金母鸡量化教学场量化科技优化技术详解二

接着上一篇，我们继续讲解关于量化科技中的优化技术。

四、格里诺德一卡恩方法：优化要素投资组合

另一种值得一提的优化方法是格里诺德（Grinold）和卡恩（Kahn）在开创性论著《积极投资组合管理》（Active Portfolio Management）中提出的。绝大部分优化方法试图确定头寸规模，而这种投资组合优化技术的直接目标就是建立信号的组合。格里诺德和卡恩所提出的这种方法应用很广泛。这种方法的主要思想是建立因素投资组合群，其中每个投资组合都是基于规则（实际上通常都是等权重或等风险权重）考虑单一种类的阿尔法预测而构建的。所以，可以考虑构建动量型投资组合、价值型投资组合和成长型投资组合。

这个方法的一个优势在于，投资组合的数量更加易于管理，根据在阿尔法模型中所使用的单个因素的数量，通常不会超过20个。因此在进行优化时，并不是优化含有几千种金融产品的投资组合，而是优化几种要素投资组合的混合。从所需要的数据量上就可以看出后者更加容易些。要素投资组合优化方法可以包含风险模型、交易成本模型、投资组合规模和风险目标作为输人变量，这一点和其他优化方法基本相同。

五、重新取样效率

在《有效资产管理》（Eficient Asset Management）一书中，理查德·米肖（Richard Michaud）提出了另一种投资组合构建模型。米肖是试图改进优化工具的输人变量，但并不是提出新型的优化方法。他提出的重新取样效率（reSampled efticiency）相关方法解决了针对估计误差的过度敏感性问题。米肖认为这实际上是优化方法中最为重要的问题。

六、基于数据挖掘的最优化方法

最后我们对数据挖掘类方法在投资组合构建模型中的应用加以简单介绍。一些宽客使用机器学习方法，如监督学习或遗传算法等来解决优化问题。支持在投资组合构建中使用机器学习方法的观点认为，均值方差优化方法是一种数据挖掘类方法，通过在各种可能的投资组合中进行搜索，寻找表现出最好特征（通过优化工具的目标函数得以体现）的一类。机器学习领域差不多也在做基本相同的事情，这一领域已经受到了学学界不同学科的关注，而不只是投资组合优化，投资组合优化仅仅是个金融领域的一个主题。所以，有充足的理由相信，使用机器学习类方法寻找最优投资组合的质量，比其他算法尤其是均值方差优化技术的质量要更好一些。

投资组合优化的一个有趣的副产品是，根据阿尔法模型预测产品在未来的收益为正，但在最终的投资组合中却作为空头头寸（反之亦然）。当终，使用优化工具来构建投资组合的路深路客中，使用最简单的优化工具（尤其是无约束优化）的只是少数。尽管优化方法背后隐藏的意因是很清楚的，但所使用的技术本身是量化交易系统中最适合被冠以黑箱之名的部分。由于阿尔法模型、风险模型、交易成本模型以及头寸限制、所期望的风险水平等之间复杂的交互作用，相对于输人变量而言，优化工具的输出有时很令人困感。我们不得不考虑阿尔法模型内部不同种类的阿尔法要素间的交互作用，进一步加剧了这种复杂性。