拓端tecdat|R语言动量和马科维茨Markowitz投资组合(Portfolio)模型实现

​​动量和马科维茨投资组合模型​​使 ​​均值方差优化​​ 组合成为可行的解决方案。通过建议并测试：

• 增加最大权重限制
• 增加目标波动率约束

来控制 ​​均值方差最优化的解​​。

下面，我将查看8个资产的结果：

首先，让我们加载所有历史数据

1.  #*****************************************************************
2.  # 加载历史数据
3.   
4.  #*****************************************************************
5.   
6.  load.packages('quantmod')
7.   
8.  # 加载保存的原始数据
9.  #
10.  load('raw.Rdata')
11.   
12.   
13.   
14.  getSymbols.extra(N8.tickers, src = 'yahoo', from = '1970-01-01', env = data, raw.data =
15.  for(i in data$symbolnames) data[[i]] = adjustOHLC(data[[i]]
16.   

接下来，让我们测试函数

1.  #*****************************************************************
2.  # 运行测试，每月数据
3.  #*****************************************************************
4.   
5.  plot(scale.one(data$prices))

1.  prices = data$prices
2.   
3.  plotransition(res[[1]]['2013::'])

接下来，让我们创建一个基准并设置用于所有测试。

1.  #*****************************************************************
2.  # 建立基准
3.  #*****************************************************************
4.  models = list()
5.   
6.  commission = list(cps = 0.01, fixed = 10.0, percentage = 0.0)
7.   
8.  data$weight[] = NA
9.   
10.  model = brun(data, clean.signal=T,

接下来，让我们获取权重，并使用它们来进行回测

1.  #*****************************************************************
2.  # 转换为模型结果
3.  #*****************************************************************
4.  CLA = list(weight = res[[1]], ret = res[[2]], equity = cumprod(1 + res[[2]]), type = "weight")
5.   
6.  obj = list(weights = list(CLA = res[[1]]), period.ends

我们可以复制相同的结果

1.  #*****************************************************************
2.  #进行复制
3.  #*****************************************************************
4.  weight.limit = data.frame(last(pric
5.  obj = portfoli(data$prices,
6.  periodicity = 'months', lookback.len = 12, silent=T,
7.  const.ub = weight.limit,urns,1) + colSums(last(hist.returns,3)) +
8.  colSums(last(hist.returns,6)) + colSums(last(hist.returns,12))) / 22
9.  ia
10.  },
11.  min.risk.fns = list(
12.  )
13.   
14.   

另一个想法是使用Pierre Chretien的平均输入假设

1.  #*****************************************************************
2.  # 让我们使用Pierre的平均输入假设
3.  #*****************************************************************
4.  obj = portfolio(data$prices,
5.  periodicity = 'months', lookback.len = 12, si
6.  create.ia.fn = create.(c(1,3,6,12), 0),
7.  min.risk.fns = list(
8.  TRISK.AVG = target.risk.portfolio(target.r
9.  )
10.   

最后，我们准备看一下结果

1.  #*****************************************************************
2.  #进行回测
3.  #*****************************************************************
4.   
5.  plotb(models, plotX = T, log = 'y', Left

1.  layout(1)
2.  barplot(sapply(models, turnover, data)

使用平均输入假设会产生更好的结果。

我想应该注意的主要观点是：避免盲目使用优化。相反，您应该使解决方案更具有稳健性。