现了最低的最大回撤（14.5%）。
• MA MNTS双重校准策略实现了最高的年化收益率（3.3%）与夏普比率，优于高斯分布与MGH模型策略。
• MA MNTS双重校准策略的换手率降至0.0157，接近高斯分布最小方差策略（0.0161），表明其具有高效的组合换手率。
• 纳入隐含波动率信息的策略对再平衡频率不敏感，在每周至每四年一次的再平衡周期内均保持稳定表现。
• 等权策略（EW）表现逊于欧元斯托克50指数，而MA MNTS与MA MGH双重校准策略在风险调整后收益方面显著优于其表现。
• MNTS与MGH模型下投资组合的AVaR可通过准闭式表达式计算，支持高效集成至优化算法中。