伦敦 伦敦00:00:00 纽约 纽约00:00:00 东京 东京00:00:00 北京 北京00:00:00

400-668-6666

效率前缘

当前位置:主页 > 效率前缘 >
效率前缘

这些服务提供辨认“区间震荡股(rolling stocks)”

  在这篇文章的第二部份,我将会引见一些评估量化阐发的现实方式,以及若何避免数据挖掘。

  若是你看到一个阐发师老是依赖着某种基于平均数-变益数框架的报答相关矩阵,必然要出格小心。我在这里最喜好举的例子就是组合式基金(fund-of-funds),不管是CTA(商品买卖参谋基金)或者是配合基金。以下是几个次要的缘由:

  第二,即便它有足够的数据来计较相关系数,也达到了可托度,这个发生相关系数的财政过程仍然相当不不变。很难用过去的相关系数来预测将来的相关系数。

  这有很多缘由,但我认为只要一个最主要的缘由:数据挖掘。我稍后会定义数据挖掘的意义并给你几个方式来避免,不管你利用的是量化阐发或者是缔造一个新的量化阐发方式。

  能够用Michael O’Higgins的著作:《打败道琼(Beating the Dow)》作为例子,在这本书傍边他引见了他广为传播的“道琼狗”理论。或着是也能够看看James P. O’Shaughnessy的《What Works on Wall Street》在这两本书傍边,使用分歧的假设试着去挤出一个在过去制造出最好绩效的方式。

  在金融研究范畴来说,只要幸存者才能颁发论文,而这些论文需要有统计或者是经济范畴的数据作为支持,可是这可能由于一些缘由或者是布局上的改变而发生变化。数据挖掘让一些名气较小的学者有颁发论文的机遇。

  在过去的工作中,我曾为一位有寿险客户的资产办理师作数据阐发。公司无数种衍素性金融商品,这使我们利用多样的分歧信用风险作为降低风险的一种东西。我时常会看到过去绩效的相关矩阵,由于分歧风险的资产组合而使波动的程度有相当大的减缓。我想问站在卖方的量化阐发师相关矩阵事实能有多不变,在1998年,迸发持久本钱办理公司(Long Term Capital Managemtnt,LTCM)危机时,他们给风险最高的固定收益资产多高的相关性,而苏醒后的相关性又是几多。绝大部份的时间,他们都没有考虑到这个问题。

  第一,没有足够的数据来估量它的相关矩阵。就算那些没有经验的从业者不晓得每一个他们所计较出来的相关系数都需要一小段的期间数据,他们仍是如许做。举例来说,若是是一个10个收益序列的相关矩阵,那么它至多需要46段期间的数据,若是可以或许有70段期间才可以或许达到统计上的可托度。

  投资者往往会倾向利用量化阐发来投资。这些方式包罗根基面阐发或手艺面阐发,而且时常能够看到过去预估将来可能会有不错的成果,但当一般投资公共(或专业投资人)试了这些方式,并未达到预期傍边的绩效。这是为什么呢?

  第三,“过去的绩效并不代表将来的报答”。不管是报答率或者是报答的变益数都一样。这并不让人不测,汗青上的平均报答除以报答的变更对一个想要获得和过去差不多报答的司理人来说并不是一个预测将来的恰当因子。简而言之,我认为夏普指数(Share Ratio)并不克不及真正发生报答或降低风险。效率前缘(efficient Frontier)虽然能够呈现一条标致的曲线,但当它的参数是参考汗青数据而得的时候,无法真的使资产设置装备摆设在将来可以或许达到最适的风险以及报答。

  数据挖掘试图赋与数据一个大概不具有的显著谜底。手艺阐发可能涉及数据挖掘。命运能够使一个方式看起来比现实上还要有用。

  What Works on Wall Street傍边也有一些不错的焦点概念(但它名字似乎取错了,该当要改成What

点击次数:  更新时间:2019-04-15 12:46   【打印此页】  【关闭
http://griggscap.com/xiaolvqianyuan/282/