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
#***************************************************************** # 加载历史数据 #***************************************************************** load.packages('quantmod') # 加载保存的原始数据 # load('raw.Rdata') getSymbols.extra(N8.tickers, src = 'yahoo', from = '1970-01-01', env = data, raw.data = for(i in data$symbolnames) data[[i]] = adjustOHLC(data[[i]]
接下来，让我们测试函数
#***************************************************************** # 运行测试，每月数据 #***************************************************************** plot(scale.one(data$prices))
prices = data$prices plotransition(res[[1]]['2013::'])
接下来，让我们创建一个基准并设置用于所有测试。
#***************************************************************** # 建立基准 #***************************************************************** models = list() commission = list(cps = 0.01, fixed = 10.0, percentage = 0.0) data$weight[] = NA 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
#***************************************************************** # 转换为模型结果 #***************************************************************** CLA = list(weight = res[[1]], ret = res[[2]], equity = cumprod(1 + res[[2]]), type = "weight") obj = list(weights = list(CLA = res[[1]]), period.ends
我们可以复制相同的结果
#***************************************************************** #进行复制 #***************************************************************** weight.limit = data.frame(last(pric obj = portfoli(data$prices, periodicity = 'months', lookback.len = 12, silent=T, const.ub = weight.limit,urns,1) + colSums(last(hist.returns,3)) + colSums(last(hist.returns,6)) + colSums(last(hist.returns,12))) / 22 ia }, min.risk.fns = list( )
另一个想法是使用Pierre Chretien的平均输入假设
#***************************************************************** # 让我们使用Pierre的平均输入假设 #***************************************************************** obj = portfolio(data$prices, periodicity = 'months', lookback.len = 12, si create.ia.fn = create.(c(1,3,6,12), 0), min.risk.fns = list( TRISK.AVG = target.risk.portfolio(target.r )
最后，我们准备看一下结果
#***************************************************************** #进行回测 #***************************************************************** plotb(models, plotX = T, log = 'y', Left
layout(1) 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。
