“学海拾珠”系列之二百六十五：基于预测合成的贝叶斯投资组合优化

主要观点

• 贝叶斯预测合成（BPS）是一种集成多个“专家”预测分布的贝叶斯框架，通过动态线性模型作为合成函数，有效捕捉金融时间序列的非平稳性和时变性，整合不同预测源的信息，并将参数估计与市场不确定性统一纳入后验分布。
• 基于BPS的后验预测分布，构建了三种投资组合构建方法：
  • 均值-方差组合：通过约束优化或期望二次效用最大化理论选择权重。
  • 基于分位数的组合：使用贝叶斯版本的VaR/CVaR（风险视角）及VoR/CVoR（收益视角）作为优化目标或约束。
  • 风险平价组合：基于后验方差的边际风险贡献与风险贡献，使各资产贡献相等。
• 实证测试（美日市场股票数据，2008-2019）显示，基于BPS的投资组合优化方法（BPPS）整体表现良好，对集成中表现较差的预测模型不敏感，显示出方法的稳健性。
• BPPS-VoR（基于收益分位数）在美日市场均表现最佳且最稳定。

关键数据和研究结论

• 实证分析使用美国和日本市场的10种股票，数据区间为2008年1月1日至2019年12月31日，其中2008-2010年用于参数学习，2011-2019年用于绩效测试。
• 专家预测模型包括：过去1年、3年样本均值，AR(1)、AR(2)、AR(3)回归模型。
• 投资组合方法对比：
  • BPPS-MV：在美日市场表现良好，但日本市场末期出现下滑。
  • BPPS-VoR：始终表现最佳，稳定性高。
  • Uniform（等权重）：表现最差。
  • 基于样本均值和AR模型的传统方法：表现不如BPPS。
• 结论：BPS框架能有效整合预测信息，提升投资组合稳健性，其中VoR方法在风险控制与收益性上表现最优。