聚焦股票多因子系列(六):风险模型应用之协方差矩阵估计篇-260520-江海证券。第二部分对特质性收益协方差矩阵估计的过程与第一部分较为类似,也是先通过EWMA 法完成对特质性风险的原始估计,然后使用结构化模型完善个股特质性风险的数据结构,以提升预测的稳定性;接着,我们使用贝叶斯收缩的方式对特质性风险估计进行调整;最后,也是利用波动率偏误调整的方法对特质性风险进行修正,进而完成了对特质性收益协方差矩阵的估计。在构建最小方差组合的过程中,我们发现,尽管最小方差组合(MV 组合)降低了基准指数的风险和回撤,但也造成了收益风险比的下降,究其原因,由于指数成份股权重基本与流通市值挂钩,而我们并未对 MV 组合的持仓偏离度做约束,因此当指数上行主要靠行业龙头拉动时,MV 组合就容易跑输指数。
聚焦股票多因子系列(六):风险模型应用之协方差矩阵估计篇-260520-江海证券。第二部分对特质性收益协方差矩阵估计的过程与第一部分较为类似,也是先通过EWMA 法完成对特质性风险的原始估计,然后使用结构化模型完善个股特质性风险的数据结构,以提升预测的稳定性;接着,我们使用贝叶斯收缩的方式对特质性风险估计进行调整;最后,也是利用波动率偏误调整的方法对特质性风险进行修正,进而完成了对特质性收益协方差矩阵的估计。在构建最小方差组合的过程中,我们发现,尽管最小方差组合(MV 组合)降低了基准指数的风险和回撤,但也造成了收益风险比的下降,究其原因,由于指数成份股权重基本与流通市值挂钩,而我们并未对 MV 组合的持仓偏离度做约束,因此当指数上行主要靠行业龙头拉动时,MV 组合就容易跑输指数。
聚焦股票多因子系列(六):风险模型应用之协方差矩阵估计篇-260520-江海证券。第二部分对特质性收益协方差矩阵估计的过程与第一部分较为类似,也是先通过EWMA 法完成对特质性风险的原始估计,然后使用结构化模型完善个股特质性风险的数据结构,以提升预测的稳定性;接着,我们使用贝叶斯收缩的方式对特质性风险估计进行调整;最后,也是利用波动率偏误调整的方法对特质性风险进行修正,进而完成了对特质性收益协方差矩阵的估计。在构建最小方差组合的过程中,我们发现,尽管最小方差组合(MV 组合)降低了基准指数的风险和回撤,但也造成了收益风险比的下降,究其原因,由于指数成份股权重基本与流通市值挂钩,而我们并未对 MV 组合的持仓偏离度做约束,因此当指数上行主要靠行业龙头拉动时,MV 组合就容易跑输指数。
覆盖 2026 年,全文共 32 页。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合投资人等读者参考。
重点分析了股票、股票多因子系列、江海证券等议题。