[论文解读] General framework for a portfolio theory with non-Gaussian risks and non-linear correlations

Yannick Malevergne, Didier Sornette|ArXiv.org|Mar 1, 2001

Financial Risk and Volatility Modeling参考文献 14被引用 10

一句话总结

本文提出了一种针对非高斯风险与非线性相关性的通用投资组合理论框架，采用修正威布尔分布建模资产收益的边缘分布，使用高斯 copula 建模依赖结构。该研究推导出投资组合收益尾部、矩生成函数及风险度量的精确解析表达式，实现了可同时提高预期收益并降低大额风险的优化——即‘鱼与熊掌兼得’——并获得了强有力的实证验证。

ABSTRACT

Using a family of modified Weibull distributions, encompassing both sub-exponentials and super-exponentials, to parameterize the marginal distributions of asset returns and their natural multivariate generalizations, we give exact formulas for the tails and for the moments and cumulants of the distribution of returns of a portfolio make of arbitrary compositions of these assets. Using combinatorial and hypergeometric functions, we are in particular able to extend previous results to the case where the exponents of the Weibull distributions are different from asset to asset and in the presence of dependence between assets. We treat in details the problem of risk minimization using two different measures of risks (cumulants and value-at-risk) for a portfolio made of two assets and compare the theoretical predictions with direct empirical data. While good agreement is found, the remaining discrepancy between theory and data stems from the deviations from the Weibull parameterization for small returns. Our extended formulas enable us to determine analytically the conditions under which it is possible to ``have your cake and eat it too'', i.e., to construct a portfolio with both larger return and smaller ``large risks''.

研究动机与目标

• 开发一种考虑非高斯收益分布与资产间非线性依赖关系的通用投资组合理论框架。
• 通过建模厚尾、亚指数与超指数收益分布，将传统马科维茨投资组合理论扩展至非高斯假设之外。
• 在任意资产权重与依赖结构下，提供投资组合收益尾部与矩生成函数的精确解析公式。
• 实现可同时提高预期收益并降低大额风险（如通过 VaR 与高阶矩）的投资组合优化。
• 通过金融时间序列数据对理论预测进行实证验证，识别出小收益下因偏离威布尔参数化而产生的残差偏差。

提出的方法

• 使用修正威布尔分布对资产收益的边缘分布进行参数化，该分布可包含高斯、亚指数与超指数形式作为特例。
• 通过非线性映射将经验边缘分布投影至高斯分布，随后通过最大熵方法利用高斯 copula 构建多元分布。
• 利用组合数学与超几何函数，推导出在不同指数与依赖水平下，投资组合收益尾部分布的精确解析表达式。
• 将投资组合收益的矩公式推广至任意正指数与任意资产数量，对两资产组合给出显式闭式表达。
• 将该框架应用于风险最小化，同时使用矩（作为风险度量）与风险价值（VaR），并将理论预测与实证数据进行比较。
• 使用拉格朗日乘数法推导出最小化高阶矩的最优投资组合权重，实现对收益与大额风险的同步优化。

实验结果

研究问题

• RQ1 是否可以构建一种投资组合，使其在提高预期收益的同时，也降低大额风险，从而突破传统风险-收益权衡？
• RQ2 当各资产遵循具有不同指数与依赖结构的修正威布尔分布时，投资组合收益的尾部分布具有何种解析形式？
• RQ3 在一般依赖结构与非高斯边缘分布下，投资组合收益的矩（尤其是高阶矩）行为如何？
• RQ4 基于修正威布尔分布与高斯 copula 模型的理论预测，在多大程度上与金融时间序列数据在风险与收益度量上相匹配？
• RQ5 在何种资产矩与预期收益条件下，可实现更高收益同时降低大额风险？此类投资组合如何实现解析构造？

主要发现

• 投资组合收益分布的尾部渐近遵循与单个资产相同指数的修正威布尔形式，但其特征尺度 χ 取决于资产权重、依赖强度与指数 c。
• 对于两资产投资组合，利用超几何函数推导出矩的显式解析表达式，其中包含伽马函数与依赖系数 ρ 相关的项。
• 实证校准显示，理论矩与基于金融时间序列数值计算的矩高度一致，偏差主要出现在小收益区域，源于对威布尔参数化的偏离。
• 该框架可实现对同时提高预期收益与降低大额风险（如通过 VaR 与高阶矩）的投资组合进行解析构造，形式化了‘鱼与熊掌兼得’的可能性。
• 通过拉格朗日乘数法，以闭式表达推导出最小化高阶矩的最优投资组合权重，其权重与第 n 阶矩的逆的 (n−1) 次方根成正比。
• 推导出使第 n 阶矩最小的投资组合预期收益高于使第 (n+k) 阶矩最小的投资组合的条件，并表明该条件取决于各资产间矩与预期收益的相对缩放关系。