智能投顾

ZaynPei Lv6
  2025-07-01 13:00 2025-07-01 13:00 Created   2025-08-27 14:57:08 2025-08-27 14:57:08 Updated      2.6k Words  9 Mins

等权重投资组合（Equal Weight Portfolio, EW）

等权重投资组合是一种简单的投资策略，它将资金平均分配给所有可用的资产。这意味着每个资产在投资组合中的权重是相同的。其根本原则是 “民主化”，即投资组合中的每一只股票或资产都拥有相同的”投票权”或重要性，无论这家公司的规模有多大（市值高低）、股价是高是低。

运作方式：一个简单的例子

假设你有 100,000元 资金，想要投资于一个由 4只股票（股票A、股票B、股票C、股票D）组成的投资组合。你的操作是将总投资比例（100%）除以资产的数量（4）, 最终每只股票的权重 = 100%/4=25%。接着将总资金乘以每项资产的权重, 最终投资到每只股票的金额 = 100,000元×25%=25,000元。

随着时间的推移，由于股价波动，你的投资组合会自然偏离最初的等权重状态。假设股票A大涨，其市值在组合中占比可能上升到30%；而股票D下跌，其占比可能降至20%。 为了维持等权重策略，您需要定期进行 “再平衡”。这意味着您需要：

  • 卖出一部分表现优异的资产（卖出一部分股票A）。
  • 买入一部分表现不佳的资产（增持一部分股票D）。

通过这种操作，使每项资产的权重重新回到最初设定的25%。这个过程隐含了一种 “高卖低买” 的逆向投资逻辑。

马科维茨投资组合策略 (Markowitz Portfolio Strategy, 也称作均值-方差模型 Mean-Variance, MV)

这是现代投资组合理论的基石，是一种经典的静态优化策略。

马科维茨策略的核心目标是在风险和收益之间找到最佳平衡。它不是在每个交易日都进行调整，而是基于对未来一段时间市场（如预期收益率和协方差）的预测，一次性计算出一个”最优”的资产配置比例。其优化目标通常是：

  • 在给定可接受的风险水平下，最大化预期收益。

  • 或在给定期望的收益水平下，最小化投资组合的风险（通常用方差来衡量）。

MVO的数学目标函数

MVO (均值-方差优化) 是指将MV理论付诸实践的数学优化过程. 这是一个计算过程或应用，旨在从有效前沿上找到一个具体的、最符合投资者目标的投资组合。

核心步骤:

  • 输入: 提供具体的参数估计值，包括对未来资产收益的预期（均值）、对资产风险的预测（方差）以及资产间的协方差矩阵。

  • 设定目标: 定义一个明确的优化目标，例如：

    • 在满足最低预期收益率 R 的前提下，最小化投资组合的方差。

    • 在可接受的最大风险 V 内，最大化投资组合的预期收益。

    • 找到能最大化夏普比率 (Sharpe Ratio) 的投资组合（也称为切点组合）。

求解: 使用数学规划求解器（如二次规划求解器）来计算出能达成该目标的精确投资权重。

有效前沿（Efficient Frontier）

指数梯度 (Exponential Gradient, EG)

这是一种经典的在线投资组合（Online Portfolio） 算法，与静态的马科维茨模型有本质区别。它的假设是近期表现好的资产，在下一个交易日可能依然表现良好。

EG 算法不需要对未来进行预测。它是一种自适应策略，在每个交易周期结束时，根据刚刚过去的这个周期里各个资产的真实表现来动态调整投资权重。其基本逻辑是：

  • 奖励赢家：对于上一期表现好的资产，增加其权重。

  • 惩罚输家：对于上一期表现差的资产，减少其权重。

这个调整过程是通过乘法更新 (Multiplicative Updates) 来实现的，因此算法名称中带有 “Exponentiated”（指数化）。

指数梯度算法步骤

EG算法的详细步骤如下：

  1. 初始化 (Initialization)
    • 在第1天开始时，我们没有任何信息，所以通常采用等权重投资组合。
    • 例如，如果有 m 只股票，每只股票的初始权重都是 。
  2. 观察上一期收益 (Observe Last Period’s Return)
    • 在第 t 天收盘后，计算当天（即从 t − 1 天收盘到 t 天收盘）每只股票的收益情况。
    • 用一个价格相对向量 yt 表示，其中每个元素 yt, i 是第 i 只股票的当日价格变化率（例如，1.05 代表上涨 5%，0.98 代表下跌 2%）。
  3. 更新权重 (Update the Weights)

    • 这是算法的核心。根据上一期的权重 wt 和刚刚观察到的收益 yt，计算下一期的未归一化新权重 ŵt + 1。

    • 对于组合中的第 i 只股票，其新权重的计算公式为：

      ŵt + 1, i = wt, i × exp (η ⋅ yt, i)

    • 其中:

      • wt, i：第 i 只股票在第 t 天的权重。
      • yt, i：第 i 只股票在第 t 天的收益表现。
      • exp (...)：自然指数函数，实现”指数级”奖励。
      • η (eta)：学习率 (Learning Rate)，控制算法的”反应速度”。
        • 高 η：算法对近期收益反应剧烈，大幅增加赢家权重。
        • 低 η：算法反应温和，权重调整幅度较小。
  4. 归一化 (Normalization)

    • 第3步计算出的权重相加通常不等于1。为了使其成为一个有效的投资组合，需要进行归一化。

    • 计算所有未归一化权重的总和：

    • 将每个未归一化权重除以总和，得到最终的、下一期的投资组合权重：

原论文定理

指数梯度（EG）算法遗憾界（Regret Bound）完整推导

定理内容：
假设存在一个固定的投资组合 u，以及一个价格相对向量序列 x1, ..., xT。对于所有的 i, t，都有 xi, t ≥ r > 0 且 maxixi, t = 1。EG(η) 算法的累计对数财富满足：

证明过程：

  1. 定义势函数变化量 Δt：

    令势函数为相对熵 DRE，其单步变化为 Δt = DRE(u∥wt + 1) − DRE(u∥wt) 根据相对熵定义 ，展开上式：

  2. 代入 EG 算法更新规则：

    EG 算法的更新规则为 取对数并整理得： 代入 Δt 的表达式中：

  3. 为 log Zt 寻找上界：

    利用凸性不等式和对数不等式，可以得到

  4. 推导 Δt 的最终上界：

    利用不等式 1 − z ≤ −log z（令 ）：

  5. 累加并得到最终结论：

    对 Δt 从 t = 1 到 T 求和： 由于 DRE(u∥wT + 1) ≥ 0 且 wt ⋅ xt ≥ r，上式可放缩为 移项整理，将 ∑log (wt ⋅ xt) 单独置于一边，并同除以 η，得证：

在线牛顿步 (Online Newton Step, ONS)

这同样是一种在线投资组合算法，可以看作是 EG 算法的一个更复杂、更强大的进阶版本。

如果说 EG 算法只考虑了资产过去的收益（一阶信息，类似于梯度），那么 ONS 算法则试图利用更多的信息来做出更优的决策。它借鉴了优化理论中的牛顿法 (Newton Method) 的思想，不仅考虑了”哪个方向是好的”（一阶信息），还试图预估”往这个方向走多远是合适的”（二阶信息）。这使得 ONS 能够更积极地调整其投资组合，期望能更快地适应市场变化。

梯度下降 (EG的思路): 只沿着当前最陡峭的方向（近期回报最高）走一小步。 牛顿法 (ONS的思路): 不仅看方向，还通过分析地形的”曲率”（回报的协方差），来计算出一个更直接、通往最优点的”快捷方式”，从而能更快、更准地调整方向。

在线牛顿步算法步骤

ONS 算法的详细步骤如下：

  1. 初始化 (Initialization)
    • 和 EG 一样，从一个等权重的投资组合开始，例如：
  2. 观察上一期收益 (Observe Last Period’s Return)
    • 在第 t 天收盘后，观察并记录当天的收益向量 yt。
  3. 更新累计信息 (Update Accumulated Information)
    • 这是 ONS 与 EG 最大的不同。ONS 会维护两个非常重要的累计变量：

      • 累计梯度向量 bt：所有过去收益向量的总和。

        bt = bt − 1 + yt

      • 累计二阶信息矩阵 At：一个 m × m 的矩阵，近似于所有过去收益的协方差矩阵。

        At = At − 1 + ytyt⊤

        其中 yt⊤ 是 yt 的转置。

  4. 计算理想组合方向 (Calculate Ideal Portfolio Direction)

    • ONS 使用累计的信息来计算一个理想的投资组合方向。这一步的核心是矩阵求逆，这也是”牛顿步”的体现：

      ŵt + 1 ≈ At−1bt

    • 这里的 At−1（矩阵 A 的逆）利用历史波动性和相关性信息，对简单的累计收益 bt 进行了”扭曲”和”缩放”，从而给出一个更优的更新方向。

  5. 投影与归一化 (Projection and Normalization)
    • 第4步计算出的 ŵt + 1 只是一个理想的方向，通常不满足投资组合的约束（权重加总为1，且权重为正）。
    • 需要一个额外的、复杂的投影步骤，将这个理想向量”投影”到有效的投资组合空间上，得到最终的权重 wt + 1。

优缺点

优点：

  • 适应性更强：利用资产间的相关性信息，能比 EG 更快地适应市场变化。
  • 性能更优：在理论上和很多实际测试中，ONS 的长期累积回报通常高于 EG。
  • 理论基础好：拥有更强的理论性能保证（较低的”后悔值”）。

缺点：

  • 计算成本极高：核心步骤涉及到 m × m 矩阵的求逆，其计算复杂度约为 O(m3)。当资产数量 m 很大时（例如上百只股票），这几乎是不可行的。
  • 数值不稳定性：矩阵 At 可能因为数据问题变得不可逆或病态，导致计算失败或结果不稳定。实际应用中需要加入”正则化”等技巧来缓解此问题。
On this page
智能投顾
  1. 等权重投资组合（Equal Weight Portfolio, EW）
  2. 马科维茨投资组合策略 (Markowitz Portfolio Strategy, 也称作均值-方差模型 Mean-Variance, MV)
    1. MVO的数学目标函数
    2. 有效前沿（Efficient Frontier）
  3. 指数梯度 (Exponential Gradient, EG)
    1. 指数梯度算法步骤
    2. 原论文定理
  4. 在线牛顿步 (Online Newton Step, ONS)
    1. 在线牛顿步算法步骤
    2. 优缺点